【技术实现步骤摘要】
本申请涉及计算机图像处理，具体地，涉及一种基于特征自适应注意力的图像超分辨率重建方法。
技术介绍
1、图像超分辨率是一项利用深度学习算法提升图像分辨率的尖端技术，它致力于从低分辨率图像中重构出高清晰度的图像，使图像细节更加清晰，质量大幅提升。这一技术在监控、医疗影像、卫星图像以及娱乐产业等众多领域有着广泛的应用前景，展现出巨大的实用价值。
2、目前，计算机视觉领域的图像处理算法已经取得了令人瞩目的成就，性能表现出色。然而，在图像超分辨率这一细分领域，现有模型的泛化能力还有待进一步提升，仍存在一定的局限性。为了突破这一瓶颈，研究者们正在不断探索创新的算法和模型，力求在更广泛的应用场景中实现稳定高质量的超分辨率效果。
3、当前图像超分辨率领域的主流方法是通过加深网络深度和引入自注意力编码机制，来增强网络模型对低分辨率图像特征的加权重建能力，这种方式类似于卷积操作和非局部计算。这样的处理方式使得映射到隐空间的特征很难被捕捉，且特征与其他物体的特征表现十分相似，导致重建出的结果容易伴随伪影，不符合图像逻辑。
4、传统的插值算法训练的模型无法在严重退化的图像上表现出良好的泛化能力，常常伴随着无法识别的特征信息和伪影。基于gan的图像超分辨率面临两大困境：一是由于缺乏具备各种退化信息的图像对，无法获得真正用于图像超分辨率重建的数据集；二是超分模型的性能极大程度上取决于局部信息和纹理特征的识别能力，但仅靠增加密集层深度来提取高层特征的方式无法直接应用于纹理信息丰富的图像数据。图像超分辨率的掣肘仍然在于无法学
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于特征自适应注意力的图像超分辨率重建方法。
2、第一方面，提供一种基于特征自适应注意力的图像超分辨率重建方法，包括：
3、构建图像超分辨率重建模型；图像超分辨率重建模型包括特征提取模块、特征自适应注意力模块、融合模块、特征拼接模块和卷积层，特征自适应注意力模块包括多个特征自适应注意力单元，融合模块包括多个融合单元，特征自适应注意力单元和融合单元一一对应；
4、基于训练数据集对图像超分辨率重建模型进行训练，得到训练后的图像超分辨率重建模型；
5、将待重建图像输入训练后的图像超分辨率重建模型，得到重建图像；
6、特征提取模块对输入的待重建图像进行特征提取，得到特征图；
7、特征图输入到特征自适应注意力模块进行特征自适应注意力计算，每个特征自适应注意力单元输出第一计算结果和第二计算结果，第一计算结果输入到下一个特征自适应注意力单元，第二计算结果输入到对应的融合单元；每个融合单元输出融合结果，融合结果输入到下一个融合单元；
8、特征拼接模块用于拼接每个融合单元输出的融合结果以及最后一个特征自适应注意力模块输出的第一计算结果，得到拼接结果；
9、拼接结果输入到卷积层，得到重建图像。
10、在一个实施例中，特征提取单元包括依次连接的卷积层、激活函数层、卷积层和激活函数层，特征提取单元用于将图像特征映射到隐式空间，并保留输入图像的特征。
11、在一个实施例中，特征自适应注意力单元包括第一分支和第二分支，第一分支包括依次连接的组特征加权融合模块vfm、通道空间尺度注意力机制模块csa，第二分支包括非局部自注意力模块nlsa、反卷积层、激活函数层；特征自适应注意力单元的输入分别经过第一分支和第二分支，第一分支的输出和第二分支的输出相减，得到第一相减结果；
12、第一相减结果经过卷积层、激活函数层和卷积层后的输出与第一分支的输出相加，得到第一相加结果；
13、第一相加结果经过激活函数层、跨步卷积层后的输出与特征自适应注意力单元的输入相减，得到第二相减结果；
14、第二相减结果经过反卷积层、激活函数层后的输出与第一分支的输出相加，得到第一计算结果；
15、第一计算结果经过跨步卷积层、激活函数层、卷积层、激活函数层后，得到第二计算结果。
16、在一个实施例中，组特征加权融合模块vfm，包括：第一平均池化层、第二平均池化层、卷积层、第一softmax层、第三平均池化层、sigmoid层、groupnorm单元、第二softmax层、第四平均池化层；
17、组特征加权融合模块vfm的输入分别经过第一平均池化层、第二平均池化层，第一平均池化层、第二平均池化层的输出进行拼接后，输入到sigmoid层，sigmoid层的输出与组特征加权融合模块vfm的输入相乘，得到第一相乘结果；第一相乘结果输入到groupnorm单元，groupnorm单元的输出分别输入到第二softmax层和第四平均池化层；
18、组特征加权融合模块vfm的输入经过卷积层，卷积层的输出分别输入到第一softmax层、第三平均池化层；
19、第一softmax层的输出与第四平均池化层的输出相乘，得到第二相乘结果；
20、第三平均池化层的输出与第二softmax层的输出相乘，得到第三相乘结果；
21、第二相乘结果和第三相乘结果相加，得到组特征加权融合模块vfm的输出。
22、在一个实施例中，通道空间尺度注意力机制模块csa，包括2个具有相同结构的分支、自注意力机制模块；每个分支包括卷积层、批量归一化层、激活函数层、卷积层、批量归一化层；
23、通道空间尺度注意力机制模块csa的输入分别输入到2个具有相同结构的分支、自注意力机制模块中，得到的3个输出相加，得到通道空间尺度注意力机制模块csa输出。
24、在一个实施例中，多个融合单元中的第一个融合单元的输入为第一个特征自适应注意力单元输出的第二计算结果、特征提取模块输出的特征图、待重建图像。
25、第二方面，提供一种基于特征自适应注意力的图像超分辨率重建装置，包括：
26、模型构建模块，用于构建图像超分辨率重建模型；图像超分辨率重建模型包括特征提取模块、特征自适应注意力模块、融合模块、特征拼接模块和卷积层，特征自适应注意力模块包括多个特征自适应注意力单元，融合模块包括多个融合单元，特征自适应注意力单元和融合单元一一对应；
27、模型训练模块，用于基于训练数据集对图像超分辨率重建模型进行训练，得到训练后的图像超分辨率重建模型；
28、重建模块，用于将待重建图像输入训练后的图像超分辨率重建模型，得到重建图像；
29、特征提取模块对输入的待重建图像进行特征提取，得到特征图；
30、特征图输入到特征自适应注意力模块进行特征自适应注意力计算，每个特征自适应注意力单元输出第一计算结果和第二计算结果，第一计算结果输入到下一个特征自适应注意力单元，第二计算结果输入到对应的融合单元；每个融合单元输出融合结果，融合结果输入到下一个融合单元本文档来自技高网...
【技术保护点】
1.一种基于特征自适应注意力的图像超分辨率重建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述特征提取单元包括依次连接的卷积层、激活函数层、卷积层和激活函数层，所述特征提取单元用于将图像特征映射到隐式空间，并保留输入图像的特征。
3.如权利要求1所述的方法，其特征在于，所述特征自适应注意力单元包括第一分支和第二分支，第一分支包括依次连接的组特征加权融合模块VFM、通道空间尺度注意力机制模块CSA，第二分支包括非局部自注意力模块NLSA、反卷积层、激活函数层；所述特征自适应注意力单元的输入分别经过第一分支和第二分支，所述第一分支的输出和所述第二分支的输出相减，得到第一相减结果；
4.如权利要求3所述的方法，其特征在于，所述组特征加权融合模块VFM，包括：第一平均池化层、第二平均池化层、卷积层、第一SoftMax层、第三平均池化层、Sigmoid层、GroupNorm单元、第二SoftMax层、第四平均池化层；
5.如权利要求3所述的方法，其特征在于，所述通道空间尺度注意力机制模块CSA，包括2个具有相同结构的分支
6.如权利要求1所述的方法，其特征在于，多个融合单元中的第一个融合单元的输入为第一个特征自适应注意力单元输出的第二计算结果、所述特征提取模块输出的特征图、所述待重建图像。
7.一种基于特征自适应注意力的图像超分辨率重建装置，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-6任意一项所述的基于特征自适应注意力的图像超分辨率重建方法。
9.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，以实现权利要求1-6任意一项所述的基于特征自适应注意力的图像超分辨率重建方法。
...【技术特征摘要】
1.一种基于特征自适应注意力的图像超分辨率重建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述特征提取单元包括依次连接的卷积层、激活函数层、卷积层和激活函数层，所述特征提取单元用于将图像特征映射到隐式空间，并保留输入图像的特征。
3.如权利要求1所述的方法，其特征在于，所述特征自适应注意力单元包括第一分支和第二分支，第一分支包括依次连接的组特征加权融合模块vfm、通道空间尺度注意力机制模块csa，第二分支包括非局部自注意力模块nlsa、反卷积层、激活函数层；所述特征自适应注意力单元的输入分别经过第一分支和第二分支，所述第一分支的输出和所述第二分支的输出相减，得到第一相减结果；
4.如权利要求3所述的方法，其特征在于，所述组特征加权融合模块vfm，包括：第一平均池化层、第二平均池化层、卷积层、第一softmax层、第三平均池化层、sigmoid层、groupnorm单元、第二softmax层、第四平均池...
【专利技术属性】
技术研发人员：王小凤，董兴宇，刘伟，张姣，韩俊哲，韩天博，刘洋阳，耿国华，
申请(专利权)人：西北大学，
类型：发明
国别省市：
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。