买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉三峡大学申请的专利一种基于混合注意力机制的超分辨率重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115908130B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211407411.3，技术领域涉及：G06T3/4053；该发明授权一种基于混合注意力机制的超分辨率重建方法是由江曙;王俊英设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本一种基于混合注意力机制的超分辨率重建方法在说明书摘要公布了：一种基于混合注意力机制的超分辨率重建方法，属于图像处理技术领域。方法包含：收集与选择训练数据集，数据集的预处理、基于混合注意力机制的超分辨率重建网络的搭建、损失函数的选择、网络训练、目标图像的重建。本发明提出的网络中，构建了一个融合两种不同注意力机制的混合注意力模块，其中空间注意力模块ESA由于其内包含的大跨步卷积，在一定程度上能够捕获到空间维度的上下文信息；通道注意力模块ECA能够根据通道间的依赖关系，有选择性地对相互依赖的通道进行强调。将两个注意力模块的输出特征进行通道拼接后再利用降维层进行融合，得到更好的深层特征表达，从而提高重建后高分辨率图像的质量。

本发明授权一种基于混合注意力机制的超分辨率重建方法在权利要求书中公布了：1.一种基于混合注意力机制的超分辨率重建方法，其特征在于，它包括以下步骤： 步骤1：进行数据集的收集与选择； 步骤2：进行数据预处理，包括低分辨率图像的生成、数据集扩充、数据集增强，数据标准化，并获得训练集； 步骤3：进行网络的优化器的选择和超参数的设计； 步骤4：进行网络的设计与搭建，网络包括浅层特征提取部分、深层特征提取部分、特征图放大部分； 步骤5.进行网络的训练与优化，获得最优模型； 步骤6：对目标图像进行重建，利用步骤5得到的最优模型来重建目标图像； 在步骤4中，所建立的网络为基于混合注意力机制的超分辨率重建网络，具体为： 网络输入LR→浅层特征提取层，得特征图→第一混合注意力残差组，得特征图→若干第二混合注意力残差组→第三混合注意力残差组，得特征图→深层特征提取部分的最后一个二维卷积层； 浅层特征提取层，深层特征提取部分的最后一个二维卷积层→第一特征融合,得特征图→特征图放大部分→重建部分→重建图像； 混合注意力残差组具体如下： 第一混合注意力残差组输入的特征图→第一基本残差块，得特征图→若干第二基本残差块→第三基本残差块，得特征图→混合注意力模块，得特征图→第一混合注意力残差组中的最后一个二维卷积层； 第一混合注意力残差组输入的特征图,第一混合注意力残差组中的最后一个二维卷积层→第二特征融合→第一混合注意力残差组的输出； 混合注意力模块具体如下： 混合注意力模块的输入→通道注意力模块ECA； 混合注意力模块的输入→空间注意力模块ESA； 通道注意力模块ECA，空间注意力模块ESA→通道拼接的Contact→通道降维的11卷积层→混合注意力模块的输出； 在步骤4中，在使用所建立的网络时，包括以下步骤： 步骤4-1：进行浅层特征提取； 浅层特征提取是由网络中第一个二维卷积层实现，用于从输入的低分辨率图像中提取浅层特征，具体采用式1； ； 其中为二维卷积运算，其输出为浅层特征，将作为深层特征提取部分的输入； 步骤4-2：进行深层特征提取； 深层特征提取部分包括G个混合注意力残差组，用于从浅层特征中进一步提取深层特征； 根据步骤4-1得到的浅层特征，进一步得到深层特征，深层特征由式2获得； ； 其中深层特征提取部分的运算，其输出为深层特征； 步骤4-3：对深层特征进行放大； 深层特征放大部分采用的亚像素卷积模块，该部分用于将深层特征放大至目标图像尺寸；用式3实现深层特征放大： ； 其中表示亚像素卷积模块的运算，表示放大后的特征； 步骤4-4：对放大后的特征图进行重建； 对放大后的特征图进行重建，该部分使用一个二维卷积层来实现，重建图像由式4获得； ； 其中，为最终的重建图像，为重建部分的运算，为基于混合注意力机制的超分辨率重建网络的运算； 表示网络输入的低分辨率图像，表示网络输出的超分辨率图像； 在步骤4-2中，深层特征提取部分在使用时，采用以下子步骤： 深层特征提取部分使用混合注意力残差组作为基本单元，它包含G个这样的基本单元，一个长跳连接和一个二维卷积层； 步骤4.2.1：获取第g个混合注意力残差组的输出； 深层特征提取部分中的G个混合注意力残差组从输入端到输出端依次串接，对于第g个混合注意力残差组的输出可以由式5得到； ； 其中为第g个混合注意力残差组的运算，其输入输出分别为和； 步骤4.2.2：根据步骤4.2.1求出第G个混合注意力残差组的输出，并与浅层特征融合成最终的深层特征； 根据式5，式2可以进一步表示为式6； ； 其中为深层特征提取部分中最后一个二维卷积层的权重集合，为第G个混合注意力残差组的输出； 在步骤4.2.1中，混合注意力残差组在使用时，采用以下子步骤： 每个混合注意力残差组由B个基本残差块，一个短跳连接，一个混合注意力模块和一个二维卷积层组成，其中基本残差块为超分辨率重建中常用模块，由两个二维卷积层、一个ReLU层和一个恒等映射组成； 步骤4.2.1.1：获取第g个混合注意力残差组中，第b个基本残差块的输出； 每个混合注意力残差组中的B个基本残差块从输入端到输出端依次串接，对于第g个混合注意力残差组中，第b个基本残差块的输出可以由式7得到： ； 其中为第g个混合注意力残差组中，第g个基本残差块的运算，其输入输出分别为和； 步骤4.2.1.2：获取第g个混合注意力残差组中，混合注意力模块的输出； 混合注意力模块由一个通道注意力模块，一个空间注意力模块，一个通道维度的Contact操作和一个11卷积层构成；其中通道注意力模块采用无需进行降维操作，且能够考虑跨通道交互的ECA模块，空间注意力模块采用轻量且较为高效的ESA模块；混合注意力模块先分别在通道维度和空间上进行信息强调及依赖捕获，然后将两个维度的输出特征进行通道拼接，最后再利用11卷积层降维融合得到输出； 根据步骤4.2.1.1求出第g个混合注意力残差组中，第B个残差块的输出，然后由式8得到混合注意力模块的输出： ； 其中为混合注意力模块的输出，为11卷积层的权重集合，为通道维度的Contact操作，和分别表示第g个混合注意力残差组的通道注意力模块ECA的运算和空间注意力模块ESA的运算，为第g个混合注意力残差组中，第B个残差块的输出； 步骤4.2.1.3：将第g个混合注意力残差组的输入与步骤4.2.1.2求得的混合注意力模块的输出进行特征融合，得到第g个混合注意力残差组的输出； 因此，式5可进一步表示为式9； ； 其中为第g个混合注意力残差组中最后一个二维卷积层的权重集合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。