本發(fā)明涉及圖形增強(qiáng)，特別涉及一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，對(duì)于圖像處理存在以下缺點(diǎn)：(1)圖像處理效率低下：現(xiàn)有的圖像超分辨率技術(shù)往往需要大量的計(jì)算資源和處理時(shí)間，尤其是在處理高分辨率游戲貼圖時(shí)，效率問(wèn)題尤為突出。此外，這些方法在處理過(guò)程中可能需要用戶進(jìn)行復(fù)雜的操作和參數(shù)調(diào)整，增加了使用難度。(2)圖像質(zhì)量提升有限：傳統(tǒng)的圖像增強(qiáng)工具在提升貼圖質(zhì)量方面效果有限，尤其是在保留細(xì)節(jié)和消除偽影方面。這些工具往往難以平衡圖像的銳度和自然度，導(dǎo)致處理后的圖像要么過(guò)于銳利，要么細(xì)節(jié)丟失。

2、因此，有必要提供一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法，以減少手動(dòng)圖像處理的工作量，提高游戲開(kāi)發(fā)效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法，通過(guò)自動(dòng)化的圖像優(yōu)化流程，減少手動(dòng)圖像處理的工作量，提高游戲開(kāi)發(fā)效率。

2、為了解決現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供了一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法，包括以下步驟：

3、s1：將低分辨率的游戲貼圖輸入深度學(xué)習(xí)模型，深度學(xué)習(xí)模型通過(guò)頭部卷積層進(jìn)行特征提取，然后通過(guò)多尺度特征提取模塊獲取圖像的局部特征和全局特征；

4、s2：計(jì)算特征之間的相似性，采用深度學(xué)習(xí)模型中嵌入的自注意力機(jī)制理解圖像內(nèi)容并進(jìn)行有效的特征融合；

5、同時(shí)，在特征提取完成后，深度學(xué)習(xí)模型通過(guò)上采樣模塊逐步恢復(fù)圖像的空間尺寸，同時(shí)融合不同尺度的特征信息；

6、s3：通過(guò)深度學(xué)習(xí)模型輸出層的卷積操作，將高維特征映射回原始的圖像通道數(shù)，生成高分辨率圖像；

7、s4：對(duì)生成的高分辨率圖像進(jìn)行裁剪，確保輸出圖像與原始輸入貼圖的尺寸一致；

8、s5：對(duì)低分辨率的游戲貼圖進(jìn)行預(yù)處理和傳統(tǒng)圖像處理；

9、s6：結(jié)合裁剪的圖像、預(yù)處理和傳統(tǒng)圖像處理，輸出圖像。

10、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，深度學(xué)習(xí)模型為self-attention?knowledge?distillationnetwork。

11、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，超分辨率為通過(guò)一系列低分辨率圖像來(lái)獲取高分辨率圖像的過(guò)程；

12、低分辨率為800×600或1024×768的分辨率；高分辨率為1920×1080、2560×1440或3840×2160的分辨率。

13、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，多尺度特征提取模塊包括spatial-temporal?collaborative?backbone。

14、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，上采樣過(guò)程中使用的轉(zhuǎn)置卷積和跳躍連接用于保留更多的細(xì)節(jié)信息。

15、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，傳統(tǒng)圖像處理包括：銳化處理、圖像增強(qiáng)、亮度調(diào)整、區(qū)域增強(qiáng)、飽和度調(diào)節(jié)、放大倍數(shù)選擇以及放大風(fēng)格選擇。

16、可選的，在所述基于深度學(xué)習(xí)的貼圖超分辨率重建方法中，對(duì)深度學(xué)習(xí)模型的權(quán)重進(jìn)行初始化。

17、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

18、(1)本發(fā)明旨在通過(guò)自動(dòng)化的圖像優(yōu)化流程，減少手動(dòng)圖像處理的工作量，提高游戲開(kāi)發(fā)效率。

19、(2)本發(fā)明的超分辨率處理方法顯著提升了游戲貼圖的質(zhì)量，通過(guò)深度學(xué)習(xí)模型和傳統(tǒng)圖像處理工具的結(jié)合，實(shí)現(xiàn)了圖像分辨率和細(xì)節(jié)的增強(qiáng)，大幅提升了游戲開(kāi)發(fā)的效率。

20、(3)本發(fā)明在多種游戲場(chǎng)景中均能提供穩(wěn)定且逼真的視覺(jué)效果，證明了其廣泛的適用性和高效性。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，深度學(xué)習(xí)模型為self-attentionknowledge?distillationnetwork。

3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，超分辨率為通過(guò)一系列低分辨率圖像來(lái)獲取高分辨率圖像的過(guò)程；

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，多尺度特征提取模塊包括spatial-temporal?collaborative?backbone。

5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，上采樣過(guò)程中使用的轉(zhuǎn)置卷積和跳躍連接用于保留更多的細(xì)節(jié)信息。

6.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，傳統(tǒng)圖像處理包括：銳化處理、圖像增強(qiáng)、亮度調(diào)整、區(qū)域增強(qiáng)、飽和度調(diào)節(jié)、放大倍數(shù)選擇以及放大風(fēng)格選擇。

7.如權(quán)利要求1所述的基于深度學(xué)習(xí)的貼圖超分辨率重建方法，其特征在于，對(duì)深度學(xué)習(xí)模型的權(quán)重進(jìn)行初始化。

技術(shù)總結(jié)
本發(fā)明涉及一種基于深度學(xué)習(xí)的貼圖超分辨率重建方法，步驟如下：S1：將低分辨率的游戲貼圖輸入深度學(xué)習(xí)模型，通過(guò)頭部卷積層進(jìn)行特征提取，通過(guò)STCB獲取圖像的局部特征和全局特征；S2：計(jì)算特征之間的相似性，采用自注意力機(jī)制理解圖像內(nèi)容并進(jìn)行特征融合；同時(shí)，在特征提取完成后，通過(guò)上采樣模塊逐步恢復(fù)圖像的空間尺寸，同時(shí)融合不同尺度的特征信息；S3：通過(guò)輸出層的卷積操作，將高維特征映射回原始的圖像通道數(shù)，生成高分辨率圖像；S4：對(duì)生成的高分辨率圖像進(jìn)行裁剪；S5：對(duì)低分辨率的游戲貼圖進(jìn)行預(yù)處理和傳統(tǒng)圖像處理；S6：結(jié)合裁剪的圖像、預(yù)處理和傳統(tǒng)圖像處理，輸出圖像。本發(fā)明減少了手動(dòng)圖像處理的工作量，提高了游戲開(kāi)發(fā)效率。

技術(shù)研發(fā)人員：施潤(rùn)華,楊歡,王偉達(dá),丁超凡
受保護(hù)的技術(shù)使用者：巨人移動(dòng)技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15