(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 202210580759.6 (22)申请日 2022.05.25 (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 董伟生　宁倩　唐静竹　石光明　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 汪海艳 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/16(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于自适应加权损失的SISR网络训练 方法及系统 (57)摘要 本发明涉及一种SISR网络训练方法及系统， 具体涉及一种基于自适应加权损失的SISR网络 训练方法及系统。 克服现有基于深度学习的单图 像超分辨率方法为提升网络性能， 盲目设计的神 经网络模型结构复杂、 参数量过大， 难以应用到 实际场景中的问题。 首先， 构建整体观测模型； 其 次， 向SISR网络输入低分辨率LR图像， 训练SISR 网络， 同时学习f(yi)与σi； 之后， 将步骤2学习 的σi作为指导， 计算自适应加权损失的损失函 数； 最后， 基于损失函数 指导SISR网 络训练。 本发 明通过在训练过程中赋予具有较大 不确定性的图像纹理和边缘区域更高的权重， 在 推理过程中无需增加额外的计算复杂 度， 不仅改 善了客观性能而 且恢复出了更高的视 觉质量。 权利要求书2页 说明书9页 附图2页 CN 115131818 A 2022.09.30 CN 115131818 A 1.一种基于自适应加权损失的SISR网络训练方法， 其特 征在于， 包括以下步骤： 步骤1、 构建整体观测模型； xi＝f(yi)+∈σi， 其中y表示低分辨率LR图像， x表示低分辨率LR图像对应的高分辨率HR图像， i为像素 点， f(·)表示任意的S ISR网络， f(yi)表示SISR网络学习到超分辨SR图像， ∈表示零均值和 单位方差的拉普拉斯分布， σi表示SISR网络学习到的任意 不确定性； 步骤2、 向SISR网络 输入低分辨 率LR图像， 训练SISR网络， 同时学习f(yu)与σi； 步骤3、 将步骤2学习的σi作为指导， 计算自适应加权损失的损失函数 其中 是一个非负线性缩放 函数； wi＝lnσi， N为像素点数目； 步骤4、 基于损失函数 指导SISR网络训练。 2.根据权利要求1所述的基于自适应加权损失的SISR网络训练方法， 其特征在于， 步骤 2中基于下式同时学习f(yi)与σi： 其中L为拉普拉斯分布， 为损失函数。 3.一种基于自适应加权损失的SISR网络训练系统， 其特征在于： 包括生成单元、 计算单 元与训练单 元； 生成单元， 用于构建整体观测模型； xi＝f(yi)+∈σi 其中y表示低分辨率LR图像， x表示低分辨率LR图像对应的高分辨率HR图像， i为像素 点， f(·)表示任意的S ISR网络， f(yi)表示SISR网络学习到超分辨SR图像， ∈表示零均值和 单位方差的拉普拉斯分布， σi表示SISR网络学习到的任意 不确定性； 计算单元， 用于训练SISR网络， 学习f(yi)与σi， 同时将学习的σi作为指导， 计算自适应 加权损失的损失函数 其中 是一个非负线性缩放 函数； wi＝lnσi， N为像素点数目； 训练单元， 用自适应加权损失的损失函数对网络模型进行训练。 4.根据权利要求3所述的基于自适应加权损失的SISR网络训练系统， 其特征在于， 计算 单元基于下式同时学习f(yi)与σi：权　利　要　求　书 1/2 页 2 CN 115131818 A 2其中L为拉普拉斯分布， 为损失函数。权　利　要　求　书 2/2 页 3 CN 115131818 A 3