公开(公告)号：CN117474757A

公开(公告)日：2024-01-30

申请号：CN202311165666.8

申请日：2023-09-11

Applicant: 桂林理工大学

Inventor： 卢佩 ,  谢峰 ,  刘效勇

IPC: G06T3/4053 ,  G06N3/082 ,  G06N3/0464

Abstract: 本发明公开一种基于非对称卷积调制网络的轻量级图像超分辨率重建方法，包括如下步骤：1)构建训练数据集；2)构建轻量级图像超分辨率网络；3)构建损失函数；4)训练轻量级图像超分辨率网络，得到训练好的图像超分辨率网络；5)对低分辨率图像进行超分辨率重建。本发明提出的非对称卷积调制网络，通过构建非对称卷积调制单元，从大接受域中自适应选择关键特征。此外，本发明采用深度非对称卷积来降低模型复杂度。同时，本发明在通道增强单元中引入通道洗牌操作来加强通道间的信息交互，以进一步提升模型性能。与以往的轻量级图像超分辨率重建方法相比，本发明提出的方法不仅重建效果更好，而且模型复杂度更低，适用于资源有限的边缘设备上。

公开(公告)号：CN115496658A

公开(公告)日：2022-12-20

申请号：CN202211168904.6

申请日：2022-09-25

Applicant: 桂林理工大学

Inventor： 谢峰 ,  卢佩 ,  刘效勇 ,  郝晓辰 ,  周子豪

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于双重注意力机制的轻量级图像超分辨率重建方法，属于图像处理技术领域，实现步骤为：1)构建训练数据集；2)构建超分辨率网络模型；3)训练超分辨率网络模型，从而得到训练好的超分辨率网络模型；4)获得超分辨率重建图像。本发明通过基于简单通道注意力机制和增强型空间注意力机制的轻量级图像超分辨率重建方法，能够获取有利于图像超分辨率重建的通道特征信息和空间特征信息，不仅有效地提升了超分辨率网络模型的重建性能，同时，相较于主流的轻量级超分辨率网络模型有更低的参数量和计算量。