申请/专利权人:河南科技大学
申请日:2024-01-11
公开(公告)日:2024-04-09
公开(公告)号:CN117853338A
主分类号:G06T3/4053
分类号:G06T3/4053;G06T3/4046;G06N3/0455;G06N3/0464;G06N3/082
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:一种基于交叉丢失动态学习网络的图像盲超分方法,通过搭建交叉丢失动态学习网络,交叉丢失动态学习网络包括退化预测块、动态超分主干网DynNet、陀螺结构、交叉丢弃和动态卷积Dynamic,通过总损失函数训练交叉丢失动态学习网络,迭代多次,得到训练完成的交叉丢失动态学习网络,将待处理图输入训练完成后的交叉丢失动态学习网络中,得到最终处理后的高分辨率图像。本发明具有确定的交叉丢失动态学习网络模型,通过陀螺结构和动态卷积组合提升适应性,交叉丢弃可以增强网络的图像超分辨率效果。
主权项:1.一种基于交叉丢失动态学习网络的图像盲超分方法,其特征在于,包括以下步骤:步骤1、搭建交叉丢失动态学习网络:交叉丢失动态学习网络包括退化预测块、动态超分主干网DynNet、陀螺结构、交叉丢弃和动态卷积Dynamic,低分辨率原图图像经过退化预测块得到退化参数H,低分辨率原图图像与退化参数H输入至动态超分主干网DynNet后,再依次经过陀螺结构、交叉丢弃和动态卷积Dynamic输出特征图,将该特征图与低分辨率原图图像的插值上采样图像相加,得到处理后的高分辨率图像;步骤2、训练交叉丢失动态学习网络:通过总损失函数对动态超分主干网DynNet、陀螺结构和动态卷积Dynamic中的网络参数进行调整,得到调整后的交叉丢失动态学习网络,总损失函数为对抗生成损失、伪影损失和像素损失之和;步骤3、将低分辨率原图图像输入调整后的交叉丢失动态学习网络,重复步骤1和步骤2,循环训练N次,得到训练完成的交叉丢失动态学习网络;步骤4、将待处理图输入训练完成后的交叉丢失动态学习网络中,得到最终处理后的高分辨率图像。
全文数据:
权利要求:
百度查询: 河南科技大学 一种基于交叉丢失动态学习网络的图像盲超分方法
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。