[发明专利]图像超分辨率方法、电子装置及芯片

权利要求书

1.一种图像超分辨率方法，其特征在于，所述方法包括：

基于训练数据集分别训练初始上采样模块和初始下采样模块，获得目标上采样模块和目标下采样模块；

通过所述目标上采样模块和所述目标下采样模块的堆叠处理，构建初始模型；

基于所述训练数据集训练所述初始模型，获得图像超分辨率模型；

利用所述图像超分辨率模型对待处理图像进行图像超分辨率处理，获得所述待处理图像对应的超分辨率图像。

2.根据权利要求1所述的方法，其特征在于，所述基于训练数据集分别训练初始上采样模块和初始下采样模块，获得目标上采样模块和目标下采样模块之前，所述方法还包括：

基于多个网络节点和多个算子分别构建所述初始上采样模块和所述初始下采样模块；

对于所述初始上采样模块中的每两个网络节点，确定每一个算子对应的第一初始权重；

对于所述初始下采样模块中的每两个网络节点，确定每一个算子对应的第二初始权重。

3.根据权利要求2所述的方法，其特征在于，所述基于训练数据集分别训练初始上采样模块和初始下采样模块，获得目标上采样模块和目标下采样模块，包括：

将所述训练数据集输入至所述初始上采样模块，获得第一输出值；

基于目标函数和所述第一输出值确定第一损失参数；

根据所述第一损失参数调整所述第一初始权重，获得第一调整后权重；

根据所述第一调整后权重确定所述目标上采样模块。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一调整后权重确定所述目标上采样模块，包括：

根据所述第一初始权重和所述第一调整后权重确定所述每一个算子对应的权重变化趋势；

对于所述初始上采样模块中的每两个网络节点，剔除所述权重变化趋势为减小的算子，获得所述目标上采样模块。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述初始上采样模块中的两个网络节点之间保留多个算子，则确定所述多个算子对应的多个运算结果；

对所述多个运算结果进行拼接处理，获得第一拼接后结果；

将所述第一拼接后结果输入至所述两个网络节点中的后一个网络节点。

6.根据权利要求2所述的方法，其特征在于，所述基于训练数据集分别训练初始上采样模块和初始下采样模块，获得目标上采样模块和目标下采样模块，包括：

将所述训练数据集输入至所述初始下采样模块，获得第二输出值；

基于目标函数和所述第二输出值确定第二损失参数；

根据所述第二损失参数调整所述第二初始权重，获得第二调整后权重；

根据所述第二调整后权重确定所述目标下采样模块。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第二调整后权重确定所述目标下采样模块，包括：

根据所述第二初始权重和所述第二调整后权重确定所述每一个算子对应的权重变化趋势；

对于所述初始下采样模块中的每两个网络节点，剔除所述权重变化趋势为减小的算子，获得所述目标下采样模块。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

若所述初始下采样模块中的两个网络节点之间保留多个算子，则确定所述多个算子对应的多个运算结果；

对所述多个运算结果进行拼接处理，获得第二拼接后结果；

将所述第二拼接后结果输入至所述两个网络节点中的后一个网络节点。

9.根据权利要求1所述的方法，其特征在于，所述通过所述目标上采样模块和所述目标下采样模块的堆叠处理，构建初始模型，包括：

对至少一个所述目标上采样模块和至少一个所述目标下采样模块进行堆叠处理，获得堆叠后网络结构；

将下采样算子组合、上采样算子组合添加至所述堆叠后网络结构，构建所述初始模型。