[发明专利]一种基于高频特征学习的子像素卷积图像超分辨方法

权利要求书

1.一种基于高频特征学习的子像素卷积图像超分辨方法，其特征在于，包括以下步骤：

(1)使用低分辨率的图像输入到子像素卷积网络中，对低分辨率图像进行特征学习；

(2)在子像素卷积网络中引入卷积残差层，将输入作为特征图与卷积特征图级联，卷积残差层自适应学习级联特征图的权重，将残差学习下沉到各子像素特征层，减少子像素卷积网络低频域的误差；

(4)通过映射获得多通道特征图，将特征图视为高分辨图像的子像素层；

(5)基于子像素卷积网络结构获取高频特征映射参数φ_p；选取目标高分辨图像和对应的低分辨率图像双三次插值上采样后图像，输入到映射的卷积网络中，优化参数最大化两者在高频特征层上的距离；

(6)引入高频特征映射对比损失与像素级误差损失的多任务损失函数，使生成的图像与超分辨图像在高频域上更接近；

所述步骤(5)通过以下公式实现：

其中，I^SR,I^B分别为输入的高分辨图像和其对应的低分辨率双三次插值上采样后的图像，φ_p为对应高频特征的映射参数，C，W_p，H_p分别为高频特征层的特征图层数，宽度和高度；学习目标通过学习φ_p最大化I^SR、I^B经过φ_p后特征层的均方误差，通过对其取负对数运算，使用梯度下降迭代方法求取最优值

步骤(6)所述的多任务损失函数为：

获取φ_p之后，通过一个像素级误差损失和高频特征误差损失的多任务学习的目标函数来训练生成网络的参数θ_g，为生成图像与高分辨图像的像素级的损失，为生成图像与高分辨图像高频感知特征的损失，α为的系数。

2.根据权利要求1所述的基于高频特征学习的子像素卷积图像超分辨方法，其特征在于，所述步骤(2)的实现过程如下：

在子像素卷积超分辨的最后一层隐藏层和子像素卷积重构层之间增加残差卷积层，卷积特征层的实现公式如下：

Xⁿ＝F_n(Concat(F_1:n-1(I),I))

其中，I是输入低分辨率图像，F_1:n-1是隐藏层的映射参数,F_n是残差卷积层的参数。