【技术实现步骤摘要】
基于条件扩散模型的单一图像超分辨率方法
[0001]本专利技术属于图像恢复
,更为具体地讲,涉及一种基于条件扩散模型的单一图像超分辨率方法
。
技术介绍
[0002]单一图像超分辨率重建
(SISR)
旨在给定低分辨率图像
(LR)
后重建一个包含清晰细节特征的高分辨率图像
(HR)。
高分辨率意味着图像中像素的高密度,为实际应用提供更多必要的细节
。
同时
SISR
具有一定的挑战性,因为其是一个
ill
‑
posed
问题,即没有稳定和唯一的解,往往多个输出对应于一个输入
。
这是由于模型在训练期间将范数作为目标函数的不确定性造成的
。
范数的输出被当作可能的平均值,以适应预测中的不确定性,而被用来预测所有这些结果的中值
。
这种不确定性使训练出的模型无法产生丰富的高频信息,尽管它在重建精度上产生了不错的结果
(
如
PSNR
和
SSIM)。
而使用者希望得到有真实且丰富细节的输出,如何生成这些真实细节纹理成为了一个不可避免的重要问题
。
[0003]目前单一图像超分方法大致可以分为:基于回归的图像超分辨率和基于生成的图像超分辨率
。
基于回归的图像超分辨率方法通过将低分辨率图像
(LR)
输入到模型中,通过模型放大到与高分辨率图像
( ...
【技术保护点】
【技术特征摘要】
1.
一种基于条件扩散模型的单一图像超分辨率方法,其特征在于,包括以下步骤:
S1
:根据实际需要获取若干尺寸相同的图像样本
HR
,对每个图像样本
HR
进行
N
倍下采样得到低分辨率图像
LR
,然后对低分辨率图像
LR
进行
N
倍上采样作为噪声图像
INF
,将噪声图像
INF
去噪后作为对应的超分辨率图像
S2
:根据实际需要构建条件扩散模型,该模型将超分辨率图像作为在时刻
T
的高斯表示
x
T
,将低分辨率图像
LR
上采样得到的噪声图像
INF
作为初始噪声图像
x
inf
,并按照条件扩散过程的逆向顺序对其进行去噪,从而递归生成超分辨率图像
SR
;
S3
:采用步骤
S1
中的每个图样样本
HR
对应的超分辨率图像作为时刻
T
的高斯表示
x
T
,将低分辨率图像
LR
上采样得到的噪声图像
INF
作为初始噪声图像
x
inf
,对应的图像样本
HR
作为期望输出,对条件扩散模型进行训练,得到训练好的条件扩散模型;条件扩散模型训练的具体步骤包括:
S3.1
:根据实际需要构建一个参数为
ψ
的神经网络
M
,其输入为条件扩散模型逆向去噪过程中
t
时刻的超分辨率图像的高斯表示
x
t
和输出
y
t
在通道维度上的拼接特征图,其输出为通道维度为1的全局特征向量;
S3.2
:将训练样本中超分辨率图像作为时刻
T
的高斯表示
x
T
,将低分辨率图像
LR
上采样得到的噪声图像
INF
作为初始噪声图像
x
inf
,输入条件扩散模型进行逆向去噪,递归地生成超分辨率图像
SR
,同时获取逆向去噪过程中每个时刻
t
时的高斯表示
x
t
和条件扩散模型的输出
y
t
;
S3.3
:基于互信息计算损失函数,具体方法如下:基于正态分布随机采样一个噪声
ε
′
,对图像样本
HR
添加噪声
ε
′
得到超分辨率图像在时刻
t
的另一高斯表示
x
t
′
;分别将高斯表示
x
t
、x
t
′
与输出
y
t
进行拼接,得到拼接向量
(x
t
:y
t
)
和
(x
t
′
:y
t
)
;将两个拼接向量分别输入神经网络
M
,得到全局特征向量
M
θ
,
ψ
(x
t
′
:y
t
)
和
M
θ
,
ψ
(x
t
:y
t
)
;采用如下公式计算香农互信息采用如下公式计算香农互信息其中,表示求取期望,
θ
表示条件扩散模型的参数,
ψ
表示神经网络
M
的参数,
sp(z)
=
log(1+e
z
)
,表示输入输出的边缘分布乘积,表示输入输出的联合分布;采用如下公式计算损失函数
L
DM
:然后采用如下公式计算最终的损失函数
loss
:其中,
α
、
β
表示预设的权重参数;
S3.4
:根据计算得到的损失函数
loss
对条件扩散模型和神经网络的参数进行调整;
S3.5
:判断是否达到预测的训练完成条件,如果达到,则训练结束,否则返回步骤
S3.2
;
S4
:当需要对某个低分辨率图像
LR
′
进行超分辨率图像生成时,对低分辨率图像
SR
′
进行
N
倍上采样作为噪声图像
INF
′
,将噪声图像
INF
′
去噪后作为对应的超分辨率图像然后将超分辨率图像作为
T
时刻的高斯表示
x
T
、
将噪声图像
INF
′
作为初始噪声图像
x
inf
输入条件扩散模型,按照条件扩散过程的逆向顺序对其进行去噪,从而递归地生成低分辨率图像
LR
′
对应的超分辨率图像
SR
′
。2.
根据权利要求1所述的单一图像超分辨率方法,其特征在于,所述步骤
S2
中条件扩散模型包括输入处理模块
、
第一下采样模块
、
第二下采样模块
、
第一卷积视觉转换模块
、
第三下采样模块
、
第二卷积视觉...
【专利技术属性】
技术研发人员:董云云,石宇,王汝欣,周维,张锦弘,
申请(专利权)人:云南大学,
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。