[发明专利]基于卷积神经网络的移动端轻量级图像超分辨率重建方法

权利要求书

1.一种基于卷积神经网络的移动端轻量级图像超分辨率重建方法，其特征在于，所述方法包括以下步骤：

S1：使用数据集DIV2K，DIV2K数据集包含数百张图片，低分辨率图片通过高分辨率图片双三次下采样生成，得到训练数据集；

S2：构建用于移动端的图像超分辨率网络

S21：构建训练阶段的图像超分辨率网络，该网络包括：

特征提取部分，使用卷积层以及重参数化模块对于图片的特征进行提取；

图像重建部分，使用像素重组对于提取的特征进行重建，并附加全局的残差；最后，将特征使用算子Clip转化到[0,255]范围中以适用于int8量化情形；

S22：将步骤S21的训练阶段的超分辨率网络等价转化，得到推理阶段的图像超分辨率网络即用于移动端的图像超分辨率网络，具体包括：

对于算子repeat，由得

则使用卷积核为repeat(I,n)的卷积替换算子repeat，其中x为输入张量，I为单位矩阵，n代表将输入张量重复n次，为卷积操作；

对于算子add，在训练阶段的网络中为两个卷积网络，即和其中W₁和W₂是两个不同的卷积核，x和y是两个不同的输入张量，b₁和b₂是卷积核对应的张量；

将算子add转化如下，即卷积核变为[W₁,W₂]，偏置变为b₁+b₂

对于算子concat，在训练的网络中为Conv2d_ReLU层，则转化如下，卷积核变为偏置为

对于算子clip，根据算子clip与ReLU的等价转化关系为：

clip(x)＝ReLU(-ReLU(-x+255)+255)

将算子clip等价转化为两个卷积层，卷积核为-I，偏置为255

S3：训练移动端的图像超分辨率网络

将S1得到的训练数据集输入到构建完成的移动端的图像超分辨率网络中，输出高分辨率图片；数据集中的图片随机旋转和翻转，比较数据集中的原始图片与生成的高分辨率图片的损失，基于损失进行反向传播计算，直至训练结束；损失函数为L1 loss，即MAE