CN115082306B 一种基于蓝图可分离残差网络的图像超分辨率方法 （中国科学院深圳先进技术研究院）

一种基于蓝图可分离残差网络的图像超分本发明公开一种基于蓝图可分离残差网络图像，其中超分辨率模型包括浅层特征提取模层残差块的输出分别传递到下一层级的标准卷2将目标图像输入到经训练的超分辨率模型，获得重建图像，所述重其中，所述深层特征提取模块包含依次连接的多个蒸馏模块及所述第二蓝图分离卷积层所提取特征的融合特层处理后的特征与所述空间注意力模块的输入特征融合后作为所述空间注意力模块的输和所述第二蓝图分离卷积层中的深度卷积层执行时实现根据权利要求1至7中任一项所述方法9.一种计算机设备，包括存储器和处理器，在所34中生成更紧凑的学生模型。基于转移/紧凑卷积滤波器设计的方法旨在设计特殊的结构卷5上一层级的蓝图浅层残差块的输出分别传递到下一层级的标准卷积层和蓝图浅层残差块，[0013]图1是根据本发明一个实施例的基于蓝图可分离残差网络的图像超分辨率方法的[0014]图2是根据本发明一个实施例的基于蓝图可分离残差网络的图像超分辨率模型的6[0028]参见图1所示，所提供的基于蓝图可分离残差网络的图像超分辨率方法包括以下[0030]结合图2所示，该实施例提出了一种新的轻量级SR网络，即蓝图可分离残差网络块(EnhancedSpatialAttentionBlock，ESA)和图5的对比度感知通道注意力模块传递到下一层级的标准卷积层和BSRB，且最后一个层级的BSRB连接蓝图可分离卷积层[0034]需说明的是，在图3中，conv-1表示执行标准的1x1卷积，而蓝图可分离卷积层[0035]图4是增强空间注意力模块(ESA)的结构示意图，该模块依次包含标准卷积层7[0037]图6是蓝图浅层残差块(BSRB)的结构示意图，包含蓝图可分离卷积层(BSConv)和(ESA)和对比度感知通道注意力以增强模型能力。需说明的是，在所构建的超分辨率模型低分辨率的深层特征进行上采样生成高分辨率输出。本发明不仅可以应用于图像超分辨89能并超越现有技术。目前达到最优的X3超分重建效果的方法使用了541K的参数量和42[0068]图10是采用了蓝图浅层残差模块和上述两种注意力机制后的图像重建效果和现如，在kinetics这样的大型数据集上，因为3D卷积无法在ImagNet上pretraining，trainingfromscratch往往需要非常大的计算资源，但本发明的模型可以利用任意的的视频识别模块TSM和nonlocal同样可以嵌入到主流的2D网络中，但本发明的模块效果远本发明提供的模块对于持续时间不同的动作都可以很好的[0074]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0075]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列[0077]这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中指令实现流程图和/或框图中的一个或多个方框中规定