本发明涉及图像重建，更具体的说是涉及一种基于扩散隐式模型的图像超分辨率重建方法、系统及可读存储介质。
背景技术：
1、目前，图像超分辨率算法作为有效提升图像分辨率的一种技术，在各个领域被广泛研究。
2、但是，传统的图像超分辨率算法在实际应用中存在着效率和精度低等问题，从而导致其综合性能受到一定的限制，实现超分辨率的表现不佳。基于深度学习的方法在图像质量和性能方面具有优势，特别是基于生成对抗网络和注意力机制的方法。然而，这些方法仍面临一些挑战，当前的主流深度学习算法在图像超分辨率重建过程中，往往对训练数据集的依赖过强，导致在未见过的图像上泛化能力不足，即所谓的“过拟合”问题。其次，这些深度学习模型通常需要大量的计算资源和内存，导致在实际应用中运行效率低下。此外，现有的图像超分辨率技术对于图像噪声的敏感性较高，容易在重建过程中引入伪影和失真，再者，当前的图像超分辨率技术往往缺乏足够的图像理解能力，它们大多基于大量的数据学习图像的退化分布，却忽视了对图像内容的深入解析，导致在恢复物体结构和纹理时效果不佳。最后，图像超分辨率技术往往需要在重建质量和计算效率之间进行权衡，如何在保证高质量重建的同时降低计算成本，仍是当前技术面临的一大挑战。
3、因此，如何提供一种能够解决上述问题的图像超分辨率重建方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于扩散隐式模型的图像超分辨率重建方法、系统及可读存储介质，通过在训练过程中学习正常图像的数据分布，在推理过程中输入异常样本并通过学习到健康分布的模型重建出正常图像，将输入图像与输出图像作差来实现对异常部位的检测。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种基于扩散隐式模型的图像超分辨率重建方法，包括以下步骤：
4、获取高分辨率图像以及对应的低分辨率图像数据集；
5、构建扩散隐式模型，并将所述高分辨率图像输入至所述扩散隐式模型进行处理，得到噪声图像，同时对所述低分辨率图像数据集进行处理得到对应的图像；
6、构建处理模型，并将所述图像与所述噪声图像进行连接操作后作为训练数据集对所述处理模型进行训练；
7、利用经过训练的所述处理模型对输入的图像进行处理，得到高分辨率图像。
8、优选的，得到噪声图像的具体过程包括：
9、构建扩散隐式模型，并定义所述扩散隐式模型的前向过程；
10、利用所述扩散隐式模型的前向过程多次对所述高分辨率图像添加噪声，得到对应的高斯噪声图像，所述高斯噪声图像即为所述噪声图像。
11、优选的，对所述低分辨率图像进行处理得到对应的图像的具体处理过程包括：
12、对所述低分辨率图像双三次插值退化操作得到对应的所述图像。
13、优选的，将所述图像与所述噪声图像连接的具体处理过程包括：
14、构建去噪计算模型，并将所述低分辨率图像以及所述噪声图像输入至所述去噪计算模型，其中所述低分辨率图像作为引导条件，所述噪声图像的定义为：
15、
16、式中，yt表示噪声图像，表示噪声方差，y0表示高分辨率图像，ε表示噪声向量；
17、所述去噪计算模型将噪声方差作为输入，对应的目标函数的具体表达式为：
18、
19、式中，fθ表示去噪计算模型，x表示图像，(x,yt)从训练数据集中采样，p表示使用l1或l2范数；
20、通过上述过程实现对所述图像的加噪与噪声预测。
21、优选的，所述处理模型为u-net网络，包括依次连接的编码器及解码器。
22、本发明还提供一种基于扩散隐式模型的图像超分辨率重建系统，包括：
23、获取模块，用于获取高分辨率图像以及对应的低分辨率图像数据集；
24、处理模块，用于构建扩散隐式模型，并将所述高分辨率图像输入至所述扩散隐式模型进行处理，得到噪声图像，同时对所述低分辨率图像数据集进行处理得到对应的图像；
25、训练模块，用于构建处理模型，并将所述图像与所述噪声图像进行连接操作后作为训练数据集对所述处理模型进行训练；
26、重建模块，用于利用经过训练的所述处理模型对输入的图像进行处理，得到高分辨率图像。
27、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的图像超分辨率重建方法。
28、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于扩散隐式模型的图像超分辨率重建方法、系统及可读存储介质，通过引入低分辨率图像作为条件输入，并对扩散隐式模型的网络结构进行优化，克服了原有扩散模型的缺陷，不再将前向过程限制成马尔可夫链，提升了采样速度，加速了整个采样过程，同时扩散隐式模型从噪声生成样本的过程是确定的，中间没有随机噪声的加入，简化了计算，能更好的进行优化。为了验证本发明提供方法的有效性，在ffhq数据集和celeba-hq数据集上进行了实验，使用了图像超分辨率评价指标psnr和ssim与扩散概率模型进行结果的对比，实验结果表明，本发明提出的扩散隐式模型实现图像超分辨率重建的方法不但大幅减少了采样步数，节约了采样时间，并且在不同数据集上都取得了不错的效果。
1.一种基于扩散隐式模型的图像超分辨率重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于扩散隐式模型的图像超分辨率重建方法，其特征在于，得到噪声图像的具体过程包括：
3.根据权利要求1所述的一种基于扩散隐式模型的图像超分辨率重建方法，其特征在于，对所述低分辨率图像进行处理得到对应的图像的具体处理过程包括：
4.根据权利要求3所述的一种基于扩散隐式模型的图像超分辨率重建方法，其特征在于，将所述图像与所述噪声图像连接的具体处理过程包括：
5.根据权利要求1所述的一种基于扩散隐式模型的图像超分辨率重建方法，其特征在于，所述处理模型为u-net网络，包括依次连接的编码器及解码器。
6.一种利用权利要求1-5任一项所述的一种基于扩散隐式模型的图像超分辨率重建方法的重建系统，其特征在于，包括：
7.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的图像超分辨率重建方法。
