[发明专利]一种基于动态分组卷积的图像超分辨率重构方法

权利要求书

1.一种基于动态分组卷积的图像超分辨率重构方法，其特征在于：该方法利用动态分组卷积将高和宽大小分别为H和W的低分辨率图像提升为高和宽大小分别为sH和sW的高分辨率图像，包括以下步骤：

1)对低分辨率图像I_LR进行特征嵌入，得到嵌入特征图

2)利用动态分组卷积模块对嵌入特征图进行信息提取，得到提取信息图包括以下步骤：

2.1)对C×H×W的嵌入特征图进行全局均值池化操作，提取出全局信息：

式中，表示通道、高和宽为C×1×1的全局信息；表示通道、高和宽为C×H×W的嵌入特征图；GAP表示全局池化操作，用下式表示：

式中，表示在第k个通道，位于输入X^k第i行、第j列的值，其中i∈[1，H]，j∈[1，W]；HW表示该输入X^k的尺寸大小；Y^k表示该输入X^k经处理后所得到的输出；

2.2)使用全连接卷积层对全局信息进行通道压缩：

式中，表示通道、高和宽为C/r×1×1的压缩全局信息；FC_compress表示全连接卷积操作，其使用的卷积核参数是高和宽为1×1，输入通道和输出通道分别为C和C/r，其中r为压缩率，必须能被C整除；

2.3)使用ReLU函数对压缩全局信息进行信息过滤，并通过全连接卷积层进行通道恢复：

式中，表示通道、高和宽为n×1×1的权重信息，其中n为分组卷积核的数目；FC_restore表示全连接卷积操作，其使用的卷积核参数是高和宽为1×1，输入通道和输出通道分别为C/r和n；

2.4)利用Softmax函数，将权重信息转化为权重ωⁿ：

式中，ωⁿ表示通道、高和宽为n×1×1的权重；

2.5)使用权重ωⁿ分别对n个分组卷积核进行加权求和，得到的动态分组卷积核dkernel_g：

式中，dkernel_g表示动态分组卷积核，其参数是高和宽为3×3，输入通道和输出通道分别为C/g和C；表示第i个分组卷积核，其中每个分组卷积核的高和宽都为3×3，输入通道和输出通道都分别为C/g和C；上述提及的g皆为分组数，必须能被C整除；

2.6)利用动态分组卷积核dkernel_g对嵌入特征图进行分组卷积操作，提取其信息图

式中，表示分组卷积操作后得到通道、高和宽为C×H×W的提取信息图；GConv表示使用动态分组卷积核dkernel_g进行分组卷积操作；

3)利用动态分组卷积上采样模块对提取信息图以及嵌入特征图进行尺寸放大，得到提取放大信息图和嵌入放大信息图

4)对提取放大信息图和嵌入放大信息图进行信息融合，得到融合信息图

5)对融合信息图进行重构，得到高分辨率图像I_HR。

2.根据权利要求1所述的一种基于动态分组卷积的图像超分辨率重构方法，其特征在于：在步骤1)中，对低分辨率图像I_LR进行特征嵌入，是指对I_LR进行全连接卷积操作：

式中，I_LR表示通道、高和宽为C_in×H×W的低分辨率图像；FC_embed表示全连接卷积操作，其使用的卷积核参数是高和宽为3×3、输入通道和输出通道分别为C_in和C；表示通道、高和宽为C×H×W的嵌入特征图。