一种基于下采样模型生成数据集的超分辨率模型训练方法技术

本发明专利技术提出了一种基于下采样模型生成数据集的超分辨率模型训练方法，包括使用相机拍摄的图片的第一LR低分辨率数据集和获得的DIV2K数据集的HR高分辨率数据集训练ADM自适应下采样模型；使用ADM自适应下采样模型生成与高分辨率序列一一对应的低分辨率序列，得到具有退化过程特点的第二LR低分辨率数据集；使用预设的REDS数据集以及训练后的ADM自适应下采样模型生成的REDS数据集分别对超分辨率模型进行训练，通过对比实验验证得出超分辨率模型训练效果确实得到增强。本发明专利技术可以避免模型把原图的噪点部分当作是正常的纹理给恢复到媒体序列中，生成的数据集可以使超分辨率模型更好地恢复细节，产生更加贴近符合现实世界下的视频退化序列。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和图像处理，具体涉及一种基于下采样模型生成数据集的超分辨率模型训练方法。

技术介绍

1、超分辨率重建技术是把低分辨率的数据样本重建成高分辨率的数据样本，是计算机视觉和图像处理领域中一个非常经典且极具挑战性的问题，在医学图像重建、遥感、监控系统、直播视频实时超分和高清电视等领域都有广泛的应用价值。随着第五代移动通信技术以及高清、超高清显示设备的普及，越来越多的移动设备能够接受体积较大的图像或视频并把它们完美的展现出来，但这对服务器压力以及设备呈现效果来说都是不小的挑战，因此视频超分辨率这个研究方向受到越来越多学者的关注。

2、现有技术中，训练视频超分辨率的数据集都是使用配对的高分辨率和低分辨率媒体序列，并且这些媒体序列数据集都是由预先知道的下采样操作，例如双三次下采样、高斯模糊、jpeg压缩、高斯噪声、多种混合下采样技术随机组成方式等操作构建的，但这很难对真实世界的媒体序列重建，它们会产生模糊的效果。除此之外，在高阶退化模型中，往往利用多个重复的退化过程组合建模，使用这种构造数据集对模型进行训练不能完全发挥模型的效果。...

【技术保护点】

1.一种基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，包括：

2.根据权利要求1所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，S1中所述的下采样核是进行下采样操作的函数。

3.根据权利要求1所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，S1所述中ADM自适应下采样模型包括下采样器和判别器，其中主要通过GAN生成式对抗网络来训练优化下采样器和判别器。

4.根据权利要求3所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，所述下采样器由一个带有InstanceNorm的正则化层和Relu函...

【技术特征摘要】

1.一种基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，包括：

2.根据权利要求1所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，s1中所述的下采样核是进行下采样操作的函数。

3.根据权利要求1所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，s1所述中adm自适应下采样模型包括下采样器和判别器，其中主要通过gan生成式对抗网络来训练优化下采样器和判别器。

4.根据权利要求3所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，所述下采样器由一个带有instancenorm的正则化层和relu函数的3*3卷积核,一个带有instancenorm正则化层和relu函数的5*5卷积核，一个带有instancenorm正则化层和relu函数的2*2卷积核，一个带有instancenorm正则化层和relu函数的3*3卷积核、一个1*1卷积核以及一个2*2卷积核的平均池化层构成。

5.根据权利要求3所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，所述判别器由一个带有instancenorm正则化层和relu函数的3*3卷积核，四个带有instancenorm正则化层和relu函数的5*5卷积核以及一个2*2卷积核构成。

6.根据权利要求1所述的基于下采样模型生成数据集的超分辨率模型训练方法，其特征在于，s2中所述的第二lr低分辨率数据集的生成，是将输入的预设的reds数据集的hr高分辨率数据集用adm自适应下采样模型进行训练，经过所述下采样器的...

【专利技术属性】
技术研发人员：张旭，吴锦新，吕俊鸿，张祥丞，张宁，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：