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：电子科技大学

摘要：本发明提供一种基于卷积核重参数化再校准的轻量级图像超分辨率方法，提出了一种新颖的内核重校准策略，将一个通道的内核与其他通道的参数相关联，允许内核重关注他们之前没有关注过的模型的其他部分，而不是只关注独立的输入渠道。基于该设计，我们提出了一种新颖的渐进式多尺度重校准块，以通过各种多尺度感受野捕获更多判别性特征。训练结束后，可以将内核重校准带来的参数重参数化，以与原始卷积对齐。最终生成的块保持与原始块相同的推理成本，但提供了改进的性能。引入了一种轻量级的SR网络，称为内核重校准引导网络，旨在实现性能和适用性之间的卓越平衡。本发明已通过综合实验验证了竞争结果。同时使用更少的参数。

主权项：1.一种基于卷积核重参数化再校准的轻量级图像超分辨率方法，其特征在于，给定输入低分辨率图像ILR，具体步骤如下：步骤1：浅层特征提取，过程表述为：F0＝W0*LLR其中，F0∈RH×W×C表示经浅层特征提取后输出的浅层特征，R表示输入图片，H、W和C分别表示特征图高度、权重和通道数；符号*表示卷积运算，权重为W0；步骤2：分层特征转换，分层特征转换使用D个渐进多尺度重校准块进行深度特征提取，过程表述为： 其中是第d个渐进多尺度重校准块的特征提取操作，Fd表示第d个渐进多尺度重校准块的输出；其中，所述渐进多尺度重校准块包括蒸馏分离模块和特征融合模块，对于每一步，输入特征Fin被分为两部分，其中一部分用蒸馏分离模块处理，另一部分输入特征融合模块，过程表述为：Fdis1,Ffus1＝HRCG1Fin,HRL1FinFdis2,Ffus2＝HRCG2Fdis1,HRL2Ffus1Fdis3,Ffus3＝HRCG3Fdis2,HRL3Ffus2Ffus4＝HRLFdis3其中HRCGi是残差高效特征模块组的函数，负责生成蒸馏特征Fdisi；HRLi表示处理正在进行的融合特征Ffusi的细化函数；最后，所有融合特征Ffusi被连接在一起作为渐进多尺度重校准块的输出Fout：Fout＝Hagg[Ffus1,Ffus2,Ffus,Ffus4]+Fin其中Hagg表示融合函数，其包括一个1×1卷积，后跟一个LeakyReLU函数；所述残差高效特征模块组由堆叠的上下文特征融合块CFFB组成，上下文特征融合块为双路径架构，一路为局部特征提取器，一路为上下文特征提取器，然后对双路径输出进行特征融合，得到上下文特征融合块的输出；其中局部特征提取器和上下文特征提取器采用重校准卷积RecConv；RecConv用重卷积核对原本的卷积核进行卷积，在训练完成后便在原来的网络中替换原本的卷积核；具体的，通过利用核张量Wr∈RC×C×K×K将原始基础权重Wb∈RC×1×K×K转换为变换后的权重Wt∈RC×1×K×K，其中K表示内核大小，内核重校准的过程定义为：Wt＝Wb*Wr+Wb其中*代表密集卷积算子，采用残差学习来强制Wt学习基础权重Wb上的增量；步骤3：渐进多尺度重校准块的所有输出都被连接并进行密集特征融合，具体使用两个堆叠的卷积层来融合所有层次特征，过程表述为：FDFF＝W3*fLRelUW1*[F0,F1,...,FD]+F0其中W3和W1分别代表3×3卷积和1×1卷积的权重，fLRelU表示LeakyReLU激活函数，[F0,F1,...,FD]表示所有渐进多尺度重校准块沿通道维度生成的特征的串联；步骤4：最后经过上采样处理以生成超分辨率SR图像，该过程表述为：ISR＝FupW3*FDEF其中ISR是重建SR图像的输出，Fup是像素洗牌函数。

全文数据：

权利要求：

百度查询： 电子科技大学 基于卷积核重参数化再校准的轻量级图像超分辨率方法