(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 202211276433.0 (22)申请日 2022.10.19 (71)申请人 中科方寸知微 （南京） 科技有限公司 地址 210000 江苏省南京市江宁区麒 麟科 技创新园创研路266号人工智能产业 园3号楼203B室 (72)发明人 冷聪　李成华　 (74)专利代理 机构 南京泰普专利代理事务所 (普通合伙) 32360 专利代理师 张帆 (51)Int.Cl. G06T 3/40(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 压缩图像超分方法、 图像 压缩方法及系统 (57)摘要 本发明提出一种压缩图像超分方法、 图像压 缩方法及系统， 属于图像数据处理的技术领域， 其中方法包括以下步骤： 步骤1、 构建超分重构 模 型， 并接收经过压缩后的图像数据； 超分重构模 型包括： 浅层特征提取子网络、 全局残差连接子 网络和图像重构子网络； 步骤2、 利用浅层特征提 取子网络对接收到的图像数据进行浅层特征提 取； 步骤3、 利用全局残差连接子网络对获取到的 浅层特征进行深度特征提取； 步骤4、 整合浅层特 征和深度特征， 并利用图像重构子网络获得超分 重构的图像数据。 本发明有效实现了图像压缩伪 影去除， 恢复由图像压缩算法导致的丢失的原始 图像的细节信息， 同时通过增大图像分辨率， 增 加图像细节信息， 凸显细节特 征。 权利要求书2页 说明书9页 附图3页 CN 115358929 A 2022.11.18 CN 115358929 A 1.一种压缩图像超分方法， 其特 征在于， 包括以下步骤： 步骤1、 构建超分重构模型， 并接收经过压缩后的图像数据； 所述超分重构模型包括： 浅 层特征提取子网络、 全局残差连接 子网络和图像重构子网络； 步骤2、 利用所述浅层特 征提取子网络对接收到的图像数据进行浅层特 征提取； 步骤3、 利用所述全局残差连接 子网络对获取到的浅层特 征进行深度特 征提取； 步骤4、 整合浅层特征和深度 特征， 并利用所述图像重构子网络获得超分重构的图像数 据。 2.根据权利要求1所述的一种压缩图像超分方法， 其特征在于， 所述全局残差连接子网 络用于进行深层特征编码和图像信息处理， 包含至少两个特征混合网络模块， 以及一个3 3的卷积层。 3.根据权利要求1所述的一种压缩图像超分方法， 其特征在于， 所述全局残差连接子网 络将输出的特 征图与接收到的特 征图， 进行 逐元素相加， 进行深度特 征提取。 4. 根据权利要求1所述的一种压缩图像超分方法， 其特征在于， 所述图像重构子网络 包含一个3 3卷积层、 一个Pix el Shuffle层， 以及一个3 3卷积层， 输出的图像数据是去除 JPEG图像压缩伪影的4 倍分辨率的高质量高分辨 率图像。 5.根据权利要求1所述的一种压缩图像超分方法， 其特征在于， 所述全局残差连接子网 络中包含的特征混合网络模块是一个残差结构的网络块； 所述特征混合网络模块包括卷积特征提取网络块和变形特征提取网络块， 用于提取卷 积网络特 征和变形网络特 征； 在同时提取到卷积网络特征和变形网络特征后， 通过在卷积特征提取分支和变形网络 特征分支之间交互信息， 自适应生成权重融合两个分支特征， 随后采用自适应特征交叉融 合模块进行自适应的双分支特 征交叉融合。 6.根据权利要求5所述的一种压缩图像超分方法， 其特征在于， 所述特征混合网络模块 接收到的特征图包含两个来源， 第一个来源是浅层特征提取子网络的输出数据， 第二个来 源是上一层特 征混合网络模块的输出 数据； 所述卷积特征提取网络块包含至少两个两级残差跳跃连接结构； 第 一个残差连接 内部 顺序包含层 归一化、 1 1卷积、 3 3深度可分离卷积、 简单门控模块、 简化通道注 意力模块、 1 1卷积； 第二个残差连接顺序包含层归一化、 1 1卷积、 3 3深度可分离卷积、 简单门控模 块、 1 1卷积； 所述变形特征提取网络块包含基元嵌入模块、 变形网络组、 基元逆嵌入模块； 所述基元 嵌入模块用于编码， 将输入特 征图切割成不重 叠的小块序列。 7.根据权利要求5所述的一种压缩图像超分方法， 其特征在于， 所述特征混合网络模块 中的卷积特征提取网络块和变形特征提取网络块， 通过自适应特征交叉融合模块进行 交叉 融合； 融合过程的表达式为： 权　利　要　求　书 1/2 页 2 CN 115358929 A 2式中， 表示卷积特征图； 表示变形特征图； 表示变形特征图的关键值矩阵的转 置； 表示卷积特征图的查询矩阵； 表示基元嵌入空间的维度； 表示交叉分支注意力特 征图； 表示变形特征图的价值矩阵； 表示卷积特征图的价值矩阵； 表示交叉分支注 意力特征图的转置； 表示自适应变化的权重特征图； 表示变形特征图到卷积特征图 的变形交叉注意力特征图； 表示卷积特征图到变形特征图的变形交叉注意力特征图； 表示自适应特 征交叉融合模块的输出 结果。 8.一种压缩图像超分系统， 用于执行如权利要求1 ‑7任意一项所述的压缩图像超分方 法， 其特征在于， 包括以下模块： 模型构建模块， 被设置为构建超分重构模型； 数据处理模块， 被设置为利用超分重构模型对压缩图像数据进行 数据分析； 数据输出模块， 被设置为输出 数据处理模块的分析 结果； 所述超分重构模型包括浅层特征提取子网络、 全局残差连接子网络和图像重构子网 络； 在接收到压缩后的图像数据后， 首先利用所述浅层特征提取子网络对接收到的图像数 据进行浅层特征提取； 其次， 利用所述全局残差连接子网络对获取到的浅层特征进行深度 特征提取； 再次， 整合浅层特征和深度特征； 从次， 利用所述图像重构子网络获得超分重构 的图像数据； 最后， 采用所述数据输出模块输出最终的图像数据。 9.一种图像压缩方法， 用于对如权利要求1所述压缩图像超分重构过程的逆过程进行 建模， 即对 任意的图像数据进行降采样压缩操作， 其特 征在于， 包括以下步骤： 步骤一、 接收任意的图像数据； 步骤二、 将图像数据利用如权利要求1所述的超分重构模型进行逆变换； 步骤三、 输出逆变换图像数据， 获得压缩图像数据。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序指令， 所述计算机程序指令被处理器执行时实现如权利要求1 ‑7任意一项所述的压缩 图像超分方法或如权利要求9所述的图像压缩方法。权　利　要　求　书 2/2 页 3 CN 115358929 A 3