一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型制造技术

本发明专利技术公开一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，包括浅层特征提取模块SFE、深层特征提取模块DFE和图像重建模块IR；浅层特征提取模块SFE通过一个卷积层对输入的低分辨率图像进行浅层特征提取，生成初始特征F<subgt;0</subgt;：深层特征提取模块DFE包括若干个残差注意力组RAG，每个残差注意力组RAG由若干个跨分辨率混合注意力块CRHAB组成；深层特征提取模块DFE用于从初始特征F<subgt;0</subgt;中提取深层特征F<subgt;DF</subgt;：图像重建模块IR对深层特征F<subgt;DF</subgt;进行上采样，并与初始特征F<subgt;0</subgt;结合，生成最终的超分辨率输出图像I<subgt;SRS</subgt;。

【技术实现步骤摘要】

本专利技术属于计算机视觉和图像处理领域，尤其涉及一种用于单图像超分辨率(single image super-resolution,sisr)的深度学习网络结构，具体为一种基于自卷积注意力机制的不确定性感知单图像超分辨率网络模型，用于提升单幅低分辨率图像到高分辨率图像的重建性能。

技术介绍

1、单图像超分辨率(sisr)是一种旨在从低分辨率(lr)图像重建高分辨率(hr)图像的图像重建技术，广泛应用于医学成像、卫星图像分析、视频监控等领域。传统方法如双三次插值和迭代反投影虽然简单易用，但重建效果有限。近年来，卷积神经网络(convolutional neural networks,cnns)引入sisr领域，通过深度学习的方法大幅提升了重建性能，例如srcnn[1]、edsr[2]和esrgan[3]等模型通过端到端映射、残差结构以及生成对抗网络的引入，实现了图像重建质量的提升。

2、尽管这些方法在超分辨率任务中取得了显著进展，但它们在捕捉长距离依赖性和多尺度信息时仍存在局限性。最近的研究表明，transformer网络在图像处理中表现出色，通本文档来自技高网...

【技术保护点】

1.一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，包括：浅层特征提取模块SFE、深层特征提取模块DFE和图像重建模块IR；

2.根据权利要求1所述一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，深层特征提取模块DFE中每个残差注意力组RAG的计算过程如下：

3.根据权利要求1或2所述一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，跨分辨率混合注意力块CRHAB包括移位的窗口多头自注意力SW-MSA和跨尺度自卷积注意力CSSCA；

4.一种基于权利要求1-3任意一项所述超分辨率网络模型的...

【技术特征摘要】

1.一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，包括：浅层特征提取模块sfe、深层特征提取模块dfe和图像重建模块ir；

2.根据权利要求1所述一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，深层特征提取模块dfe中每个残差注意力组rag的计算过程如下：

3.根据权利要求1或2所述一种基于自卷积注意力的不确定性感知单图像超分辨率网络模型，其特征在于，跨分辨率混合注意力块crhab包括移位的窗口多头自注意力sw-msa和跨尺度自卷积注意力css...

【专利技术属性】
技术研发人员：胡清华，王金斌，杨爱萍，魏子浩，
申请(专利权)人：天津大学，
类型：发明
国别省市：