[发明专利]一种基于注意力机制的人脸图像超分辨率方法

权利要求书

1.一种基于注意力机制的人脸图像超分辨率方法，其特征在于，包括步骤：

S1.将人脸图像数据集的图像数据预处理，得到训练数据集与测试数据集：

S2.使用训练数据集训练模型，得到能对低分辨率人脸图像进行超分到高分辨人脸图像的人脸图像超分模型；包括：

模型中生成网络包括16个稠密残差块，每个稠密残差块与一个注意力模块并行连接，每个稠密残差块里包含5个卷积层，卷积层以稠密连接和残差连接的方式结合；

利用低分辨率人脸图像和对应的目标高分辨率人脸图像作为模型的输入，结合注意力模块的输出，训练模型中的生成网络；

将目标高分辨率人脸图像和生成网络所生成的高分辨率人脸图像输入到判别网络中，由判别网络判断出输入图像的真假，模型迭代多次达到稳定后完成模型的训练；

S3.使用训练好的人脸图像超分模型，对测试数据集中的低分辨率图像超分处理，测试训练好的人脸图像超分模型的超分性能。

2.根据权利要求1所述基于注意力机制的人脸图像超分辨率方法，其特征在于，注意力模块的处理步骤如下：

首先将从之前隐藏层中得到的图像特征图x映射到两个隐空间f、g中，然后计算注意力得分，其中f(x)＝W_fx，g(x)＝W_gx，W_f和W_g均为可学习的参数，

注意力得分计算如下：

其中s_ij＝f(x_i)^Tg(x_j)，β_j，i表示模型在生成第j个区域时对第i个位置的注意力程度，N表示特征图上的总区域数量，

注意力层的输出o＝(o₁，o₂，...，o_j，...，O_N)，其中，o_j可以表示为：

其中，h(x_i)＝W_hx_i，v(x_i)＝W_vx_i，W_h和W_v均为可学习的参数，W_f，W_g，W_h和W_v均以卷积核为1×1的卷积层实现，

将注意力层的输出乘以一个缩放参数，并与输入的特征图相加，可得到：

y_i＝γo_i+x_i

其中，y_i表示生成的第i个位置，o_i表示注意力层的输出，x_i表示输入的特征图，γ为平衡因子。

3.根据权利要求1所述的基于注意力机制的人脸图像超分辨率方法，其特征在于，步骤S2包括：

S21.使用标准高斯分布随机初始化生成网络和判别网络的权重参数，其中生成网络的损失函数为L₂，对抗损失函数为判别网络的损失函数为

S22.将低分辨率人脸图像输入到生成网络中，生成网络输出与目标高分辨率人脸图像大小一致的生成图像，将生成图像作为判别网络的输入，依次迭代使对抗损失函数和损失函数L₂均降低至趋于稳定，

S23.判别网络输入为生成网络生成的高分辨率人脸图像和目标高分辨率人脸图像，判别网络判断输入图像真假，计算损失函数该损失函数只用于更新判别网络参数，

S24.交替训练生成网络和判别网络，直到所有损失函数不再降低，得到最终人脸图像超分模型。

4.根据权利要求3所述的基于注意力机制的人脸图像超分辨率方法，其特征在于，所述生成网络的目标函数如下：

其中，λ₁，λ₂为平衡因子，用于调整各个损失函数所占的权重；

所述判别网络的目标函数为