基于多粒度空洞卷积神经网络的图像修复方法

技术特征：

1.基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤1中，所述预处理包括：将图像像素值规范化到[-1，1]区间，采用插值方法将图像缩放至统一的空间分辨率；

3.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤2中，所述编码器由三个卷积模块实现，每个卷积模块由卷积层、批标准化层及relu激活函数层组成，第一个卷积模块的卷积步长设置为1，第二个和第三个卷积模块的卷积步长设置为2，实现对特征图的降采样。

4.根据权利要求3所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤3具体过程如下：

5.根据权利要求4所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤s34具体过程如下：

6.根据权利要求5所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤5中，所述的通道自适应上采样卷积模块具体过程如下：

7.根据权利要求6所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤6具体过程如下：

技术总结
本发明公开了基于多粒度空洞卷积神经网络的图像修复方法，该方法首先将数据集划分为训练集和测试集，并进行预处理，构造待修复图像。其次将训练集中待修复图像输入到编码器，得到特征图F<subgt;in</subgt;。然后将特征图F<subgt;in</subgt;输入到多粒度残差模块，提取图像中的多尺度特征图，级联多个多粒度残差模块构成多粒度特征提取模块，得到特征图F<subgt;low</subgt;。最后将特征图F<subgt;low</subgt;输入到两个通道自适应上采样卷积模块中，再输入到一个卷积模块，得到缺失部分填充完整的图像I，并通过图像级损失及特征级损失进行参数优化。本发明增强了特征提取能力，使得修复后的图像特征更加丰富，并通过自适应像素重排技术提升了填充像素的准确率。

技术研发人员：张新,殷昱煜,王东京,王洪波,李尤慧子,周丽
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/6/20