[发明专利]图像超分辨率方法、装置、设备及存储介质

说明书

本申请实施例提供了一种图像超分辨率方法、装置、设备及存储介质，适用于图像处理技术领域。所述方法包括：获取第一图像；将第一图像输入到超分辨率网络模型中进行处理，得到第二图像，第二图像的分辨率大于第一图像的分辨率，超分辨率网络模型是采用像素注意力机制的网络模型，像素注意力机制用于为输入特征图中的每个像素生成对应的权重。由于超分辨率网络模型采用了像素注意力机制，因此能够使得模型在图像处理过程中更加关注关键特征，进而能够更加高效地利用特征，大幅减小了超分辨率网络模型所需的参数量和计算量，提高了超分辨网络模型的处理速度。且像素注意力机制更加适用于超分辨率这样的底层视觉任务，提高了超分性能的同时能为用户提供更加高质量的视觉体验。

技术领域

本申请属于图像处理技术领域，尤其涉及一种图像超分辨率方法、装置、设备及存储介质。

背景技术

超分辨率技术用于从给定的低分辨率图像恢复高分辨率图像。一般情况下，图像分辨率越高，图像中包含的细节就越多，信息量也越大。在电子图像领域，人们往往期望获得高分辨率图像，但由于设备、传感器等原因，得到的图像可能是低分辨率图像，这种情况下，也就需要利用超分辨率技术从低分辨率图像恢复高分辨率图像，来满足人们对高分辨率图像的需求。

相关技术中，通常采用基于深度学习的超分辨率方法，即采用基于深度学习构建的超分辨率网络模型对低分辨率图像进行处理，以生成对应的高分辨率图像。目前，普遍使用的超分辨率网络模型包括SRResNet或CARN等，但是由于这些超分辨率网络模型不能很高效地利用特征，因此通常需要很大的参数量和计算量。

发明内容

本申请实施例提供了一种图像超分辨率方法、装置、设备及存储介质，可以解决相关技术中的超分辨率网络模型不能很高效地利用特征，需要很大的参数量和计算量的问题，提高了超分性能的同时能为用户提供更加高质量的视觉体验。

第一方面，本申请实施例提供了一种图像超分辨率方法，包括：

获取第一图像，所述第一图像的分辨率为第一分辨率；

将所述第一图像输入到超分辨率网络模型中进行处理，得到第二图像，所述第二图像的分辨率为第二分辨率，且所述第二分辨率大于所述第一分辨率，所述超分辨率网络模型是采用像素注意力机制的网络模型，所述像素注意力机制用于为输入特征图中的每个像素生成对应的权重。

可选地，所述像素注意力机制用于通过指定卷积层对输入特征图进行卷积处理，生成所述输入特征图的三维注意力图，所述输入特征图的三维注意力图包括所述输入特征图的通道信息、所述输入特征图中每个像素的位置信息以及每个像素的权重。

可选地，所述指定卷积层为1*1卷积层。

可选地，所述超分辨率网络模型包括：特征提取模块、非线性映射模块和重建模块，所述非线性映射模块和重建模块中的至少一种采用所述像素注意力机制。

可选地，所述将所述第一图像输入到超分辨率网络模型中进行处理，得到第二图像，包括：

将所述第一图像输入到所述特征提取模块中，通过所述特征提取模块对所述第一图像进行特征提取，得到第一特征图；

将所述第一特征图输入到所述非线性映射模块中，通过所述非线性映射模块对所述第一特征图进行非线性映射，得到第二特征图；

将所述第二特征图输入到所述重建模块中，通过所述重建模块对所述第二特征图进行重建，得到第三特征图，基于所述第三特征图生成所述第二图像。

可选地，所述非线性映射模块包括多个指定自校正卷积块，所述指定自校正卷积块是指采用像素注意力机制的自校正卷积块；

所述通过所述非线性映射模块对所述第一特征图进行非线性映射，得到第二特征图，包括：