CN115496658B 基于双重注意力机制的轻量级图像超分辨率重建方法 （桂林理工大学）

resolutionreconstructionbaseinvertedresidualattentionnetwork.基于双重注意力机制的轻量级图像超分辨本发明公开一种基于双重注意力机制的轻机制和增强型空间注意力机制的轻量级图像超相较于主流的轻量级超分辨率网络模型有更低2(1b)将高分辨率图像和对应的低分辨率图像构成一对训练样本，从而得到训练数据增强型局部特征提取组由由两个增强型空间注意力模块和两个残余局部特征层组成；道特征；将浅层特征输入到增强型局部特征提取组后由8个增强型局部特征提取块依次提将训练数据集中的所有训练样本输入到超分辨率网络模型将自然场景下的低分辨率图像输入到训练好的超分辨率网络模型中2.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法，3.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法，其特征在于，所述步骤2中的深度特征融合模块由一个1×1和一个3×3堆叠的卷积层及一4.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法，其特征在于，所述步骤2中的上采样模块由一个3×3卷积层和一个高效的亚像素卷积层组5.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法，3(θ)表示L1损失函数，θ表示超分辨率网络模型要学习的参数，N表示用于训练的图像4[0002]图像超分辨率(SR)重建的目标是从给定的低分辨率图像中恢复出相应的高分辨算和利用更有效的模块来构建更高效的超分辨率网络增强处理后的高分辨率图像进行双三次插值下采样操作，从而得到相对应的低分辨率图型局部特征提取组由8个增强型局部特征提取块堆叠组成，将浅层特征输入到增强型局部特征提取组后由8个增强型局部特征提取块依次提取深度层次特征；深度特征融合模块对5[0013]将训练数据集中的所有训练样本输入到超分辨率网络模[0016]所述步骤(1a)中的数据增强指的是：对DIV2K数据集的高分辨率图像进行随机水[0018]所述步骤2中的增强型局部特征提取块由两个增强型空间注意力模块和两个残余局部特征层组成，首先从第一个增强型空间注意力模块的输入特征中选择重要的空间特[0019]所述步骤2中的深度特征融合模块由两个堆叠的卷积层(一个1×1卷积层和一个3[0020]所述步骤2中的上采样模块由一个3×3卷积层和一个高效的亚像素卷积层组成，注意力模块来获取重要的通道信息和空间特征信息，以此进一步提升网络模型的重建性6增强处理后的高分辨率图像进行双三次插值下采样操作，从而得到相对应的低分辨率图[0038]步骤(1a)中所述的数据增强指的是：对DIV2K数据集的高分辨率图像进行随机水[0047]增强型局部特征提取组包含8个增强型局部特征提取块(ELFB)，其中增强型局部特征提取块由两个增强型空间注意力模块(ESA)和两个残余局部特征层(RLFL)组成，将浅7局部特征提取块首先从第一个增强型空间注意力模块(ESA)的输入中选择重要的空间特[0054]残余局部特征层(RLFL)的结构如图4所示，残余局部特征层首先通过层归一化×1卷积层来细化特征，最后将细化特征与最初输入特征相加得到输出特征F",其表达公入特征首先通过一个减少输入通道的1×1卷积层得到一个紧凑的特征F",然后通过步空间大小，并且与特征F"相加得到中间特征最后用一个1×1卷积层来恢复输入通道[0066]深度特征融合模块通过两个堆叠的卷积层(一个1×1卷积层和一个3×3卷积层)8[0074]将训练数据集中的所有训练样本输入到超分辨率网络模9粗表示该结果为最好结果。Set14数据集中的Barbara图像在4倍超分情况下，本发明的方