CN117237197A - 基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置 - Google Patents
基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置 Download PDFInfo
- Publication number
- CN117237197A CN117237197A CN202311475296.8A CN202311475296A CN117237197A CN 117237197 A CN117237197 A CN 117237197A CN 202311475296 A CN202311475296 A CN 202311475296A CN 117237197 A CN117237197 A CN 117237197A
- Authority
- CN
- China
- Prior art keywords
- gradient
- cross
- image
- resolution
- swin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007246 mechanism Effects 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 241000556720 Manga Species 0.000 description 1
- 241000094111 Parthenolecanium persicae Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于交叉注意力机制与Swin‑Transformer的图像超分辨率方法及装置，涉及图像重建领域，该方法包括：获取待重建的低分辨率图像及其对应的梯度图；构建基于交叉注意力机制与Swin‑Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，并输入图像重建模块，重建得到高分辨率图像，解决原有经典图像超分辨率模型难以提取全局特征的问题，以提高重建图像的清晰度。
Description
技术领域
本发明涉及图像重建领域，具体涉及一种基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置。
背景技术
图像超分辨率(Single Image Super-Resolution, SISR)旨在从低分辨率(LowResolution, LR)图像中重建带有丰富细节的高分辨率(High Resolution, HR)图像。然而，由于一幅LR图像可以被重建成为多幅不同的HR图像，因此SR任务是一个高度不适定的问题。由于Transformer具有强大的特征表达能力，近年来涌现了很多优秀的基于Transformer的SR模型。Transformer由于可以建立像素点之间的长距离依赖，具有很好的全局特征映射能力，这有利于更加全面地恢复图像的边缘纹理细节。虽然这些方法都展现出卓越的性能，但这些方法采用基于窗口的自注意力策略来平衡性能和计算开销，在重建像素点时只关注局部窗口内的像素点，忽略了全局信息。这种策略限制了在早期层中模型使用大的感受野来建模长距离依赖。因此导致复原遭受部分关键的高频信息缺失，从而重建的图像存在模糊问题。
因此，提高基于窗口的自注意力的SR模型的全局特征提取能力成为了提升SR模型性能的重要突破口。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置，来解决以上背景技术部分提到的技术问题，克服原有经典图像超分辨率模型难以提取全局特征的问题，高效混合局部与全局信息，以达到获取更优质特征的目的。
第一方面，本发明提供了一种基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，包括以下步骤：
获取待重建的低分辨率图像及其对应的梯度图；
构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；
将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，将深层特征输入图像重建模块，重建得到高分辨率图像。
作为优选，浅层特征提取模块为一个的卷积层，对应SR分支和梯度分支分别表示为和，对应提取得到SR分支和梯度分支的浅层特征，采用下式表示：
；
；
其中，表示中间特征通道数，表示低分辨图像，表示该低分辨率图像所对应的梯度图，，、和分别表示输入的低分辨率图像的高度、宽度和通道数。
作为优选，全局深层特征提取模块包括细节特征提取模块、梯度特征提取模块、交叉融合模块和双向融合策略，细节特征提取模块为由n个残差Swin-Transformer块构成的内容Transformer，梯度特征提取模块由梯度Transformer构成，交叉融合模块由交叉融合Transformer构成。
作为优选，残差Swin-Transformer块包括依次连接的个Swin Transformer层和一个3×3的卷积层，和分别表示第个残差Swin-Transformer块的输入和输出，表示第个的Swin Transformer层，表示第个的Swin Transformer层的输出，表示最后一个Swin Transformer层的输出，表示3×3的卷积层，每个残差Swin-Transformer块的计算过程如下：
；
；
每个Swin Transformer层的计算过程如下：
；
；
其中，和分别表示Swin Transformer层的输入和输出，、、和分别表示多头自注意力模块、多层感知器、层归一化和中间结果。
作为优选，通过下式获取低分辨率图像对应的梯度图：
；
；
；
其中，表示低分辨率图像的像素点的坐标，和分别表示水平和垂直方向相邻像素之间的差值，表示梯度图；
梯度Transformer的计算过程如下：
；
其中，表示梯度函数，表示范数。
作为优选，交叉融合模块中，将残差Swin-Transformer块和梯度Transformer的输出特征作为交叉融合Transformer的输入，并分别构成SR分支和梯度分支的所有交叉融合Transformer的输入特征集合和：
；
；
其中，代表交叉融合Transformer的数量，和分别表示第k个残差Swin-Transformer块和梯度Transformer的输出特征，；
交叉融合Transformer由个交叉局部增强自注意力模块和一个卷积层，第个交叉局部增强自注意力模块的输出的计算公式如下：
；
；
其中，和分别表示第层交叉局部增强自注意力模块和其末端的卷积层；
将和视为水平或行标记序列，并按通道进行逐一拆分，即和，其中，和分别表示和的第个通道输入特征，对于第个交叉局部增强自注意力模块，先经过第一个水平交叉注意力层，得到一个非局部表示：
；
；
；
；
其中，、和分别三个卷积核大小为的卷积层，表示自注意力层，用于计算和的相似度矩阵，并与聚合以获得行或列注意力图，即得到非局部表示；
通过拼接非局部表示，从而获得在水平方向上增强的融合表示：
；
其中，表示串联操作；
第二个垂直交叉注意力层接收和作为输入，并探索垂直或柱状标记的长距离依赖，即和，其中和分别表示和的第个通道输入特征；和中的垂直序列通过进行转换，以产生在垂直方向上增强的融合表示:
；
其中，，是的非局部表示。
作为优选，SR分支和梯度分支中分别串联有6个细节特征提取模块和6个梯度特征提取模块，交叉融合模块为6个，SR分支和梯度分支的浅层特征分别输入细节特征提取模块和梯度特征提取模块中，经过以下操作，得到SR分支和梯度分支的全局上下文特征和：
；
；
其中，和分别为细节特征提取模块和梯度特征提取模块；
将SR分支和梯度分支的全局上下文特征和输入交叉融合模块中，得到结合全局和局部信息的交叉融合特征：
；
通过双向融合策略将交叉融合特征作为SR分支和梯度分支的补偿，再经过全局残差连接，得到SR分支和梯度分支中下一个交叉融合模块的输入特征和：
；
；
经过全局残差连接之后的最后一个交叉融合模块的输入为和：
；
；
经过最后一个交叉融合模块的输出得到深层特征；
将深层特征输入图像重建模块，得到重建图像：
；
其中，表示放大因子，表示重建模块。
第二方面，本发明提供了一种基于交叉注意力机制与Swin-Transformer的图像超分辨率装置，包括：
数据获取模块，被配置为获取待重建的低分辨率图像及其对应的梯度图；
模型构建模块，被配置为构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；
执行模块，被配置为将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，将深层特征输入图像重建模块，重建得到高分辨率图像。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法中的细节特征提取模块和梯度特征提取模块分别用于提取LR图像和对应的梯度图像的深层特征，能够更好地捕捉纹理细节信息以及边缘结构信息。
（2）本发明提出的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法中的交叉融合模块用于融合这两种特征并捕获单个补丁的局部信息以及补丁之间的全局信息，以获得更全面的细节信息；
（3）本发明提出的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法采用双向融合策略组合，将融合特征反馈至两个分支，为重建过程提供更具代表性的特征；
（4）本发明提出的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法中所构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型，在主观视觉效果和客观评价指标方面均优于最先进的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的流程示意图；
图3为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的图像超分辨率模型的框架示意图；
图4为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的细节特征提取模块和梯度特征提取模块的示意图；
图5为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的交叉融合模块的示意图；
图6为本申请的实施例的基于交叉注意力机制与Swin-Transformer的双向融合策略的示意图；
图7为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的交叉局部自注意力模块的示意图；
图8为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法的主观效果展示图；
图9为本申请的实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率装置的示意图；
图10是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法或基于交叉注意力机制与Swin-Transformer的图像超分辨率装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，基于交叉注意力机制与Swin-Transformer的图像超分辨率装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，包括以下步骤：
S1，获取待重建的低分辨率图像及其对应的梯度图。
在具体的实施例中，通过下式获取低分辨率图像对应的梯度图：
；
；
；
其中，表示低分辨率图像的像素点的坐标，和分别表示水平和垂直方向相邻像素之间的差值，表示梯度图。低分辨率图像中大部分区域的梯度值均趋近于零，这促使Transformer更聚焦于探索图像结构的空间关系，从而为SR图像生成近似的梯度图。
具体的，梯度图一般通过计算水平和垂直方向相邻像素之间的差值来获得。
S2，构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型。
具体的，参考图3-7，图像超分辨率模型的构建过程如下：
首先，构建浅层特征提取模块，该模块分别使用一个的卷积层和来提取SR分支和梯度分支的浅层特征。将输入的从待重建的低分辨率图像从低维空间映射到高维空间，同时实现每个像素标记(pixel 标记)的高维嵌入。
其次，参考图4和图5，构建细节特征提取模块、梯度特征提取模块与交叉融合模块，细节特征提取模块、梯度特征提取模块与交叉融合模块分别由内容Transformer、梯度Transformer和交叉融合Transformer而组成。其中，内容Transformer（ContentTransformer, CT）由个残差Swin-Transformer块（residual Swin-Transformer block,RSTB）构成，RSTB由个Swin Transformer层(Swin-Transformer Layer，STL)和一个3×3卷积层组成。梯度特征提取模块由梯度Transformer（Gradient Transformer, GT）组成。参考图6，双向融合策略(Bidirectional Fusion Strategy, BF)将融合特征作为两个分支的补偿。交叉融合模块由交叉融合Transformer（cross-attention fusion Transformer,CAFT）组成，以聚合CT和GT生成的特征。与捕获同一图像的非局部依赖的CT和GT不同，CAFT用于探索来自两种图像之间的关联，以弥补两个分支之间的差距。为了获得更全面的上下文表示，将CT和GT输出的特征作为CAFT的输入，CAFT融合了LR图像和对应梯度图之间的长距离依赖，从而生成更全面的融合特征。参考图7，为了获取整幅特征图的全局信息，本申请的实施例提出了一种交叉局部增强自注意力模块(CLSA)。利用每个单通道特征图所包含的全局空间信息，将每幅通道特征图进行拆分，利用交叉注意力（Cross Self-Attention,CSA）来捕获两种标记的长距离依赖。而CAFT由个交叉局部增强自注意力模块和一个卷积层组成。交叉局部增强自注意力模块既能提取和集成补丁内像素之间的特征，还能捕获特征图中补丁之间的全局上下文交互。
进一步的，将细节特征提取模块、梯度特征提取模块、交叉融合模块与双向融合策略组合，构建全局深层特征提取模块。分别将6个细节特征提取模块、6个梯度特征提取模块串联组合成SR分支和梯度分支，再结合双向融合策略和交叉融合模块，构建全局深层特征提取模块。
接着，构建图像重建模块，利用重建模块来重建融合表示，以获得重建图像。
最后将浅层特征提取模块、全局深层特征提取模和图像重建模块组合，构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型，并以待重建的低分辨率图像作为图像超分辨率模型的输入，从而得到图像超分辨率模型的输出，即为对应的重建图像。
S3，将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，将深层特征输入图像重建模块，重建得到高分辨率图像。
在具体的实施例中，浅层特征提取模块为一个的卷积层，对应SR分支和梯度分支分别表示为和，对应提取得到SR分支和梯度分支的浅层特征，采用下式表示：
；
；
其中，表示中间特征通道数, 表示低分辨图像，表示该低分辨率图像所对应的梯度图，，、和分别表示输入的低分辨率图像的高度、宽度和通道数。
在具体的实施例中，全局深层特征提取模块包括细节特征提取模块、梯度特征提取模块、交叉融合模块和双向融合策略，细节特征提取模块为由n个残差Swin-Transformer块构成的内容Transformer，梯度特征提取模块由梯度Transformer构成，交叉融合模块由交叉融合Transformer构成。
具体的，内容Transformer（Content Transformer, CT）包含个残差Swin-Transformer块（residual Swin-Transformer block, RSTB）。中间特征被逐块提取为：
；
其中，表示第个RSTB。
在具体的实施例中，残差Swin-Transformer块包括依次连接的个SwinTransformer层和一个3×3的卷积层，和分别表示第个残差Swin-Transformer块的输入和输出，表示第个的Swin Transformer层，表示第个的SwinTransformer层的输出，表示最后一个Swin Transformer层的输出，表示3×3的卷积层，每个残差Swin-Transformer层的计算过程如下：
；
；
每个Swin Transformer层的计算过程如下：
；
；
其中，和分别表示Swin Transformer层的输入和输出，、、和分别表示多头自注意力模块、多层感知器、层归一化和中间结果。
梯度Transformer的计算过程如下：
；
其中，表示梯度函数，表示范数。
在具体的实施例中，交叉融合模块中，将残差Swin-Transformer块和梯度Transformer的输出特征作为交叉融合Transformer的输入，并分别构成SR分支和梯度分支的所有交叉融合Transformer的输入特征集合和：
；
；
其中，代表交叉融合Transformer的数量，和分别表示第k个残差Swin-Transformer块和梯度Transformer的输出特征，；
交叉融合Transformer由个交叉局部增强自注意力模块和一个卷积层，第个交叉局部增强自注意力模块的输出的计算公式如下：
；
；
其中，和分别表示第层交叉局部增强自注意力模块和其末端的卷积层；
将和视为水平或行标记序列，并按通道进行逐一拆分，即和，其中，和分别表示和的第个通道输入特征，对于第个交叉局部增强自注意力模块，先经过第一个水平交叉注意力层，得到一个非局部表示：
；
；
；
；
其中，分别三个卷积核大小为的卷积层，表示自注意力层，用于计算和的相似度矩阵，并与聚合以获得行或列注意力图，即得到非局部表示；
通过拼接非局部表示，从而获得在水平方向上增强的融合表示：
；
其中，表示串联操作；
第二个垂直交叉注意力层接收和作为输入，并探索垂直或柱状标记的长距离依赖，即和，其中和分别表示和的第个通道输入特征；和中的垂直序列通过进行转换，以产生在垂直方向上增强的融合表示:
；
其中，，是的非局部表示。
在具体的实施例中，SR分支和梯度分支中分别串联有6个细节特征提取模块和6个梯度特征提取模块，交叉融合模块为6个，SR分支和梯度分支的浅层特征分别输入细节特征提取模块和梯度特征提取模块中，经过以下操作，得到SR分支和梯度分支的全局上下文特征和：
；
；
其中，和分别为细节特征提取模块和梯度特征提取模块；
将SR分支和梯度分支的全局上下文特征和输入交叉融合模块中，得到结合全局和局部信息的交叉融合特征：
；
通过双向融合策略将交叉融合特征作为SR分支和梯度分支的补偿，再经过全局残差连接，得到SR分支和梯度分支中下一个交叉融合模块的输入特征和：
；
；
经过全局残差连接之后的最后一个交叉融合模块的输入特征为和：
；
；
经过最后一个交叉融合模块的输出得到深层特征；
将深层特征输入图像重建模块，得到重建图像：
；
其中，表示放大因子，表示。
具体的，将48×48×3维度的低分辨率图像作为基于交叉注意力机制与Swin-Transformer的图像超分辨率模型的输入，其得到的输出是一幅（48×scale）×（48×scale）×3维度的高分辨率输出。其中，scale为需求的放大倍数，例如scale为2、3或4。
以上步骤S1-S3并不仅仅代表步骤之间的顺序，而是步骤符号表示。
采用消融实验验证本申请的实施例提出的图像超分辨率模型的性能。
在消融实验A与B的过程中，需要测试一个模块性能，总是保证同组实验内不同实验项目使用的基本模块与网络结构相同，以稳定非实验变量。
A．在横向融合策略的实验中，本申请的实施例设计了不同的横向融合策略，并分别进行了实验。结果如表1所示。实验选择的图像重建倍数为4倍，分别测试了Set5、Set14、B100、以及Urban100的平均峰值信噪比的变化。从表1可以得出，带有单向融合的模型的性能优于无融合的，而带有双向融合的模型的性能优于带有单向融合的模型，特别是对于更具挑战性的Urban100数据集。对于单向融合的模型，带有CT←GT的模型在Urban100数据集上比带有CT→GT模型高出0.11 dB。最终，带有双向融合(CT↔ GT)的模型促使两个分支生成的特征相互补充，取得了最佳的性能，尤其在Urban100和Manga109上。
表1
B. 在梯度分支、交叉融合模块和双向融策略的实验中，当不使用梯度分支时，使用单向融合(CT←GT)进行替代；当不使用交叉融合模块的模型时，使用全连接代替。从表2可以看出，在加入GB的模型(即Model Ⅰ)中，PSNR指标获得了0.06 dB增益，在加入GB和CAFT的模型(即Model Ⅱ)中，PSNR比Model Ⅰ 提升了0.35 dB。在加入GB和BF策略的模型(即Model Ⅲ)中，PSNR比Model Ⅰ 提高了0.15 dB。而在联合使用梯度分支、交叉融合模块和双向融策略的模型中，其获得了最高的PSNR增益，即0.53 dB。这表明结合了三者的优势的模型，可以复原更准确的结构和纹理细节。
表2
图8展示了不同模型在×8 SR任务中对 “img004”和 “BakuretsuKungFuGirl”的重建图像。对于“img004”中椭圆小孔的重建结果，其他方法的重建图像存在模糊伪影和严重的几何结构畸变。相对之下，DTSR能够更好地抑制畸变和伪影，并保持锐利的边缘结构和精细的纹理细节。对于图像“BakuretsuKungFuGirl”，DTSR准确地保留了图像结构以及丰富地复原了头发的细节，而其他方法获得的重建图像则存在模糊伪影和缺乏尖锐的边缘。
如表3所示，将本申请的实施例提出的方法与其他先进图像SR方法作比较。很明显，在性能与效率的权衡中，提出的方法使用较少的参数量，却在所有放大因子的SR任务中都获得了最优的峰值信噪比与结构相似度。
表3
进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种基于交叉注意力机制与Swin-Transformer的图像超分辨率装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于交叉注意力机制与Swin-Transformer的图像超分辨率装置，包括：
数据获取模块1，被配置为获取待重建的低分辨率图像及其对应的梯度图；
模型构建模块2，被配置为构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；
执行模块3，被配置为将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，将深层特征输入图像重建模块，重建得到高分辨率图像。
下面参考图10，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机装置1000包括中央处理单元（CPU）1001和图形处理器（GPU）1002，其可以根据存储在只读存储器（ROM）1003中的程序或者从存储部分1009加载到随机访问存储器（RAM）1004中的程序而执行各种适当的动作和处理。在RAM 1004中，还存储有计算机装置1000操作所需的各种程序和数据。CPU 1001、GPU1002、ROM 1003以及RAM 1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线1005。
以下部件连接至I/O接口1006：包括键盘、鼠标等的输入部分1007；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分1008；包括硬盘等的存储部分1009；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1010。通信部分1010经由诸如因特网的网络执行通信处理。驱动器1011也可以根据需要连接至I/O接口1006。可拆卸介质1012，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1011上，以便于从其上读出的计算机程序根据需要被安装入存储部分1009。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1010从网络上被下载和安装，和/或从可拆卸介质1012被安装。在该计算机程序被中央处理单元（CPU）1001和图形处理器（GPU）1002执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待重建的低分辨率图像及其对应的梯度图；构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，将深层特征输入图像重建模块，重建得到高分辨率图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，包括以下步骤：
获取待重建的低分辨率图像及其对应的梯度图；
构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；
将所述待重建的低分辨率图像输入所述经训练的图像超分辨率模型，所述经训练的图像超分辨率模型包括SR分支和梯度分支，所述SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将所述浅层特征进行融合，得到深层特征，将所述深层特征输入图像重建模块，重建得到高分辨率图像。
2.根据权利要求1所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，所述浅层特征提取模块为一个的卷积层，对应所述SR分支和梯度分支分别表示为和，对应提取得到SR分支和梯度分支的浅层特征，采用下式表示：
；
；
其中，表示中间特征通道数，表示低分辨图像，表示该低分辨率图像所对应的梯度图，，、和分别表示输入的低分辨率图像的高度、宽度和通道数。
3.根据权利要求2所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，所述全局深层特征提取模块包括细节特征提取模块、梯度特征提取模块、交叉融合模块和双向融合策略，所述细节特征提取模块为由n个残差Swin-Transformer块构成的内容Transformer，所述梯度特征提取模块由梯度Transformer构成，所述交叉融合模块由交叉融合Transformer构成。
4.根据权利要求3所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，所述残差Swin-Transformer块包括依次连接的个Swin Transformer层和一个3×3的卷积层，和分别表示第个残差Swin-Transformer块的输入和输出，表示第个的Swin Transformer层，表示第个的Swin Transformer层的输出，表示最后一个Swin Transformer层的输出，表示3×3的卷积层，每个残差Swin-Transformer块的计算过程如下：
；
；
每个Swin Transformer层的计算过程如下：
；
；
其中，和分别表示Swin Transformer层的输入和输出，、、和分别表示多头自注意力模块、多层感知器、层归一化和中间结果。
5.根据权利要求4所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，通过下式获取低分辨率图像对应的梯度图：
；
；
；
其中，表示低分辨率图像的像素点的坐标，和分别表示水平和垂直方向相邻像素之间的差值，表示梯度图；
所述梯度Transformer的计算过程如下：
；
其中，表示梯度函数，表示范数。
6.根据权利要求5所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，所述交叉融合模块中，将所述残差Swin-Transformer块和所述梯度Transformer的输出特征作为所述交叉融合Transformer的输入，并分别构成所述SR分支和梯度分支的所有交叉融合Transformer的输入特征集合和：
；
；
其中，代表交叉融合Transformer的数量，和分别表示第k个所述残差Swin-Transformer块和所述梯度Transformer的输出特征，；
所述交叉融合Transformer由个交叉局部增强自注意力模块和一个卷积层，第个交叉局部增强自注意力模块的输出的计算公式如下：
；
；
其中，和分别表示第层交叉局部增强自注意力模块和其末端的卷积层；
将和视为水平或行标记序列，并按通道进行逐一拆分，即和，其中，和分别表示和的第个通道输入特征，对于第个所述交叉局部增强自注意力模块，先经过第一个水平交叉注意力层，得到一个非局部表示：
；
；
；
；
；
其中，、和分别三个卷积核大小为的卷积层，表示自注意力层，用于计算和的相似度矩阵，并与聚合以获得行或列注意力图，即得到非局部表示；
通过拼接非局部表示，从而获得在水平方向上增强的融合表示：
；
其中，表示串联操作；
第二个垂直交叉注意力层接收和作为输入，并探索垂直或柱状标记的长距离依赖，即和，其中和分别表示和的第个通道输入特征；和中的垂直序列通过进行转换，以产生在垂直方向上增强的融合表示:
；
其中，，是的非局部表示。
7.根据权利要求6所述的基于交叉注意力机制与Swin-Transformer的图像超分辨率方法，其特征在于，所述SR分支和梯度分支中分别串联有6个细节特征提取模块和6个梯度特征提取模块，所述交叉融合模块为6个，所述SR分支和梯度分支的浅层特征分别输入细节特征提取模块和梯度特征提取模块中，经过以下操作，得到所述SR分支和梯度分支的全局上下文特征和：
；
；
其中，和分别为所述细节特征提取模块和梯度特征提取模块；
将所述SR分支和梯度分支的全局上下文特征和输入所述交叉融合模块中，得到结合全局和局部信息的交叉融合特征：
；
通过双向融合策略将交叉融合特征作为所述SR分支和梯度分支的补偿，再经过全局残差连接，得到所述SR分支和梯度分支中下一个所述交叉融合模块的输入特征和：
；
；
经过全局残差连接之后的最后一个所述交叉融合模块的输入为和：
；
；
经过最后一个所述交叉融合模块的输出得到所述深层特征；
将所述深层特征输入所述图像重建模块，得到重建图像：
；
其中，表示放大因子，表示重建模块。
8.一种基于交叉注意力机制与Swin-Transformer的图像超分辨率装置，其特征在于，包括：
数据获取模块，被配置为获取待重建的低分辨率图像及其对应的梯度图；
模型构建模块，被配置为构建基于交叉注意力机制与Swin-Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；
执行模块，被配置为将所述待重建的低分辨率图像输入所述经训练的图像超分辨率模型，所述经训练的图像超分辨率模型包括SR分支和梯度分支，所述SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将所述浅层特征进行融合，得到深层特征，将所述深层特征输入图像重建模块，重建得到高分辨率图像。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475296.8A CN117237197B (zh) | 2023-11-08 | 2023-11-08 | 基于交叉注意力机制的图像超分辨率方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475296.8A CN117237197B (zh) | 2023-11-08 | 2023-11-08 | 基于交叉注意力机制的图像超分辨率方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237197A true CN117237197A (zh) | 2023-12-15 |
| CN117237197B CN117237197B (zh) | 2024-03-01 |
Family
ID=89082837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311475296.8A Active CN117237197B (zh) | 2023-11-08 | 2023-11-08 | 基于交叉注意力机制的图像超分辨率方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237197B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422614A (zh) * | 2023-12-19 | 2024-01-19 | 华侨大学 | 基于混合特征交互Transformer的单帧图像超分辨率方法及装置 |
| CN117495680A (zh) * | 2024-01-02 | 2024-02-02 | 华侨大学 | 基于特征融合Transformer的多对比度核磁共振图像超分辨率方法 |
| CN117575915A (zh) * | 2024-01-16 | 2024-02-20 | 闽南师范大学 | 一种图像超分辨率重建方法、终端设备及存储介质 |
| CN118229532A (zh) * | 2024-05-21 | 2024-06-21 | 华侨大学 | 一种基于复合Transformer的图像超分辨率方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137603A1 (en) * | 2016-11-07 | 2018-05-17 | Umbo Cv Inc. | Method and system for providing high resolution image through super-resolution reconstruction |
| CN113409191A (zh) * | 2021-06-02 | 2021-09-17 | 广东工业大学 | 一种基于注意力反馈机制的轻量级图像超分方法及系统 |
| CN114998099A (zh) * | 2022-04-29 | 2022-09-02 | 中国科学院深圳先进技术研究院 | 一种基于图像预训练策略的图像超分辨率方法 |
| CN115222601A (zh) * | 2022-08-06 | 2022-10-21 | 福州大学 | 基于残差混合注意力网络的图像超分辨率重建模型及方法 |
| CN115984110A (zh) * | 2023-01-05 | 2023-04-18 | 河南大学 | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 |
| CN116091319A (zh) * | 2023-02-23 | 2023-05-09 | 齐鲁工业大学(山东省科学院) | 基于长距离上下文依赖的图像超分辨率重建方法及系统 |
| CN116485646A (zh) * | 2023-04-14 | 2023-07-25 | 武汉大学 | 一种基于微注意力的轻量化图像超分辨率重建方法及装置 |
| CN116993592A (zh) * | 2023-09-27 | 2023-11-03 | 城云科技（中国）有限公司 | 一种图像超分辨率重建模型的构建方法、装置及应用 |
-
2023
- 2023-11-08 CN CN202311475296.8A patent/CN117237197B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137603A1 (en) * | 2016-11-07 | 2018-05-17 | Umbo Cv Inc. | Method and system for providing high resolution image through super-resolution reconstruction |
| CN113409191A (zh) * | 2021-06-02 | 2021-09-17 | 广东工业大学 | 一种基于注意力反馈机制的轻量级图像超分方法及系统 |
| CN114998099A (zh) * | 2022-04-29 | 2022-09-02 | 中国科学院深圳先进技术研究院 | 一种基于图像预训练策略的图像超分辨率方法 |
| CN115222601A (zh) * | 2022-08-06 | 2022-10-21 | 福州大学 | 基于残差混合注意力网络的图像超分辨率重建模型及方法 |
| CN115984110A (zh) * | 2023-01-05 | 2023-04-18 | 河南大学 | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 |
| CN116091319A (zh) * | 2023-02-23 | 2023-05-09 | 齐鲁工业大学(山东省科学院) | 基于长距离上下文依赖的图像超分辨率重建方法及系统 |
| CN116485646A (zh) * | 2023-04-14 | 2023-07-25 | 武汉大学 | 一种基于微注意力的轻量化图像超分辨率重建方法及装置 |
| CN116993592A (zh) * | 2023-09-27 | 2023-11-03 | 城云科技（中国）有限公司 | 一种图像超分辨率重建模型的构建方法、装置及应用 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO WANG ET AL.: "Swin-FlowNet Flow field oriented optimization aided by a CNN and Swin-Transformer based model", 《JOURNAL OF COMPUTATIONAL SCIENCE》, vol. 72, 17 August 2023 (2023-08-17) * |
| 杨勇;吴峥;张东阳;刘家祥;: "基于渐进式特征增强网络的超分辨率重建算法", 信号处理, vol. 36, no. 09 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422614A (zh) * | 2023-12-19 | 2024-01-19 | 华侨大学 | 基于混合特征交互Transformer的单帧图像超分辨率方法及装置 |
| CN117422614B (zh) * | 2023-12-19 | 2024-03-12 | 华侨大学 | 基于混合特征交互Transformer的单帧图像超分辨率方法及装置 |
| CN117495680A (zh) * | 2024-01-02 | 2024-02-02 | 华侨大学 | 基于特征融合Transformer的多对比度核磁共振图像超分辨率方法 |
| CN117495680B (zh) * | 2024-01-02 | 2024-05-24 | 华侨大学 | 基于特征融合Transformer的多对比度核磁共振图像超分辨率方法 |
| CN117575915A (zh) * | 2024-01-16 | 2024-02-20 | 闽南师范大学 | 一种图像超分辨率重建方法、终端设备及存储介质 |
| CN118229532A (zh) * | 2024-05-21 | 2024-06-21 | 华侨大学 | 一种基于复合Transformer的图像超分辨率方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237197B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886871B (zh) | 基于通道注意力机制和多层特征融合的图像超分辨率方法 | |
| Fang et al. | Soft-edge assisted network for single image super-resolution | |
| CN117237197B (zh) | 基于交叉注意力机制的图像超分辨率方法及装置 | |
| Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
| Hui et al. | Progressive perception-oriented network for single image super-resolution | |
| CN113870104A (zh) | 超分辨率图像重建 | |
| Cao et al. | Deconvolutional neural network for image super-resolution | |
| Zhang et al. | Single-image super resolution of remote sensing images with real-world degradation modeling | |
| Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
| Liu et al. | Saliency-guided remote sensing image super-resolution | |
| Huang et al. | Learning deformable and attentive network for image restoration | |
| Muhammad et al. | Multi-path deep CNN with residual inception network for single image super-resolution | |
| Zhou et al. | Spatial orthogonal attention generative adversarial network for MRI reconstruction | |
| Pang et al. | Lightweight multi-scale aggregated residual attention networks for image super-resolution | |
| Zhao et al. | Super-resolution network with information distillation and multi-scale attention for medical CT image | |
| Wen et al. | Progressive representation recalibration for lightweight super-resolution | |
| Sun et al. | Multi-level wavelet-based network embedded with edge enhancement information for underwater image enhancement | |
| CN117196959B (zh) | 基于自注意力的红外图像超分辨率方法、装置及可读介质 | |
| Zhang et al. | Single image super-resolution reconstruction with preservation of structure and texture details | |
| Xu et al. | A transformer-based model for super-resolution of anime image | |
| Huang et al. | CLSR: cross-layer interaction pyramid super-resolution network | |
| Tang et al. | Medical image super-resolution with laplacian dense network | |
| Han et al. | Arbitrary scale super-resolution diffusion model for brain MRI images | |
| Xie et al. | Electron microscope image registration using laplacian sharpening transformer U-Net | |
| CN114596203A (zh) | 用于生成图像和用于训练图像生成模型的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |