(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210765221.2 (22)申请日 2022.06.30 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 王楠楠　李柯宇　辛经纬　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 万艳艳 (51)Int.Cl. G06T 3/40(2006.01) G06T 5/20(2006.01) G06V 10/44(2022.01) G06V 10/46(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于局部均值二值量化的图像超分辨率方 法 (57)摘要 本发明涉及一种基于局部均值二值量化的 图像超分辨率方法， 所述图像超分辨率方法包 括： 获取待重建的低分辨率图像； 将所述待重建 的低分辨率图像输入至训练好的超分网络中， 得 到最终的高分辨图像， 其中， 所述超分网络包括 特征提取模块、 特征转化模块和图像重构模块， 所述特征转化模块的权重和激活均进行二值量 化处理。 本发明相比全精度的超分网络模型， 本 发明中提出的二值网络可以大幅低降低超分模 型的计算量以及参数量， 有利于超分网络在边缘 设备上的部署以及实时地应用。 权利要求书2页 说明书8页 附图2页 CN 115311136 A 2022.11.08 CN 115311136 A 1.一种基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所述图像超分辨率 方法包括： 获取待重建的低分辨 率图像； 将所述待重建的低分辨率图像输入至训练好的超分网络中， 得到最终的高分辨图像， 其中， 所述超分 网络包括特征提取模块、 特征转化模块和图像重构模块， 所述特征转化模块 的权重和激活均进行二 值量化处理。 2.根据权利要求1所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述特征提取模块包括卷积层， 所述特征转化模块包括若干堆叠的残差块， 所述图像重构模 块包括pixelshuf fle。 3.根据权利要求2所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述特征转化模块的权 重的二值量化过程表示 为： 其中， wB为量化后的权 重， sign(*)为 量化函数， w为需要量 化的权重。 4.根据权利要求2所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述特征转化模块的激活X的二 值量化过程表示 为： 其中， 为局部均值图， 由所有元素 的局部均值 组成， 所述局部均值 为预设区 域的像素的平均值。 5.根据权利要求4所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述激活X的每 个元素的量化过程表示 为： 其中， 代表二值量化的 为第k个通道中处于位置(i,j)的元素的像素值， 1 ≤k≤c， 共c个通道。 6.根据权利要求4或5所述的基于局部均值二值量化的图像超分辨率方法， 其特征在 于， 所述局部均值 的计算方式为： 其中， 为以元素 为中心、 周边n*n范围内所有通道的元素的局部均值， LM(*)为局 部均值 的计算过程。 7.根据权利要求1所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述超分网络的训练过程包括： S1、 获取训练数据集， 所述训练数据集包括若干低分辨率训练图像和高分辨率训练图权　利　要　求　书 1/2 页 2 CN 115311136 A 2像， 所述低分辨 率训练图像和所述高分辨 率训练图像一 一对应； S2、 将所述低分辨 率训练图像输入至所述超分网络， 得到高分辨 率输出图像； S3、 计算所述高分辨率输出图像和对应的高分辨率训练图像的差距， 将所述差距作为 损失值对所述超分网络进行反向传播， 以优化所述超分网络的参数； S4、 反复执行步骤S2至步骤S3， 直至达到预设条件， 停止所述超分网络的训练， 得到训 练好的超分网络 。 8.根据权利要求7所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述S1包括： S1.1、 获取若干高分辨 率训练图像； S1.2、 对每张所述高分辨率训练图像进行下采样处理， 得到低分辨率训练图像， 所有所 述低分辨 率训练图像和所述高分辨 率训练图像组成所述训练数据集。 9.根据权利要求7所述的基于局部均值二值量化的图像超分辨率方法， 其特征在于， 所 述差距为所述高分辨率输出图像和所述高分辨率训练图像所有对应像素点的差值的平均 值。权　利　要　求　书 2/2 页 3 CN 115311136 A 3