CN109872276A - 用于生成图像超分辨率模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成图像超分辨率模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；获取初始生成对抗网络；利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。该实施方式有助于提高利用图像超分辨率模型生成超分辨率图像的清晰度。

Description

用于生成图像超分辨率模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成图像超分辨率模型的方法和装置。

背景技术

图像超分辨率是指由一幅低分辨率图像或恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前，图像超分辨率研究可分为三个主要范畴：基于插值、基于重建和基于机器学习的方法。现有的图像超分辨率方法，通常由原始图像直接生成分辨率扩大后的图像，生成图像的过程需要进行大量的计算。

发明内容

本公开的实施例提出了用于生成图像超分辨率模型的方法和装置，以及用于生成超分辨率图像的方法和装置。

第一方面，本公开的实施例提供了一种用于生成图像超分辨率模型的方法，该方法包括：获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；获取初始生成对抗网络，其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

在一些实施例中，预设数量个级联的生成网络中，互相连接的两个生成网络的下一级生成网络的输入是上一级生成网络输出的特征矩阵。

在一些实施例中，对初始生成对抗网络进行训练，包括：利用预设的损失函数对初始生成对抗网络进行训练，其中，预设的损失函数包括用于确定判别网络的判别结果与真实结果的差异的判别损失函数，以及用于确定生成网络生成的大分辨率图像与样本大分辨率图像的差异的生成损失函数。

在一些实施例中，初始生成对抗网络包括的预设数量个级联的生成网络为预先利用生成损失函数训练得到的。

在一些实施例中，初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵；以及对初始生成对抗网络进行训练，包括：对于预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵；利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及判别损失函数和生成损失函数，对初始生成对抗网络进行训练。

在一些实施例中，特征损失函数包括以下至少一种损失函数：感知损失函数、基于格拉姆矩阵的损失函数。

第二方面，本公开的实施例提供了一种用于生成超分辨率图像的方法，该方法包括：获取待放大图像；将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，图像超分辨率模型是根据上述第一方面中任一实施例描述的方法生成的。

第三方面，本公开的实施例提供了一种用于生成图像超分辨率模型的装置，该装置包括：第一获取单元，被配置成获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；第二获取单元，被配置成获取初始生成对抗网络，其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；训练单元，被配置成利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

在一些实施例中，预设数量个级联的生成网络中，互相连接的两个生成网络的下一级生成网络的输入是上一级生成网络输出的特征矩阵。

在一些实施例中，训练单元进一步被配置成：利用预设的损失函数对初始生成对抗网络进行训练，其中，预设的损失函数包括用于确定判别网络的判别结果与真实结果的差异的判别损失函数，以及用于确定生成网络生成的大分辨率图像与大分辨率图像的差异的生成损失函数。

在一些实施例中，初始生成对抗网络包括的预设数量个级联的生成网络为预先利用生成损失函数训练得到的。

在一些实施例中，初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵；以及训练单元，包括：特征提取模块，被配置成对于预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵；训练模块，被配置成利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及判别损失函数和生成损失函数，对初始生成对抗网络进行训练。

在一些实施例中，特征损失函数包括以下至少一种损失函数：感知损失函数、基于格拉姆矩阵的损失函数。

第四方面，本公开的实施例提供了一种用于生成超分辨率图像的装置，该装置包括：获取单元，被配置成获取待放大图像；输出单元，被配置成将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，图像超分辨率模型是根据上述第一方面中任一实施例描述的方法生成的。

第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成图像超分辨率模型的方法和装置，通过利用机器学习方法，使用训练样本训练包括预设数量个级联的生成网络和预设数量个判别网络的初始生成对抗网络，最终得到图像超分辨率模型，从而使得训练得到的超分辨率模型能够逐级地对输入的原始图像进行分辨率放大，能够细化放大图像分辨率的过程，使得放大分辨率后的图像更加清晰。并且可以减少每一级生成网络的运算量，从而有助于提高利用图像超分辨率模型生成超分辨率图像的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的实施例的用于生成图像超分辨率模型的方法的一个实施例的流程图；

图3是根据本公开的实施例的初始生成对抗网络的结构示意图；

图4是根据本公开的实施例的包含特征提取网络的初始生成对抗网络的结构示意图；

图5是根据本公开的实施例的用于生成图像超分辨率模型的方法的一个应用场景的示意图；

图6是根据本公开的实施例的用于生成超分辨率图像的方法的一个实施例的流程图；

图7是根据本公开的实施例的用于生成图像超分辨率模型的装置的一个实施例的结构示意图；

图8是根据本公开的实施例的用于生成超分辨率图像的装置的一个实施例的结构示意图；

图9是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于生成图像超分辨率模型的方法或用于生成图像超分辨率模型的装置，以及用于生成超分辨率图像的方法或用于生成超分辨率图像装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、网页浏览器应用、即时通信工具、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的图像提供支持的后台图像处理服务器。后台图像处理服务器可以使用获取到的训练样本集合对初始生成对抗网络进行训练，从而得到图像超分辨率模型。此外，后台图像处理服务器还可以使用图像超分辨率模型对待放大分辨率的图像进行处理，得到超分辨率图像。

需要说明的是，本公开的实施例所提供的用于生成图像超分辨率模型的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成图像超分辨率模型的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。此外，本公开的实施例所提供的用于生成超分辨率图像的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成超分辨率图像的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在训练样本集合或待放大图像不需要从远程获取的情况下，上述系统架构可以不包括网络，而只需服务器或终端设备。

继续参考图2，示出了根据本公开的用于生成图像超分辨率模型的方法的一个实施例的流程200。该用于生成图像超分辨率模型的方法，包括以下步骤：

步骤201，获取训练样本集合。

在本实施例中，用于生成图像超分辨率模型的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程获取训练样本集合，或从本地获取训练样本集合。其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像。预设数量个样本大分辨率图像组成图像序列，按照分辨率由小到大的顺序排列。具体地，样本大分辨率图像和初始样本图像中显示的内容相同。通常，各个样本大分辨率图像的分辨率，相比初始样本图像的分辨率，是逐渐放大的，并且，逐渐放大的方式可以是按照预设的放大比例逐渐放大，或者按照预设的分辨率差逐渐放大。例如，假设预设数量为12，初始样本图像的分辨率为128×128，预设的分辨率差为32，则各个样本大分辨率图像的分辨率依次为160×160、192×192、224×224、……512×512。

通常，上述预设数量个样本大分辨率图像和初始样本图像，是根据其中的分辨率最大的图像逐渐缩小生成的，从而有利于使得训练得到的图像超分辨率模型在对输入的图像逐级放大分辨率率的过程中，不影响图像的清晰度。

步骤202，获取初始生成对抗网络。

在本实施例中，上述执行主体可以从本地或从远程获取初始生成对抗网络。其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应。生成网络用于利用所输入的图像生成分辨率放大后的大分辨率图像，判别网络用于确定所输入的图像是否为真实的大分辨图像。对于一个生成网络，该生成网络输出的大分辨率图像的分辨率与该生成网络对应的样本大分辨率图像的分辨率相同。应当理解，初始生成对抗网络可以是初始化参数后，未经训练的生成对抗网络，也可以是预先训练过的生成对抗网络。

在本实施例中，上述预设数量个级联的生成网络的排列顺序，是根据样本大分辨率图像的排列顺序确定的，即按照生成网络输出的大分辨率图像的分辨率由小到大的顺序，排列各个生成网络。每个样本大分辨率图像对应于一个生成网络，所对应的生成网络能够输出与该样本大分辨率图像的分辨率相同的大分辨率图像。

需要说明的是，生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，判别网络也可以是用于实现分类功能的其他模型，例如支持向量机(SupportVector Machine，SVM)。此处，判别网络若判定输入判别网络的图像是对应的生成网络所输出的大分辨率图像，则可以输出1；若判定不是对应的生成网络所输出的图像(即真实的样本大分辨率图像)，则可以输出0。需要说明的是，判别网络也可以输出其他预先设置的信息，不限于数值1和0。

级联的生成网络中，上一级生成网络的输出包括下一级生成网络的输入。当上一级包括至少两个输出时，具体将哪个输出作为下一级的输入可以预先确定。作为示例，上一级生成网络可以输出大分辨率图像，该大分辨率图像可以作为下一级生成网络的输入。

在本实施例的一些可选的实现方式中，上述预设数量个级联的生成网络中，互相连接的两个生成网络中的下一级生成网络的输入是上一级生成网络输出的特征矩阵。其中，特征矩阵可以用于表征图像的各种特征(例如颜色、形状等特征)。生成网络可以对特征矩阵进行处理，生成大分辨率图像。根据特征矩阵生成图像的方法是目前广泛研究和使用的公知技术，这里不再赘述。

作为示例，如图3所示，初始生成对抗网络包括12个生成网络(分别为G1-G12)和12个判别网络(分别为D1-D12)，其中，G1输出的特征矩阵可以直接输入G2，G2输出的特征矩阵可以直接输入G3，以此类推。G1-G12还可以分别输出大分辨率图像I1-I12，I1-I12的分辨率逐渐增加。G1-G12分别对应于样本大分辨率图像S1-S12。

本实现方式可以使得训练好的图像超分辨率模型在大分辨率图像的分辨率的过程中，中间各级生成网络无需生成图像，而只需在最后一级生成网络生成最终的超分辨率图像，从而提高了模型处理图像的效率。

步骤203，利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

在本实施例中，上述执行主体可以利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于上述预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

具体地，可以首先固定上述预设数量个生成网络和预设数量个判别网络中的任一种网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行优化。不断进行上述迭代，使判别网络无法区分输入的图像是否是生成网络所生成的。此时，生成网络所生成的大分辨率图像与样本大分辨率图像接近，判别网络无法准确区分大分辨率图像和样本大分辨率图像(即判别准确率为50％)，可以将此时的预设数量个生成网络确定为图像超分辨率模型。需要说明的是，对于某个判别网络，输入该判别网络的样本大分辨率图像可以从预设数量个样本大分辨率图像中按照各种方式选择(例如随机选择)出的。

可选地，上述执行主体可以按照如下训练步骤训练初始生成对抗网络：

首先，固定上述预设数量个生成网络的参数，将初始样本图像作为第一级生成网络的输入，将每一级生成网络输出的图像和样本大分辨率图像作为对应的判别网络的输入，利用机器学习方法对上述判别网络进行训练。其中，输入判别网络的样本大分辨率图像可以是从预设数量个样本大分辨率图像中按照各种方式选择(例如随机选择)出的。然后，固定训练后的各个判别网络的参数，将初始样本图像作为第一级生成网络的输入，利用反向传播算法和梯度下降算法对上述生成网络进行训练。上述反向传播算法、上述梯度下降算法是目前广泛研究和应用的公知技术，在此不再赘述。最后，统计训练后的上述判别网络输出的判别结果的准确率，响应于确定上述准确率为预设数值(例如50％)，将上述生成网络确定为上述图像生成模型。实践中，可以通过使用损失函数确定损失值，根据损失值迭代地训练生成网络和判别网络，以使每次迭代运算时确定的损失值最小。

需要说明的是，上述执行主体可以响应于确定上述准确率不为上述预设数值，从训练样本集合中重新选择训练样本，利用重新选择的训练样本，使用调整参数后的各个生成网络和各个判别网络，重新执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述执行主体可以利用预设的损失函数对初始生成对抗网络进行训练。其中，预设的损失函数包括用于确定判别网络的判别结果与真实结果(即用于表征真实结果的标注信息)的差异的判别损失函数(例如交叉熵损失函数)，以及用于确定生成网络生成的大分辨率图像与大分辨率图像的差异的生成损失函数(例如均方误差(Mean Squared Error，MSE)损失函数、平均绝对值误差(Mean AbsoluteError，MAE)等)。通常，每一级生成网络对应于一个预设的生成损失函数。每个判别网络对应于一个预设的判别损失函数。迭代训练时，根据损失函数的损失值，调整对应生成网络或判别网络的参数，以使损失值逐渐减小。

在本实施例的一些可选的实现方式中，初始生成对抗网络包括的预设数量个级联的生成网络为预先利用生成损失函数训练得到的。作为示例，生成损失函数可以是MSE损失函数。上述执行主体或其他电子设备可以预先使用少数训练样本对上述预设数量个级联的生成网络进行训练，得到初始生成对抗网络。进而，上述执行主体可以再对整个初始生成对抗网络进行训练。使用预先训练的初始生成对抗网络，可以使得在使用上述训练样本集合进行训练的开始阶段时，减少生成网络生成大分辨率图像发生的错误，有利于提高模型训练的效率和准确性。

在本实施例的一些可选的实现方式中，初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵。上述执行主体可以按照如下步骤对初始生成对抗网络进行训练：

首先，对于预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵。作为示例，如图4所示，初始生成对抗网络包括12个生成网络(分别为G1-G12)、12个判别网络(分别为D1-D12)、12个特征提取网络(分别为F1-F12)。其中，G1输出的特征矩阵可以直接输入G2，G2输出的特征矩阵可以直接输入G3，以此类推。G1-G12还可以分别输出大分辨率图像I1-I12，I1-I12的分辨率逐渐增加。G1-G12分别对应于样本大分辨率图像S1-S12。S1和I1输入对应的判别网络D1和特征提取网络F1，S2和I2输入对应的判别网络D2和特征提取网络F2，以此类推。其中，输入判别网络的样本大分辨率图像可以是从预设数量个样本大分辨率图像中按照各种方式选择(例如随机选择)出的。

利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及判别损失函数和生成损失函数，对初始生成对抗网络进行训练。

在本实施例的一些可选的实现方式中，特征损失函数可以包括以下至少一种损失函数：感知损失函数(Perceptual Losses)、基于格拉姆(Gram)矩阵的损失函数。其中，感知损失函数是现有的用于对图像进行风格转换所用到的损失函数。Gram矩阵可以表征一个图像中包含的特征中，两两特征之间的相关性，因此，Gram矩阵可以反映整个图像的大体风格。实践中，通常将上述放大特征矩阵和样本放大特征矩阵分别转换为Gram矩阵，再利用现有的确定表征特征矩阵之间的差异的损失函数(例如MSE损失函数)，确定出损失值。需要说明的是，上述感知损失函数和转换为格拉姆矩阵的方法是目前广泛使用和研究的公知技术，这里不再赘述。

实践中，对初始生成对抗网络进行训练时，对于每一级生成网络和对应的判别网络、特征提取网络，可以使用上述判别损失函数、生成损失函数、感知损失函数和基于格拉姆矩阵的损失函数。从而对每一级生成网络进行优化，最终训练得到图像超分辨率模型。

通过使用上述感知损失函数和基于格拉姆矩阵的损失函数，可以有效地通过比较生成的大分辨率图像和样本大分辨率图像的风格差异，提高生成大分辨率图像的准确性。

继续参见图5，图5是根据本实施例的用于生成图像超分辨率模型的方法的应用场景的一个示意图。在图5的应用场景中，电子设备501(例如图1所示的服务器)，首先从本地获取训练样本集合502。其中，每个训练样本包括预设分辨率(例如128×128)的初始样本图像和预设数量个(例如12个)样本大分辨率图像(例如S1-S12)。样本大分辨率图像的分辨率为分别为：128×128、160×160、192×192、…、512×512。然后，电子设备501获取初始生成对抗网络。其中，初始生成对抗网络包括12个级联的生成网络(分别为G1-G12)和12个判别网络(分别为D1-D12)。每个生成网络分别对应于一个判别网络，上一级生成网络输出的特征矩阵作为下一级生成网络的输入。生成网络和判别网络均为卷积神经网络。最后，电子设备501利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为12个级联的生成网络中的第一级生成网络G1的输入，将每个生成网络输出的大分辨率图像(例如图中的I1-I12，分辨率分别与S1-S12相同)与样本大分辨率图像作为对应的判别网络的输入，其中，输入判别网络的样本大分辨率图像是从预设数量个样本大分辨率图像中随机选择的。对初始生成对抗网络进行训练，使得每个判别网络的判别准确率接近50％(例如准确率位于以50％为中心的预设误差范围内)。最终将训练后的12个级联的生成网络确定为图像超分辨率模型503。

本公开的上述实施例提供的方法，通过利用机器学习方法，使用训练样本训练包括预设数量个级联的生成网络和预设数量个判别网络的初始生成对抗网络，最终得到图像超分辨率模型，从而使得训练得到的超分辨率模型能够逐级地对输入的原始图像进行分辨率放大，能够细化放大图像分辨率的过程，使得放大分辨率后的图像更加清晰。并且可以减少每一级生成网络的运算量，从而有助于提高利用图像超分辨率模型生成超分辨率图像的效率。

进一步参考图6，其示出了根据本公开的用于生成超分辨率图像的方法的一个实施例的流程600。该用于生成超分辨率图像的方法的流程600，包括以下步骤：

步骤601，获取待放大图像。

在本实施例中，用于生成超分辨率图像的方法执行主体(如图1所示的服务器或终端设备)可以从本地或从远程获取待放大图像。其中，待放大图像是待对其进行分辨率放大的图像。待放大图像的分辨率可以是任意的。

步骤602，将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出。

在本实施例中，上述执行主体可以将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出。其中，图像超分辨率模型是根据上述图2对应实施例描述的方法生成的。上述执行主体可以按照各种方式将生成的超分辨率图像输出，例如，可以将超分辨率图像显示在与上述执行主体包括的显示屏上，或者，将超分辨率图像发送到与上述执行主体通信连接的其他电子设备。

实践中，图像超分辨率模型输出的超分辨率图像的分辨率与输入的待放大图像的分辨率的倍数或分辨率差可以是固定的。当所需要的图像分辨率与图像超分辨率模型输出的超分辨率图像的分别率不一致时，通常可以指定图像超分辨率模型包括的某一级生成网络输出图像作为需要的图像。例如，图像超分辨率模型输出的图像的分别率是待放大图像的分辨率的四倍，如果用户所需要的图像的分辨率为待放大图像的2倍，则上述执行主体可以从各个生成网络中，选择将待放大图像的分辨率放大2倍的生成网络，并输出该生成网络生成的图像作为超分辨率图像。

本公开的上述实施例提供的方法，通过获取待放大图像，将待放大图像输入根据上述图2对应实施例描述的方法生成的图像超分辨率模型，生成超分辨率图像及输出，从而可以利用图像超分辨率模型逐级地对输入的图像进行分辨率放大，提高生成的超分辨率图像的清晰度。

进一步参考图7，作为对上述图2所示的方法的实现，本公开提供了一种用于生成图像超分辨率模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于生成图像超分辨率模型的装置700包括：第一获取单元701，被配置成获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；第二获取单元702，被配置成获取初始生成对抗网络，其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；训练单元703，被配置成利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

在本实施例中，第一获取单元701可以通过有线连接方式或者无线连接方式从远程获取训练样本集合，或从本地获取训练样本集合。其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像。预设数量个样本大分辨率图像组成图像序列，按照分辨率由小到大的顺序排列。具体地，样本大分辨率图像和初始样本图像中显示的内容相同。通常，各个样本大分辨率图像的分辨率，相比初始样本图像的分辨率，是逐渐放大的，并且，逐渐放大的方式可以是按照预设的放大比例逐渐放大，或者按照预设的分辨率差逐渐放大。例如，假设预设数量为12，初始样本图像的分辨率为128×128，预设的分辨率差为32，则各个样本大分辨率图像的分辨率依次为160×160、192×192、224×224、……512×512。。

通常，上述预设数量个样本大分辨率图像和初始样本图像，是根据其中的分辨率最大的图像逐渐缩小生成的，从而有利于使得训练得到的图像超分辨率模型在对输入的图像逐级放大分辨率率的过程中，不影响图像的清晰度。

在本实施例中，第二获取单元702

可以从本地或从远程获取初始生成对抗网络。其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应。生成网络用于利用所输入的图像生成分辨率放大后的大分辨率图像，判别网络用于确定所输入的图像是否为真实的大分辨图像。对于一个生成网络，该生成网络输出的大分辨率图像的分辨率与该生成网络对应的样本大分辨率图像的分辨率相同。应当理解，初始生成对抗网络可以是初始化参数后，未经训练的生成对抗网络，也可以是预先训练过的生成对抗网络。

在本实施例中，上述预设数量个级联的生成网络的排列顺序，是根据样本大分辨率图像的排列顺序确定的，即按照生成网络输出的大分辨率图像的分辨率由小到大的顺序，排列各个生成网络。每个样本大分辨率图像对应于一个生成网络，所对应的生成网络能够输出与该样本大分辨率图像的分辨率相同的大分辨率图像。

需要说明的是，生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，判别网络也可以是用于实现分类功能的其他模型，例如支持向量机(SupportVector Machine，SVM)。此处，判别网络若判定输入判别网络的图像是对应的生成网络所输出的大分辨率图像，则可以输出1；若判定不是对应的生成网络所输出的图像(即真实的样本大分辨率图像)，则可以输出0。需要说明的是，判别网络也可以输出其他预先设置的信息，不限于数值1和0。

级联的生成网络中，上一级生成网络的输出包括下一级生成网络的输入。当上一级包括至少两个输出时，具体将哪个输出作为下一级的输入可以预先确定。作为示例，上一级生成网络可以输出大分辨率图像，该大分辨率图像可以作为下一级生成网络的输入。

在本实施例中，训练单元703可以利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于上述预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

具体地，可以首先固定上述预设数量个生成网络和预设数量个判别网络中的任一种网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行优化。不断进行上述迭代，使判别网络无法区分输入的图像是否是生成网络所生成的。此时，生成网络所生成的大分辨率图像与样本大分辨率图像接近，判别网络无法准确区分大分辨率图像和样本大分辨率图像(即判别准确率为50％)，可以将此时的预设数量个生成网络确定为图像超分辨率模型。需要说明的是，对于某个判别网络，输入该判别网络的样本大分辨率图像可以从预设数量个样本大分辨率图像中按照各种方式选择(例如随机选择)出的。

在本实施例的一些可选的实现方式中，预设数量个级联的生成网络中，互相连接的两个生成网络的下一级生成网络的输入是上一级生成网络输出的特征矩阵。

在本实施例的一些可选的实现方式中，训练单元703可以进一步被配置成：利用预设的损失函数对初始生成对抗网络进行训练，其中，预设的损失函数包括用于确定判别网络的判别结果与真实结果的差异的判别损失函数，以及用于确定生成网络生成的大分辨率图像与样本大分辨率图像的差异的生成损失函数。

在本实施例的一些可选的实现方式中，初始生成对抗网络包括的预设数量个级联的生成网络为预先利用生成损失函数训练得到的。

在本实施例的一些可选的实现方式中，初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵；以及训练单元703包括：特征提取模块(图中未示出)，被配置成对于预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵；训练模块(图中未示出)，被配置成利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及判别损失函数和生成损失函数，对初始生成对抗网络进行训练。

在本实施例的一些可选的实现方式中，特征损失函数包括以下至少一种损失函数：感知损失函数、基于格拉姆矩阵的损失函数

本公开的上述实施例提供的装置700，通过利用机器学习方法，使用训练样本训练包括预设数量个级联的生成网络和预设数量个判别网络的初始生成对抗网络，最终得到图像超分辨率模型，从而使得训练得到的超分辨率模型能够逐级地对输入的原始图像进行分辨率放大，能够细化放大图像分辨率的过程，使得放大分辨率后的图像更加清晰。并且可以减少每一级生成网络的运算量，从而有助于提高利用图像超分辨率模型生成超分辨率图像的效率。

进一步参考图8，作为对上述图6所示的方法的实现，本公开提供了一种用于生成超分辨率图像的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的用于生成超分辨率图像的装置800包括：获取单元801，被配置成获取待放大图像；输出单元802，被配置成将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，图像超分辨率模型是根据上述图2对应实施例描述的方法生成的。

在本实施例中，获取单元801可以从本地或从远程获取待放大图像。其中，待放大图像是待对其进行分辨率放大的图像。待放大图像的分辨率可以是任意的。

在本实施例中，输出单元802可以将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出。其中，图像超分辨率模型是根据上述图2对应实施例描述的方法生成的。上述输出单元802可以按照各种方式将生成的超分辨率图像输出，例如，可以将超分辨率图像显示在与上述装置800包括的显示屏上，或者，将超分辨率图像发送到与上述装置800通信连接的其他电子设备。

本公开的上述实施例提供的装置800，通过获取待放大图像，将待放大图像输入根据上述图2对应实施例描述的方法生成的图像超分辨率模型，生成超分辨率图像及输出，从而可以利用图像超分辨率模型逐级地对输入的图像进行分辨率放大，提高生成的超分辨率图像的清晰度。

下面参考图9，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)900的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；获取初始生成对抗网络，其中，初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；利用机器学习方法，将训练样本集合中的训练样本包括的初始样本图像作为预设数量个级联的生成网络中的第一级生成网络的输入，以及对于预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

此外，当上述一个或者多个程序被该电子设备执行时，还可以使得该电子设备：获取待放大图像；将待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，图像超分辨率模型是根据上述第一方面中任一实施例描述的方法生成的。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第二获取单元、训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取训练样本集合的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于生成图像超分辨率模型的方法，包括：

获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；

获取初始生成对抗网络，其中，所述初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；

利用机器学习方法，将所述训练样本集合中的训练样本包括的初始样本图像作为所述预设数量个级联的生成网络中的第一级生成网络的输入，以及对于所述预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对所述初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

2.根据权利要求1所述的方法，其中，所述预设数量个级联的生成网络中，互相连接的两个生成网络的下一级生成网络的输入是上一级生成网络输出的特征矩阵。

3.根据权利要求1所述的方法，其中，所述对所述初始生成对抗网络进行训练，包括：

利用预设的损失函数对所述初始生成对抗网络进行训练，其中，所述预设的损失函数包括用于确定判别网络的判别结果与真实结果的差异的判别损失函数，以及用于确定生成网络生成的大分辨率图像与样本大分辨率图像的差异的生成损失函数。

4.根据权利要求3所述的方法，其中，所述初始生成对抗网络包括的预设数量个级联的生成网络为预先利用所述生成损失函数训练得到的。

5.根据权利要求3或4所述的方法，其中，所述初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵；以及

所述对所述初始生成对抗网络进行训练，包括：

对于所述预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵；

利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及所述判别损失函数和生成损失函数，对所述初始生成对抗网络进行训练。

6.根据权利要求5所述的方法，其中，所述特征损失函数包括以下至少一种损失函数：感知损失函数、基于格拉姆矩阵的损失函数。

7.一种用于生成超分辨率图像的方法，包括：

获取待放大图像；

将所述待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，所述图像超分辨率模型是根据权利要求1-6之一所述的方法生成的。

8.一种用于生成图像超分辨率模型的装置，包括：

第一获取单元，被配置成获取训练样本集合，其中，训练样本包括预设分辨率的初始样本图像和预设数量个样本大分辨率图像；

第二获取单元，被配置成获取初始生成对抗网络，其中，所述初始生成对抗网络包括预设数量个级联的生成网络和预设数量个判别网络，生成网络与判别网络一一对应；

训练单元，被配置成利用机器学习方法，将所述训练样本集合中的训练样本包括的初始样本图像作为所述预设数量个级联的生成网络中的第一级生成网络的输入，以及对于所述预设数量个级联的生成网络中的生成网络，将该生成网络输出的大分辨率图像与样本大分辨率图像作为对应的判别网络的输入，对所述初始生成对抗网络进行训练，将训练后的预设数量个级联的生成网络确定为图像超分辨率模型。

9.根据权利要求8所述的装置，其中，所述预设数量个级联的生成网络中，互相连接的两个生成网络的下一级生成网络的输入是上一级生成网络输出的特征矩阵。

10.根据权利要求8所述的装置，其中，所述训练单元进一步被配置成：

利用预设的损失函数对所述初始生成对抗网络进行训练，其中，所述预设的损失函数包括用于确定判别网络的判别结果与真实结果的差异的判别损失函数，以及用于确定生成网络生成的大分辨率图像与样本大分辨率图像的差异的生成损失函数。

11.根据权利要求10所述的装置，其中，所述初始生成对抗网络包括的预设数量个级联的生成网络为预先利用所述生成损失函数训练得到的。

12.根据权利要求10或11所述的装置，其中，所述初始生成对抗网络还包括预设数量个特征提取网络，特征提取网络与生成网络一一对应，用于提取所输入的图像的特征矩阵；以及

所述训练单元包括：

特征提取模块，被配置成对于所述预设数量个生成网络中的生成网络，分别将该生成网络输出的大分辨率图像和样本大分辨率图像输入与该生成网络对应的特征提取网络，得到大分辨率图像的放大特征矩阵和样本大分辨率图像的样本放大特征矩阵；

训练模块，被配置成利用预设的、用于确定放大特征矩阵和样本放大特征矩阵的差异的特征损失函数，以及所述判别损失函数和生成损失函数，对所述初始生成对抗网络进行训练。

13.根据权利要求12所述的装置，其中，所述特征损失函数包括以下至少一种损失函数：感知损失函数、基于格拉姆矩阵的损失函数。

14.一种用于生成超分辨率图像的装置，包括：

获取单元，被配置成获取待放大图像；

输出单元，被配置成将所述待放大图像输入预先训练的图像超分辨率模型，生成超分辨率图像及输出，其中，所述图像超分辨率模型是根据权利要求1-6之一所述的方法生成的。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。