CN114841859B 基于轻量神经网络和Transformer的单图像超分辨率重建方法 （南京信息工程大学）_第1页
CN114841859B 基于轻量神经网络和Transformer的单图像超分辨率重建方法 （南京信息工程大学）_第2页
CN114841859B 基于轻量神经网络和Transformer的单图像超分辨率重建方法 （南京信息工程大学）_第3页
CN114841859B 基于轻量神经网络和Transformer的单图像超分辨率重建方法 （南京信息工程大学）_第4页
CN114841859B 基于轻量神经网络和Transformer的单图像超分辨率重建方法 （南京信息工程大学）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

WO2017219263A1,2017.12.28基于轻量神经网络和Transformer的单图像本发明公开了一种基于轻量神经网络和本发明利用低频特征提取模块提取低分辨率图可分离卷积模块与Transformer相结合的框架2步骤3中轻量Transformer模块的处理流程如下：第一分块模Transformer模块后输出N个图像块的特征图，N个图像块的特征图经过线性变换后进行重2.根据权利要求1所述的基于轻量神经网络和Transformer的单图像超分辨率重建方法，其特征在于，步骤2低频特征提取中使用了三层标准卷积神经网络提取图像的低频特步骤2.1：使用三层卷积神经网络对低分辨率图像XLR进行特征提取，得到特征图3.根据权利要求1所述的基于轻量神经网络和Transformer的单图像超分辨率重建方编码器包括第一自注意力层和第一前馈神经网络MLP，解码器包括第二自注意力层和第二前馈神经网络，在第二自注4.根据权利要求1所述的基于轻量神经网络和Transformer的单图像超分辨率重建方3[0001]本发明属于图像处理领域，具体涉及一种基于轻量神经网络和Transformer的单这些模型中脱颖而出。Transformer模块中的自注意力机制可以有效克服卷积归纳偏差所小的一种基于轻量神经网络和Transformer的单[0008]步骤1：将原始的高分辨率图像XHR通过双三次插值法下采样得到低分辨率图像4[0012]进一步地，步骤2低频特征提取中使用了三层标准卷积神经网络提取图像的低频个一维序列经过Transformer模块后输出N个图像块的特征图，N个图像块的特征图经过线[0017]编码器包括第一自注意力层和第一前馈神经网络MLP，在第一自注意力层与第一MLP之后均设有一个残差模块和归一化操[0020]进一步地，步骤4中使用跳跃连接将步骤2提取的低分辨率图像特征图与步骤3得[0022]本发明使用深度可分离卷积来提取图像的精细纹理特征，相对于普通的卷积操[0023]图1是本发明提出的基于轻量神经网络和Transformer的单图像超分辨率重建方[0024]图2是本发明提出的基于轻量神经网络和Transformer的单图像超分辨率重建方5得到的低分辨率图像作为网络的输入，原始的高分辨率图像作为网络(包括三层卷积神经6=H/N,w＝W/N。[0048]所述深度可分离卷积模块具体为：使用深度可分离卷积进一步提取图像高频特5[0053]使用跳跃连接将低频特征提取模块提取的低分辨率图像特征图与主体网络输出实施方法为限，但凡本领域普通技术人员根据本发明所揭示内容所做的等效修

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论