[发明专利]一种基于通用化深度展开网络的图像重建方法

权利要求书

1.一种基于通用化深度展开网络的图像重建方法，其特征在于，包括如下步骤：

S1.构造训练数据集：所述训练数据集由多个子训练数据集构成，每个子训练数据集包含多个由高质量的原图像和相应的退化图像组成的数据对；

S2.构造通用化深度展开网络：将近端梯度下降算法展开为多阶段深度神经网络，并加入阶段间的多尺度信息交互模块以及自适应的梯度下降模块，

所述的通用化深度展开网络包含多个阶段，每个阶段包含一个自适应梯度下降模块，以及一个信息化近端映射模块；其中，自适应梯度下降模块通过深度网络估计退化先验，针对不同的退化图像自适应地进行梯度下降；自适应梯度下降模块通过两个残差模块预测退化矩阵A及其转置，自适应地进行梯度下降；信息化近端映射模块间加入了多尺度信息交互模块来减少固有的信息损失，信息化近端映射模块是一个由残差模块构成的UNet结构；在每种尺度上都设计了阶段间信息交互模块实现阶段间多尺度的信息交互；

S3.训练所述通用化深度展开网络：基于所述训练数据集，给定损失函数，使用反向传播和梯度下降算法不断优化所述通用化深度展开网络中的参数，直至损失函数稳定；

S4. 应用训练好的通用化深度展开网络进行图像重建过程：输入退化图像，其网络输出即为重建后的图像。

2.根据权利要求1所述的基于通用化深度展开网络的图像重建方法，其特征在于，在步骤S1中，对每个图像，其像素值为，再由，得到退化图像y，其中，代表退化矩阵，n代表随机高斯噪声，由此构成一对训练数据(y，)，多对训练数据构成网络训练数据集集合。

3.根据权利要求1所述的基于通用化深度展开网络的图像重建方法，其特征在于，在步骤S2中，所述通用化深度展开网络由近端梯度下降法展开而成，所述通用化深度展开网络包含多个阶段，每一个阶段由自适应梯度下降模块和信息化近端映射模块组成，所述自适应梯度下降模块通过深度网络估计退化先验，针对不同的退化图像自适应地进行梯度下降，所述信息化近端映射模块间加入了所述多尺度信息交互模块来减少固有的信息损失。

4. 根据权利要求1所述的基于通用化深度展开网络的图像重建方法，其特征在于，在步骤 S3中，采用反向传播算法计算损失函数相对于所述通用化深度展开网络中各个参数的梯度，然后基于所述训练数据集采用梯度下降算法优化所述通用化深度展开网络的网络层的参数，直至损失函数数值稳定，获得所述通用化深度展开网络的最优参数。

5.根据权利要求1所述的基于通用化深度展开网络的图像重建方法，其特征在于，在步骤S3中，以为训练数据集，采用均方误差作为网络的损失函数：其中，表示通用化深度展开网络中第个阶段输出的重建结果，表示干净图像，为网络参数。