[发明专利]一种基于自适应权重学习的轻量化超分辨率重建方法

权利要求书

1.一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，包括：

步骤1，获得待处理图像；

步骤2，使用特征提取网络对输入图像提取图像浅层特征；

步骤3，经过含有自适应权重分配机制的非线性映射网络提取所述图像浅层特征，自适应权重分配机制利用注意力和无注意力两个分支提取的信息，采用自适应权重融合分支以动态方式分配两个分支的权重，同时通过卷积层拆分和融合两条分支，获得图像深层特征；

所述自适应权重模块使用注意力分支获取特征的注意力信息；使用无注意力分支获取特征的局部无注意力信息；使用自适应权重融合分支对所述无注意力分支和注意力分支融合，获取权重融合信息；

使用自适应权重融合分支对所述无注意力分支和注意力分支融合，包括：

使用全局平均池化方法将输入信息平均化，得到全局信息，经过一个全连接层，减少参数的同时学习每个特征通道的特征权值；

经过一个ReLU函数和一个全连接层，进一步学习每个特征通道的特征权值；经过Softmax函数后使用自适应权重层为注意力信息和局部无注意力信息分别生成标准的自适应权重和；

使用2个1×1卷积层将之前得到的注意力信息和局部无注意力信息进行通道重组，分别与对应的自适应权重相乘，并进行对应元素相加；

使用1×1卷积层输出，与最初的输入信息相加，得到最终的特征；

步骤4，经过重建网络提取所述图像深层特征，获得重建高分辨率图像。

2.根据权利要求1所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，非线性映射网络包括多个串联的自适应权重模块，图像浅层特征依次经过自适应权重模块后不断获得注意力权重特征，自适应权重模块学习每个分支的特征权重，用所述特征权重调整图像浅层特征，输出至下一个自适应权重模块，直至图像浅层特征经过所有所述自适应权重模块调整，获得图像深层特征。

3.根据权利要求1所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，使用注意力分支获取特征的注意力信息，包括：

使用1×1卷积层将输入信息的通道数减为原来的一半，输入到一个加入了像素级注意力机制的3×3卷积层，像素级注意力机制为不同通道分配不同的权重，使用一个3×3卷积层进行特征映射，得到最后的注意力信息。

4.根据权利要求1所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，使用无注意力分支获取特征的局部无注意力信息，包括：

使用1×1卷积层将输入信息的通道数减为原来的一半，仅使用一个3×3卷积层进行特征映射，得到最后的局部无注意力信息。

5.根据权利要求1所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，所述重建网络包括上采样模块、3×3卷积层和双线性插值连接层。

6.根据权利要求5所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，重建网络中，所述图像深层特征依次通过两个串联的上采样模块和3×3卷积层，得到重建特征，最终与双线性插值连接层的输出特征对应元素相加，得到最终的重建高分辨率图像。

7.根据权利要求5所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，所述双线性插值连接层直接获取输入图像，经过双线性插值操作，与重建特征相加。

8.根据权利要求1所述的一种基于自适应权重学习的轻量化超分辨率重建方法，其特征在于，超分辨率重建方法包括损失函数的运算，所述损失函数采用L₁损失。