[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

说明书

本发明公开了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，属于模式识别技术领域，在生成对抗网络的基础上，嵌入级联注意力机制的注意力信息，用于图像处理任务，能够很好的利用图像特征中通道和像素信息的重要程度，提高生成对抗网络模型对于图像特征的学习性能。设计的级联通道注意力机制和级联空间注意力机制，可以有效的消除单一图像中特殊点对注意力机制的影响，通过将输入图像特征与注意力机制级联，进一步提高生成对抗网络模型的稳定性和生成图像的质量，将所述级联注意力机制构成网络模块集成在改正单图生成对抗网络中，使得改正单图生成对抗网络可以更好地学习图像复杂的全局特征。

技术领域

本发明涉及模式识别技术领域，特别涉及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。

背景技术

在卷积神经网络(CNNs)的影响下，生成对抗网络(GANs)在图像合成方面取得了重大进展，适用于各种图像处理任务，例如图像超分辨率、图像去噪、文本-图像合成、图像-图像翻译等。生成对抗网络由两部分组成：生成器和鉴别器，生成器通过训练来学习、模拟真实数据的分布规律，使其输入的噪声数据分布逐渐逼近于真实预期的数据分布；而鉴别器则是判别生成器产生的数据的分布是否符合真实数据的分布特性，并通过输出一个0至1之间的数字来表达数据的真实程度，当鉴别器输出的数字越接近于1时，说明生成数据越符合真实数据的分布规律；反之，越接近0时则说明生成的数据越不符合真实数据的分布规律，在这种对抗博弈下使得生成器和判别器不断提高性能，最终达到纳什平衡。

生成对抗网络的结构设计作为模式识别系统的一个重要环节，一直以来都是模式识别领域研究的核心问题之一。然而，现有的生成对抗网络在图像处理过程中，稳定性不好，影响生成图像的质量。

发明内容

为了解决现有生成对抗网络在图像处理过程中存在的问题，本发明实施例提供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，在生成对抗网络的基础上，嵌入级联注意力机制的注意力信息，用于图像处理任务，从而提高生成对抗网络模型的稳定性和生成图像的质量。所述技术方案如下：

本发明提供了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，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，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：