申请/专利权人：中国科学技术大学

申请日：2023-11-15

公开（公告）日：2024-04-02

公开（公告）号：CN117274064B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4046;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明涉及图像超分辨率技术领域，公开了一种图像超分辨率方法，将低分辨率图像输入超分辨率网络模型，生成高分辨率图像；包括以下步骤：获取数据并进行预处理；构建并训练超分辨率网络模型；超分辨率网络模型包括平稳小波变换模块、分块注意力模块、低频子网络、高频子网络和高低频融合模块；将测试数据集中的低分辨率图像输入到训练好的超分辨率网络模型中，得到低分辨率图像的高分辨率图像；本发明引入了低频子网络和高频子网络两个分支。低频子网络专注于图像的结构和纹理恢复，有助于保持图像整体的视觉一致性。而高频子网络则更专注于重建高频细节，从而提高了图像的细节还原能力。

主权项：1.一种图像超分辨率方法，将低分辨率图像输入超分辨率网络模型，生成高分辨率图像；其特征在于，包括以下步骤：步骤一，获取数据并进行预处理：获取高分辨率图像，通过降采样的方式获得高分辨率图像对应的低分辨率图像，将高分辨率图像和对应的低分辨率图像组成一对图像，将成对的图像分为训练数据集和测试数据集；低分辨率图像记为，与低分辨率图像成对的高分辨率图像记为，超分辨率网络模型输出的高分辨率图像记为；步骤二，构建并训练超分辨率网络模型：超分辨率网络模型包括平稳小波变换模块、分块注意力模块、低频子网络、高频子网络和高低频融合模块；平稳小波变换模块用于将图像分解为图像中的低频信息，以及图像中水平方向的高频信息、垂直方向的高频信息、对角方向的高频信息；将平稳小波变换模块分解低分辨率图像得到的图像中的低频信息，作为低频子网络的输入，记为低频子图像；将平稳小波变换模块分解低分辨率图像得到的图像中水平方向的高频信息、垂直方向的高频信息和对角方向的高频信息，组成高频子图像，输入到高频子网络；低频子网络和高频子网络分别对低频子图像和高频子图像进行训练；其中高频子网络锐化高频子图像，低频子网络用于学习低频子图像的内容和纹理；超分辨率网络模型训练过程中；分块注意力模块采用分块注意力机制同时提取低频子图像和高频子图像的详细特征，并执行特征权重计算以增强高频子图像的边界，以用于将低频子网络的信息传输到高频子网络；高低频融合模块用于将高频特征嵌入到低频特征中，来弥合高频特征和低频特征之间的差距；高低频融合模块依次包括N5模块、N0模块、N4模块；N0模块为卷积层，N4模块为sigmoid激活函数；N5模块依次包括平均池化操作和卷积层；所述高低频融合模块用于将高频特征嵌入到低频特征中，具体包括：将高频特征输入N5模块，进行平均池化，然后进行一次缩减比r的缩减卷积；再将N5模块的输出，输入至N0模块，进行将特征维数恢复为c的递增卷积；再将N0模块的输出，输入至N4模块，通过sigmoid激活函数将N0模块的输出映射到0至1之间；最后通过残差设计将N4模块的输出与所述低频特征相乘再相加，得到增强后的低频特征；将高频子网络的输出和低频子网络的输出进行逆平稳小波变换，合成高分辨率图像；对于训练数据集中给定的低分辨率图像和高分辨率图像组成的一对图像，分别进行平稳小波变换，并组合得到，、、、分别为低分辨率图像中的低频信息、水平方向的高频信息、垂直方向的高频信息和对角方向的高频信息；、、、分别为高分辨率图像中的低频信息、水平方向的高频信息、垂直方向的高频信息和对角方向的高频信息；训练数据集中的一对图像的损失函数定义为：；其中，为用于权衡高低频网络的权重，表示低频子网络，表示高频子网络，表示范数；基于损失函数对超分辨率网络模型进行训练；步骤三，将测试数据集中的低分辨率图像输入到训练好的超分辨率网络模型中，得到低分辨率图像的高分辨率图像。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种图像超分辨率方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD