CN110189385B - 模型训练及图片压缩、解压方法、装置、介质和电子设备 - Google Patents

Abstract

本公开涉及图像处理技术领域，具体涉及一种模型训练方法、图片压缩方法、图片解压方法、模型训练装置、图片压缩装置、图片解压装置、计算机可读存储介质及电子设备，所述模型训练方法包括：将训练图片输入第一基础模型进行压缩，以获取训练图片对应的压缩图片；将压缩图片输入第二基础模型进行解压，以获取压缩图片对应的目标图片；基于训练图片与目标图片计算图片色彩的损失函数；根据损失函数对第一基础模型和第二基础模型的参数进行重复更新，直至损失函数小于预设阈值。本公开实施例的技术方案利用损失函数调节第一基础模型和第二基础模型的参数使得损失函数小于预设阈值，进而有助于控制图片压缩前后的色彩的质量损失。

Description

模型训练及图片压缩、解压方法、装置、介质和电子设备

技术领域

本公开涉及图像处理技术领域，具体而言，涉及一种模型训练方法、图片压缩方法、图片解压方法、模型训练装置、图片压缩装置、图片解压装置、计算机可读存储介质及电子设备。

背景技术

在图片的存储和传输过程中，经常需要对图片进行压缩处理。传统的压缩过程通常是基于特殊的编码方式对图片中重复的内容进行重新编码，或者以亮度、色度等新的编码方式对图片进行重新编码，进而实现对图片进行压缩的目的。然而，无论是基于哪种编码方式重新编码，在对图片进行压缩时，只能通过设置图片的压缩比例或者压缩后图片的大小对图片的质量损失进行间接控制，无法直接控制图片压缩再解压后的质量损失。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种模型训练方法、图片压缩方法、图片解压方法、模型训练装置、图片压缩装置、图片解压装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服图片压缩再解压后的质量损失无法控制的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供了一种模型训练方法，包括：

将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；

将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；

基于所述训练图片与所述目标图片计算图片色彩的损失函数；

根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值；

其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

在本公开的一种示例性实施例中，基于前述方案，在所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片之后，所述方法还包括：

将所述压缩图片输入预设模拟传输信道，以使所述预设模拟传输信道对所述压缩图片进行干扰。

在本公开的一种示例性实施例中，基于前述方案，所述第一基础模型包括多个堆叠的卷积处理模块和一个1×1卷积处理模块；其中，所述多个堆叠的卷积处理模块中每一个所述卷积处理模块对输入的图片执行的处理包括：

对输入的图片进行卷积处理并增加激活函数以获取中间卷积特征图片；

所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片，包括：

将所述训练图片输入所述多个堆叠的卷积处理模块进行处理以获取最终卷积特征图片；

对所述最终卷积特征图片进行1×1卷积处理，以得到所述训练图片对应的压缩图片。

在本公开的一种示例性实施例中，基于前述方案，所述第二基础模型包括多个堆叠的反卷积处理模块和一个1×1反卷积处理模块；其中，所述多个堆叠的反卷积处理模块中每一个所述反卷积处理模块对输入的图片执行的处理包括：

对输入的图片进行反卷积处理并增加激活函数以获取中间反卷积特征图片；

所述将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片，包括：

对所述压缩图片进行1×1反卷积处理，以得到所述压缩图片对应的中间输出图片；

将所述中间输出图片输入所述多个堆叠的反卷积处理模块进行处理以获取最终反卷积特征图片，并将所述最终反卷积特征图片配置为目标图片。

在本公开的一种示例性实施例中，基于前述方案，所述方法还包括：

在将所述训练图片输入所述多个堆叠的卷积处理模块中的预定卷积处理模块之前，对所述中间卷积特征图片进行池化处理；以及

在将所述中间输出图片输入所述多个堆叠的反卷积处理模块中预定反卷积处理模块之后，对反卷积特征图片进行上采样处理；其中，所述预定反卷积处理模块在解压过程中的位置与所述预定卷积处理模块在压缩过程中的位置对应。

在本公开的一种示例性实施例中，基于前述方案，所述基于所述训练图片与所述目标图片计算图片色彩的损失函数时，所述损失函数L的计算公式如下：

其中，m和n分别为训练图片和目标图片的在长度和宽度方向上的像素行数和列数，x_i,j和t_i,j分别为训练图片和目标图片在第i行，第j列的像素处的色彩的取值，p为损失函数的范数，通常取1或2。

在本公开的一种示例性实施例中，基于前述方案，所述根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行更新时，调整值的计算公式如下：

其中，W为第一基础模型和第二基础模型中的各待更新的参数，ΔW参数对应的调整值，α为预设学习率，L为损失函数。

根据本公开的第二方面，提供了一种图片压缩方法，包括：

确定一训练后的第一基础模型；其中，所述训练后的第一基础模型是根据权利要求1至7中任一项所述的模型训练方法对所述第一基础模型进行训练得到的，用于确定待压缩图片与压缩图片之间的对应关系；

根据所述第一基础模型对所述待压缩图片进行处理，以使所述待压缩图片被压缩生成压缩图片。

根据本公开的第三方面，提供了一种图片解压方法，包括：

确定一训练后的第二基础模型；其中，所述训练后的第二基础模型是根据权利要求1至7中任一项所述的模型训练方法对所述第二基础模型进行训练得到的，用于确定压缩图片与解压图片之间的对应关系；

获取根据第一基础模型压缩得到的压缩图片，将所述压缩图片输入第二基础模型，以使所述压缩图片解压生成解压图片；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

根据本公开的第四方面，提供了一种模型训练装置，包括：

第一处理模块，用于将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；

第二处理模块，用于将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；

损失计算模块，用于基于所述训练图片与所述目标图片计算图片色彩的损失函数；

参数更新模块，用于根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

根据本公开的第五方面，提供了一种图片压缩装置，包括：

第一确定模块，用于确定一训练后的第一基础模型；其中，所述第一基础模型用于确定待压缩图片与压缩图片之间的对应关系；

压缩处理模块，用于根据所述第一基础模型对所述待压缩图片进行处理，以使所述待压缩图片被压缩生成压缩图片。

根据本公开的第六方面，提供了一种图片解压装置，包括：

第二确定模块，用于确定一训练后的第二基础模型；其中，所述第二基础模型用于确定压缩图片与解压图片之间的对应关系；

解压处理模块，用于获取根据第一基础模型压缩得到的压缩图片，将所述压缩图片输入第二基础模型，以使所述压缩图片解压生成解压图片；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

根据本公开的第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的模型训练方法或上述实施例中第二方面所述的图片压缩方法或上述实施例中第三方面所述的图片解压方法。

根据本公开实施例的第八方面，提供了一种电子设备，包括：

处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的模型训练方法或上述实施例中第二方面所述的图片压缩方法或上述实施例中第三方面所述的图片解压方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开的一些实施例所提供的技术方案中，通过根据训练图片和目标图片计算得到的图片色彩的损失函数对第一基础模型和第二基础模型的参数进行更新直至损失函数小于预设阈值，实现对第一基础模型和第二基础模型的训练过程。一方面，通过第一基础模型和第二基础模型能够建立训练图片和目标图片之间的对应关系；另一方面，通过根据图片色彩的损失函数对第一基础模型和第二基础模型的参数进行更新，使得训练后的第一基础模型和第二基础模型能够控制第二基础模型的输出图片相对于第一基础模型的输入图片而言，图片色彩的损失函数始终小于预设阈值。

采用上述根据损失函数进行参数更新得到的训练后的第一基础模型和第二基础模型对图片进行处理，一方面，能够分别通过训练后的第一基础模型和第二基础模型对图片进行压缩和解压；另一方面，由于在模型训练的过程中，第一基础模型和第二基础模型的参数更新与损失函数和预设阈值的大小关系直接挂钩，因此能够控制解压图片相对于待压缩图片的图片色彩的损失函数始终小于预设阈值，进而实现对压缩前后图片质量损失的控制。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出本公开示例性实施例中一种模型训练方法的流程图；

图2示意性示出本公开示例性实施例中将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片的方法的流程图；

图3示意性示出本公开示例性实施例中将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片的方法的流程图；

图4示意性示出本公开示例性实施例中一种图片压缩方法的流程图；

图5示意性示出本公开示例性实施例中一种图片解压方法的流程图；

图6示意性示出本公开示例性实施例中以第一基础模型和第二基础模型为卷积神经网络，训练图片为彩色图片为例，模型训练过程的示意图；

图7示意性示出本公开示例性实施例中模型训练方法的架构示意图；

图8示意性示出本公开示例性实施例中以第一基础模型和第二基础模型为卷积神经网络，训练图片为彩色图片为例，图片压缩过程、传输过程和解压过程的示意图；

图9示意性示出本公开示例性实施例中一种模型训练装置的组成示意图；

图10示意性示出本公开示例性实施例中另一种模型训练装置的组成示意图；

图11示意性示出本公开示例性实施例中一种图片压缩装置的组成示意图；

图12示意性示出本公开示例性实施例中一种图片解压装置的组成示意图；

图13示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图；

图14示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参照附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本公开示例性实施方式的模型训练方法和/或图片压缩方法和/或图片解压方法可以由一服务器实现，也就是说，服务器可以执行下述的模型训练方法和/或图片压缩方法和/或图片解压方法的各个步骤。在这种情况下，模型训练方法和/或图片压缩方法和/或图片解压方法对应的装置、模块可以被配置为在该服务器中。另外，模型训练方法可以在一服务器上实现，图片压缩方法可以在另一服务器上实现，图片解压方法可以在第三个服务器上实现，也就是说，模型训练和模型应用(图片压缩和图片解压)可以是三个不同的服务器。然而，容易理解的是，模型训练和模型应用可以基于同一服务器来实现，本示例性实施方式中对此不做特殊限定。

此外，应当理解的是，终端设备(例如，手机、平板等)也可以实现下述方法的各个步骤，对应的装置、模块可以配置在终端设备中，在这种情况下，例如，可以通过终端设备来进行对待压缩图片进行压缩或者对压缩图片进行解压的过程。

图1示意性示出本公开示例性实施例中一种模型训练方法的流程图。参照图1所示，所述模型训练方法可以包括以下步骤：

在步骤S110中，将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片。

在本公开的一种示例实施例中，所述训练图片可以是一张图片或者是一帧视频对应的画面。通过所述第一基础模型对所述训练图片的处理，可以使得训练图片被压缩生成对应的压缩图片。其中，所述第一基础模型可以是卷积神经网络模型，也可以是其他深度学习方式对应的模型，本公开对此不做特殊限制。

进一步地，在所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片之后，所述方法还包括：将所述压缩图片输入预设模拟传输信道，以使所述预设模拟传输信道对所述压缩图片进行干扰。例如，可以通过预设模拟传输信道对所述压缩图片进行加性噪声干扰；再如，也可以通过预设模拟传输信道对所述压缩图片进行乘性噪声干扰。

通过预设模拟传输信道对压缩图片进行干扰，能够模拟正常图片压缩后可能受到的干扰，使得第一基础模型和第二基础模型能够适应干扰，即在存在干扰的情况下，训练后的第一基础模型和第二基础模型仍然能够执行正常的处理过程。

在步骤S120中，将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片。

在本公开的一种示例实施例中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。例如，所述第一基础模型包括1个3×3卷积处理模块和1个1×1卷积处理模块时，所述第二基础模型则包括1个1×1反卷积处理模块和1个3×3反卷积处理模块；再如，所述第一基础模型包括A处理模块和B处理模块，则所述第二基础模型包括B逆向处理模块和A逆向处理模块。由于第一基础模型的压缩过程与第二基础模型的解压过程互为逆过程，所以训练图片能够经过第一基础模型压缩处理得到的压缩图片，进而压缩图片能够通过第二基础模型进行解压处理得到目标图片。

在本公开的一种示例实施例中，所述第一基础模型包括多个堆叠的卷积处理模块和一个1×1卷积处理模块。其中，每一个所述卷积处理模块对输入的图片执行的处理包括：对输入的图片进行卷积处理并增加激活函数以获取中间卷积特征图片。其中，所述卷积处理用于提取输入的图片的特征信息，并将特征信息映射到高阶特征空间。所述增加激活函数是指向神经网络中添加非线性函数，以使神经网络具有非线性拟合能力。通过卷积处理和增加激活函数对图片进行线性的特征提取和特征筛选，进而经过非线性变换后映射到高阶特征空间得到中间卷积特征图片。

具体地，参照图2所示，所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片，包括如下步骤S210至S220：

步骤S210，将所述训练图片输入所述多个堆叠的卷积处理模块进行处理以获取最终卷积特征图片；

步骤S220，对所述最终卷积特征图片进行1×1卷积处理，以得到所述训练图片对应的压缩图片。

在本公开的一种示例实施例中，通过将所述训练图片输入所述多个堆叠的卷积处理模块，以使所述训练图片经过一系列的特征提取，得到最终卷积特征图片，最后通过1×1卷积对最终卷积特征图片的深度进行处理以实现特征在深度维度上的压缩，得到训练图片对应的压缩图片。通过多个堆叠的卷积处理模块以及一个1×1卷积处理模块对训练图片进行处理，能够使得训练图片被压缩生成压缩图片。

在本公开的一种示例实施例中，对应于上述第一基础模型包括多个堆叠的卷积处理模块和一个1×1卷积处理模块时，所述第二基础模型包括一个1×1反卷积处理模块和多个堆叠的反卷积处理模块。其中，每一个所述反卷积处理模块对输入的图片执行的处理包括：对输入的图片进行反卷积处理并增加激活函数以获取中间反卷积特征图片。其中，所述反卷积处理用于将高阶特征空间的特征信息还原为输入图片，所述增加激活函数是指向神经网络中添加非线性函数，以使神经网络具有非线性拟合能力。通过反卷积处理和增加激活函数能够将压缩图像扩大并填充图像内容，最终对输入的图像进行复原得到目标图片。

具体地，参照图3所示，所述将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片，包括如下步骤S310至S320：

步骤S310，对所述压缩图片进行1×1反卷积处理，以得到所述压缩图片对应的中间输出图片；

步骤S320，将所述中间输出图片输入所述多个堆叠的反卷积处理模块进行处理以获取最终反卷积特征图片，并将所述最终反卷积特征图片配置为目标图片。

在本公开的一种示例实施例中，所述第二基础模型的解压过程与所述第一基础模型的压缩过程互为逆过程，因此，对应于上述第一基础模型的压缩步骤，第二基础模型通过对压缩图片进行1×1反卷积处理，对压缩图片的深度进行处理以实现特征在深度维度上的解压，得到压缩图片对应的中间输出图片，随后通过将中间输出图片输入所述多个堆叠的反卷积处理模块进行处理，以对所述中间输出图片进行扩大并填充图像内容，得到压缩图片对应的目标图片。

进一步地，为了实现更好的压缩效果，还可以在将所述训练图片输入所述多个堆叠的卷积处理模块中的预定卷积处理模块之前，对所述中间卷积特征图片进行池化处理；对应地，可以在将所述中间输出图片输入所述多个堆叠的反卷积处理模块中预定反卷积处理模块之后，对反卷积特征图片进行上采样处理；其中，所述预定反卷积处理模块在解压过程中的位置与所述预定卷积处理模块在压缩过程中的位置对应。

例如，第一基础模型包括A、B、C、D四个卷积模块，对应的第二基础模型则包括D、C、B、A四个反卷积模块，假设在第一基础模型中，预定卷积处理模块为B卷积模块，则在将中间卷积特征图片输入B卷积模块进行处理之前，对中间卷积特征图片进行池化处理；对应地，在第二基础模型中，预定反卷积处理模块是B反卷积模块，经过B反卷积模块反卷积处理之后，对输出的反卷积特征图片进行上采样处理。

在本公开的一种示例实施例中，所述池化处理可以是最大池化处理，也可以是其它池化处理，对应的上采样处理的过程则是与池化处理过程互为逆过程的处理过程，本公开对此不做特殊限定。

在步骤S130中，基于所述训练图片与所述目标图片计算图片色彩的损失函数。

在本公开的一种示例实施例中，基于所述训练图片与所述目标图片计算图片色彩的损失函数时，所述损失函数L可以根据以下计算公式进行计算：

其中，m和n分别为训练图片和目标图片的在长度和宽度方向上的像素行数和列数，x_i,j和t_i,j分别为训练图片和目标图片在第i行，第j列的像素处的色彩的取值，p为损失函数的范数，通常取1或2。此外，损失函数还可以根据第一基础模型和第二基础模型的模型类型进行设定，本公开对此不做特殊限定。

通过基于训练图片和目标图片计算图片色彩的损失函数，能够得到训练图片经过第一基础模型和第二基础模型处理后，得到的目标图片相对于未经处理的训练图片在图片色彩方面的质量损失，进而确定第一基础模型和第二基础模型对训练图片进行的压缩和解压处理的效果。

在步骤S140中，根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值。

在本公开的一种示例实施例中，根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行更新时，调整值的计算公式如下：

其中，W为第一基础模型和第二基础模型中的各待更新的参数，ΔW参数对应的调整值，α为预设学习率，L为损失函数。

在本公开的一种示例实施例中，所述预设阈值为自定义的值，可以根据对压缩再解压前后的图片的质量损失要求进行设置。例如，对图片的质量要求较高时，可以将预设阈值设置为较小的值，此时经过第一基础模型和第二基础模型处理后的图片的质量损失较处理前较小；反之，对图片的质量要求不高时，可以将预设阈值设置为较大的值，降低训练模型时对参数的要求，进而降低参数更新时的计算消耗。

以下以第一基础模型和第二基础模型为卷积神经网络，训练图片为彩色图片为例，对本公开实施例的技术方案的实现细节进行详细阐述：

1.第一基础模型和第二基础模型

参照图6所示，第一基础模型和第二基础模型通过传输信道连接。第一基础模型包括多个3×3卷积处理模块、多个最大池化处理模块和一个1×1卷积处理模块；对应的第二基础模型包括一个1×1卷积处理模块、多个上采样处理模块和多个3×3反卷积处理模块。

2.训练过程

参照图7所示，将一张训练图片输入第一基础模型进行压缩后，输出压缩图片；通过模拟传输信道向压缩图片添加噪声干扰；将模拟传输信道输出的压缩图片输入第二基础模型进行解压得到目标图片；基于训练图片与目标图片计算损失函数L，损失函数L的计算公式为公式(1)，按照公式(2)方式对第一基础模型和第二基础模型中的参数进行重复更新，直至基于训练图片与目标图片计算的损失函数L小于预设阈值，训练结束。

本公开所提供的模型训练方法，一方面，通过第一基础模型和第二基础模型建立了训练图片和目标图片之间的对应关系；另一方面，通过图片色彩的损失函数对第一基础模型和第二基础模型的参数进行更新，使得训练后的第一基础模型和第二基础模型能够控制第二基础模型的输出图片相对于第一基础模型的输入图片而言，图片色彩的损失函数始终小于预设阈值。

此外，在本公开的示例性实施方式中还提供了一种图片压缩方法，参照图4所示，所述图片压缩方法包括如下步骤S410至S420：

步骤S410，确定一训练后的第一基础模型。

在本公开的一种示例实施例中，步骤S410中确定的训练后的第一基础模型是在上述模型训练方法中提及的第一基础模型，可以用于确定待压缩图片与压缩图片之间的对应关系。

步骤S420，根据所述第一基础模型对所述待压缩图片进行处理，以使所述待压缩图片被压缩生成压缩图片。

在本公开的一种示例实施例中，通过训练得到的第一基础模型能够对输入的待压缩图片进行压缩处理，生成压缩图片。

进一步地，本公开的示例性实施方式中还提供了一种图片解压方法，参照图5所示，所述图片解压方法包括如下步骤S510至S520：

步骤S510，确定一训练后的第二基础模型。

在本公开的一种示例实施例中，步骤S510中确定的训练后的第二基础模型是在上述模型训练方法中提及的第二基础模型，可以用于确定压缩图片与解压图片之间的对应关系。

步骤S520，获取根据第一基础模型压缩得到的压缩图片，将所述压缩图片输入第二基础模型，以使所述压缩图片解压生成解压图片。

在本公开的一种示例实施例中，所述根据第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程，即压缩图片时所使用的第一基础模型应是与在上述模型训练方法中，与第二基础模型对应的同时训练的第一基础模型。

以下以第一基础模型和第二基础模型为卷积神经网络，训练图片为彩色图片为例，参照图8所示，对本公开实施例的技术方案的实现细节进行详细阐述：

1.压缩过程

将待压缩图片输入第一基础模型中，经过第一基础模型中的卷积、激活函数激活、池化以及1×1卷积处理，得到压缩图片。

2.传输过程

将压缩图片通过传输信道传输至其他用户端，以使其他用户端对压缩图片进行解压得到解压图片。

3.解压过程

将压缩图片输入第二基础模型中，经过第二基础模型中的1×1反卷积、上采样、卷积、激活函数激活处理，得到解压图片。

本公开所提供的图片压缩方法和图片解压方法，采用上述根据损失函数进行参数更新得到的训练后的第一基础模型和第二基础模型对图片进行处理，一方面，能够分别通过训练后的第一基础模型和第二基础模型对图片进行压缩和解压；另一方面，由于在模型训练的过程中，第一基础模型和第二基础模型的参数更新与损失函数和预设阈值的大小关系直接挂钩，因此能够控制解压图片相对于待压缩图片的图片色彩的损失函数始终小于预设阈值，进而实现对压缩前后图片质量损失的控制。

需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

此外，在本公开的示例性实施方式中，还提供了一种模型训练装置。参照图9所示，所述模型训练装置900包括：第一处理模块910，第二处理模块920，损失计算模块930，和参数更新模块940。

其中，所述第一处理模块910用于将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；

所述第二处理模块920用于将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；

所述损失计算模块930用于基于所述训练图片与所述目标图片计算图片色彩的损失函数；

所述参数更新模块940用于根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

在本公开的一种示例性实施例中，基于前述方案，所述模型训练装置900还包括：干扰模拟模块950，参照图10所示。

其中，所述干扰模拟模块950用于：

将所述压缩图片输入预设模拟传输信道，以使所述预设模拟传输信道对所述压缩图片进行干扰。

在本公开的一种示例性实施例中，基于前述方案，所述第一处理模块910具体用于：

将所述训练图片输入所述多个堆叠的卷积处理模块进行处理以获取最终卷积特征图片；

对所述最终卷积特征图片进行1×1卷积处理，以得到所述训练图片对应的压缩图片。

在本公开的一种示例性实施例中，基于前述方案，所述第二处理模块920具体用于：

对所述压缩图片进行1×1反卷积处理，以得到所述压缩图片对应的中间输出图片；

将所述中间输出图片输入所述多个堆叠的反卷积处理模块进行处理以获取最终反卷积特征图片，并将所述最终反卷积特征图片配置为目标图片。

在本公开的一种示例性实施例中，基于前述方案，所述第一处理模块910具体用于：

在将所述训练图片输入所述多个堆叠的卷积处理模块中的预定卷积处理模块之前，对所述中间卷积特征图片进行池化处理

在本公开的一种示例性实施例中，基于前述方案，所述第二处理模块920具体用于：

在将所述中间输出图片输入所述多个堆叠的反卷积处理模块中预定反卷积处理模块之后，对反卷积特征图片进行上采样处理；其中，所述预定反卷积处理模块在解压过程中的位置与所述预定卷积处理模块在压缩过程中的位置对应。

在本公开的一种示例性实施例中，基于前述方案，所述损失计算模块930具体用于：

根据所述损失函数L的计算公式：

计算损失函数。其中m和n分别为训练图片和目标图片的在长度和宽度方向上的像素行数和列数，x_(i,j)和t_(i,j)分别为训练图片和目标图片在第i行，第j列的像素处的色彩的取值，p为损失函数的范数，通常取1或2。

在本公开的一种示例性实施例中，基于前述方案，所述参数更新模块940具体用于：

根据参数更新时调整值的计算公式：

计算调整值。其中，W为第一基础模型和第二基础模型中的各待更新的参数，ΔW为参数对应的调整值，α为预设学习率，L为损失函数。

此外，在本公开的示例性实施方式中，还提供了一种图片压缩装置，参照图11所示，所述图片压缩装置1100包括：第一确定模块1110，和压缩处理模块1120。

其中，所述第一确定模块1110用于确定一训练后的第一基础模型；其中，所述第一基础模型用于确定待压缩图片与压缩图片之间的对应关系；

所述压缩处理模块1120用于根据所述第一基础模型对所述待压缩图片进行处理，以使所述待压缩图片被压缩生成压缩图片。

此外，在本公开的示例性实施方式中，还提供了一种图片解压装置，参照图12所示，所述图片解压装置1200包括：第二确定模块1210，和解压处理模块1220。

其中，所述第二确定模块1210用于确定一训练后的第二基础模型；其中，所述第二基础模型用于确定压缩图片与解压图片之间的对应关系；

所述解压处理模块1220用于获取根据第一基础模型压缩得到的压缩图片，将所述压缩图片输入第二基础模型，以使所述压缩图片解压生成解压图片；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

由于本公开的示例实施例的模型训练装置、图片压缩装置和图片解压装置的各个功能模块与上述模型训练方法、图片压缩方法和图片解压方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的模型训练方法、图片压缩方法和图片解压方法的实施例。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述模型训练方法、图片压缩方法和图片解压方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图13来描述根据本公开的这种实施例的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元1310可以执行如图1中所示的步骤S110：将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；S120：将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；S130：基于所述训练图片与所述目标图片计算图片色彩的损失函数；S140：根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值。

又如，所述的电子设备可以实现如图2至图5所示的各个步骤。

存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1321和/或高速缓存存储单元1322，还可以进一步包括只读存储单元(ROM)1323。

存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324，这样的程序模块1325包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1300也可以与一个或多个外部设备1370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参照图14，描述了根据本公开的实施例的用于实现上述方法的程序产品1400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (8)

1.一种模型训练方法，其特征在于，包括：

将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；所述第一基础模型为卷积神经网络，其包括多个堆叠的卷积处理模块和一个1×1卷积处理模块，所述训练图片为彩色图片；其中，在将所述训练图片输入所述多个堆叠的卷积处理模块中的预定卷积处理模块之前，对中间卷积特征图片进行池化处理；所述多个堆叠的卷积处理模块中每一个所述卷积处理模块对输入的图片执行的处理包括：对输入的图片进行卷积处理并增加激活函数以获取中间卷积特征图片；所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片，包括：将所述训练图片输入所述多个堆叠的卷积处理模块进行处理以获取最终卷积特征图片；对所述最终卷积特征图片进行1×1卷积处理，以得到所述训练图片对应的压缩图片；

将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；所述第二基础模型为卷积神经网络，其包括一个1×1反卷积处理模块和多个堆叠的反卷积处理模块；其中，在将所述中间输出图片输入所述多个堆叠的反卷积处理模块中预定反卷积处理模块之后，对反卷积特征图片进行上采样处理；所述多个堆叠的反卷积处理模块中每一个所述反卷积处理模块对输入的图片执行的处理包括：对输入的图片进行反卷积处理并增加激活函数以获取中间反卷积特征图片；所述将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片，包括：对所述压缩图片进行1×1反卷积处理，以得到所述压缩图片对应的中间输出图片；将所述中间输出图片输入所述多个堆叠的反卷积处理模块进行处理以获取最终反卷积特征图片，并将所述最终反卷积特征图片配置为目标图片；

基于所述训练图片与所述目标图片计算图片色彩的损失函数；

根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程；所述预定反卷积处理模块在解压过程中的位置与所述预定卷积处理模块在压缩过程中的位置对应；

所述根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行更新时，调整值的计算公式如下：

其中，W为第一基础模型和第二基础模型中的各待更新的参数，ΔW参数对应的调整值，α为预设学习率，L为损失函数。

2.根据权利要求1所述的方法，其特征在于，在所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片之后，所述方法还包括：

将所述压缩图片输入预设模拟传输信道，以使所述预设模拟传输信道对所述压缩图片进行干扰。

3.根据权利要求1所述的方法，其特征在于，所述基于所述训练图片与所述目标图片计算图片色彩的损失函数时，所述损失函数L的计算公式如下：

其中，m和n分别为训练图片和目标图片的在长度和宽度方向上的像素行数和列数，x_i,j和t_i,j分别为训练图片和目标图片在第i行，第j列的像素处的色彩的取值，p为损失函数的范数，通常取1或2。

4.一种图片压缩方法，其特征在于，包括：

确定一训练后的第一基础模型；其中，所述训练后的第一基础模型是根据权利要求1至3中任一项所述的模型训练方法对所述第一基础模型进行训练得到的，用于确定待压缩图片与压缩图片之间的对应关系；

根据所述第一基础模型对所述待压缩图片进行处理，以使所述待压缩图片被压缩生成压缩图片。

5.一种图片解压方法，其特征在于，包括：

确定一训练后的第二基础模型；其中，所述训练后的第二基础模型是根据权利要求1至3中任一项所述的模型训练方法对所述第二基础模型进行训练得到的，用于确定压缩图片与解压图片之间的对应关系；

获取根据第一基础模型压缩得到的压缩图片，将所述压缩图片输入第二基础模型，以使所述压缩图片解压生成解压图片；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程。

6.一种模型训练装置，其特征在于，包括：

第一处理模块，用于将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片；所述第一基础模型为卷积神经网络，其包括多个堆叠的卷积处理模块和一个1×1卷积处理模块，所述训练图片为彩色图片；其中，在将所述训练图片输入所述多个堆叠的卷积处理模块中的预定卷积处理模块之前，对中间卷积特征图片进行池化处理；所述多个堆叠的卷积处理模块中每一个所述卷积处理模块对输入的图片执行的处理包括：对输入的图片进行卷积处理并增加激活函数以获取中间卷积特征图片；所述将训练图片输入第一基础模型进行压缩，以获取所述训练图片对应的压缩图片，包括：将所述训练图片输入所述多个堆叠的卷积处理模块进行处理以获取最终卷积特征图片；对所述最终卷积特征图片进行1×1卷积处理，以得到所述训练图片对应的压缩图片；

第二处理模块，用于将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片；所述第二基础模型为卷积神经网络，其包括一个1×1反卷积处理模块和多个堆叠的反卷积处理模块；其中，在将所述中间输出图片输入所述多个堆叠的反卷积处理模块中预定反卷积处理模块之后，对反卷积特征图片进行上采样处理；所述多个堆叠的反卷积处理模块中每一个所述反卷积处理模块对输入的图片执行的处理包括：对输入的图片进行反卷积处理并增加激活函数以获取中间反卷积特征图片；所述将所述压缩图片输入第二基础模型进行解压，以获取所述压缩图片对应的目标图片，包括：对所述压缩图片进行1×1反卷积处理，以得到所述压缩图片对应的中间输出图片；将所述中间输出图片输入所述多个堆叠的反卷积处理模块进行处理以获取最终反卷积特征图片，并将所述最终反卷积特征图片配置为目标图片；

损失计算模块，用于基于所述训练图片与所述目标图片计算图片色彩的损失函数；

参数更新模块，用于根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行重复更新，直至所述损失函数小于预设阈值；其中，所述第一基础模型的压缩过程与所述第二基础模型的解压过程互为逆过程；所述预定反卷积处理模块在解压过程中的位置与所述预定卷积处理模块在压缩过程中的位置对应；

所述根据所述损失函数对所述第一基础模型和所述第二基础模型的参数进行更新时，调整值的计算公式如下：

其中，W为第一基础模型和第二基础模型中的各待更新的参数，ΔW参数对应的调整值，α为预设学习率，L为损失函数。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至3中任一项所述的模型训练方法或权利要求4所述的图片压缩方法，或权利要求5所述的图片解压方法。

8.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一项所述的模型训练方法或权利要求4所述的图片压缩方法，或权利要求5所述的图片解压方法。