(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 202211150656.2 (22)申请日 2022.09.21 (71)申请人 田英杰 地址 100092 北京市海淀区西三 旗街道龙 岗路清缘西里小区1-802室 申请人 王仪琦 (72)发明人 田英杰　王仪琦　 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的全注意力机制图像修 复算法 (57)摘要 图像修复算法是指将低质 量的图像通过算 法自动恢复出高质量的 图像， 随着深度学习在图 像修复领域的不断发展， 现在的方法面临两个主 要难点： 1、 如何修剪现有的算法模型复杂度， 实 现更加快速的图像修复算法。 2、 如何更加有效的 利用低质量图像中的准确点来对噪声点进行修 复， 即结果的准确性应该如何继续提升。 基于此， 我们设计了一个简洁高效的由全注意力层递归 而成的算法， 此算法结合了空间注 意力机制和通 道注意力机制， 从而有效的提升了图像修复的效 果。 权利要求书1页 说明书2页 附图2页 CN 115471419 A 2022.12.13 CN 115471419 A 1.在图像修复网络算法中， 设计一种新颖的网络组织架构， 它利用模块儿之间的递归 排列有效的提高了网络的运行效率。 2.在图像修复网络算法中， 设计一种新颖的尺度迁移模块， 它可以通过重新排列相邻 特征图中的元 素使抠图网络的特 征图变大。权　利　要　求　书 1/1 页 2 CN 115471419 A 2一种基于深度学习的全注意力机制图像修复算法 1、 技术领域 [0001]本发明涉及 一种基于全注意力机制的图像修复算法， 其技术领域主要涉及图像 处 理技术， 深度学习技 术， 目标优化 技术。 2、 背景技术 [0002]图像修复算法是指将低质量的图像通过算法自动恢复出高质量的图像， 低质量的 图像包括： 有高斯噪声的图像， 有雨点雾气的图像， 低分辨率的图像， 被光照影响的图像等 等。 而高质量的图像则是去掉高斯噪声的图像， 去雨去雾的图像， 高分辨率的图像等。 图像 修复任务通常被定义为视觉任务中的底层次密集性预测任务， 相对于高层语义任务如分类 任务分割任务 等， 对算法提出了更高的要求。 [0003]而深度神经卷积网络已经被应用到各种计算机视觉任务中， 并且极大的推动了计 算机视觉研究进展。 深度学习通常以卷积神经网络为基础， 通过一层层的卷积设计与残差 学习， 以端到端的方式训练标注数据最终实现得到预测结果。 图像修复的研究者也引入了 深度神经卷积网络来解决该任务面临的难点， 深度学习技术第一次用于图像修复任务中是 在2016年时提出的SRCNN， 随着新的图像修复技术的引入， 图像修复任务的精度和速度得到 了很大的提升。 然而， 伴随着该领域研究 的深入和应用场景的不断更新。 这类方法面临两个 主要难点： 1、 如何修剪 现有的算法模 型复杂度， 实现更加快速的图像修复算法。 2、 如何更加 有效的利用低质量图像中的准确点来对噪声点进 行修复， 即结果的准确性应该如何继续提 升。 3、 发明内容 [0004]为了更好的利用深度学习算法来进行图像的修复， 我们发明了一种新的图像修复 算法， 用全注意力模块儿进行图像特征 的重用和特征 的选择， 将局部特征和全局特征都进 行了充分的利用。 据此， 我们还提出逐像素和逐通道注意力相结合的模块儿， 此模块儿可以 相当程度的提升图像修复的性能。 4、 附图说明 [0005]图1： 该图展示了我们提出的注意力网络中的编解码网络。 该 网络首先采用卷积神 经网络作为主干网络， 经过5个小的模块儿来不断提取特征， 然后在最后添加特征重用层来 高效融合具有语义信息的高层特征和具有丰富细节信息的底层特征。 模块儿与模块儿之间 则添加了残差连接， 此残差连接不同于一般网络中的直接相加的方式， 而是采用了特征联 结的组织方式， 此 连接能够将网络的性能提升 到一个非常高的水平。 [0006]图2.该图展示了我们与其他网络架构在基本架构上的不同之处， 相对其他网络的 复杂结构， 我们提出了更加综合高效的卷积层组织方式。 [0007]图3.该图展示了我们的空间注意力机制和特 征注意力机制的细节设计。说　明　书 1/2 页 3 CN 115471419 A 3