[發明專利]一種基于小波域的標準流超分辨率圖像重建方法

在審

• 申請號: 202210969698.2
• 申請日: 2022-08-12
• 公開（公告）號: CN115311144A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 楊柏林;李紹棒;宋超
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/50;G06V10/77;G06V10/774
• 代理公司: 杭州奧創知識產權代理有限公司 33272
• 代理人: 王佳健

1.一種基于小波域的標準流超分辨率圖像重建方法，其特征在于包括以下步驟：

S1：收集基于深度學習超分辨率任務的兩個圖像數據集，其中一個圖像數據集分離出訓練集第一分量、驗證集以及測試集；

將得到的訓練集第一分量與另外一個圖像數據集合并，將合并得到的數據集中每一個圖像對隨機裁成相同的大小，構建出完整的訓練集；

S2：構建標準流模型，該模型由多級構成，每一級主要由擠壓層、兩種條件映射層、分裂層、激活標準層與QR層組合而成；

S3：在標準流模型中加入小波變換，將需要學習的信息分布轉換至小波域中，獲得需要學習的信息的低頻信息、對角線細節信息、橫向細節信息和縱向細節信息；

S4：通過替換正態分布為T-分布，以及通過正交三角QR分解原理構建QR層，將QR層與T-分布加入至該標準流模型中，得到穩定標準流模型，共同增加標準流模型的泛化性以及穩定其訓練過程；

S5：在穩定標準流模型前加入精煉層，進一步細化編碼器提供的條件特征，得到基于小波域的標準流超分辨率模型；

S6：利用完整的訓練集去訓練基于小波域的標準流超分辨率模型，并將測試集中的低分辨率圖像輸入至訓練過的標準流超分辨率模型中，具體是：

測試集中的低分辨率圖像輸入編碼器，獲得條件特征，再進一步通過精煉層細化特征獲得被精煉的特征，從簡單分布中采樣，輸入至該標準流超分辨率模型，同時將被精煉過的特征注入對應的條件映射層，最終得出在條件特征分布下的高質量的超分辨率圖像。

2.根據權利要求1所述的一種基于小波域的標準流超分辨率圖像重建方法，其特征在于：在步驟S2中所述擠壓層將特征通道維度放大為原來的四倍，長與寬的維度都壓縮至原先的二分之一，保證數據量不變，該層是可逆的；

所述兩種條件映射層包括自我條件映射層與其他特征條件映射層，用于增強基于條件特征分布標準流的映射學習能力；

所述分裂層是可逆的，用于處理特征的通道維度，允許一半的特征通道維度繼續讓模型學習映射關系，另一半的特征維度服從T-分布；

所述QR層是提高標準流模型映射能力的網絡層，用于交換特征通道維度上的信息；

所述激活標準層使用每個通道的標度和偏差參數執行激活的映射變換，初始化標度和偏差參數。

3.根據權利要求1所述的一種基于小波域的標準流超分辨率圖像重建方法，其特征在于：步驟S2所述標準流模型是一種可逆模型，每一級都設計易于計算雅可比矩陣。

4.根據權利要求1所述的一種基于小波域的標準流超分辨率圖像重建方法，其特征在于：步驟S2所述的標準流模型第一級沒有擠壓層。

5.根據權利要求1所述的一種基于小波域的標準流超分辨率圖像重建方法，其特征在于：步驟S5所述的精煉層作為一個單獨的小網絡模塊，由多個注意力模塊組成，每兩個條件映射層都對應精煉層中獨立的一個注意力模塊。

6.根據權利要求5所述的一種基于小波域的標準流超分辨率圖像重建方法，其特征在于：所述注意力模塊由通道注意力模塊與空間注意力模塊構成，是通道注意機制和空間注意機制的結合。