【技术实现步骤摘要】
一种基于注意力机制的多感知特征图像超分辨率重建的深度学习算法
[0001]本专利技术涉及图像超分辨率重建
,具体为一种基于注意力机制的多感知特征图像超分辨率重建的深度学习算法。
技术介绍
[0002]近些年,基于卷积神经网络的图像超分辨率重建方法有了快速的发展,主要是依赖退化方法并在特定的场景下进行应用,在一些数据上取得了好的效果,但是在现实世界的低分辨率图像上特定场景的退化方法并不能得到精度高的高分辨率图像,出现这样的问题主要是退化内核是未知的。最近也有一些研究直接忽略特定退化过程和模式,直接设计超分模型从而获得精度更高的高分辨率图像,主要从浅层特征提取、非线性映射和重建三个方面出发,获得了不错的效果。这些方法忽略了多尺度浅层特征的特征交互,从不同感受野可以提取多尺度特征,更大的感受野涉及更多的功能交互,所以这些方法重建的结果还不够精细。
[0003]最近的研究表明,在低分辨率重建任务中仅仅使用图像重建损失可能不能有效地捕获图像细节,并可能导致恢复后的图像的颜色失真。为了解决这一问题,有些研究者利用教师学生网络将同一小批中的剩余样本作为负样本,将教师网络的输出作为正样本,构造对比损失。增加正负样本的监督能获得更高的重建精度,此外,多头注意力机制技术的从自然语言处理领域引入卷积神经网络也是大放异彩,将卷积神经网络的感受野扩大到整张图像的注意力上,结合UNet的分层跨越融合思想,能更加精细的重建出高分辨率的图像。
[0004]综上所述,本专利技术通过设计一种基于注意力机制的多感知特征图像超分辨率重 ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的多感知特征图像超分辨率重建的深度学习算法,其特征包括以下步骤:步骤S1,数据构建、数据预处理:图像超分辨率重建的开源数据集主要是RealSR Dataset、DRealSR Dataset和RealBlur Dataset,如需在自己的数据集上进行训练,需要将数据格式准备为与上述三个数据集一致;步骤S2,正负样本生成:针对图像超分辨率低分辨率图像对应多个高分辨率图像的现状,在监督损失时不仅仅是利用单一真实图像,而是需要生成多个正样本与负样本进行监督;对于正样本,使用高通滤波和教师学生网络生成额外的高分辨率图像作为正样本,对于负样本,使用高斯噪声和泊松噪声生成额外的带噪声的负样本;步骤S3,多感知注意力网络,即Trans
‑
UNet:特征提取网络是结合U
‑
Net网络结构和多头注意力网络的多感知特征网络,即为Trans
‑
UNet,对于输入的低像素图像,首先经过卷积核为1*1的卷积、卷积核为3*3的卷积、卷积核为3*3且膨胀系数为3膨胀卷积、卷积核为3*3且膨胀系数为6膨胀卷积和卷积核为3*3且膨胀系数为9膨胀卷积,对于5个不同大小的特征图,并行输入到U
‑
Net网络中,其中每个U
‑
Net网络都是有多头注意力网络构成,经过Trans
‑
UNet网络进行特征提取,得到超分辨率的初步结果图像;步骤S4,对比正则判断网络:将得到的初步超分辨率结果图像与正样本、负样本送入对比正则判断网络,使得初步超分辨率结果图像与正样本的监督损失更小,与负样本的监督损失相差更大,经过对比正则判断网络后得到最终的超分辨率结果图像。2.根据权利要求1所述的一种基于注意力机制的多感知特征图像超分辨率重建的深度学习算法,其特征在于,所述S1中的图像长为1920、宽为1080,深度为3的RGB低像素图像。3.根据权利要求1所述的一种基于注意力机制的多感知特征图像超分辨率重建的深度学习算法,其特征在于,所述S2中生成多个正样本与负样本进行监督,对于第i个低分辨率(low resolution,LR)图像,正样本使用高通滤波和教师学生网络生成额外的高像素图像作为正样本,生成的公式如下:其中,p
i
表示第i个正样本,H表示...
【专利技术属性】
技术研发人员:张正卿,胡超,邬伟杰,黄家耀,赖盛鑫,朱力强,
申请(专利权)人:联通上海产业互联网有限公司,
类型:发明
国别省市:
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。