CN119251051B 基于频域-空间域辅助Mamba的轻量级图像超分辨重建方法 （西南民族大学）

基于频域-空间域辅助Mamba的轻量级图像频域空间域辅助Mamba的轻量级图像超分辨重进行数据预处理，获取训练数据集与测试数据意力特征交互层，构建基于频域一空间域辅助Mamba的轻量级图像超分辨重建模型；将训练数据集输入基于频域一空间域辅助Mamba的轻量级有权重的基于频域一空间域辅助Mamba的轻量级有权重的基于频域一空间域辅助Mamba的轻量级2基于频域空间域辅助Mamba的轻量级图像超分辨重建模型包括上分支模块包括第一Linear层、第一3x3深度卷积层、第一SiLU层、2D选择性扫描模频域增强模块包括第二3x3深度卷积层、傅里叶变换层、第二1x1卷积层、第一ReLU基于转置和自注意力特征交互层包括第三3x3卷积层、空间通道置换层、空间自注意训练，得到训练好的带有权重的基于频域一空间域辅助Mamba的轻量级图像超分辨重建模2.根据权利要求1所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，S12、将多个下采样倍数的图像进行随机翻转和旋转操作，得到增强的低分辨率LR图S13、将HR图像数据集作为第一标签数据，将增强的低分辨率LR图像作为第一原始数33.根据权利要求2所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，S31、将训练数据集输入基于频域一空间域辅助Ma块利用卷积层与PixelShuffle上采样实现图像重建，得到重建特征Isn，并采用L1损失函4.根据权利要求3所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，X,xz=split(x,dim=c)4。5.根据权利要求4所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，6.根据权利要求5所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，特征从空间域转换到频域，并输入第二1x17.根据权利要求6所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，S3251、将第二归一化特征输入第三3x3卷积层进行初步特征融合并进行通道压缩，5转换为空间特征，得到第二置换特征Fip2，并输入第六3x3深度卷积层进行空间特征编8.根据权利要求7所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，9.根据权利要求8所述的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，将测试数据集分别输入训练好带有x2、x3以及x4权重的基于频域一空间域辅助Mamba的67[0002]在数字化时代背景下，图像质量已成为衡量技术进步与用户体验的关键指标之超分辨技术对于提升图像分辨率具有至关重以高效地捕获全局上下文信息。其次，与基于卷积神经网络模型相比，基于传统8[0016]S14、获取公开的Set5数据集、Set14数据集、B100数据集、Urban100数据集和[0017]S15、将测试集的HR图像作为第二标签数据，将测试集的LR图像作为第二原始数9[0051]S32211、将特征X1输入第一Linear层进行线性变换操作，得到上分支变换特征[0052]S32212、将特征X1输入第二Linear层进行线性变换操作，得到下分支变换特征[0055]S32221、将特征X2输入第二3×3深度卷积层进行深度卷积操作并提取局部特征，[0059]S3251、将第二归一化特征输入第三3×3卷积层进行初步特征融合并进行通道得到空间大小为1×1的初始化特征，并输入第四3×3深度卷积层进行编码，并输入第二轻量级图像超分辨重建模型进行优化的计算[0068]根据训练好的带有权重的基于频域一空间域辅助Mamba的轻量级图像超分辨重建模型，将测试数据集分别输入训练好带有×2、×3以及×4权重的基于频域一空间域辅助Mamba的轻量级图像超分辨重建模型进行测试，得到定量结果与重建的高分辨率可视化图[0077]本发明所提出的基于频域一空间域辅助Mamba的轻量级图像超分辨重建方法，在上述三种不同级别的信息，提出基于转置和自注意力的特征交互层实现特征的交互融合，[0091]S14、获取公开的Set5数据集、Set14数据集、B100数据集、Urban100数据集和[0092]S15、将测试集的HR图像作为第二标签数据，将测试集的LR图像作为第二原始数组模块包括N个多层级特征交互层、第一3×3卷积层；多层级特征交互层包括第一[0116]S32211、将特征X1输入第一Linear层进行线性变换操作，得到上分支变换特征[0118]S32212、将特征X1输入第二Linear层进行线性变换操作，得到下分支变换特征[0126]S32221、将特征X2输入第二3×3深度卷积层进行深度卷积操作并提取局部特征，二归一化特征R。[0146]S3251、将第二归一化特征输入第三3×3卷积层进行初步特征融合并进行通道且置换融合特征Fi__p的表达式为：且空间自注意力融合特征Fi_s的表达式为：Fi_s＝Sigmoid1(Conv41×1得到空间大小为1×1的初始化特征，并输入第四3×3深度卷积层进行编码，并输入第二且通道自注意力融合特征Fi_c的表达式为：特征R。[0174]根据训练好的带有权重的基于频域一空间域辅助Mamba的轻量级图像超分辨重建模型，将测试数据集分别输入训练好带有×2、×3以及×4权重的基于频域一空间域辅助Mamba的轻量级图像超分辨重建模型进行测试，得到定量结果与重建的高分辨率可视化图[0181]本实施例中，较高的峰值信噪比PSNR表示重建的高分辨率可视化图像与HR(高分