技术特征：
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；x
i
＝f(y
i
)+∈σ
i
，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sisr网络，f(y
i
)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，σ
i
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(y
u
)与σ
i
；步骤3、将步骤2学习的σ
i
作为指导，计算自适应加权损失的损失函数作为指导，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；w
i
＝lnσ
i
，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(y
i
)与σ
i
：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；x
i
＝f(y
i
)+∈σ
i
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sisr网络，f(y
i
)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，σ
i
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(y
i
)与σ
i
，同时将学习的σ
i
作为指导，计算自适应加权损失的损失函数加权损失的损失函数其中是一个非负线性缩放函数；w
i
＝lnσ
i
，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(y
i
)与σ
i
：
其中l为拉普拉斯分布，为损失函数。
技术总结
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(y
技术研发人员：董伟生 宁倩 唐静竹 石光明
受保护的技术使用者：西安电子科技大学
技术研发日：2022.05.25
技术公布日：2022/9/30