[发明专利]一种图像恢复方法、装置、设备及可读存储介质

权利要求书

1.一种图像恢复方法，其特征在于，包括：

接收待恢复的图像，将所述图像输入头部神经网络映射得到特征值；

将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量；其中，所述隐层表示神经网络包括特征神经网络和Anderson加速模块；

判断所述特征神经网络是否满足压缩映射条件；

若是，停止迭代，将对应精确特征值输入尾部神经网络映射得到恢复图像；

若否，继续迭代，直至判断所述特征神经网络满足所述压缩映射条件。

2.根据权利要求1所述的图像恢复方法，其特征在于，所述将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量；其中，所述隐层表示神经网络包括特征神经网络和Anderson加速模块，包括：

将所述特征值和所述初始化隐变量输入所述隐层表示神经网络进行迭代得到所述精确特征值和所述迭代隐变量；其中所述特征神经网络为残差结构卷积神经网络。

3.根据权利要求1所述的图像恢复方法，其特征在于，所述将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量，包括：

在所述隐层表示神经网络中，确定第一加权系数，确定第二加权系数，确定残差；

将所述特征值、所述初始化隐变量、所述第一加权系数、所述第二加权系数和所述残差输入所述隐层表示神经网络中的第一模型进行迭代得到所述精确特征值和所述迭代隐变量；其中，所述第一模型的数学表达式为：

式中，norm为深度神经网络层归一化操作，conv为深度神经网络卷积算子，z_x为所述第一加权系数，z_h为所述第二加权系数，resi为所述残差，f_θ为所述特征神经网络，x_t为当前步精确特征值，x_t+1为当前步迭代一次后的精确特征值，h_t为当前步迭代隐变量，h_t+1为当前步迭代一次后的迭代隐变量。

4.根据权利要求3所述的图像恢复方法，其特征在于，所述确定残差，包括：

利用所述隐层表示神经网络中的第二模型基于所述精确特征值确定所述残差；其中，所述第二模型的数学表达式为：

resi＝conv(f_θ(x_t)-x_t)

式中，conv为所述深度神经网络卷积算子，f_θ为所述特征神经网络，x_t为所述当前步精确特征值。

5.根据权利要求4所述的图像恢复方法，其特征在于，所述确定第二加权系数，包括：

利用所述隐层表示神经网络中的第三模型基于所述残差和所述迭代隐变量确定所述第二加权系数；其中，所述第三模型的数学表达式为：

z_h＝sigmoid(conv(resi)+conv(h_t))

式中，sigmoid为深度神经网络非线性激活函数，conv为所述深度神经网络卷积算子，resi为所述残差，h_t为所述当前步迭代隐变量。

6.根据权利要求5所述的图像恢复方法，其特征在于，所述确定第一加权系数，包括：

利用所述隐层表示神经网络中的第四模型基于所述第二加权系数确定所述第一加权系数；其中，所述第四模型的数学表达式为：

z_x＝sigmoid(conv(z_h))

式中，z_h为所述第二加权系数，sigmoid为所述深度神经网络非线性激活函数，conv为所述深度神经网络卷积算子。