[发明专利]基于级联注意力机制的改正单图生成对抗网络的设计方法

权利要求书

1.一种基于级联注意力机制的改正单图生成对抗网络的设计方法，其特征在于，所述方法包括：

利用输入噪声训练生成对抗网络模型，得到噪声到低分辨率图像的特征映射，获得低分辨率图像的图像特征；

将获得的低分辨率图像特征作为级联通道注意力机制的输入，计算级联通道注意力特征F'：

其中，F∈R^C×H×W表示输入的低分辨率图像的图像特征，C表示通道数，H和W分别表示低分辨率图像的图像特征的高度和宽度；[·；·]表示级联操作；表示对元素的乘法；M包括7×7的卷积、正则化和ReLU函数；T_c表示通道注意力权重；

将获得的低分辨率图像特征作为级联空间注意力机制的输入，计算级联空间注意力特征F”：

其中，F∈R^C×H×W表示输入的低分辨率图像的图像特征，C表示通道数，H和W分别表示低分辨率图像的图像特征的高度和宽度；[·；·]表示级联操作；表示对元素的乘法；M包括7×7的卷积、正则化和ReLU函数；T_s表示空间注意力权重；

构造级联注意力机制网络，得到第一阶段的注意力图像特征其中，

其中，[·；·；·]表示级联操作；M包括7×7的卷积、正则化和ReLU函数；

将上一阶段的注意力图像特征作为下一阶段的输入图像特征，并添加额外随机噪声，重复上述步骤训，直至图片达到目标分辨率；

将原始图像用于重建损失，对重建损失和对抗损失的加权损失L进行优化，得到：

其中，L_adv(G_n,D_n)表示WGAN-GP对抗损失，L_rec(G_n)表示重建损失，G_n表示生成器，D_n表示马尔可夫判别器，α为重建损失L_rec的权重，具体的，其中，x_n表示原始图像，x₀表示x_n的下采样版本经过训练后得到的特定分辨率重建阶段n的图像。

2.根据权利要求1所述的生成对抗网络的设计方法，其特征在于，所述通道注意力权重为：

T_c＝Sigmoid(f^1×1[F_avg；F_max])

其中，[·；·]表示级联操作；F_avg∈R^C×1×1表示平均池化特征；F_max∈R^C×1×1表示最大池化特征；f^1×1表示滤波器的大小为1x1的卷积运算；Sigmoid表示Sigmoid激活函数。

3.根据权利要求2所述的生成对抗网络的设计方法，其特征在于，所述平均池化特征和所述最大池化特征，是利用平均池化和最大池化对输入图像特征进行压缩得到。

4.根据权利要求1或2所述的生成对抗网络的设计方法，其特征在于，所述空间注意力权重为：

T_s＝Sigmoid(f^1×1(F))

其中，f^1×1表示滤波器的大小为1x1的卷积运算；Sigmoid表示Sigmoid激活函数。