[发明专利]一种无监督的隐式建模盲超分辨重建方法及装置

权利要求书

1.一种无监督的隐式建模盲超分辨重建方法，其特征在于，包括步骤：

S101获取第一低分辨率图像；

S102通过超分网络构建方法对所述第一低分辨率图像进行构建并输出第一伪高分辨率图像；

S103获取当前输出的伪高分辨率图像，并将所述伪高分辨率图像输入线性卷积网络以训练得到目标退化网络；

S104输出所述S103中得到的目标退化网络以及第二低分辨率图像，其中，所述第二低分辨率图像由所述目标退化网络对所述第一低分辨率图像进行退化所得；

S105固定S104输出的所述目标退化网络，并将所述第一低分辨率图像，以及当前所输出的所述第二低分辨率图像输入卷积神经网络中以训练得到目标超分网络；S106对S105中训练所得的目标超分网络进行评估，其中，

S106包括：

S106a通过超分损失函数计算所述第一低分辨率图像和第二伪高分辨率图像所产生的标准超分损失L_SR，其中，所述第二伪高分辨率图像为使用当前所训练的目标超分网络对所述第二低分辨率图像进行超分所得；

S106b通过补丁损失函数计算所述第一低分辨率图像和第三伪高分辨率图像之间的补丁相似度L_GAN，其中，所述第三伪高分辨率图像为使用当前所训练的目标超分网络对所述第一低分辨率图像进行超分所得；

S106c通过总损失函数计算S106a和S106b中所产生的总训练损失；

S107判断步骤S106是否收敛，若是，则训练结束并输出当前的所述目标超分网络；若否，通过当前所训练得到的目标超分网络对所述第一低分辨率图像进行构建以得到新的伪高分辨率图像，并将所述新的伪高分辨率图像输入S103。

2.根据权利要求1所述的方法，其特征在于，在S102之前还包括：

对所述第一低分辨率图像进行切割以获取到若干个待测图块；

计算所述若干个待测图块之间的相似度指数，当所述相似度指数属于预设的相似度阈值范围时，则将所述第一低分辨率图像输入S102。

3.根据权利要求1所述的方法，其特征在于，所述总损失函数为：

；

其中，为所述总训练损失，为权重。

4.根据权利要求1所述的方法，其特征在于，所述S106a包括：

分别对所述第一低分辨率图像和第二伪高分辨率图像进行切割以对应地获取到若干第一图块和若干第二图块，其中，所述图块的尺寸为：60像素*60像素-120像素*120像素；

通过所述超分损失函数对所述第一图块和第二图块的像素信息进行计算，以确定所述标准超分损失；其中，所述超分损失函数为均方损失函数。

5.根据权利要1所述的方法，其特征在于，S106b包括步骤：

分别对所述第一低分辨率图像和第三伪高分辨率图像进行切割以对应地获取得到若干第一补丁、第二补丁；

获取所述第一补丁和所述第二补丁的特征信息，并通过所述特征信息计算所述第一低分辨率图像和第三伪高分辨率图像的补丁相似度L_GAN。

6.根据权利要求5所述的方法，其特征在于，计算所述补丁相似度的模型为：

； （1）

； （2）

； （3）

； （4）

； （5）

其中，x，y分别表示所述第一补丁、第二补丁中具有差异性的纹理特征，

avg表示两类特征的平均类内距离，C表示两类特征的集合，U表示特征中

心点的大小，dcen表示两类特征中心点距离，FCD表示两类特征的聚类距离。

7.根据权利要求1所述的方法，其特征在于，所述补丁尺寸为8*8像素-13*13像素。

8.根据权利要求1所述的方法，其特征在于，所述S103中的训练目标为：最小化；

且；

其中，为退化网络的训练损失函数，MSE为均方损失函数，所述为所述第一低分辨率图像的像素信息，为当前训练所得的超分网络，为当前训练所得的退化网络。