基于密集残差网络的图像超分辨率重建方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113837940A(43)申请公布日2021.12.24(21)申请号202111033944.5(22)申请日2021.09.03(71)申请人山东师范大学地址250014山东省济南市历下区文化东路88号(72)发明人李天平欧佳瑜夏浩冯凯丽(74)专利代理机构济南圣达知识产权代理有限公司37221代理人祖之强(51)Int.Cl.G06T3/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书12页附图7页(54)发明名称基于密集残差网络的图像超分辨率重建方法及系统(57)摘要本公开提供了基于密集残差网络的图像超分辨率重建方法及系统，包括：获取图像信息：根据获取的图像信息和预设的图像超分辨率重建模型，得到图像超分辨率重建结果；其中，所述图像超分辨率重建模型由密集残差网络和改进的Transformer网络结合得到；改进的Transformer网络中，通过不断赋予新的权重以更新Query与Key的点乘结果，进而得到加权输出；本公开提出一种W‑Transformer与密集残差网络相结合的新型网络以用于提升图像的超分辨率，该网络采用两种网络相结合的方式达到整体性能提升的目的。CN113837940ACN113837940A权利要求书1/1页1.基于密集残差网络的图像超分辨率重建方法，其特征在于，包括：获取图像信息：根据获取的图像信息和预设的图像超分辨率重建模型，得到图像超分辨率重建结果；其中，所述图像超分辨率重建模型由密集残差网络和改进的Transformer网络结合得到；改进的Transformer网络中，通过不断赋予新的权重以更新Query与Key的点乘结果，进而得到加权输出。2.如权利要求1所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，所述密集残差网络在现有直接路径的基础上增加密集层，将每个卷积块进行跳跃连接。3.如权利要求2所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，每个卷积块都产生新的分支路径，每个偶数层的卷积块分别与所处位置以下层数中的偶数层的卷积块进行交叉连接，每个奇数层的卷积块分别与所处位置以下的奇数层的卷积块进行交叉连接。4.如权利要求3所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，每个分支都采用非线性变换；在第一层与最后一层的分支连接中，增加特征金字塔模块。5.如权利要求1所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，改进的Transformer网络包括编码层和解码层，所述编码层包括6个编码器，所述解码层包括6个解码器。6.如权利要求5所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，所述编码器包括加权自注意力机制和前馈神经网络；所述解码器包括加权自注意力机制、编码‑解码注意力和前馈神经网络。7.如权利要求6所述的基于密集残差网络的图像超分辨率重建方法，其特征在于，所述加权自注意力机制是一种权重参数的分配机制，增加权重块，通过不断赋予新的权重以更新Query与Key的点乘结果，得到一个加权输出，该输出包括所有可见的输入序列信息，然后经过一个归一化指数函数，得到一个新的向量矩阵，之后将每个Value向量和新的向量矩阵中的值进行相乘。8.基于密集残差网络的图像超分辨率重建系统，其特征在于，包括数据收集模块和超分辨率重建模块；所述数据收集模块，被配置为：获取图像信息：所述超分辨率重建模块，被配置为：根据获取的图像信息和预设的图像超分辨率重建模型，得到图像超分辨率重建结果；其中，所述图像超分辨率重建模型由密集残差网络和改进的Transformer网络结合得到；改进的Transformer网络中，通过不断赋予新的权重以更新Query与Key的点乘结果，进而得到加权输出。9.一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，其特征在于，该程序被处理器执行时实现了如权利要求1‑7任一项所述的基于密集残差网络的图像超分辨率重建方法的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1‑7任一项所述的基于密集残差网络的图像超分辨率重建方法的步骤。2CN113837940A说明书1/12页基于密集残差网络的图像超分辨率重建方法及系统技术领域[0001]本公开属于计算机视觉技术领域，尤其涉及一种基于密集残差网络的图像超分辨率重建方法及系统。背景技术[0002]随着计算机视觉的广泛发展，人工智能领域的不断革新，单一图像超分辨率技术(SISR)的发展越来越快。2006年，Hinton等人提出深度学习的概念，其主体思想主要是通过多层非线