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。

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