(12)發(fā)明專利(10)授權(quán)公告號(hào)CN117058009B(21)申請(qǐng)?zhí)?02310740976.1(22)申請(qǐng)日2023.06.21(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)申請(qǐng)公布號(hào)CN117058009A(43)申請(qǐng)公布日2023.11.14(73)專利權(quán)人西北工業(yè)大學(xué)深圳研究院道高新南九道45號(hào)(72)發(fā)明人邢穎慧瞿立濤張艷寧張世周張秀偉尹翰林(74)專利代理機(jī)構(gòu)西安凱多思知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)61290專利代理師劉濤(56)對(duì)比文件(54)發(fā)明名稱一種基于條件擴(kuò)散模型的全色銳化方法(57)摘要本發(fā)明公開了一種基于條件擴(kuò)散模型的全色銳化方法，該模型包括正向加噪過(guò)程和反向去噪過(guò)程，算法的正向加噪過(guò)程通過(guò)馬爾科夫鏈過(guò)程逐步將訓(xùn)練數(shù)據(jù)加噪為高斯噪聲，反向去噪過(guò)程從高斯噪聲出發(fā)，通過(guò)噪聲預(yù)測(cè)網(wǎng)絡(luò)的輸出，逐步去噪采樣得到高分辨率的多光譜圖像；本方法使用細(xì)節(jié)信息(全色圖像與上采樣多光譜圖像的差)作為條件，引導(dǎo)逆向去噪過(guò)程的從高斯噪聲生成全色圖像和多光譜圖像的融合結(jié)果。訓(xùn)練好的噪聲預(yù)測(cè)網(wǎng)絡(luò)通過(guò)反向馬爾科夫鏈過(guò)程進(jìn)行多輪去噪迭代，生成最終的融合結(jié)果。本發(fā)明(57)摘要21.一種基于條件擴(kuò)散模型的全色銳化方法，其特征在于，包括如下步驟：步驟1:數(shù)據(jù)集準(zhǔn)備；對(duì)成對(duì)、配準(zhǔn)的大幅遙感多光譜MS圖像和全色圖像PAN按照從左到右、從上到下的順序截取圖像塊，并將這些圖像塊分為訓(xùn)練集、驗(yàn)證先對(duì)訓(xùn)練集、驗(yàn)證集和測(cè)試集進(jìn)行歸一化處理；再對(duì)訓(xùn)練集、驗(yàn)證集和測(cè)試集中的圖像塊按照Wald協(xié)議進(jìn)行處理，然后將處理過(guò)的圖像塊作為模型的輸入；原始MS圖像塊作為參考圖像；步驟2:正向加噪過(guò)程；設(shè)置加噪的總步長(zhǎng)為T,對(duì)任意時(shí)間步t～{1,...,T},通過(guò)公式(1)和(2)直接計(jì)算原始多光譜圖像R?加噪到t時(shí)刻的數(shù)據(jù)分布：q(Rt|R?)=N(R;√YtR?,(1-Y其中1是預(yù)定義的固定參數(shù)，取值范圍為(0,1);∈為服從標(biāo)準(zhǔn)高斯分布的噪聲信息；R?為多光譜圖像；R表示加噪至t時(shí)刻的多光譜圖像；I表示一個(gè)值全為1的矩陣；步驟3:噪聲預(yù)測(cè)網(wǎng)絡(luò)模型構(gòu)建；所述噪聲預(yù)測(cè)網(wǎng)絡(luò)接收的輸入信息包括時(shí)間步t、時(shí)間步t的加噪圖像R、細(xì)節(jié)信息P2-M↑,其中P?表示全色圖像在通道維度上復(fù)制到與多光譜圖像通道數(shù)量一致，M表示多光譜圖像進(jìn)行r倍上采樣至空間分辨率與全色圖像一致，求差后得到細(xì)節(jié)信息作為網(wǎng)絡(luò)的引導(dǎo)噪聲預(yù)測(cè)網(wǎng)絡(luò)采用U型網(wǎng)絡(luò)架構(gòu)，包括四個(gè)部分：時(shí)間步模塊、下采樣模塊、上采樣模塊和融合模塊；時(shí)間步模塊編碼加噪時(shí)刻t并傳入網(wǎng)絡(luò)的其他模塊，輸入信息依次通過(guò)下采樣網(wǎng)絡(luò)在輸入端，細(xì)節(jié)信息P-M與加噪圖像R,在通道維度上連接；所述噪聲預(yù)測(cè)網(wǎng)絡(luò)使用一個(gè)卷積層統(tǒng)一處理輸入信息；具體各個(gè)部分的構(gòu)建過(guò)程如下：步驟3-1:構(gòu)建時(shí)間步模塊；所述噪聲預(yù)測(cè)網(wǎng)絡(luò)與時(shí)間步相關(guān)，輸入的時(shí)間步t～{1,...,T}編碼為一維向量，隨后通過(guò)Linear線性變化層，該一維向量將傳入噪聲預(yù)測(cè)網(wǎng)絡(luò)的所有上采樣模塊、下采樣模塊和融合模塊；一維向量在傳入每個(gè)模塊前，會(huì)再通過(guò)一個(gè)Linear線性變化層，將其長(zhǎng)度轉(zhuǎn)換為當(dāng)前模塊的輸入通道數(shù)量，從而與當(dāng)前模塊的輸入求和；步驟3-2:構(gòu)建下采樣模塊；層的下采樣操作通過(guò)調(diào)整步長(zhǎng)實(shí)現(xiàn)，將輸入下采樣模塊的特征圖進(jìn)行2倍空間下采樣，輸出通道相對(duì)輸入通道數(shù)量翻倍；步驟3-3:構(gòu)建上采樣模塊；3序級(jí)聯(lián)的結(jié)構(gòu)；融合模塊的卷積層使用跳躍連接，接收第一個(gè)卷積層的輸出與網(wǎng)絡(luò)輸入(P-M,R);所述噪聲預(yù)測(cè)網(wǎng)絡(luò)摸模型e。(R,t,P?-M)通過(guò)變分下界推導(dǎo)的損失函數(shù)進(jìn)行優(yōu)化，以采樣得到∈,從訓(xùn)練數(shù)據(jù)中選取一個(gè)批量的參考圖像R?,通過(guò)公式(2)加噪得到R,計(jì)算細(xì)步驟5:反向去噪流程；噪聲預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，基于馬爾科夫鏈過(guò)程，從標(biāo)準(zhǔn)正態(tài)分布中采樣得到兩個(gè)樣4.根據(jù)權(quán)利要求1所述的一種基于條件擴(kuò)散模型的全色銳化方法，其特征在于，所述Wald協(xié)議處理指首先使用5×5大小的高斯平滑核對(duì)原始MS和PAN圖像進(jìn)行濾波，然后下采4一種基于條件擴(kuò)散模型的全色銳化方法技術(shù)領(lǐng)域[0001]本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于條件擴(kuò)散模型的全色銳化方背景技術(shù)兩種傳感器同時(shí)捕獲具有互補(bǔ)特點(diǎn)的遙感圖像，即高光譜分辨率、低空間分辨率的多光譜(MS)圖像和高空間分辨率、低光譜分辨率的全色(PAN)圖像，為全色銳化技術(shù)提供了充分的數(shù)據(jù)來(lái)源。全色銳化(Pansharpening)是融合多光譜和全色圖像的技術(shù)，其本質(zhì)是使用全色圖像中精細(xì)的空間細(xì)節(jié)信息銳化多光譜圖像，從而獲得高空間分辨率的多光譜圖像。有利于變化檢測(cè)、目標(biāo)檢測(cè)、土地分類等任務(wù)，也可利用該技術(shù)實(shí)現(xiàn)圖像增強(qiáng)以提高圖像可讀性，因而在現(xiàn)實(shí)生活中具有重要作用。[0003]全色銳化技術(shù)的關(guān)鍵在于利用全色圖像的細(xì)節(jié)信息增強(qiáng)多光譜圖像的空間分辨率?；谏蓪?duì)抗網(wǎng)絡(luò)的全色銳化模型通常使用雙通路生成器融合多光譜和全色圖像，并設(shè)計(jì)判別器用來(lái)衡量生成器輸出的融合結(jié)果與真實(shí)高分辨率多光譜圖像之間的差異。生成對(duì)抗網(wǎng)絡(luò)通過(guò)交替迭代的方式獲得高分辨率多光譜圖像，但由于其訓(xùn)練不穩(wěn)定，易陷入模式崩塌，導(dǎo)致銳化結(jié)果存在高頻分量損失、頻譜或空間失真等問(wèn)題。發(fā)明內(nèi)容[0004]為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于條件擴(kuò)散模型(Conditionaldenoisingdiffusionprobabilisticmodel)的全色銳化方法，該模型包括正向加噪過(guò)程和反向去噪過(guò)程，算法的正向加噪過(guò)程通過(guò)馬爾科夫鏈過(guò)程逐步將訓(xùn)練數(shù)據(jù)加噪為高斯噪聲，反向去噪過(guò)程從高斯噪聲出發(fā)，通過(guò)噪聲預(yù)測(cè)網(wǎng)絡(luò)的輸出，逐步去噪采樣得到高分辨率的多光譜圖像；具體地，本方法使用細(xì)節(jié)信息(全色圖像與上采樣多光譜圖像的差)作為條件，引導(dǎo)逆向去噪過(guò)程的從高斯噪聲生成全色圖像和多光譜圖像的融合結(jié)果。其中，噪聲預(yù)測(cè)網(wǎng)絡(luò)采用U型網(wǎng)絡(luò)架構(gòu)，通過(guò)重加權(quán)的變分下界損失函數(shù)優(yōu)化模型參數(shù)，模型接收上述細(xì)節(jié)成分、加噪圖像、時(shí)間步作為輸入，輸出加噪圖像中包含的噪聲信息；訓(xùn)練好的噪聲預(yù)測(cè)網(wǎng)絡(luò)通過(guò)反向馬爾科夫鏈過(guò)程進(jìn)行多輪去噪迭代，生成最終的融合結(jié)果。本發(fā)明得到的融合結(jié)果空間和光譜信息保真度高，顯著提高了噪聲預(yù)測(cè)的精度。[0005]本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案包括如下步驟：[0007]對(duì)成對(duì)、配準(zhǔn)的大幅遙感多光譜MS圖像和全色圖像PAN按照從左到右、從上到下的順序截取圖像塊，并將這些圖像塊分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；[0008]先對(duì)訓(xùn)練集、驗(yàn)證集和測(cè)試集進(jìn)行歸一化處理；再對(duì)訓(xùn)練集、驗(yàn)證集和測(cè)試集中的圖像塊按照Wald協(xié)議進(jìn)行處理，然后將處理過(guò)的圖像塊作為模型的輸入；5[0011]所述加噪過(guò)程如圖2所示，設(shè)置加噪的總步長(zhǎng)為T,對(duì)任意時(shí)間步t～{1,…,T},通過(guò)公式(1)和(2)直接計(jì)算原始多光譜圖像R?加噪到t時(shí)刻的數(shù)據(jù)分布：[0014]其中Yt=li=1αi,α是預(yù)定義的固定參數(shù)，取值范圍為(0,1);∈為服從標(biāo)準(zhǔn)高斯分布的噪聲信息；R?為多光譜圖像；R表示加噪至t時(shí)刻的多光譜圖像；I表示一個(gè)值全為1的[0015]步驟3:噪聲預(yù)測(cè)網(wǎng)絡(luò)模型構(gòu)建；[0016]所述噪聲預(yù)測(cè)網(wǎng)絡(luò)接收的輸入信息包括時(shí)間步t、時(shí)間步t的加噪圖像R、細(xì)節(jié)信息P2-Mr,其中P?表示全色圖像在通道維度上復(fù)制到與多光譜圖像通道數(shù)量一致，MF表示多光譜圖像進(jìn)行r倍上采樣至空間分辨率與全色圖像一致，求差后得到細(xì)節(jié)信息作為網(wǎng)絡(luò)的模塊和融合模塊；時(shí)間步模塊編碼加噪時(shí)刻t并傳入網(wǎng)絡(luò)的其他模塊，輸入信息依次通過(guò)下[0018]網(wǎng)絡(luò)在輸入端，細(xì)節(jié)信息P2-M與加噪圖像R,在通道維度上連接；所述噪聲預(yù)測(cè)網(wǎng)絡(luò)使用一個(gè)卷積層統(tǒng)一處理輸入信息；[0019]具體各個(gè)部分的構(gòu)建過(guò)程如下：[0021]所述噪聲預(yù)測(cè)網(wǎng)絡(luò)與時(shí)間步相關(guān)，輸入的時(shí)間步t～{1,…,T}編碼為一維向量，隨后通過(guò)Linear線性變化層，該一維向量將傳入噪聲預(yù)測(cè)網(wǎng)絡(luò)的所有上采樣模塊、下采樣模塊和融合模塊；一維向量在傳入每個(gè)模塊前，會(huì)再通過(guò)一個(gè)Linear線性變化層，將其長(zhǎng)度轉(zhuǎn)換為當(dāng)前模塊的輸入通道數(shù)量，從而與當(dāng)前模塊的輸入求和；[0023]所述下采樣模塊為組歸一化GN層、leaklyRelu激活函數(shù)、卷積層順序級(jí)聯(lián)的結(jié)構(gòu)；卷積層的下采樣操作通過(guò)調(diào)整步長(zhǎng)實(shí)現(xiàn)，將輸入下采樣模塊的特征圖進(jìn)行2倍空間下采樣，輸出通道相對(duì)輸入通道數(shù)量翻倍；長(zhǎng)為1的卷積層順序級(jí)聯(lián)的結(jié)構(gòu)，將輸入上采樣模塊的特征圖進(jìn)行2倍空間上采樣，輸出通道相對(duì)輸入通道數(shù)量減半；上采樣模塊的卷積層使用跳躍連接，接收同尺寸的下采樣模塊輸出；所述上采樣層采用雙線性插值算法實(shí)現(xiàn)2倍的空間上采樣；層順序級(jí)聯(lián)的結(jié)構(gòu)；融合模塊的卷積層使用跳躍連接，接收第一個(gè)卷積層的輸出與網(wǎng)絡(luò)輸入(P?-M,R);6布中采樣得到∈,從訓(xùn)練數(shù)據(jù)中選取一個(gè)批量的參考圖像R?,通過(guò)公式(2)加噪得到R,計(jì)[0037]優(yōu)選地，所述Wald協(xié)議處理指首先使用5×5大小的高64×4;測(cè)試集的PAN圖像塊尺寸為102圖像的差作為條件信息引導(dǎo)，從任意服從標(biāo)準(zhǔn)高斯分布的數(shù)據(jù)樣本通過(guò)T步迭代生成同時(shí)附圖說(shuō)明7和反向去噪過(guò)程，通過(guò)馬爾科夫鏈逐步將訓(xùn)練數(shù)據(jù)加噪為高斯噪聲，再通過(guò)噪聲預(yù)測(cè)網(wǎng)絡(luò)的輸出逐步去噪采樣得到高分辨率的多光譜圖像。噪聲預(yù)測(cè)網(wǎng)絡(luò)使用U型網(wǎng)絡(luò)結(jié)構(gòu)架構(gòu)，通過(guò)重加權(quán)的變分下界損失函數(shù)優(yōu)化模型參數(shù)，輸入為細(xì)節(jié)信息、加噪圖像和時(shí)間步，輸出加噪圖像中的噪聲信息。訓(xùn)練好的噪聲預(yù)測(cè)網(wǎng)絡(luò)通過(guò)反向馬爾科夫鏈過(guò)程進(jìn)行多輪去噪迭代，生成最終的融合結(jié)果。細(xì)節(jié)信息為全色圖像與上采樣多光譜圖像的差值。包括如下步[0048]數(shù)據(jù)來(lái)自QuickBird(QB)、WorldView-4(WV-4)和WorldView-2(WV-2)衛(wèi)星傳感器。綠、紅和近紅外波段。對(duì)于WV-4數(shù)據(jù)，PAN的空間分辨率為0.3米，MS的空間分辨率為1.2米，波段。三個(gè)數(shù)據(jù)集中MS和PAN圖像之間的空間分辨率比均為4。[0049]訓(xùn)練集和驗(yàn)證集的圖像塊尺寸為256×256(PAN)/64×64×4(MS),測(cè)試集的圖像沒(méi)有參考圖，對(duì)訓(xùn)練集、驗(yàn)證集和測(cè)試集中的MS圖像塊和PAN圖像塊按照Wald協(xié)議進(jìn)行處理，然后將處理過(guò)的圖像作為網(wǎng)絡(luò)的輸入，將原始MS圖像作為參考圖像，處理后的PAN圖像塊記作P,MS圖像塊記作M,原始MS圖像塊記作R。[0050]步驟2:正向加噪過(guò)程[0051]所述加噪過(guò)程如圖2所示，設(shè)置加噪的總步長(zhǎng)T=1000,對(duì)任意時(shí)刻t～{1,…,T},通過(guò)下述公式直接計(jì)算原始多光譜圖像R?加噪到t時(shí)刻的數(shù)據(jù)分布：[0054]其中Y=Ili=1αi,α是預(yù)定義的固定參數(shù)，取值范圍為(0,1),隨著時(shí)間步t的增加，多光譜圖像R。會(huì)逐步被高斯噪聲打亂，若加噪總步長(zhǎng)T足夠大，R將會(huì)服從高斯分布N(0,I),I表示一個(gè)值全為1的矩陣；∈為服從標(biāo)準(zhǔn)高斯分布的噪聲信息；[0055]所述α服從線性噪聲策略(Linearnoiseschedule),即α=1-β,β?在[10?,102]塊和融合模塊，網(wǎng)絡(luò)接收的輸入信息包括時(shí)間步t,該時(shí)刻的加噪圖像R,細(xì)節(jié)信息P-M,其中P°表示全色圖像在通道維度上復(fù)制到與多光譜圖像通道數(shù)量一致，M表示多光譜圖像進(jìn)行r倍上采樣至空間分辨率與全色圖像一致，求差后得到細(xì)節(jié)信息作為網(wǎng)絡(luò)的引導(dǎo)條件；[0059]所述噪聲預(yù)測(cè)網(wǎng)絡(luò)與時(shí)間步相關(guān)，輸入的整數(shù)時(shí)間步t～{1,...,T}編碼為一維向量，隨后通過(guò)Linear線性變化層，該向量將傳入U(xiǎn)型網(wǎng)絡(luò)結(jié)構(gòu)的所有上采樣、下采樣和融合8模塊；所述向量在傳入每個(gè)模塊前，會(huì)再通過(guò)一個(gè)Linear線性變化層，將其長(zhǎng)度轉(zhuǎn)換為當(dāng)前模塊的輸入通道數(shù)量，從而與當(dāng)前模塊的輸入求和。[0060]步驟3-2:構(gòu)建下采樣模塊[0061]所述下采樣模塊為組歸一化GN層、leaklyRelu激活函數(shù)、卷積層順序級(jí)聯(lián)的結(jié)構(gòu)；卷積層窗口大小為3×3,填充為2,步長(zhǎng)為1,從而對(duì)特征圖進(jìn)行2倍下采樣，輸出通道相對(duì)輸入通道數(shù)量翻倍；[0062]步驟3-3:構(gòu)建上采樣模塊積層順序級(jí)聯(lián)的結(jié)構(gòu)；卷積層窗口尺寸為3×3,填充為1,步長(zhǎng)為1,從而對(duì)特征圖進(jìn)行2倍上采樣，輸出通道相對(duì)輸入通道數(shù)量減半；上采樣模塊的卷積層使用跳躍連接，接收同尺寸的下采樣模塊輸出；所述上采樣層采用雙線性插值算法實(shí)現(xiàn)2倍的空間上采樣。[0064]步驟3-4:構(gòu)建融合模塊[0065]所述融合模塊為組歸一化GN層、leaklyRelu激活函數(shù)、跳躍連接、卷積層順序級(jí)聯(lián)的結(jié)構(gòu)；卷積層窗口尺寸為3×3,填充為1,步長(zhǎng)為1,從而保持特征圖尺寸不變；融合模塊的卷積層使用跳躍連接，接收第一個(gè)卷積層的輸出與網(wǎng)絡(luò)輸入(P?-M,R.);[0066]步驟4:訓(xùn)練噪聲預(yù)測(cè)網(wǎng)絡(luò)[0067]所述噪聲預(yù)測(cè)網(wǎng)絡(luò)ε。(R,t,P-M)通過(guò)變分下界推導(dǎo)的損失函數(shù)進(jìn)行優(yōu)化，以R?到R,加入的噪聲∈為目標(biāo)；從均勻分布中選取某個(gè)時(shí)刻t～{1,...,T},從標(biāo)準(zhǔn)正態(tài)分布中采樣得到∈,從訓(xùn)練數(shù)據(jù)中選取一個(gè)批量的參考圖像R?,通過(guò)公式(2)加噪得到R,計(jì)算細(xì)節(jié)信息，通過(guò)下式使噪聲預(yù)測(cè)網(wǎng)絡(luò)的參數(shù)訓(xùn)練至收斂：[0069]具體地，使用Adam優(yōu)化器，以0.收斂時(shí)停止訓(xùn)練。[0070]步驟5:反向去噪流程[0071]所述反向去噪流程如圖2所示；所述噪聲預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，算法基于馬爾科夫鏈過(guò)程，從標(biāo)準(zhǔn)正態(tài)分布中采樣得到兩個(gè)樣本R?和z,使用下述公式進(jìn)行T步迭代，當(dāng)t=0時(shí)迭代終止，算法從高斯噪聲R?去噪得到全色圖像P和多光譜圖像M的融合結(jié)果：PD-M1)使用全卷積網(wǎng)絡(luò)架構(gòu)，直接應(yīng)用于原始分辨率下遙感圖像的融合，基于公式(4)從高斯分布噪聲出發(fā)通過(guò)T步去噪迭代得到融合結(jié)果。[0076]使用寬高比例均為4:1且互相配準(zhǔn)的全色圖像和多光譜圖像，進(jìn)行如下處理：[0077]①讀取圖像，將原圖劃分成兩部分，分別作為訓(xùn)練數(shù)據(jù)圖像、測(cè)試數(shù)據(jù)圖像，劃分原則為使兩部分的寬度相同且高度比例為9:1.PAN、MS均做此處理；9像塊，其中PAN的圖像塊尺寸為256×256、MS的圖像塊尺寸為64×64×4(4為通道數(shù)，當(dāng)MS通道數(shù)為8時(shí)，可相應(yīng)改為8)。測(cè)試數(shù)據(jù)部分以類似方式構(gòu)造，其中PAN的圖像塊尺寸為1024×1024、MS的圖像塊尺寸為256×256×4。[0079]③訓(xùn)練數(shù)據(jù)部分隨機(jī)劃分出1/9作為驗(yàn)證集數(shù)據(jù)。[0080]至此得到訓(xùn)練集、驗(yàn)證集、含743對(duì)圖像，測(cè)試集包含156對(duì)圖像；對(duì)于WV-4,訓(xùn)練集包含7166對(duì)圖像，驗(yàn)證集包含772對(duì)圖像，測(cè)試集包含271對(duì)圖像；對(duì)于WV-2,訓(xùn)練集包含9641對(duì)圖像，驗(yàn)證集包含試集包含136對(duì)圖像。[0081]④根據(jù)Wald協(xié)議進(jìn)行處理時(shí)，將PAN圖和MS圖用以高斯核為5×5、標(biāo)準(zhǔn)差取2的方式進(jìn)行高斯模糊后，再下采樣4倍作為新圖像構(gòu)成訓(xùn)練集。驗(yàn)證集和測(cè)試集進(jìn)行相同操作。[0082]至此數(shù)據(jù)集準(zhǔn)備步驟完成。[0083](2)噪聲預(yù)測(cè)融合網(wǎng)絡(luò)模型構(gòu)建[0084]網(wǎng)絡(luò)結(jié)構(gòu)圖見(jiàn)圖3,構(gòu)建網(wǎng)絡(luò)的重要參數(shù)包括：[0085]①整個(gè)網(wǎng)絡(luò)所使用的卷積層：所有卷積層的窗口尺寸為3×3;下采樣模塊的卷積層步長(zhǎng)為2,填充為1;其他模塊的卷積層步長(zhǎng)為1,填充為1。量；所述跳躍連接發(fā)生在上采樣模塊和融合模塊，將輸入信息與下采樣模塊的輸出傳入網(wǎng)絡(luò)后半段，在通道維度上連接分辨率相同的特征；[0087]②所述時(shí)