[发明专利]一种基于图像先验信息的退化图像修复方法、系统、介质和设备

权利要求书

1.一种基于图像先验信息的退化图像修复方法，其特征在于，包括下述步骤：

采用退化图像加高斯噪声的组合作为神经网络图像生成器的输入，输入参数化卷积神经网络生成器；

采用MSE损失函数计算参数化卷积神经网络生成器所生成的图像与退化图像之间的损失，对参数化神经网络进行迭代训练；

采用卷积神经网络生成器的结构获取图像的底层语义信息作为先验信息，在训练过程对每一张待修复图像使用一套相同的迭代训练参数，设定第一迭代训练次数与第二迭代训练次数，在训练中加入权重衰减策略，采用Leaky ReLU作为激活函数；

在每一次迭代中，在神经网络图像生成器的输入中加入一个高斯噪声，同时在网络权值参数中加入一个平均值为零、标准差为零的高斯噪声，当迭代训练次数达到第一迭代训练次数时，采用自适应加权输出策略；

所述在每一次迭代中，在神经网络图像生成器的输入中加入一个高斯噪声，同时在网络权值参数中加入一个平均值为零、标准差为零的高斯噪声，每一次迭代的损失函数计算过程表示为：

其中，l_θ是当网络参数为θ时的损失函数，是添加在参数化网络的高斯噪声，G_{noisy_z}是加在神经网络图像生成器的输入z中的高斯噪声，x₀表示退化图像；

重构图像的参数关系和先验信息表示为：

θ^*是当图像修复中达到最佳性能时的卷积神经网络参数，G_{noise_θ}和G_{noise_z}均表示随机噪声；

当迭代训练次数达到第二迭代训练次数时打断迭代，并用此时的参数化卷积神经网络生成器生成一副修复后的图像。

2.根据权利要求1所述的基于图像先验信息的退化图像修复方法，其特征在于，所述采用卷积神经网络生成器的结构获取图像的底层语义信息作为先验信息，具体在卷积网络结构中采用卷积操作对特征图进行降维处理，并在此过程中让卷积神经网络生成器的结构获取图像的先验信息，并通过双线性插值法进行上采样操作并生成一幅修复后的图像。

3.根据权利要求1所述的基于图像先验信息的退化图像修复方法，其特征在于，采用MSE损失函数计算参数化卷积神经网络生成器所生成的图像与退化图像之间的损失，使用L2loss说明正则化和损失函数之间的关系。

4.根据权利要求1所述的基于图像先验信息的退化图像修复方法，其特征在于，所述在训练中加入权重衰减策略，所述权重衰减策略表示为：

其中，λ是衰减系数，θ是衰减后的权重值，θ₀是原始权重值，α是学习率，J₀是权重衰减之前的代价函数。

5.根据权利要求1所述的基于图像先验信息的退化图像修复方法，其特征在于，所述采用Leaky ReLU作为激活函数，所述Leaky ReLU表示为：

其中，a_i是[0,1)之间的固定参数。

6.根据权利要求1所述的基于图像先验信息的退化图像修复方法，其特征在于，所述当迭代训练次数达到第一迭代训练次数时，采用自适应加权输出策略，所述迭代训练次数达到第一迭代训练次数后，使用了前一次迭代权重为99％，本次迭代的权重为1％的方式进行加权输入。