基于非局部信息强制性建模的高效图像复原方法和模型技术

本申请提出了一种基于非局部信息强制性建模的高效图像复原方法和模型，涉及图像修复技术领域，包括：采用卷积层对待恢复图像进行特征提取，获取初始浅层特征；将初始浅层特征作为初始输入参数，进行n次第一迭代处理，得到第一恢复特征图；第一迭代处理包括：对输入参数进行至少一次图像复原处理，并进行下采样；将第一恢复特征图进行多次图像复原处理后的结果作为输入参数，进行n次第二迭代处理，得到第二恢复特征图；第二迭代处理包括：对输入参数进行上采样，并进行至少一次图像复原处理；采用卷积层对第二恢复特征图进行处理的结果与待恢复图像相加，得到修复图像。通过上述方法可以实现对待恢复图像的图像修复。

【技术实现步骤摘要】

本申请涉及图像修复，尤其涉及一种基于非局部信息强制性建模的高效图像复原方法和模型。

技术介绍

1、近年来，基于深度学习的方法被广泛应用于图像修复任务，并逐渐成为主流方案。

2、其中，卷积神经网络（cnns）在图像修复方面取得了显著的效果，相较于传统修复方法更具优势。然而，cnn 的卷积操作具有静态权重和局部感受野，这在一定程度上限制了其去除非局部退化扰动的能力。

技术实现思路

1、有鉴于此，本申请提出了一种基于非局部信息强制性建模的高效图像复原方法和模型。

2、第一方面，本申请提供了一种基于非局部信息强制性建模的高效图像复原方法，包括：

3、采用卷积层对待恢复图像进行特征提取，获取初始浅层特征；

4、将初始浅层特征作为初始输入参数，进行n次第一迭代处理，得到第一恢复特征图；所述第一迭代处理包括：对输入参数进行至少一次图像复原处理，对图像复原处理后的输出特征进行下采样；

5、将所述第一恢复特征图进行多次所述图像复原处理后的结果作为输入参数，进行n次第二本文档来自技高网...

【技术保护点】

1.一种基于非局部信息强制性建模的高效图像复原方法，其特征在于，包括：

2.如权利要求1所述的基于非局部信息强制性建模的高效图像复原方法，其特征在于，所述图像复原处理包括：采用沙漏注意力对输入特征查询提取目标查询向量，并对所述输入特征采用非局部top-k采样获取目标键和目标值，将所述目标查询向量、所述目标键和所述目标值进行自注意力计算后与所述输入特征相加，输出第一融合特征；将所述第一融合特征归一化后分别输入全局特征压缩支路和深度卷积提取支路，对两支路的输出进行融合并与所述第一融合特征相加生成第二融合特征。

3.如权利要求1所述的基于非局部信息强制性建模的高效图像复...

【技术特征摘要】

1.一种基于非局部信息强制性建模的高效图像复原方法，其特征在于，包括：

2.如权利要求1所述的基于非局部信息强制性建模的高效图像复原方法，其特征在于，所述图像复原处理包括：采用沙漏注意力对输入特征查询提取目标查询向量，并对所述输入特征采用非局部top-k采样获取目标键和目标值，将所述目标查询向量、所述目标键和所述目标值进行自注意力计算后与所述输入特征相加，输出第一融合特征；将所述第一融合特征归一化后分别输入全局特征压缩支路和深度卷积提取支路，对两支路的输出进行融合并与所述第一融合特征相加生成第二融合特征。

3.如权利要求1所述的基于非局部信息强制性建模的高效图像复原方法，其特征在于，所述基于非局部信息强制性建模的高效图像复原方法还包括：

4.如权利要求2所述的基于非局部信息强制性建模的高效图像复原方法，其特征在于，所述采用沙漏注意力对输入特征查询提取目标查询向量，并对所述输入特征采用非局部top-k采样获取目标键和目标值，包括：

5.如权利要求4所述的基于非局部信息强制性建模的高效图像复原方法，其特征在于，所述采用沙漏注意力对所述原始查询向量提取非局部依赖生成所述目标查询向量，包括：

6.如权利要求4所述的基于非局部信息强制性建模的高效图像...

【专利技术属性】
技术研发人员：华夏，潘明冲，吕亚楠，吴锦梦，元海文，洪汉玉，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：