[发明专利]基于稠密神经网络和双参数损失函数的超分辨率重建方法

权利要求书

1.一种基于稠密神经网络和双参数损失函数的超分辨率重建方法，其特征在于，包括以下步骤：

步骤一，数据准备

(a)划分数据集：采用公开数据集DIV2K，该数据集包含800张训练图、100张验证图和100张测试图，其中，100张验证图用于测试重建效果，800张训练图、100张验证图都是由高分辨率图像和其相应的低分辨率图像组成，低分辨率图像是高分辨率图像经由降质模型生成的；

(b)将800张训练图无重叠的分成96×96大小的图像块，作为网络输入；

步骤二，网络结构搭建

(a)将96×96大小的低分辨率图像块输入一个7×7的卷积层，并采用ReLU(RectifiedLinear Units)作为激活函数；

(b)7×7卷积层的输出特征图输入多连接结构块；

(c)堆叠多连接结构块；

(d)将最后一个多连接结构块的输出特征图输入一个1×1卷积层，降低特征图的维数；

(e)采用一个跳层，将7×7卷积层输出的特征图和1×1卷积层降维后的特征图堆叠起来，共同作为放大模块的输入；

(f)采用低分辨率特征图按次序拼接成高分辨率特征图的方法，将低分辨率特征图放大到一定倍数；

(g)采用一个1×1卷积层将特征图限定为RGB三个通道，并采用Tanh激活函数；

步骤三，模型训练

(a)学习率设为10^-3，并且每75000次迭代学习率减小一半，直到误差不再减小或者250000次迭代后，停止训练；

(b)采用一个双参数函数作为损失函数，即双参数损失函数，优化模型训练；

(c)采用ADAM优化方法，β₁＝0.9，β₂＝0.999；

步骤四，图像重建

输入任意大小的低分辨率图像，加载训练好的模型，输出重建的高分辨率图像。

2.根据权利要求1所述的基于稠密神经网络和双参数损失函数的超分辨率重建方法，其特征在于，步骤二中每个多连接结构块均由一个1×1卷积层接一个3×3卷积层和一个恒等映射组成，并且每个卷积层都采用ReLU作为激活函数；每个多连接结构块中的恒等映射，是一个输入到输出的连接，直接将上一个多连接结构块的输出作为下一个多连接结构块的输入。

3.根据权利要求1所述的基于稠密神经网络和双参数损失函数的超分辨率重建方法，其特征在于，步骤三中将高分辨率图像记为I_HR，重建图像记为I_SR，则其逐像素误差记为r＝I_SR-I_HR，双参数损失函数表示为，

其中，ρ(α)＝max(1,2-α)，α和β表示两个可连续取值的参数，通过微调α和β表示一系列的损失函数，包含L1范数、L2范数常见的损失函数。