【技术实现步骤摘要】
一种基于多尺度反馈网络的引导深度图超分辨率方法
[0001]本专利技术属于图像处理领域,尤其涉及一种基于多尺度反馈网络的深度图像超分辨率(SR)重建方法。
技术介绍
[0002]深度图像是一种特殊的图像类型,含有其他图像无法表达的深度信息。这使它在自动驾驶、三维重建、增强现实和机器人导航等各种三维场景的应用中能发挥至关重要的作用。然而,由于现有的深度采集设备的传感和处理能力不足,我们很难获得精细的高分辨率(HR)深度图(例如,用Kinect 2.0相机拍摄的深度图分辨率仅为512
×
424)。这让许多需要使用深度图像的多媒体或计算机视觉任务的发展受到了阻碍。因此,如何将获取的低分辨率(LR)深度图转化为HR深度图,即深度图超分辨率(DSR)问题,成为了一个值得研究的基础问题。DSR问题中的退化模型可以表示为:
[0003]y=HDx+n
[0004]其中,H表示模糊算子,D为降采样算子,n表示加性噪声。从上式可以看出该退化问题是不适定的,满足约束条件的解有很多,因此很难在解空间中找到我们实际需要的最优解。所以,如何根据图像的先验信息重建出HR图像是一个很难解决的问题。现有的引导深度图超分辨率方法主要分为三类:基于滤波的方法、基于优化的方法和基于深度学习的方法。
[0005]基于滤波的方法的主要思想是根据相邻点的值预测目标点的值。J.Kopf,M.Cohen,D.Lischinski,and M.Uyttendaele,“Joint bilateral upsampling,”
【技术保护点】
【技术特征摘要】
1.一种基于多尺度反馈网络的引导深度图超分辨率方法,其特征在于包括以下部分:一、基于多尺度反馈网络的深度图超分辨率方法:步骤1、将数据集中的低分辨率深度图I
lr
通过插值的方法初始化为I
bicubic
,大小为目标分辨率大小;设置相关网络参数;步骤2、将深度图I
bicubic
和彩色图I
C
分别输入一组包含两个卷积层的特征提取器进行初步特征提取,得到特征图和步骤3、将特征图输入多尺度反馈模块(MF)中进行多尺度特征提取,得到特征图组步骤4、将特征图组输入尺度间注意力模块(IA)中得到尺度间权值w2,然后赋权值给得到特征图记为步骤5、对特征图执行步骤3、4的同样操作,得到步骤6、将特征图输入跨域注意力调节模块(CAC)中,得到特征图和步骤7、重复步骤3
‑
6t
‑
1次后,得到特征图和步骤8、将特征图组和通过融合模块融合,其中包含卷积层和拼接操作,得到特征图F
out
;步骤9、将F
out
执行步骤3、4同样操作3次,然后将3个输出特征图融合,得到特征图R
out
;步骤10、将R
out
输入一组包含两个卷积层的重建模块进行最后的图像重建,得到输出图像I
out
,用I
out
+I
bicubic
得到I
hr
,即为最终重建的高分辨率深度图;二、多尺度反馈模块:步骤1、将输入的特征图输入到初始卷积层得到步骤2、将用不同尺度的卷积层提取多尺度特征图组步骤3、将上一时间步的特征图组反馈连接至当前时间步;步骤4、使用与步骤2对应的反卷积层得到相同大小的特征图组步骤5、将送入尺度间注意力(IA)模块得到权重向量步骤6、用对赋权值,得到特征图组步骤7、对求和并加上输入特征图得到最终输出三、尺度间注意力模块:步骤1、将输入的特征图组拼接得到步骤2、将得到的送入一个全局池化层得到向量步骤3、对使用两个全连接层得到长度为k的向量其中激活函数分别为ReLU和Sigmoid。2.根据权利要求1所述的方法,其特征在于,分为两个大阶段:特征细化阶段和重建阶段;在特征细化阶段之前,首先要对给定的低分辨率深度图I
lr
和彩色图I
C
做初步的特征提
取;将I
lr
通过插值的方法初始化,记为I
bicubic
,大小为目标分辨率大小;然后对I
bicubic
和I
C
进行特征提取,再将其分别送入包含两层3
×
3核大小的卷积层的特征提取器中,得到特征图F
D
和F
C
;F
D
=conv
input_d
(I
bicubic
)F
C
=conv
input_c
(I
C
)特征细化阶段:一、特征细化阶段的具体步骤:此阶段包含T个时间步;每个时间步的网络结构都保持一致,包括一个多尺度反馈模块(MF)和一个跨域注意力调节(CAC)模块;设T=5;其中任意某个时间步记为t的具体流程如下:1)、对于上一个时间步中CAC模块的的输出在当前时间步中作为输入分别传递给两个子分支即深度图像分支和彩色图像分支中的MF块;传递给两个子分支即深度图像分支和彩色图像分支中的MF块;2)、在MF模块的运算后,将两个MF的输出再送入当前时间步的CAC模块,完成特征间的交互,此CAC的输出记为间的交互,此CAC的输出记为在T个时间步结束时,完成特征的优化和融合;然后将每个时间步中CAC的输出连接起来,并将其输入到融合模块(FB),其输出即为FOS阶段的最终输出;二、多尺度反馈模块(MF)的具体步骤:模块的输入大小和输出大小均为H
×
W
×
64;MF作为网络的骨干模块,其作用为在网络中部提取和细化不同尺度的特征,首先将特定时间步长t的HR特征图映射到不同尺度的LR特征域;不同尺度的LR隐藏层信息也将被发送到下一时间步t+1,参与下一次迭代;然后,将不同尺度的下采样特征图分别输入相应的反卷积层以将其恢复到其原始大小;具体步骤如下:1)、首先,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。