[发明专利]一种多尺度残差注意机制网络的单图像超分辨率重建方法

说明书

本发明提供一种多尺度残差注意机制网络的单图像超分辨率重建方法，包括：构建多尺度残差注意机制网络，包括依次连接的由卷积层构建的浅特征提取部分，由N个深度连接多尺度残差注意组、远程跳跃连接和全局感知外部注意机制组成的深特征提取部分，放大模块部分，以及由卷积层构建的重构部分；将待重建的低分辨率图像I_LR，通过浅特征提取部分提取其浅层特征F₀，输入深特征提取模块获取深度特征F_DF；通过放大模块部分将深度特征F_DF进行放大；通过重构部分，将放大的特征F_UP转换为超分辨率图像I_SR。本发明构建了一个深度连接的多尺度残差注意网络，实现精确的SISR。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种多尺度残差注意机制网络的单图像超分辨率重建方法。

背景技术

单图像超分辨率(singleimage Super-Resolution，SISR)是计算机视觉领域的一个研究热点，其目标是从给定的低分辨率(low-Resolution，LR)图像中准确地构造出高分辨率(high-Resolution，HR)图像。它已广泛应用于各种计算机视觉场景，如公共安全监测、医学成像、和卫星成像。然而，由于缺乏高频信息，同一LR输入可能会生成多个不同版本的HR图像，因此SISR是一个高度不适定问题。为了解决这一问题，人们提出了大量的SISR方法，这些方法大致可分为三类：基于插值的、基于重建的和基于学习的方法。

近年来，得益于其优良的特征表示能力和端到端的训练模式，基于深度卷积神经网络(CNN)的SR方法，已成为SISR的主流方法。基于CNN的SR方法试图找出LR图像与HR图像之间的非线性映射关系，与传统的SR方法相比显示出显著的优越性。然而，现有的基于CNN的SIS-R方法仍然存在一些不足。首先，大多数基于CNN的SISR方法没有充分利用从网络中间层获得的规模和层次特征，导致性能相对较低。其次，基于CNN的SISR方法更多地关注于设计更深或更宽的网络，而忽略了同一样本信道之间固有的特征相关性，以获得更具辨别力的高频信息。最后，不同样本之间的相关性已被证明有利于各种视觉任务中的深度特征表示，在现有的SISR方法中仍有待探索。

为此，本发明提出了一种新的多尺度残差注意机制网络的单图像超分辨率重建方法。

发明内容

为解决上述问题，本发明提出了一种多尺度残差注意机制网络的单图像超分辨率重建方法，

为实现上述目的，本发明提供了如下的技术方案。

一种多尺度残差注意机制网络的单图像超分辨率重建方法，包括以下步骤：

构建多尺度残差注意机制网络，包括依次连接的由卷积层构建的浅特征提取部分，由N个深度连接多尺度残差注意组、一个远程跳跃连接和全局感知外部注意机制组成的深特征提取部分，放大模块部分，以及由卷积层构建的重构部分；

将待重建的低分辨率图像I_LR，通过浅特征提取部分提取其浅层特征F₀；

将浅层特征F₀输入深特征提取模块获取深度特征F_DF；

通过放大模块部分将深度特征F_DF进行放大，获取放大后的特征F_UP；

通过重构部分，将放大后的特征F_UP转换为超分辨率图像I_SR。

优选地，所述浅层特征F₀的提取，具体如下式所示：

F₀＝f_SFEP(I_LR)

其中，f_SFEP(·)表示卷积运算，该卷积层的内核大小为3×3。