买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山西大学

摘要：本发明涉及人工智能技术领域，具体而言，一种基于图表示学习的图像超分辨率重建装置及方法本发明将图表示学习与通道空间注意力结合起来，该网络利用自注意机制自适应地学习不同深度、通道和位置之间的全局依赖关系；具体来说，层特征注意力模块捕获了层与层之间的长距离依赖关系；同时，通道空间注意力模块将通道和上下文信息整合到每层中；将这两个注意模块协同应用于多层次特征，然后可以捕获更多信息丰富的特征，从而提高网络对特征的辨析学习能力，进而提高了通道注意力残差组图像超分辨率重建质量。

主权项：1.一种基于图表示学习的图像超分辨率重建装置，其特征在于，包括：S1.输入模块，准备数据集，根据图像退化模型建立训练集，得到m个低分辨率图像和m个高分辨率图像，其中m个高分辨率图像对应真实高分辨率图像；m为大于1的整数；S2.浅层特征提取模块100，将所述低分辨率图像输入到浅层特征提取模块提取图像的浅层特征；S3.深层特征提取模块200，将浅层特征输入到深层特征提取模块提取深层特征；S4.重建模块300，将所述深层特征输入重建模块，进行亚像素卷积完成上采样处理并重建出高分辨率图像；S5.装置优化模块，通过损失函数对所述图像超分辨率重建装置进行优化，使用所述S1中的数据集，计算m个重建出的高分辨率图像与对应的真实高分辨率图像间的平均L1误差，表达式为：；式中，表示损失函数，表示所述图像超分辨率重建装置的功能函数；S6.输出模块，根据S5训练得到的最优模型，输入低分辨率图像后，系统输出最终的高分辨率图像；所述深层特征提取模块包括若干个通道注意力残差块组成的残差组、一个层特征图注意力模块、一个空间注意力模块以及一个特征融合模块，所述残差组从所述浅层特征中提取不同深度的特征，然后对所述特征进行融合，得到对应的融合特征；所述S3包括：S31.通过若干个串联的通道注意力残差块（211）组成的残差组（210）对所述浅层特征进行提取，得到不同深度的特征；S32.通过所述层特征图注意力模块（220）学习不同层特征之间的相互关系；S33.通过所述空间注意力模块（230）使得感兴趣的区域更显著；S34.通过特征融合模块将所述浅层特征和所述融合特征进行相加，得到对应的深层特征；所述空间注意力模块包括特征降维模块、特征处理模块、特征更新模块，所述33包括：通过所述S31得到的不同深度的特征进行降维处理；通过特征处理提取特征信息，然后进行特征升维处理；通过特征更新模块，计算不同特征的注意力系数，赋予特征新的表示；所述残差组从所述浅层特征中提取不同深度的特征，然后对所述特征进行融合，得到对应的融合特征。

全文数据：

权利要求：

百度查询： 山西大学 一种基于图表示学习的图像超分辨率重建装置及方法