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：南京航空航天大学

摘要：本发明公开了一种基于深度反馈注意力网络系统的图像超分辨率方法，包括输入模块、特征提取模块、反馈模块、重构模块及输出模块。本发明提出的网络系统在每一轮训练中，以迭代的方式学习图像低分辨率到高分辨率的映射，并在迭代的过程中结合反馈注意力机制提高模型学习的准确性，从而进一步提升超分辨率结果的质量。本发明提出的网络系统模型在单图像超分辨率基准测试集Set5的´2´3´4倍率重建任务上，最高分别达到了38.0434.6532.41db的峰值信噪比。

主权项：1.一种基于深度反馈注意力网络系统的图像超分辨率方法，其特征在于，所述深度反馈注意力网络系统包括输入模块、特征提取模块、反馈模块、重构模块及输出模块；特征提取模块包括卷积层和反卷积层，用于提取低分辨率图像的特征；重构模块包括反卷积和卷积层，用于对输出的特征进行上采样，生成最终的SR残差图像；反馈模块包括特征映射模块与注意力模块，其中特征映射模块包括多个卷积层与反卷积层组成的特征映射组，用于对输入低分辨率图像的特征进行映射学习，从而得到重构特征，注意力模块包括通道注意力门，用于对重构特征进行特征过滤；所述图像超分辨率方法步骤如下：S1、向网络中输入低分辨率图像LR，高分辨率参照图像H，训练次数e及反馈网络深度n；S2、初始化网络参数；S3、提取低分辨率图像LR的特征作为输入特征F；S4、将输入特征F输入到网络中，基于特征映射模块与注意力模块操作得到重构特征S_i；S5、将S_i与输入特征F合并后作为新的输入特征重新输入到网络中；S6、迭代步骤S4-S5，共重复n次，得到重构特征S_n，n为反馈网络深度；S7、利用输出的重构特征S_n，基于上采样得到输出高分辨率图像SR；S8、计算高分辨率参考图像H与低分辨率图像LR之间的误差，根据误差更新网络参数；S9、将更新的网络参数带入步骤S2中，重复步骤S1-S7，重复训练e次，最终得到训练好的网络参数；S10、将训练好的网络参数与低分辨率图像LR、反馈网络深度n共同输入到网络中，实施步骤S2-S7，得到输出高分辨率图像；令和分别表示具有个大小为的卷积核的卷积层和反卷积层，令为低分辨率图像，经过特征提取后输入到注意力模块中的输入表示为： ；其中表示包含了两个特征提取层，表示具有n个大小为3*3的卷积核的卷积层，表示输入的低分辨率图形LR；表示从LR图像中提取的特征，该LR特征将会被作为中间映射学习部分的输入，即反馈模块中的隐藏单元；特征映射过程的第次迭代表示为： ；其中表示模型中间的特征映射模块，表示第次迭代的特征输出，表示第次迭代的特征输入，表示反馈模块第次迭代的特征输出的重构特征；最终每一次迭代的注意力反馈模块的输出由重建模块进行重建，采用一个反卷积层对输出的特征进行上采样，然后再用一个卷积层生成最终的SR残差图像；SR残差图像和原图像的上采样共同生成最终的SR结果；最终SR结果表示为： ；其中表示重建模块，该模块由一个反卷积层与一个卷积层构成，通过前面输出的SR特征生成最终的图像；表示注意力反馈模块最后一次迭代的特征输出，表示基于双三次插值的上采样操作，由于每一次迭代都生成一个SR图像，因此轮迭代之后最终会生成个SR图像；表示第t轮迭代的输出SR图像；卷积-反卷积映射组以及注意力门中的具体迭代过程如下：基于深度反馈注意力的映射模块主要由卷积块和反卷积块组成，卷积块和反卷积块的叠加可以实现特征重构并不断迭代，在反复的上下采样中计算累计的重构误差；注意力自反馈模块的输入为和，首先由一个的卷积层对输入特征进行重构作为特征提取的输入，得到注意力反馈模块的输入特征： ；输入特征由多个卷积块和反卷积块组成的级联组进行迭代重构，同时每一个组的输出都会与之前所有组的输出进行合并，在自反馈模块中，第轮迭代第个组的输入表示为： ；其中表示由卷积和反卷积层构成的一个反射组，该式表明了在迭代过程中，每一轮迭代的输入特征都是由当前输入特征与之前迭代过程产生的所有特征合并而来；输出特征通过注意力单元进行特征过滤，通道注意力单元包含三个过程：挤压、激励以及放缩。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于深度反馈注意力网络系统的图像超分辨率方法