【技术实现步骤摘要】
本专利技术涉及图像恢复，尤其是涉及一种增强空间特征优化的图像恢复方法。
技术介绍
1、在多媒体数据处理中，从降质的视觉数据中恢复清晰图像至关重要，它是推动自动驾驶和摄影成像等下游技术应用的基石。图像降质以各种形式出现，如雨、雾、运动模糊等，带来了多样化的挑战。传统的图像降质移除方法依赖于手工设计，往往难以解决真实场景的复杂性和多样性。近年来，深度学习技术迅速发展，在多媒体数据处理方面展现出显著的功效，从而推动了图像恢复(ir)的进展，取得了显著成果。图像恢复技术的演进不仅需要高质量数据的获取，还需要模型设计和先进机制的创新实施，这对于提高图像恢复精度至关重要。
2、编码器-解码器架构和多维注意机制的广泛应用归因于它们高效简洁的设计。与此同时，transformer模型的出现，以其自注意机制而闻名，标志着从传统的基于卷积神经网络(convolutional neuralnetwork，cnn)的模型转向依赖transformer架构的模型。尽管它们具有捕捉全局特征和丰富图像恢复视觉质量的增强能力，但transformer也引入了更多的模型参数和计算需求。对于有效的图像恢复，关键考虑因素包括减少模型参数和计算复杂性。虽然现有的一些图像恢复方法重点关注于空间域特征学习和建模，可以增强图像恢复效果，但这是以增加计算为代价。
3、因此，如何提供一种高效的并且能适用于多种退化类型图像恢复的方法，实现对多种退化图像恢复并且保证效率，成为一个亟待解决的技术问题。
技术实现思路
<...【技术保护点】
1.一种增强空间特征优化的图像恢复方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：在每一编码器前，先将重采样得到的对应尺寸图像特征经过一个第七卷积层将特征图通道数提升到当前编码器对应的通道数后输入到当前编码器中。
3.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：不同特征图之间的融合采用联结方式进行融合。
4.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：所述空间特征优化模块的优化过程具体为：先将输入的特征图进行分化为三个不同尺度，包括对第一分支特征图进行平均下采样2倍得到第一特征图I/2，对第二分支图进行平均下采样4倍得到第二特征图I/4以及对输入特征图不做处理的第三特征图，然后对I/2和I/4分别以特定窗口大小拆分为分片特征，对所有窗口分片特征内做非局部运算建立局部内的非局部关联后，重组所有的分片特征，并对其中的I/4重组后的特征在空间维度做全局自注意力运算，接着对第一分支进行上采样2倍，对第二分支进行上采样4倍，再将未做处理的第三分支与处
5.根据权利要求4所述的一种增强空间特征优化的图像恢复方法，其特征在于：所述两个可学习加权滤波器的处理过程具体为，将特征图分别传入至两个5×5的卷积层，其中一个卷积层用于学习低通滤波器，另外一个卷积层用于卷积处理并将卷积处理后的特征减去低通滤波器得到高通滤波器，然后将低通滤波器和高通滤波器进行联结后，再通过一个卷积层输出。
6.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：所述步骤S5还包括：每一解码器后经过一个第八卷积层对特征图的通道数进行压缩以输出当前尺寸的恢复图。
7.根据权利要求6所述的一种增强空间特征优化的图像恢复方法，其特征在于：所述模型采用深度监督技术进行训练，利用每一第八卷积层的输出来计算损失。
...【技术特征摘要】
1.一种增强空间特征优化的图像恢复方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：在每一编码器前，先将重采样得到的对应尺寸图像特征经过一个第七卷积层将特征图通道数提升到当前编码器对应的通道数后输入到当前编码器中。
3.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：不同特征图之间的融合采用联结方式进行融合。
4.根据权利要求1所述的一种增强空间特征优化的图像恢复方法，其特征在于：所述空间特征优化模块的优化过程具体为：先将输入的特征图进行分化为三个不同尺度，包括对第一分支特征图进行平均下采样2倍得到第一特征图i/2，对第二分支图进行平均下采样4倍得到第二特征图i/4以及对输入特征图不做处理的第三特征图，然后对i/2和i/4分别以特定窗口大小拆分为分片特征，对所有窗口分片特征内做非局部运算建立局部内的非局部关联后，重组所有的分片特征，并对其中的i/4重组后的特征在空...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。