CN110288547A - 用于生成图像去噪模型的方法和装置 - Google Patents
用于生成图像去噪模型的方法和装置 Download PDFInfo
- Publication number
- CN110288547A CN110288547A CN201910569195.4A CN201910569195A CN110288547A CN 110288547 A CN110288547 A CN 110288547A CN 201910569195 A CN201910569195 A CN 201910569195A CN 110288547 A CN110288547 A CN 110288547A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- training
- noise
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 124
- 230000004069 differentiation Effects 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 166
- 230000006870 function Effects 0.000 description 36
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G06T5/70—
Landscapes
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于生成图像去噪模型的方法和装置。该方法的一具体实施方式包括:获取训练样本集,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息;执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。该实施方式可以更加准确的检测出待去噪图像的噪声,从而提高对图像去噪的准确率。
Description
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去噪模型的方法和装置。
背景技术
随着科学技术的发展以及图像处理技术的普及,越来越多的用户喜爱利用终端设备拍摄图像。通常,在诸如户外场景中进行图片拍摄时,由于光照强度的影响,或者拍摄设备参数的影响,导致所拍摄的一些图像中存在噪声。
为了获得较高的成像质量,提高图像的清晰度等,通常对存在噪声的图像进行降噪处理或去噪处理。相关技术中,通常是利用中值滤波等方法进行图像去噪。
发明内容
本公开的实施例提出了用于生成图像去噪模型的方法和装置、图像识别方法和装置。
第一方面,本公开的实施例提供了一种用于生成图像去噪模型的方法,包括:获取训练样本集,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
在一些实施例中,方法还包括:响应于确定指示信息用于指示差异程度大于或等于预设阈值,基于指示信息、输出图像和参考图像之间的特征差异构建第一损失函数;基于第一损失函数,利用反向传播算法迭代调整待训练的生成网络的参数,重新执行训练步骤。
在一些实施例中,训练样本集中的样本噪声图像是对同一场景拍摄得到的未处理图像。
在一些实施例中,参考图像通过如下步骤得到:对多个样本噪声图像中对应图像坐标位置处的像素值进行平均值计算;基于计算结果,生成参考图像。
在一些实施例中,对多个样本噪声图像中对应位置处的像素值进行平均值计算,包括:提取多个样本噪声图像中每一个样本噪声图像的关键点,基于所提取的关键点,确定多个样本噪声图像是否均映射至同一图像坐标系中;响应于确定多个样本噪声图像未映射至同一图像坐标系中,从多个样本噪声图像中选择一张作为参照图像,将其余样本噪声图像中的关键点的图像坐标映射至参照图像中,得到映射后的图像;将映射后的图像和参照图像对应图像位置处的像素值进行平均值计算。
在一些实施例中,判别网络通过如下步骤训练得到:将训练样本集中的训练样本输入至待训练的判别网络,得到用于指示样本噪声图像与参考图像之间的差异程度的指示信息;基于指示信息和训练样本的标注信息,构建第二损失函数,利用反向传播算法,迭代调整待训练的判别网络的参数;响应于确定第二损失函数收敛,确定待训练的判别网络训练完成。
第二方面,本公开的实施例提供了一种图像去噪方法,该方法包括:获取待去除噪声的图像;将所获取到的图像输入至利用第一方面的用于生成图像去噪模型的方法得到的图像去噪模型,得到去除噪声后的图像。
第三方面,本公开的实施例提供了一种用于生成图像去噪模型的装置,包括:获取单元,被配置成获取训练样本集,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;训练单元,被配置成执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
在一些实施例中,装置还包括:构建单元,被配置成响应于确定指示信息用于指示差异程度大于或等于预设阈值,基于指示信息、输出图像和参考图像之间的特征差异构建第一损失函数;调整单元,被配置成基于第一损失函数,利用反向传播算法迭代调整待训练的生成网络的参数,重新执行训练步骤。
在一些实施例中,训练样本集中的样本噪声图像是对同一场景拍摄得到的未处理图像。
在一些实施例中,装置还包括参考图像获得单元,其中,参考图像获得单元包括:平均值计算子单元,被配置成对多个样本噪声图像中对应图像坐标位置处的像素值进行平均值计算;生成子单元,被配置成基于计算结果,生成参考图像。
在一些实施例中,平均值计算子单元进一步被配置成:提取多个样本噪声图像中每一个样本噪声图像的关键点,基于所提取的关键点,确定多个样本噪声图像是否均映射至同一图像坐标系中;响应于确定多个样本噪声图像未映射至同一图像坐标系中,从多个样本噪声图像中选择一张作为参照图像,将其余样本噪声图像中的关键点的图像坐标映射至参照图像中,得到映射后的图像;将映射后的图像和参照图像对应图像位置处的像素值进行平均值计算。
在一些实施例中,判别网络通过如下步骤训练得到:将训练样本集中的训练样本输入至待训练的判别网络,得到用于指示样本噪声图像与参考图像之间的差异程度的指示信息;基于指示信息和训练样本的标注信息,构建第二损失函数,利用反向传播算法,迭代调整待训练的判别网络的参数;响应于确定第二损失函数收敛,确定待训练的判别网络训练完成。
第四方面,本公开的实施例提供了一种图像去噪装置,该装置包括:获取单元,被配置成获取待去除噪声的图像;输入单元,被配置成将所获取到的图像输入至利用第一方面的用于生成图像去噪模型的方法得到的图像去噪模型,得到去除噪声后的图像。
第五方面,本公开的实施例提供了一种终端设备,该终端设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;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和第二方面所描述的方法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和第二方面所描述的方法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去噪模型的方法和装置,通过利用包括样本噪声图像和去噪后的参考图像的训练样本集,对生成网络进行训练,得到生成网络的输出图像,然后利用预先训练的判别网络对生成网络的输出图像进行判定,基于判定结果,迭代调整生成网络,直到生成网络达到预设标准,将训练完成的生成网络作为图像去噪模型,基于该训练方法训练得到的图像去噪模型,可以更加准确的检测出待去噪图像的噪声,从而提高对图像去噪的准确率。
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是根据本公开的用于生成图像去噪模型的方法的一个实施例的流程图;
图3是根据本公开的模型训练方法的一个实施例的流程图;
图4是根据本公开的图像去噪方法的一个实施例的流程图;
图5是根据本公开的用于生成图像去噪模型的装置的一个实施例的结构示意图;
图6是根据本公开的图像去噪装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
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发明,而非对该发明的限定。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发明相关的部分。
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用于生成图像去噪模型的方法或用于生成图像去噪模型的装置,以及图像识别方法或图像识别装置的实施例的示例性系统架构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。
终端设备101、102、103上可以安装有各种客户端应用。例如图像处理类应用、搜索类应用、内容分享类应用、美图类应用、即时通讯类应用、模型训练类应用等。终端设备101、102、103可以通过网络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,可以是可以接收用户操作的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。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多个软件或软件模块),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,例如可以是利用终端设备101、102、103上传的训练样本集进行模型训练的模型训练服务器。模型训练服务器可以基于训练样本,对生成对抗网络进行训练,将训练完成的生成网络作为图像去噪模型。另外,训练得到图像去噪模型后,服务器还可以将图像去噪模型发送至终端设备101、102、103,也可以利用图像去噪模型对待去除噪声的图像进行去噪处理,从而得到去除噪声后的图像。
需要说明的是,服务器105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多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于生成图像去噪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,用于生成图像去噪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图像去噪方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,图像去噪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。
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。在训练模型所需要的训练样本集不需要从远程获取以及待确定呈现的目标对象所属的类别的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,只包括终端设备或服务器。
继续参考图2,其示出了根据本公开的用于生成图像去噪模型的方法的一个实施例的流程200。
步骤201,获取训练样本集。
在本实施例中,上述用于生成图像去噪模型的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以通过有线连接或者无线连接的方式获取训练样本集。在这里,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息。其中,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像。样本标注信息用于标注各样本图像为噪声图像或去噪后的图像。
具体的,上述训练样本集中可以包括至少一组样本图像,每一组样本图像均是针对同一场景拍摄的多张样本图像。在每一组样本图像中,均包括多张带有噪声的样本噪声图像和一张去除噪声后的参考图像。通常,图像噪声是指不必要的或多余的干扰信息。其在图像上通常表现为引起较强视觉效果的孤立像素点或像素块。图像噪声通常包括由电磁波干扰或脉冲干扰而引起的噪声,或者是由光和电的基本性质所引起的噪声、拍摄设备的机械运动产生的噪声、器材材料本身引起的噪声等。
在这里,可以模拟上述各种类型的噪声,将不同类型的噪声信号叠加至每一组样本图像中,从而得到叠加噪声后的样本噪声图像。其中,每一张样本噪声图像中可以叠加有一种类型的噪声信号,也可以叠加多种类型的噪声信号。每一组样本图像中的参考图像即为未叠加人为噪声信号的图像。
在本实施例中,上述样本标注信息可以为多种标注形式。例如,可以用文字信息标注,还可以采用二级制编码信息标注。其中,“0”表示样本图像为噪声图像,“1”表示样本图像为去除噪声后的图像。
在本实施例的一些可选的实现方式中,上述训练样本集中的样本噪声图像是对同一场景拍摄得到的未处理图像。
通常,在自然条件下,由于光照影响、拍摄设备的器件、参数的多种因素的影响,针对同一场景所拍摄的照片是否包括噪声、以及噪声种类通常不同。而对于用户而言,同样需要针对自然条件下所拍摄的照片进行处理。从而,对同一场景拍摄得到的多张未处理图像作为样本噪声图像,可以更加接近真实场景,从而利用该样本噪声图像训练出的图像去噪模型更加适用于对自然场景拍摄的照片去噪,提高图像去噪模型的去噪效果。
在这里,可以针对不同的拍摄场景,每一拍摄场景拍摄多张图像,从而将同一拍摄场景拍摄的图像作为一组样本图像。利用多组样本图像对生成对抗网络进行训练,可以增强所训练出的图像去噪模型的泛化能力。
在本实施例的一些可选的实现方式中,与样本噪声图像对应的参考图像可以通过如下步骤得到:对多个样本噪声图像中对应图像坐标位置处的像素值进行平均值计算;基于计算结果,生成参考图像。
具体的,该多个样本噪声图像是对同一场景拍摄得到的未处理图像。可以利用诸如三角架等用于固定拍摄设备的支架等,使得拍摄设备可以对同一场景的同一角度拍摄多张图像。这样一来,所得到的多张图像噪声不同、但前景和背景所位于图像中的位置均相同,不需要进行图像对齐。然后,将所拍摄的多张图像中,对应图像坐标位置处的像素点进行求和后取平均,从而得到进行像素点平均值计算后的图像。将该图像作为参考图像。作为示例,针对同一场景拍摄了三张图像,每一图像的像素数目为800×600×5。将该数目的像素中每一个像素的像素值求和,然后平均值计算,得到新的800×600×5个像素数目的图像。在这里,像素值即为RGB三颜色通道的色值。
在本实施例的一些可选的实现方式中,当没有采用诸如三脚架等固定设备对拍摄设备进行固定时,通常会导致相同的目标对象在不同的图像中,其图像坐标会有相对的偏移。从而,需要对所拍摄的图像进行图像坐标对齐后,再对多个样本噪声图像中对应位置处的像素值进行平均值计算,得到参考图像。在这里,具体包括:提取多个样本噪声图像中每一个样本噪声图像的关键点,基于所提取的关键点,确定多个样本噪声图像是否均映射至同一图像坐标系中;响应于确定多个样本噪声图像未映射至同一图像坐标系中,从多个样本噪声图像中选择一张作为参照图像,将其余样本噪声图像中的关键点的图像坐标映射至参照图像中,得到映射后的图像;将映射后的图像和参照图像对应图像位置处的像素值进行平均值计算。
具体的,首先可以利用基于sift算子的特征点提取。Sift是基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。首先,可以提取出在尺度空间和二维图像空间上都是局部极值点的兴趣点,再滤除掉能量低的不稳定的和错误的兴趣点,得到最终稳定的特征点。然后,对特征点进行描述。该特征点描述可以包括特征点方向分配和128维向量描述。从而,基于所确定的特征点和特征点的描述得到各个样本噪声图像的关键点。然后,确定预设图像区域内各样本噪声图像的关键点的图像坐标是否均相同。该预设图像区域为每一样本噪声图像中的部分区域,该区域由图像坐标限定。在确定出上述各样本噪声图像的关键点的图像坐标均相同时,可以确定样本噪声图像的图像坐标映射至同一坐标系中。在确定存在至少两张样本噪声图像的关键点的图像坐标不相同时,可以从多张样本噪声图像中选择一张作为参照图像。例如,可以选择图像分辨率最高的图像作为参照图像。再例如,可以选择目标对象位于图像正中间的图像作为参照图像。然后,对于非参照图像中的每一张图像,将所确定的该图像的关键点与上述参照图像的关键点进行匹配。在这里,该关键点匹配具体可以通过计算该图像的关键点与参照图像的关键点的128维向量的欧式距离实现。其中,欧氏距离越小,匹配度越高。当欧式距离小于设定阈值时,可以判定为匹配成功。然后,基于该图像与参照图像的关键点的匹配结果,确定将该图像的像素映射至基准图像中的单应性矩阵。最后,根据计算出的单应性矩阵,可以将该图像的像素与该单应性矩阵相乘,从而将该图像中的关键点映射至基准图像中。
步骤202,基于所获取到的训练样本集,可以执行如图3所示的训练步骤。图3示出了本公开的用于生成图像去噪模型的方法的模型训练步骤的实施例。图3所示的训练步骤包括:
步骤301,将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像。
在这里,生成网络可以为反卷积神经网络。该反卷积神经网络可以包括特征提取层和输出层。其中,特征提取层用于提取输入的图像的特征,将图像的特征转换成多维特征向量。然后,基于特征向量,对特征向量进行上采样,在输出层重新生成新的图像以输出。特征提取层可以包括多层卷积层。也即是说,生成网络可以基于卷积层的数目输出与之相应大小的图像。例如,当卷积层为三层时,可以生成28×28像素的图像。为了使得所输出的图像更加清晰,可以在反卷积神经网络的输出层增加一个激活函数。
步骤302,将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息。
在本实施例中,根据步骤301所得到的从生成网络输出的输出图像,可以将与每一张样本噪声图像对应的输出图像输入至预先训练的判别网络,从而可以得到用于指示与每一张样本噪声图像对应的输出图像与参考图像之间的差异程度的指示信息。
在这里,判别网络可以为二分类模型,例如逻辑回归模型、决策树模型等。该判别网络用于判定输出图像是否为参考图像。从而,用于指示输出图像与参考图像之间的差异程度的指示信息可以包括为参考图像的概率值,还可以包括用于判定是否为参考图像的“0”、“1”指示信息。当判定输出图像为参考图像时,可以输出“1”;当判定输出图像不是参考图像时,可以输出“0”。
步骤303,响应于确定指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
在本实施例中,根据步骤302所确定出的用于指示样本噪声图像对应的输出图像与参考图像之间的差异程度的指示信息。当该指示信息用于指示差异程度小于预设阈值时,可以确定生成网络训练完成。具体的,用于指示差异程度小于预设阈值可以包括:与每一张样本噪声图像对应的输出图像、与参考图像之间的差异程度小于预设阈值。该差异程度小于预设阈值可以是:输出图像为参考图像的概率值大于预设阈值。
在本实施例的一些可选的实现方式中,上述用于生成图像去噪模型的方法还包括步骤203,该步骤203包括:响应于确定指示信息用于指示差异程度大于或等于预设阈值,基于指示信息、输出图像和参考图像之间的特征差异构建第一损失函数;基于第一损失函数,利用反向传播算法迭代调整待训练的生成网络的参数,重新执行步骤202所述的训练步骤。
具体的,在确定出用于指示与样本噪声图像对应的输出图像与参考图像之间的差异程度的指示信息用于指示差异程度大于或等于预设阈值时,可以构建用于对生成网络进行迭代调整的第一损失函数。该第一损失函数可以基于指示信息、输出图像和参考图像之间的特征差异构建。具体的,可以将上述指示信息对应的值、输出图像和参考图像之间的欧式距离代入交叉熵损失函数,从而得到该第一损失函数。然后,利用反向传播算法迭代调整待训练的生成网络的参数。在这里,调整待训练的生成网络的参数例如可以调整生成网络的卷积层的数目、卷积核的大小、步长等。
在本实施例的一些可选的实现方式中,上述判别网络可以通过如下步骤训练得到:将训练样本集中的样本图像输入至待训练的判别网络,得到用于指示样本图像是否为噪声图像的指示信息;基于用于指示样本图像是否为噪声图像的指示信息和训练样本的标注信息,构建第二损失函数,利用反向传播算法,迭代调整待训练的判别网络的参数。响应于确定第二损失函数收敛,确定待训练的判别网络训练完成。
具体的,上述判别网络可以为二分类网络。具体可以为逻辑回归模型,或者卷积神经网络。将步骤201中所获取到的训练样本集中的样本图像,输入至待训练的判别网络中,得到待训练的判别网络输出的是否为参考图像的指示信息以及图像为参考图像的概率值。然后,构建第二损失函数。该第二损失函数可以为对数损失函数。将指示是否为参考图像的指示信息和样本图像为参考图像的概率值代入对数损失函数中,得到第二损失函数。然后,利用反向传播算法和梯度下降算法迭代调整待训练的判别网络的参数,直到第二损失函数收敛。该第二损失函数收敛具体可以为该第二损失函数的损失值达到某一数值后,其损失值不再变化。
本公开的实施例提供的用于生成图像去噪模型的方法,通过利用包括样本噪声图像和去噪后的参考图像的训练样本集,对生成网络进行训练,得到生成网络的输出图像,然后利用预先训练的判别网络对生成网络的输出图像进行判定,基于判定结果,迭代调整生成网络,直到生成网络达到预设标准,将训练完成的生成网络作为图像去噪模型,基于该训练方法训练得到的图像去噪模型,可以更加准确的检测出待去噪图像的噪声,从而提高对图像去噪的准确率。
进一步参考图4,其示出了本公开的图像去噪方法的一个实施例的流程400。该图像去噪方法的流程300,包括以下步骤:
步骤401,获取待去除噪声的图像。
在本实施例中,上述图像去噪方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以通过有线连接或者无线连接的方式获取待去除噪声的图像。在这里,该图像可以是上述执行主体所安装的拍摄设备或者与所连接的拍摄设备获取到的,也可以是预先存储于本地的。上述执行主体可以通过用于指示图像所存储的位置的路径信息获取该图像。
步骤402,将所获取到的图像输入至预先训练的图像去噪模型,得到去除噪声后的图像。
在本实施例中,该图像去噪模型是根据图2、图3对应的实施例中描述的图像去噪模型的生成方法生成的。
在这里,图像噪声是指不必要的或多余的干扰信息。其在图像上通常表现为引起较强视觉效果的孤立像素点或像素块。图像噪声通常包括由电磁波干扰或脉冲干扰而引起的噪声,或者是由光和电的基本性质所引起的噪声、拍摄设备的机械运动产生的噪声、器材材料本身引起的噪声等。
将带有噪声的图像输入至图像去噪模型中,图像去噪模型可以对该图像进行噪声去除,从而得到图像去噪模型输出的、无噪声的图像。
本公开的实施例提供的图像去噪方法,通过利用如图2、图3所示的实施例所生成的图像去噪模型,来去除图像的噪声,由于图像去噪模型是基于对自然场景拍摄的未处理图像作为样本图像而训练得到的,从而可以使得所得到的图像对真实场景具有较高的还原度,提高成像质量。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于生成图像去噪模型的装置的一个实施例,该装置实施例与图2、图3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5所示,本实施例提供的用于生成图像去噪模型的装置500包括获取单元501和训练单元502。其中,包括:获取单元501,被配置成获取训练样本集,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;训练单元502,被配置成执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
在本实施例中,用于生成图像去噪模型的装置500中:获取单元501和训练单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202以及步骤301-303的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,用于生成图像去噪模型的装置500还包括:构建单元(图中未示出),被配置成响应于确定指示信息用于指示差异程度大于或等于预设阈值,基于指示信息、输出图像和参考图像之间的特征差异构建第一损失函数;调整单元(图中未示出),被配置成基于第一损失函数,利用反向传播算法迭代调整待训练的生成网络的参数,重新执行训练步骤。
在本实施例的一些可选的实现方式中,训练样本集中的样本噪声图像是对同一场景拍摄得到的未处理图像。
在本实施例的一些可选的实现方式中,用于生成图像去噪模型的装置500还包括参考图像获得单元(图中未示出),其中,参考图像获得单元包括:平均值计算子单元(图中未示出),被配置成对多个样本噪声图像中对应图像坐标位置处的像素值进行平均值计算;生成子单元(图中未示出),被配置成基于计算结果,生成参考图像。
在本实施例的一些可选的实现方式中,平均值计算子单元(图中未示出)进一步被配置成:提取多个样本噪声图像中每一个样本噪声图像的关键点,基于所提取的关键点,确定多个样本噪声图像是否均映射至同一图像坐标系中;响应于确定多个样本噪声图像未映射至同一图像坐标系中,从多个样本噪声图像中选择一张作为参照图像,将其余样本噪声图像中的关键点的图像坐标映射至参照图像中,得到映射后的图像;将映射后的图像和参照图像对应图像位置处的像素值进行平均值计算。
在本实施例的一些可选的实现方式中,判别网络通过如下步骤训练得到:将训练样本集中的训练样本输入至待训练的判别网络,得到用于指示样本噪声图像与参考图像之间的差异程度的指示信息;基于指示信息和训练样本的标注信息,构建第二损失函数,利用反向传播算法,迭代调整待训练的判别网络的参数;响应于确定第二损失函数收敛,确定待训练的判别网络训练完成。
本公开的实施例提供的用于生成图像去噪模型的装置,通过利用包括样本噪声图像和去噪后的参考图像的训练样本集,对生成网络进行训练,得到生成网络的输出图像,然后利用预先训练的判别网络对生成网络的输出图像进行判定,基于判定结果,迭代调整生成网络,直到生成网络达到预设标准,将训练完成的生成网络作为图像去噪模型,基于该训练方法训练得到的图像去噪模型,可以更加准确的检测出待去噪图像的噪声,从而提高对图像去噪的准确率。
进一步参考图6,作为对上述图4所示方法的实现,本公开提供了一种图像去噪装置的一个实施例,该装置实施例与图4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6所示,本实施例的图像去噪装置600包括:获取单元601、和输入单元602。其中,获取单元601,被配置成获取待去除噪声的图像;输入单元602,被配置成将所获取到的图像输入至预先训练的图像去噪模型中,得到去除噪声后的图像。
在本实施例中,图像去噪模型是根据上述图2、图3对应的实施例中描述的方法生成的,这里不再赘述。
在本实施例中,获取单元601、输入单元602的具体实现以及所带来的有益效果可以参考图4所示的实施例中的步骤401、步骤402的相关说明,在此不再赘述。
本公开的实施例提供的图像去噪装置,通过利用如图2、图3所示的实施例所生成的图像去噪模型,来去除图像的噪声,由于图像去噪模型是基于对自然场景拍摄的未处理图像作为样本图像而训练得到的,从而可以使得所得到的图像对真实场景具有较高的还原度,提高成像质量。
下面参考图7,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中的终端设备)700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7示出的终端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7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705: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706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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7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709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701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,本公开的实施例描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终端设备中所包含的;也可以是单独存在,而未装配入该终端设备中。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,训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
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:获取待去除噪声的图像;将所获取到的图像输入至利用上述用于生成图像去噪模型的方法得到的图像去噪模型,得到去除噪声后的图像。
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,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:一种处理器包括一种处理器,包括获取单元和训练单元。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,获取单元还可以被描述为“获取训练样本集的单元”。
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 (11)
1.一种用于生成图像去噪模型的方法,包括:
获取训练样本集,所述训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;
执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述指示信息用于指示差异程度大于或等于预设阈值,基于所述指示信息、输出图像和参考图像之间的特征差异构建第一损失函数;
基于所述第一损失函数,利用反向传播算法迭代调整待训练的生成网络的参数,重新执行所述训练步骤。
3.根据权利要求1所述的方法,其中,所述训练样本集中的样本噪声图像是对同一场景拍摄得到的未处理图像。
4.根据权利要求3所述的方法,其中,所述参考图像通过如下步骤得到:
对多个样本噪声图像中对应图像坐标位置处的像素值进行平均值计算;
基于计算结果,生成所述参考图像。
5.根据权利要求4所述的方法,其中,所述对多个样本噪声图像中对应位置处的像素值进行平均值计算,包括:
提取所述多个样本噪声图像中每一个样本噪声图像的关键点,基于所提取的关键点,确定所述多个样本噪声图像是否均映射至同一图像坐标系中;
响应于确定所述多个样本噪声图像未映射至同一图像坐标系中,从所述多个样本噪声图像中选择一张作为参照图像,将其余样本噪声图像中的关键点的图像坐标映射至参照图像中,得到映射后的图像;
将映射后的图像和参照图像对应图像位置处的像素值进行平均值计算。
6.根据权利要求1所述的方法,其中,所述判别网络通过如下步骤训练得到:
将所述训练样本集中的训练样本输入至待训练的判别网络,得到用于指示样本噪声图像与参考图像之间的差异程度的指示信息;
基于指示信息和训练样本的标注信息,构建第二损失函数,利用反向传播算法,迭代调整待训练的判别网络的参数;
响应于确定所述第二损失函数收敛,确定待训练的判别网络训练完成。
7.一种图像去噪方法,包括:
获取待去除噪声的图像;
将所获取到的图像输入至利用权利要求1-6之一所述的用于生成图像去噪模型的方法得到的图像去噪模型,得到去除噪声后的图像。
8.一种用于生成图像去噪模型的装置,包括:
获取单元,被配置成获取训练样本集,所述训练样本集中的训练样本包括样本图像和与样本图像对应的样本标注信息,样本图像包括样本噪声图像、与样本噪声图像呈现相同场景的去噪后的参考图像,样本标注信息用于标注各样本图像为噪声图像或去噪后的图像;
训练单元,被配置成执行如下训练步骤:将训练样本集中的样本噪声图像输入至待训练的生成网络,得到输出图像;将所得到的输出图像输入至预先训练的判别网络,得到用于指示输出图像与参考图像之间的差异程度的指示信息;响应于确定所示指示信息用于指示差异程度小于预设阈值,确定生成网络训练完成,将训练完成的生成网络作为图像去噪模型。
9.一种图像去噪装置,包括:
获取单元,被配置成获取待去除噪声的图像;
输入单元,被配置成将所获取到的图像输入至利用权利要求1-6之一所述的生成图像去噪模型的方法得到的图像去噪模型,得到去除噪声后的图像。
10.一种电子设备,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。
11.一种计算机可读介质,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569195.4A CN110288547A (zh) | 2019-06-27 | 2019-06-27 | 用于生成图像去噪模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569195.4A CN110288547A (zh) | 2019-06-27 | 2019-06-27 | 用于生成图像去噪模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288547A true CN110288547A (zh) | 2019-09-27 |
Family
ID=68019975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569195.4A Pending CN110288547A (zh) | 2019-06-27 | 2019-06-27 | 用于生成图像去噪模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288547A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765442A (zh) * | 2019-09-30 | 2020-02-07 | 奇安信科技集团股份有限公司 | 一种识别验证图片中验证码的方法、装置及电子设备 |
CN111145309A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图像叠加方法及相关设备 |
CN111340725A (zh) * | 2020-02-24 | 2020-06-26 | 广东三维家信息科技有限公司 | 图像降噪方法及其模型训练的方法、装置 |
CN111369456A (zh) * | 2020-02-28 | 2020-07-03 | 深圳市商汤科技有限公司 | 图像去噪方法及装置、电子设备和存储介质 |
CN111401411A (zh) * | 2020-02-28 | 2020-07-10 | 北京小米松果电子有限公司 | 获取样本图像集的方法及装置 |
CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
CN111475618A (zh) * | 2020-03-31 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN111598025A (zh) * | 2020-05-20 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法和装置 |
CN111709891A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112446369A (zh) * | 2020-11-05 | 2021-03-05 | 深圳中兴网信科技有限公司 | 票据的处理方法、系统和存储介质 |
CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
CN113112536A (zh) * | 2021-03-19 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
CN113610731A (zh) * | 2021-08-06 | 2021-11-05 | 北京百度网讯科技有限公司 | 用于生成画质提升模型的方法、装置及计算机程序产品 |
CN113658118A (zh) * | 2021-08-02 | 2021-11-16 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
CN113705620A (zh) * | 2021-08-04 | 2021-11-26 | 百度在线网络技术(北京)有限公司 | 图像显示模型的训练方法、装置、电子设备和存储介质 |
CN113822320A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、样本生成方法和计算设备 |
CN113936806A (zh) * | 2021-09-18 | 2022-01-14 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
CN115631103A (zh) * | 2022-10-17 | 2023-01-20 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法和装置、图像生成方法及装置 |
WO2023050695A1 (zh) * | 2021-09-28 | 2023-04-06 | 上海商汤智能科技有限公司 | 脸部图像生成方法、脸部图像识别方法及装置 |
CN113822320B (zh) * | 2021-07-12 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、样本生成方法和计算设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639952A (zh) * | 2015-01-23 | 2015-05-20 | 小米科技有限责任公司 | 台标识别方法及装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN106127720A (zh) * | 2016-06-29 | 2016-11-16 | 青岛海信移动通信技术股份有限公司 | 一种拍摄放大图像的方法和装置 |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
WO2019090213A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Aktiengesellschaft | Segmenting and denoising depth images for recognition applications using generative adversarial neural networks |
-
2019
- 2019-06-27 CN CN201910569195.4A patent/CN110288547A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639952A (zh) * | 2015-01-23 | 2015-05-20 | 小米科技有限责任公司 | 台标识别方法及装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN106127720A (zh) * | 2016-06-29 | 2016-11-16 | 青岛海信移动通信技术股份有限公司 | 一种拍摄放大图像的方法和装置 |
WO2019090213A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Aktiengesellschaft | Segmenting and denoising depth images for recognition applications using generative adversarial neural networks |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765442A (zh) * | 2019-09-30 | 2020-02-07 | 奇安信科技集团股份有限公司 | 一种识别验证图片中验证码的方法、装置及电子设备 |
CN111145309A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图像叠加方法及相关设备 |
CN111340725A (zh) * | 2020-02-24 | 2020-06-26 | 广东三维家信息科技有限公司 | 图像降噪方法及其模型训练的方法、装置 |
CN111340725B (zh) * | 2020-02-24 | 2024-02-27 | 广东三维家信息科技有限公司 | 图像降噪方法及其模型训练的方法、装置 |
CN111401411B (zh) * | 2020-02-28 | 2023-09-29 | 北京小米松果电子有限公司 | 获取样本图像集的方法及装置 |
CN111401411A (zh) * | 2020-02-28 | 2020-07-10 | 北京小米松果电子有限公司 | 获取样本图像集的方法及装置 |
CN111369456A (zh) * | 2020-02-28 | 2020-07-03 | 深圳市商汤科技有限公司 | 图像去噪方法及装置、电子设备和存储介质 |
CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
CN111461979B (zh) * | 2020-03-30 | 2023-04-18 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
CN111475618A (zh) * | 2020-03-31 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN111598025A (zh) * | 2020-05-20 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法和装置 |
CN111709891A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
CN111709891B (zh) * | 2020-06-12 | 2023-11-24 | 北京小米松果电子有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112446369A (zh) * | 2020-11-05 | 2021-03-05 | 深圳中兴网信科技有限公司 | 票据的处理方法、系统和存储介质 |
CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
CN113112536A (zh) * | 2021-03-19 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
CN113822320B (zh) * | 2021-07-12 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、样本生成方法和计算设备 |
CN113822320A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、样本生成方法和计算设备 |
CN113658118A (zh) * | 2021-08-02 | 2021-11-16 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
CN113705620B (zh) * | 2021-08-04 | 2023-08-15 | 百度在线网络技术(北京)有限公司 | 图像显示模型的训练方法、装置、电子设备和存储介质 |
CN113705620A (zh) * | 2021-08-04 | 2021-11-26 | 百度在线网络技术(北京)有限公司 | 图像显示模型的训练方法、装置、电子设备和存储介质 |
CN113610731B (zh) * | 2021-08-06 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于生成画质提升模型的方法、装置及计算机程序产品 |
CN113610731A (zh) * | 2021-08-06 | 2021-11-05 | 北京百度网讯科技有限公司 | 用于生成画质提升模型的方法、装置及计算机程序产品 |
CN113936806A (zh) * | 2021-09-18 | 2022-01-14 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
CN113936806B (zh) * | 2021-09-18 | 2024-03-08 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
WO2023050695A1 (zh) * | 2021-09-28 | 2023-04-06 | 上海商汤智能科技有限公司 | 脸部图像生成方法、脸部图像识别方法及装置 |
CN115631103B (zh) * | 2022-10-17 | 2023-09-05 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法和装置、图像生成方法及装置 |
CN115631103A (zh) * | 2022-10-17 | 2023-01-20 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法和装置、图像生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288547A (zh) | 用于生成图像去噪模型的方法和装置 | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
CN110188719B (zh) | 目标跟踪方法和装置 | |
JP7387202B2 (ja) | 3次元顔モデル生成方法、装置、コンピュータデバイス及びコンピュータプログラム | |
CN109788189A (zh) | 将相机与陀螺仪融合在一起的五维视频稳定化装置及方法 | |
CN110866977B (zh) | 增强现实处理方法及装置、系统、存储介质和电子设备 | |
CN108345387A (zh) | 用于输出信息的方法和装置 | |
CN112562019A (zh) | 图像色彩调整方法及装置、计算机可读介质和电子设备 | |
CN108510454A (zh) | 用于生成深度图像的方法和装置 | |
CN115690382B (zh) | 深度学习模型的训练方法、生成全景图的方法和装置 | |
CN113050860B (zh) | 一种控件识别方法和相关装置 | |
CN109756763A (zh) | 用于基于优先级处理图像的电子装置及其操作方法 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN110349107A (zh) | 图像增强的方法、装置、电子设备、及存储介质 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN112085775A (zh) | 图像处理的方法、装置、终端和存储介质 | |
CN111199169A (zh) | 图像处理方法和装置 | |
CN111079588B (zh) | 一种图像处理方法、装置及存储介质 | |
CN113033677A (zh) | 视频分类方法、装置、电子设备和存储介质 | |
CN112381707A (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN110622218A (zh) | 一种图像显示方法、装置、存储介质和终端 | |
CN113658065A (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
CN109816791B (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |