公开(公告)号：CN111402137A

公开(公告)日：2020-07-10

申请号：CN202010205303.2

申请日：2020-03-20

Applicant: 南京信息工程大学

Inventor： 孙玉宝 ,  施羽旸 ,  周旺平 ,  赵丽玲

IPC: G06T3/40 ,  G06N3/08

Abstract: 本发明提供了一种基于感知损失引导的深度注意力编解码单图像超分辨率算法，包括以下步骤：构建感知损失引导的深度注意力编解码网络模型；根据网络模型设计感知损失目标函数；预设网络模型超参，根据感知损失目标函数，采用反向传播算法训练网络模型；若网络模型收敛，则输出期望的高分辨率图像，否则返回执行上一步骤，直至网络模型收敛。本发明在网络中加入了残差空间注意力单元用于捕获并重建出更多的低频信息，使用平均绝对误差和结构相似度损失组成的感知损失作为损失函数来优化网络参数，使得网络可以更多地关注视觉敏感区域，以保存视觉信息结构，从而提高重建图像的质量，使得重建图像有着优秀的视觉效果，并且该网络的重建效率极高。

公开(公告)号：CN111402137B

公开(公告)日：2023-04-18

申请号：CN202010205303.2

申请日：2020-03-20

Applicant: 南京信息工程大学

Inventor： 孙玉宝 ,  施羽旸 ,  周旺平 ,  赵丽玲

IPC: G06T3/40 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明提供了一种基于感知损失引导的深度注意力编解码单图像超分辨率算法，包括以下步骤：构建感知损失引导的深度注意力编解码网络模型；根据网络模型设计感知损失目标函数；预设网络模型超参，根据感知损失目标函数，采用反向传播算法训练网络模型；若网络模型收敛，则输出期望的高分辨率图像，否则返回执行上一步骤，直至网络模型收敛。本发明在网络中加入了残差空间注意力单元用于捕获并重建出更多的低频信息，使用平均绝对误差和结构相似度损失组成的感知损失作为损失函数来优化网络参数，使得网络可以更多地关注视觉敏感区域，以保存视觉信息结构，从而提高重建图像的质量，使得重建图像有着优秀的视觉效果，并且该网络的重建效率极高。