【技术实现步骤摘要】
Division
,
SFD)
模块和一种多域多级特征融合
(Multi
‑
Domain Multi
‑
Level Feature Fusion
,
M2F2)
机制,目标是以任意尺度因子来提取空间域和频率域的特征,以减少不同领域特征的相关性,并有效地捕获多领域的特征,从而实现任意尺度的图像超分辨率,用于解决任意尺度图像超分辨率特征融合集中在处理单一领域特征缺陷的技术问题
。
[0005]本专利技术采用以下技术方案:
[0006]一种任意尺度图像超分辨率网络构建方法,包括以下步骤:
[0007]S1、
提取任意比例因子
r
的特征,建立两条路径,一条是特征提取路径,用于捕捉任意比例因子
r
的特征;另一条是特征适应路径,用于根据比例因子
r
调节特征提取,捕获空间域的多级特征;
[0008]S2、
基于
LR
‑
HR
图像,对在任意比例因子
r
下共享相同的低频信息,以自适应区分低频信息和高频信息;
[0009]S3、
采用多域多级特征融合机制捕获多域特征;
[0010]S4、
设计任意尺度图像超分辨率网络的损失函数,结合步骤
S3
捕获的多域特征构建任意尺度图像超分辨率网络
。
[0011]具体的,步骤
S1
中,将一个
RB< ...
【技术保护点】
【技术特征摘要】
1.
任意尺度图像超分辨率网络构建方法,其特征在于,包括以下步骤:
S1、
提取任意比例因子
r
的特征,建立两条路径,一条是特征提取路径,用于捕捉任意比例因子
r
的特征;另一条是特征适应路径,用于根据比例因子
r
调节特征提取,捕获空间域的多级特征;
S2、
基于
LR
‑
HR
图像,对在任意比例因子
r
下共享相同的低频信息,以自适应区分低频信息和高频信息;
S3、
采用多域多级特征融合机制捕获多域特征;
S4、
设计任意尺度图像超分辨率网络的损失函数,结合步骤
S3
捕获的多域特征构建任意尺度图像超分辨率网络
。2.
根据权利要求1所述的任意尺度图像超分辨率网络构建方法,其特征在于,步骤
S1
中,将一个
RB
的输入与对应组中所有先前的
RB
的输出串联,并通过一个1×1卷积,形成一个
DG
;给定输入特征
f
i
和尺度感知的特征学习模型的输入比例因子
r
,输入特征
f
i
被送入
DG
,输出特征图
f
D
;在另一条路径上,比例因子
r
首先通过两个全连接层产生路由权重;然后将路由权重与一组卷积核结合,实现一个规模感知的过滤器
f
r
,稠密组的输出
f
D
和标度感知特征
f
r
通过1×1卷积层进行自适应合并,合并后的信息与
f
D
串联,得到尺度感知特征的输出
f
S
。3.
根据权利要求2所述的任意尺度图像超分辨率网络构建方法,其特征在于,尺度感知特征的输出
f
S
为:
f
S
=
[conv1×1(f
D
,f
r
),f
D
]
其中,
conv1×1为1×1卷积层
。4.
根据权利要求1所述的任意尺度图像超分辨率网络构建方法,其特征在于,步骤
S2
中,将
LR
‑
HR
图像转换到
DCT
频域;然后将图像的
DCT
频谱划分为
LF
部分和
HF
部分;高频部分经过
F
‑
SFLs
恢复高频信息,低频部分被添加到恢复的高频信息中,通过长距离的跳过连接生成最终的频域重建特征
。5.
根据权利要求4所述的任意尺度图像超分辨率网络构建方法,其特征在于,高频信息和低频信息的自适应划分转化为
VFP
选择机制,表述为一个马尔可夫决策过程,包括5个...
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。