[发明专利]基于自适应重要性学习的轻量级图像超分辨率改进方法

说明书

本发明公开了一种基于自适应重要性学习的轻量级图像超分辨率改进方法，提高给定轻量级SISR网络体系结构的拟合能力，学习方案能够无缝地从更强大的学习网络同化知识，以初始化图像像素的重要性，达到更好的初始容量网络，实现超分辨率性能。

技术领域

本发明涉及计算机智能视觉的领域，尤其涉及一种基于自适应重要性学习的轻量级图像超分辨率改进方法。

背景技术

在监视、公共安全、商业、娱乐和遥感等各种各样的视频应用中，只有增加图像分辨率才能提高用户体验。单图像超分辨率(SISR)是一种在没有附加信息的情况下提高图像分辨率的方法，受到了广泛的关注。在此基础上下面两种方式具有一定的特点，也各自存在问题。

(1)利用像素统计或内部斑块复发的HR图像作为先验。这些方法通常不能很好地推广，因为即使在启发式的属性和先验包含的属性之间的一个小的差异导致重构的HR图像中可见的伪影。

(2)基于深度卷积神经网络(DCNN)的学习方法，已经取得了显著的效果，特别是在一些特殊的C缩放因子。然而，由于它们的结构非常深，具有显著的内存和计算需求，这就需要强大的计算单元(例如，GPU)，从而限制了它们在计算能力有限的许多实际设备上的应用，特别是手持式设备。

发明内容

本发明主要解决的技术问题是提供一种基于自适应重要性学习的轻量级图像超分辨率改进方法，提高给定轻量级SISR网络体系结构的拟合能力，学习方案能够无缝地从更强大的学习网络同化知识，以初始化图像像素的重要性，达到更好的初始容量网络，实现超分辨率性能。

为解决上述技术问题，本发明采用的一个技术方案是：提供了一种基于自适应重要性学习的轻量级图像超分辨率改进方法，包括以下具体步骤：

步骤一：建立一个学习范式，以最大化像素的拟合能力给定轻量级网络架构；

步骤二：将网络训练和重要性学习转化为联合优化问题，通过设计的重要补偿函数和求解凸优化问题来逐渐增加单个像素的重要性，训练过程从易于重构的像素开始，随着拟合的改进，逐渐进行到更复杂的像素，从而实现自适应重要性学习方案；

步骤三：提出的自适应重要性学习方案以教师重要性初始化的方式，从更强大的教师网络无缝地吸收知识，从而在网络中获得更好的初始容量；

步骤四：利用替代最小化方案，形成自适应重要性学习方案算法；

步骤五：提出自适应的SISR模型，通过在训练损失的基础上动态更新图像像素的重要性，训练由简至难的范例网络，也就是定制轻量级SISR模型。

在本发明一个较佳实施例中，所述的SISR模型是由DCNN框架启发的，SISR模型的基本模块是卷积层，通过直接减少每个卷积层中的滤波器来定制轻量级网络，以固定比率来减少输出特征图的量。

本发明的有益效果是：本发明的基于自适应重要性学习的轻量级图像超分辨率改进方法，提高给定轻量级SISR网络体系结构的拟合能力，学习方案能够无缝地从更强大的学习网络同化知识，以初始化图像像素的重要性，达到更好的初始容量网络，实现超分辨率性能。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例包括：

一种基于自适应重要性学习的轻量级图像超分辨率改进方法，包括以下具体步骤：

步骤一：建立一个学习范式，以最大化像素的拟合能力给定轻量级网络架构；