[發明專利]基于CRCSAN網絡的圖像重建系統及方法

有效

• 申請號: 202011292962.0
• 申請日: 2020-11-18
• 公開（公告）號: CN112330542B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 唐述;楊書麗
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

本發明涉及圖像超分辨率重建技術領域，具體涉及基于交叉殘差信道?空間注意力網絡的圖像重建系統及方法。包括：淺層特征提取模塊、深層特征提取模塊、上采樣模塊和重構層，淺層特征模塊的輸入為低分辨率圖像，用于提取淺層特征；深層特征提取模塊包括分頻模塊、交叉殘差組，深層特征提取模塊的輸入為淺層特征模塊的輸出，用于提取深層特征；所述上采樣模塊的輸入為深層特征，用于上采樣；所述重構層用于重構特征，得到高分辨率圖像。本發明的重建網絡能夠具有更強大的特征表達能力和區別學習的能力，能夠重建出更高質量的高分辨率圖像。

技術領域

本發明涉及圖像超分辨率重建技術領域，具體涉及一種基于交叉殘差信道-空間注意力CRCSAN網絡的圖像重建系統及方法。

背景技術

單圖像超分辨率重建表示對低分辨率圖像進行相應尺度上采樣，得到高分辨率圖像。

單幅圖像超分辨率重建是一個嚴重的病態問題，因為對單幅低分辨率圖像在分辨率增加的過程中可能會存在多個不同的高分辨率圖像與之對應，換句話說，會存在有多個解。因此，為了解決上述問題，大量的基于卷積神經網絡的單幅圖像超分辨率重建方法被提了出來。然而在現存的基于卷積神經網絡的單幅圖像超分辨率重建方法中，絕大多數方法都忽略了圖像中不同成分之間特征的差異性，而是平等地對待圖像中不同成分的特征，導致網絡缺乏區別學習的能力，阻礙了卷積神經網絡性能的提升。因此現存的基于卷積神經網絡的單幅圖像超分辨率方法的性能仍具有較大的提升空間。

發明內容

為了解決上述問題，本發明提出了一種交叉殘差信道-空間注意力CRCSAN網絡的圖像重建系統及方法用于單幅圖像超分辨率重建。

一種基于交叉殘差信道-空間注意力CRCSAN網絡的圖像重建系統，包括：淺層特征提取模塊、深度特征提取模塊、上采樣模塊和重構模塊，所述深層特征提取模塊包括分頻模塊和交叉殘差組。淺層特征提取模塊中包括一個卷積層，用于提取低分辨率輸入圖像的淺層特征。

深度特征提取模塊中包括G個分頻模塊和G個交叉殘差組，分頻模塊和交叉殘差組交錯級聯，深度特征提取模塊用于對淺層特征模塊的輸出的淺層特征進行深層特征提取，輸出深層特征。分頻模塊用于將圖像特征分為高頻信息和低頻信息，所述分頻模塊包括卷積層和反卷積層，反卷積層用于上采樣，將上采樣的輸出結果視為低頻信息；卷積層用于下采樣，將上采樣的輸入F_g-1與下采樣的輸出DOWN_g相減的結果F_FSM,g視為高頻信息。所述交叉殘差組包括B個殘差通道-空間注意力模塊，所述殘差通道-空間注意力模塊用于自適應的調整通道和空間維度上的像素特征；殘差通道-空間注意力模塊中包括通道注意力機制模塊和空間注意力機制模塊，通道注意力機制模塊和空間注意力機制模塊并聯集成設置在殘差塊中，用于學習通道維度和空間維度上更具有豐富信息的特征，過濾掉冗余信息的特征。

上采樣模塊中包括亞像素卷積層，上采樣模塊用于對輸入的深層特征進行上采樣；

重構模塊中包括亞像素卷積層，用于對經過上采樣后的特征進行特征重構，輸出高分辨率圖像。

進一步的，深度特征提取模塊中包括低頻信息融合模塊和高頻信息融合模塊，所述低頻信息融合模塊包括第一連接模塊和第一卷積模塊；所述高頻信息融合模塊包括第二連接模塊和第二卷積模塊；所述第一連接模塊用于拼接圖像特征的低頻信息；所述第二連接模塊用于拼接圖像特征的高頻信息；所述第一卷積模塊與所述第一連接模塊連接，所述第一卷積模塊用于壓縮拼接的低頻特征圖的通道數量，增強圖像低頻信息的特征；所述第二卷積模塊與所述第二連接模塊連接，所述第二連接模塊用于壓縮拼接的高頻特征圖的通道數量，增強圖像高頻信息的特征。