[發明專利]基于通道和空間注意力的真實噪聲盲去噪網絡系統及方法有效
| 申請號： | 202010064130.7 | 申請日： | 2020-01-20 |
| 公開（公告）號： | CN111275643B | 公開（公告）日： | 2022-09-02 |
| 發明（設計）人： | 李小霞;呂念祖;肖娟;王學淵;王順利 | 申請（專利權）人： | 西南科技大學 |
| 主分類號： | G06T5/00 | 分類號： | G06T5/00;G06V10/40;G06V10/80;G06N3/04;G06N3/08;G06T5/50 |
| 代理公司： | 中科專利商標代理有限責任公司 11021 | 代理人： | 吳夢圓 |
| 地址： | 621010 四川*** | 國省代碼： | 四川;51 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 通道 空間 注意力 真實 噪聲 盲去噪 網絡 系統 方法 | ||
1.一種盲去噪網絡系統，其特征在于，包括：
加權特征提取模塊，其通過自適應地調整通道重要性來提取待處理圖像更具有判別性的像素特征；
多路徑殘差密集模塊，其提取有利于學習更具有判別性的像素特征復雜像素分布的多尺度特征并兼顧圖像局部和全局細節信息的多層次特征；以及
多尺度特征融合模塊，其通過自適應加權融合多尺度特征和多層次特征以突出特征的空間和通道差異性，得到盲去噪后的圖像；
其中，所述多路徑殘差密集模塊包括多條并行的路徑，其中，每條路徑均包括：
一擴張卷積層，用于提取將輸入噪聲圖像特征與經加權特征提取模塊處理后的特征進行通道數拼接后獲得的多尺度特征；以及
一殘差密集塊，用于提取多尺度特征的多層次特征；
其中，所述殘差密集塊包括N個密集連接塊，所述N為正整數，所述殘差密集塊包括：
密集連接層，對于第i個密集連接塊，將所述第i個密集連接塊之前的各個層或塊輸出的特征圖F0，...，Fi-1進行通道拼接，得到所述第i個密集連接塊的輸入特征圖，其中，所述i為小于或等于所述N的正整數，F0表示所述擴張卷積層輸出的特征圖，在i大于1時，Fi-1表示第i-1個密集連接塊輸出的特征圖；
局部特征融合層，將特征圖F0，...，FN進行通道連接以進一步增強局部信息，得到融合后的局部特征FLFF；以及
局部殘差學習層，將融合后的局部特征FLFF和輸入特征圖F0進行像素級求和獲得局部融合特征FLRL；
其中，所述多尺度特征融合模塊將多路徑殘差密集模塊中每一條路徑輸出的特征求和后進行全局平均池化和兩次全連接操作；
其中，在第二次全連接操作中，利用通道注意力機制獲取多個注意力向量，所述注意力向量的數量與所述多路徑殘差密集模塊中的路徑數量相等。
2.根據權利要求1所述的盲去噪網絡系統，其特征在于，
所述加權特征提取模塊包括：
卷積層，用于提取像素特征；
通道注意力機制，通過調整通道重要性提取待處理圖像的更具有判別性的像素特征；以及
二維特征圖，用于與輸入的待處理圖像進行通道拼接以加強底層特征的提取。
3.根據權利要求2所述的盲去噪網絡系統，其特征在于，
所述通道注意力機制包括：
全局平均池化層，用于忽略卷積層的每個通道內的局部信息，突出更有判別性的通道特征，得到1×1×c維張量；
第一全連接層，用于獲得1×1×2維的張量；以及
第二全連接層，用于獲得通道權重向量；
其中，1是特征維度，2和c是特征圖中的通道個數。
4.根據權利要求2所述的盲去噪網絡系統，其特征在于，
所述的卷積層僅包括多個ReLU。
5.根據權利要求1所述的盲去噪網絡系統，其特征在于，
所述加權特征提取模塊基于通道注意力機制。
6.根據權利要求1所述的盲去噪網絡系統，其特征在于，
所述多尺度特征融合模塊基于空間注意力機制。
7.一種建立盲去噪網絡系統的方法，包括：
(1)輸入待處理圖像到權利要求1至6任一項所述的盲去噪網絡；
(2)利用加權特征提取模塊提取具有判別性的像素特征；
(3)將所述像素特征與待處理圖像進行通道拼接形成一個兩通道的特征圖，以避免底層特征的丟失；
(4)所述兩通道的特征圖進入多路徑殘差密集模塊獲得多尺度特征和多層次特征；
(5)再利用多尺度特征融合模塊以自適應加權融合多尺度特征，以突出特征的空間和通道差異性；
(6)輸出預測到的干凈圖像；
(7)計算干凈圖像與預測到的干凈圖像之間的最小絕對值誤差；
(8)重復步驟(1)至(7)以降低網絡損失為目的來調整網絡參數，使該網絡性能達到最優，得到的最優網絡模型即為所述盲去噪網絡系統；
其中，所述多路徑殘差密集模塊包括多條并行的路徑；
其中，所述兩通道的特征圖進入多路徑殘差密集模塊獲得多尺度特征和多層次特征，包括：
對于每條路徑，利用擴張卷積層提取將輸入噪聲圖像特征與經加權特征提取模塊處理后的特征進行通道數拼接后獲得的多尺度特征；以及
利用殘差密集塊提取多尺度特征的多層次特征；
其中，所述殘差密集塊包括N個密集連接塊，所述N為正整數，所述殘差密集塊包括：
密集連接層，對于第i個密集連接塊，將所述第i個密集連接塊之前的各個層或塊輸出的特征圖F0，...，Fi-1進行通道拼接，得到所述第i個密集連接塊的輸入特征圖，其中，所述i為小于或等于所述N的正整數，F0表示所述擴張卷積層輸出的特征圖，在i大于1時，Fi-1表示第i-1個密集連接塊輸出的特征圖；
局部特征融合層，將特征圖F0，...，FN進行通道連接以進一步增強局部信息，得到融合后的局部特征FLFF；以及
局部殘差學習層，將融合后的局部特征FLFF和輸入特征圖F0進行像素級求和獲得局部融合特征FLRL；
其中，所述多尺度特征融合模塊將多路徑殘差密集模塊中每一條路徑輸出的特征求和后進行全局平均池化和兩次全連接操作；
其中，在第二次全連接操作中，利用通道注意力機制獲取多個注意力向量，所述注意力向量的數量與所述多路徑殘差密集模塊中的路徑數量相等。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西南科技大學，未經西南科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010064130.7/1.html，轉載請聲明來源鉆瓜專利網。
