[发明专利]基于宽激活的超分辨图像重建方法、装置及电子设备

说明书

本发明提供一种基于宽激活的超分辨图像重建方法、装置、电子设备及存储介质。该基于宽激活的超分辨图像重建方法包括：获取待重建的低分辨率LR图像；将待重建的低分辨率LR图像输入至经训练的基于宽激活残差结构的自适应重采样超分辨图像重建模型中，得到基于宽激活残差结构的自适应重采样超分辨图像重建模型输出的高分辨率HR图像；基于宽激活残差结构的自适应重采样超分辨图像重建模型用于至少基于插值算法和宽激活残差结构，将LR图像重建为相应的HR图像。

技术领域

本发明涉及计算机视觉和图像处理领域，尤其涉及一种基于宽激活的超分辨图像重建方法、装置、电子设备及存储介质。

背景技术

空间分辨率是一个重要的图像质量评估指标，表征了单位范围内图像包含场景信息的多少。一般而言，高分辨率图像能够提供比低分辨率图像更清晰、更丰富的细节信息，有助于对图像内容的充分理解并促进后处理任务的性能。图像超分辨(Super-Resolution,SR)重建是一类从软件层面提高图像固有分辨率的后处理技术，在医学成像、智能监控和虚拟现实等领域都有广泛应用。图像SR重建的目标是从一幅或多幅低分辨率(LowResolution，LR)恢复一幅相同场景的高分辨率(High Resolution,HR)图像。

在现有技术中，通常有插值方法、建模/重建方法和机器学习方法三类，其中机器学习方法又有传统的浅层学习方法和深度学习方法。

尽管深度学习方法在最近几年极大地促进了图像SR重建的发展，但通过增加神经网络规模来提升重建性能的思路已经遇到了一定的瓶颈。同时，大多数应用都要求SR重建方法具有一定的时效性，大型神经网络的计算量和存储资源消耗会在一定程度上阻碍算法的实际部署。另一方面，传统插值算法通常假设图像信号是带宽有限的连续信号，重建结果容易出现模糊、伪影等。

发明内容

本发明提供一种基于宽激活的超分辨图像重建方法、装置、电子设备及存储介质，克服了现有技术中传统插值算法容易出现模糊、伪影的问题以及神经网络法的超大计算量和存储资源消耗影响算法实际部署的问题，结合深度学习方法强大的非线性表达能力和插值方法高效的执行速度构建了具有精确重建效果的高效SR重建模型，提高了图像SR重建在效率和效果之间的平衡，促进了相关技术的实际应用和部署。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明的实施例提供一种基于宽激活的超分辨图像重建方法，包括：

获取待重建的低分辨率LR图像；

将所述待重建的低分辨率LR图像输入至经训练的基于宽激活残差结构的自适应重采样超分辨图像重建模型中，得到所述基于宽激活残差结构的自适应重采样超分辨图像重建模型输出的高分辨率HR图像；

所述基于宽激活残差结构的自适应重采样超分辨图像重建模型用于至少基于插值算法和宽激活残差结构，将所述LR图像重建为相应的所述HR图像。

进一步地，该基于宽激活的超分辨图像重建方法还包括：

所述基于宽激活残差结构的自适应重采样超分辨图像重建模型包括自适应插值核估计层和自适应重采样层；

其中，所述自适应插值核估计层用于为所述HR图像的每个空间位置生成一个自适应插值核，以用于后续所述自适应重采样层对图像进行精细修整；

所述自适应重采样层用于在生成所述自适应插值核之后，将所述自适应插值核自适应地应用到所述LR图像的相应位置，以重建所述HR图像。

进一步地，该基于宽激活的超分辨图像重建方法还包括：

所述方法还包括：

基于训练样本图像，训练基于宽激活残差结构的自适应重采样超分辨图像重建模型，以优化所述模型参数。