申请/专利权人：太原理工大学

申请日：2024-01-11

公开（公告）日：2024-06-28

公开（公告）号：CN117994167B

主分类号：G06T5/77

分类号：G06T5/77;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明属于深度学习领域，具体涉及HazeDiffusion融合并行多卷积注意力的扩散模型去雾方法，包括以下步骤：构建数据集；构建扩散网络模型HazeDiffusion；利用所属训练集在所构建的HazeDiffusion模型上进行训练；获取待恢复的有雾图像，并通过训练完毕的HazeDiffusion模型进行有雾图像的去雾增强；建立评价指标用于对HazeDiffusion模型的评估。本发明是基于扩散模型，引入了并行多卷积注意力残差块PMCA，PMCA模块包括并行注意力和并行多卷积两部分，通过残差进行多尺度连接；并通过双三次下采样调整输入图像尺寸，然后使用拉普拉斯金字塔上采样去雾图像，从而使得模型能够处理高分辨率图像，间接提升了扩散模型的效率。

主权项：1.融合并行多卷积注意力的扩散模型去雾方法，其特征在于：包括下列步骤：S1、以条件扩散模型为基础，改进反向过程噪声估计网络构建图像去雾模型HazeDiffusion；所述S1中构建图像去雾模型HazeDiffusion的方法为：HazeDiffusion模型包含DiffusionProcess和ReverseProcess两大模块；DiffusionProcess模块为噪声添加模块，随机生成一个噪声并与图像连接；ReverseProcess模块为噪声预测模块，将高斯噪声图和有雾图像输入卷积层，并为噪声水平t计算时间嵌入；降采样阶段依次是卷积层、ResWithAttn层、PCMA层、降采样层；在网络的中间阶段是ResWithAttn层和PCMA层；上采样阶段依次是ResWithAttn层、PCMA层、上采样层、ResWithAttn层；使用SK融合模块融合来自不同阶段的特征映射；PCMA模块包括并行注意力和并行多卷积，使用GroupNorm层数据归一化，并在模块中使用残差连接丰富特征信息；并行多卷积使用不同卷积核大小的深度可分离卷积提取特征，包括7×7、5×5和3×3的卷积；S2、引入SKFusion融合方式，通过动态特征融合和跳跃连接实现对各个尺度的信息更具体和丰富的获取；所述S2中SKFusion融合模块动态融合来自不同阶段的特征映射，SKFusion融合改进自选择性卷积核网络，通过使用通道注意力融合多个特征分支，设两个特征映射分别为x1和x2，其中x1是来自跳跃连接的特征映射，x2是来自网络模块输出的特征映射；首先x1经过PWConvPointWiseConv层得到然后使用全局平均池化、多层感知机、Softmax激活函数和Split运算得到融合权值； 通过将和x2融合；其中，GAP表示全局平均池化，Fmlp表示多层感知机，Softmax表示Softmax激活函数，Split表示Split运算；S3、结合像素、通道和交叉注意力设计了PMCA模块，更准确地获取条件信息的特征；通过并行卷积和残差学习，使模型更灵活地关注图像的雾霾区域，并更好地关注有雾图像的局部特征；所述S3中为改进噪声估计网络设计了并行多卷积注意力PMCA模块，包括并行注意力和并行多卷积，使用GroupNorm层数据归一化，使训练更加稳定，并在模块中使用残差连接丰富特征信息；并联多个不同尺度的深度可分离卷积层有效地聚合空间信息和转换特征；并联多个注意力机制可以强化模型对全局和局部特征的关注；S4、使用双三次下采样提取高频特征降低图像尺寸，采用基于拉普拉斯金字塔的上采样方法恢复高分辨率图像，提高模型的处理效率。

全文数据：

权利要求：

百度查询： 太原理工大学 融合并行多卷积注意力的扩散模型去雾方法

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