全尺度特征细化轻量级图像超分辨率方法及装置

技术领域

本发明涉及图像处理领域，具体涉及一种全尺度特征细化轻量级图像超分辨率方法及装置。

背景技术

单帧图像的超分辨率(Single image super resolution, SISR)在计算机视觉领域中应用广泛，例如医学图像、视频监控、遥感图像以及视频传输等等。SISR是根据已有的低分辨率(Low resolution, LR)图像，通过软件处理生成其对应的高分辨率(Highresolution, HR)图像。随着深度学习的发展，基于卷积神经网络(Convolutional neuralnetwork, CNN)的方法已经远超了传统的插值算法，并且可以从HR-LR图像块之间学习到更加精准的映射关系，重建的HR图像质量也更高。因此，基于CNN的方法是当前阶段单幅图像的超分辨率研究的主要方法。

基于深度学习的超分辨率方法大致可以分为两类。第一类是以生成对抗网络为基础。这类方法通过优化感知损失，使得生成的HR图像更加符合人类的主观视觉感受。但是，这类算法重建的HR图像的PSNR和SSIM指标较低，并且细节纹理上与原始图像差异较大，因此在实际应用中存在的缺陷也较为明显。

第二类是则是更加重视重建图像的细节和纹理特征，其客观指标相对第一种方法也更高。但是，这类方法依然存在一些的问题。首先，为了提高图像的重建质量，模型中往往需要堆叠大量的模块，以增加网络的深度，但这导致模型训练难度较大，时间较长。其次，由于一些超分辨率算法缺乏对特征提取模块的思考与研究，导致提取出的深度特征较弱。另外，这些模型缺乏自适应区分重要特征与次要特征的能力，将图像中所有的特征信息平等看待，因此直接影响了重建图像的高频特征。

发明内容

针对上述提到的技术问题。本申请的实施例的目的在于提出了一种全尺度特征细化轻量级图像超分辨率方法及装置，来解决以上背景技术部分提到的技术问题，以克服原有经典超分辨率模型提取的特征信息过于单一的问题，提供局部、区域以及全局全尺度的特征信息，并且通过蒸馏剔除冗余特征，使模型更加轻量化。

第一方面，本发明提供了一种全尺度特征细化轻量级图像超分辨率方法，包括以下步骤：

获取待重建的低分辨率图像；

构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，全尺度特征细化轻量级图像超分辨率模型包括第一卷积层、第二卷积层、第三卷积层、K个特征蒸馏提取模块和上采样模块；

将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图像。

作为优选，全尺度特征细化轻量级图像超分辨率模型的计算过程如下：

；

；

；

；

其中，

作为优选，特征蒸馏提取模块包括3个全尺度特征融合层、5个深度可分离卷积层、强化空间注意力层以及Concat层，其中，3个全尺度特征融合层与1个卷积核大小为

作为优选，特征蒸馏提取模块中将3/4通道的特征输入第一分支中的全尺度特征融合层，将1/4通道的特征输入第二分支中的深度可分离卷积层。

作为优选，全尺度特征融合层包括局部特征提取模块和递归的基于锚定条框注意力机制的Transformer模块，局部特征提取模块包括3个卷积核大小为

作为优选，基于锚定条框注意力机制的Transformer模块与第3个

作为优选，基于锚定条框注意力机制的Transformer模块包括通道注意力模块、锚定条框注意力模块、高效局部特征提取模块和多层感知机，其中，锚定条框注意力模块位于基于锚定条框注意力机制的Transformer模块的上分支，通道注意力模块和高效局部特征提取模块位于基于锚定条框注意力机制的Transformer模块的下分支，高效局部特征提取模块包括依次连接的两个卷积核大小为

；

其中，

；

；

；

；

；

；

；

；

其中，

第二方面，本发明提供了一种全尺度特征细化轻量级图像超分辨率装置，包括：

数据获取模块，被配置为获取待重建的低分辨率图像；

模型构建模块，被配置为构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，全尺度特征细化轻量级图像超分辨率模型包括第一卷积层、第二卷积层、第三卷积层、K个特征蒸馏提取模块和上采样模块；

重建模块，被配置为将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图像。

第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

相比于现有技术，本发明具有以下有益效果：

（1）本发明提出的全尺度特征细化轻量级图像超分辨率方法通过在全尺度特征细化轻量级图像超分辨率模型中引入特征蒸馏提取模块、全尺度特征融合层与锚定条框注意力机制，在剔除冗余特征使模型更轻量化的同时，增强了模型对于局部和全局特征的提取能力，并且使网络能够自适应辨识特征，并针对不同类型的特征分配不同权重。

（2）本发明提出的全尺度特征细化轻量级图像超分辨率方法相比于原有的经典的单帧超分辨率方法，能够大大提高网络模型的重建性能，实现对重建图像的纹理细节进一步还原，并有效减少了模型参数量。

（3）本发明提出的全尺度特征细化轻量级图像超分辨率方法能够克服原有经典超分辨率模型提取的特征信息过于单一的问题，提供局部、区域以及全局全尺度的特征信息，并且通过蒸馏剔除冗余特征，使模型更加轻量化。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一个实施例可以应用于其中的示例性装置架构图；

图2为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的流程示意图；

图3为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的全尺度特征细化轻量级图像超分辨率模型的示意图；

图4为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的基于锚定条框注意力机制的Transformer模块的示意图；

图5为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的锚定条框注意力模块的示意图；

图6为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的全尺度特征融合层的示意图；

图7为本申请的实施例的全尺度特征细化轻量级图像超分辨率方法的特征蒸馏提取模块的示意图；

图8为本申请的实施例的全尺度特征细化轻量级图像超分辨率装置的示意图；

图9是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了可以应用本申请实施例的全尺度特征细化轻量级图像超分辨率方法或全尺度特征细化轻量级图像超分辨率装置的示例性装置架构100。

如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。

需要说明的是，本申请实施例所提供的全尺度特征细化轻量级图像超分辨率方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，全尺度特征细化轻量级图像超分辨率装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。

图2示出了本申请的实施例提供的一种全尺度特征细化轻量级图像超分辨率方法，包括以下步骤：

S1，获取待重建的低分辨率图像。

具体的，采集待重建的低分辨率图像，便于后续作为全尺度特征细化轻量级图像超分辨率模型的输入。

S2，构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，全尺度特征细化轻量级图像超分辨率模型包括第一卷积层、第二卷积层、第三卷积层、K个特征蒸馏提取模块和上采样模块。

在具体的实施例中，全尺度特征细化轻量级图像超分辨率模型的计算过程如下：

；

；

；

；

其中，

具体的，参考图3，构建全尺度特征细化轻量级图像超分辨率模型，该模型为基于特征蒸馏的单帧图像超分辨率网络，该网络由K个特征蒸馏提取模块、3个卷积层和基于亚像素卷积的上采样模块组成。输入的低分辨率图像经过一个卷积核大小为

S3，将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图像。

在具体的实施例中，特征蒸馏提取模块包括3个全尺度特征融合层、5个深度可分离卷积层、强化空间注意力层以及Concat层，其中，3个全尺度特征融合层与1个卷积核大小为

在具体的实施例中，特征蒸馏提取模块中将3/4通道的特征输入第一分支中的全尺度特征融合层，将1/4通道的特征输入第二分支中的深度可分离卷积层。

在具体的实施例中，全尺度特征融合层包括局部特征提取模块和递归的基于锚定条框注意力机制的Transformer模块，局部特征提取模块包括3个卷积核大小为

在具体的实施例中，基于锚定条框注意力机制的Transformer模块与第3个

在具体的实施例中，基于锚定条框注意力机制的Transformer模块包括通道注意力模块、锚定条框注意力模块、高效局部特征提取模块和多层感知机，其中，锚定条框注意力模块位于基于锚定条框注意力机制的Transformer模块的上分支，通道注意力模块和高效局部特征提取模块位于基于锚定条框注意力机制的Transformer模块的下分支，高效局部特征提取模块包括依次连接的两个卷积核大小为

；

其中，

；

；

；

；

；

；

；

；

其中，

具体的，参考图4，构建基于锚定条框注意力机制的Transformer模块。该模块由通道注意力模块（Channel Attention Module, CA）、锚定条框注意力模块（Anchor-Stripeself-attention module, ASA）、高效局部特征提取模块(Efficient local featureextraction module, ELE)和多层感知机（MLP）组成。其中，锚定条框注意力模块位于基于锚定条框注意力机制的Transformer模块的上分支，通道注意力模块和高效局部特征提取模块位于基于锚定条框注意力机制的Transformer模块的下分支，多层感知机位于基于锚定条框注意力机制的Transformer模块的最后。基于锚定条框注意力机制的Transformer模块通过锚定条框注意力机制实现对特征的全局及区域建模，并通过2个卷积核大小为

参考图5，锚定条框注意力模块（ASA）相比于普通的多头自注意力模块的优势在于：首先，在一开始锚定条框注意力模块会对输入应用

参考图6，进一步构建全尺度特征融合层，该层由局部特征提取模块和递归的基于锚定条框注意力机制的Transformer模块组成。

局部特征提取模块由3个卷积核大小为

参考图7，将全尺度特征层引入特征蒸馏提取模块，作为其上分支的组成部分，完成对全尺度特征细化轻量级图像超分辨率模型的构建。该特征蒸馏提取模块由3个全尺度特征融合层、5个卷积层、强化空间注意力层以及Concat层构成。其中，3个卷积核为

进一步地，特征蒸馏提取模块的输入分为两部分并分别经过两个分支处理，即将3/4通道的特征经过第一分支的全尺度特征融合层将粗略特征进一步细化，以及将1/4通道的特征经过第二分支对于精细特征的进一步细化，剔除冗余特征，最终得到更精确的用于重建高分辨率图像的高频信息，并减少模型的训练负担。在进入每一个全尺度特征融合层前，都会先经过一次通道分割，通道分割的思想即把原始的通道数分为两部分，一部分占原始通道数的3/4，为粗略特征，需要进一步细化，另一部分占原始通道数的1/4，为精细特征，不需要再进行太多处理。

最终使用经训练的全尺度特征细化轻量级图像超分辨率模型对待重建的低分辨率图像进行重建，得到重建后的高分辨率图像。

以上步骤S1-S3并不仅仅代表步骤之间的顺序，而是步骤符号表示。

进一步参考图8，作为对上述各图所示方法的实现，本申请提供了一种全尺度特征细化轻量级图像超分辨率装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

本申请实施例提供了一种全尺度特征细化轻量级图像超分辨率装置，包括：

数据获取模块1，被配置为获取待重建的低分辨率图像；

模型构建模块2，被配置为构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，全尺度特征细化轻量级图像超分辨率模型包括第一卷积层、第二卷积层、第三卷积层、K个特征蒸馏提取模块和上采样模块；

重建模块3，被配置为将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图像。

下面参考图9，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置900的结构示意图。图9示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，计算机装置900包括中央处理单元（CPU）901和图形处理器（GPU）902，其可以根据存储在只读存储器（ROM）903中的程序或者从存储部分909加载到随机访问存储器（RAM）904中的程序而执行各种适当的动作和处理。在RAM 904中，还存储有装置900操作所需的各种程序和数据。CPU 901、GPU902、ROM 903以及RAM 904通过总线905彼此相连。输入/输出（I/O）接口906也连接至总线905。

以下部件连接至I/O接口906：包括键盘、鼠标等的输入部分907；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分908；包括硬盘等的存储部分909；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分910。通信部分910经由诸如因特网的网络执行通信处理。驱动器911也可以根据需要连接至I/O接口906。可拆卸介质912，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器911上，以便于从其上读出的计算机程序根据需要被安装入存储部分909。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分910从网络上被下载和安装，和/或从可拆卸介质912被安装。在该计算机程序被中央处理单元（CPU）901和图形处理器（GPU）902执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待重建的低分辨率图像；构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，全尺度特征细化轻量级图像超分辨率模型包括第一卷积层、第二卷积层、第三卷积层、K个特征蒸馏提取模块和上采样模块；将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图像。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。