基于深度学习的图像超分辨方法在数码印花上的研究与应用.pdfVIP

摘要

摘要

随着人工智能的快速发展，人们对图像信息的需求也日益增长，高分辨率的清晰

图像备受偏爱。在数码印花领域，自然场景的摄影作品、设计师的软件创作、艺术家

的绘画以及智能文生图和图生图算法生成等多式多样的位图格式图像往往不满足数码

印花的打印精度，导致产品的视觉表现受影响。本文为了提高图像的分辨率以提升数

码印花产品质量，采用基于深度学习的图像超分辨重建技术，以重建图像更精细的纹

理特征、在任意倍数场景下实现图像重建以适应更大尺寸承印物以及降低计算量加速

在大尺寸图像上的超分辨重建为目标，围绕当前图像超分辨方法中存在的特征信息利

用不充分、比例因子固定且单一以及模型计算量过大导致难以处理大尺寸图像的超分

辨重建等问题展开研究，主要完成工作如下：

（1）针对现有卷积神经网络重建过程中对图像特征通道及空间信息利用不充

分，难以精细提取图像纹理特征的问题，提出一种基于注意力残差精细特征提取的图

像超分辨方法。该方法通过引入残差学习和多头卷积注意力机制设计一个注意力残差

块来获得深层次各通道空间特征的重要细节信息。最后再通过一个灵活的亚像素卷积

重构模块，实现连续缓慢增长的比例因子。实验结果表明，所提方法在精细提取纹理

特征恢复细节方面具有优势，有效提升了重建的图像质量。

（2）针对现有超分辨网络上采样机制与特定放大比例紧密关联，固定单一的比

例因子无法满足数码印花领域对产品个性化定制任意尺寸的问题，提出一种基于隐式

函数表示的任意倍数图像超分辨方法。以本文提出的注意力残差网络特征提取模块作

为编码器，通过引入隐式神经局部纹理表示方法使模型能任意表达分辨率的同时进一

步学习图像的纹理细节；最后将多层感知机作为解码器并通过跳跃连接添加一个双线

性插值放大的低分辨率图像以丰富高频信息，重建出任意倍数放大且更高质量的高分

辨率图像。实验结果表明，所提方法不仅实现了能够达到30倍放大的任意倍数图像

超分辨重建，而且模型在进一步精细图像纹理特征具有优越性。

（3）针对数码印花生产实际应用中存在对大尺寸图像的超分辨重建往往耗费较

大的计算量导致内存不足的问题，提出一种基于分类网络的大尺寸图像加速超分辨方

法。该方法基于本文提出注意力残差网络，通过引入分类网络根据恢复难度将大图像

中的子图像分类，然后结合深度超分网络联合训练，应用不同模型复杂度的深度超分

网络分支对不同类执行超分，在保证算法性能的前提下降低其计算量，以加速对更大

尺寸图像的超分辨重建。实验结果表明，所提方法对于降低计算成本具有有效性。

本文提出的研究方法对于图像的细节纹理特征提取和重建、任意倍数超分辨、节

省模型计算成本加速大尺寸图像超分具有有效性和优越性，对于各类可用于数码印花

生产的位图格式图像在数码印花领域的应用具有理论指导意义和工程应用价值。

关键词：图像超分辨率；数码印花；深度学习；注意力机制；任意倍数超分辨率

论文类型：应用研究

Ⅰ

ABSTRACT

ABSTRACT

Withtherapiddevelopmentofartificialintelligence,thereisagrowingdemandforimage

information,withhigh-resolutionclearimagesbeinghighlyfavored.However,inthefieldof

digitalprinting,diversebitmapformatimagessuchasnaturalscenephotographs,software

creationsbydesigners,paintingsbyartists,andimagesgeneratedbyintelligenttext-to-image

andimage-to-imagealgorithmsoftenfailtomeettheprintingaccuracy