CN111105375B - 图像生成方法及其模型训练方法、装置及电子设备 - Google Patents
图像生成方法及其模型训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111105375B CN111105375B CN201911303138.8A CN201911303138A CN111105375B CN 111105375 B CN111105375 B CN 111105375B CN 201911303138 A CN201911303138 A CN 201911303138A CN 111105375 B CN111105375 B CN 111105375B
- Authority
- CN
- China
- Prior art keywords
- image
- parameter value
- processing
- target
- generation model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 claims abstract description 73
- 230000015556 catabolic process Effects 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 133
- 238000007906 compression Methods 0.000 claims description 37
- 230000006835 compression Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000008439 repair process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像生成模型的训练方法及图像生成方法、装置、设备及计算机存储介质。该方法包括：根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复。根据本发明，可以将输入图像生成模型的低清晰度图像修复成去噪效果及视觉效果更好的高清晰度图像。
Description
技术领域
本发明涉及机器学习技术领域，更具体地，涉及一种图像生成模型的训练方法、一种图像生成方法、一种图像生成模型的训练装置、一种图像生成装置以及一种电子设备。
背景技术
现有的基于深度学习的高清晰度图像生成方法，主要思路是基于卷积神经网络算法，输入大量的高清晰度图像和低清晰度图像，经过卷积神经网络算法的训练，得到高清晰度图像与低清晰度图像之间的映射关系。这样，输入一张低清晰度图像，即可经过卷积神经网络的计算输出对应的高清晰度图像，从而实现图像修复。
但是，在同一条件、同一场景下无法获取到根据高清晰度图像获取到对应的低清晰度图像，因此，如何模拟真实的低清晰度图像用于卷积神经网络的训练是十分重要的。
现有的传统方案主要是对高清晰度图像进行下采样、加模糊、加噪声等简单的方式来得到对应的低清晰度图像。但现实生活中真实的低清晰度图像是多种多样的，真实的低清晰度图像的失真过程是复杂的，通过上述方案很难模拟出真实的低清晰度图像，这就导致训练得到的低清晰度图像与高清晰度图像之间的映射关系并不准确，使得根据该卷积神经网络算法计算输出的高清晰度图像的去噪效果不好，从而导致视觉效果不好。因此，需要提供一种新的方法来提升去噪效果及视觉效果。
发明内容
本发明实施例的一个目的是提供一种图像生成模型的训练的新的技术方案。
根据本发明的第一方面，提供了一种图像生成方法，所述方法包括：
根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；
根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复。
可选地，根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像包括：
根据所述目标参数值组合中的第一参数值，对所述第一图像进行调整大小处理，得到第一中间图像，其中，所述调整大小处理用于通过调整图像尺寸以降低图像清晰度；
根据所述目标参数值组合中的第二参数值，对所述第一中间图像进行高斯模糊处理，得到第二中间图像；
根据所述目标参数值组合中的第三参数值，对所述第二中间图像进行高斯噪声处理，得到第三中间图像，其中，所述高斯噪声处理用于在图像中添加高斯噪声；
根据所述目标参数值组合中的第四参数值，对所述第三中间图像进行压缩处理，得到所述第二图像，其中，所述压缩处理用于在图像中添加压缩噪声。
可选地，在所述根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像的步骤之前，所述方法还包括：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述第四图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
可选地，在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，包括：
计算所述第四图像集中的每个图像对应的客观评价指标值；
根据所述客观评价指标值对所述第四图像集中的图像进行排序；
根据排序从所述第四图像集中选择预设数量个图像，分别与所述第四图像进行比较；
将所述预设数量个图像中与所述第四图像的相似度大于所述第一阈值的图像确定为所述目标图像。
可选地，所述客观评价指标包括：峰值信噪比PSNR，结构相似性SSIM以及多层级结构相似性MS-SSIM。
根据本发明的第二方面，还提供一种图像生成方法，所述方法包括：
获取待处理图像；
将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像；
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值。
根据本发明的第三方面，还提供一种图像生成模型的训练装置，所述装置包括：
退化处理模块，用于根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像对应的第二图像数据集；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；
模型训练模块，用于根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复。
可选地，所述退化处理模块具体用于：
根据所述目标参数值组合中的第一参数值，对所述第一图像进行调整大小处理，得到第一中间图像，其中，所述调整大小处理用于通过调整图像尺寸以降低图像清晰度；
根据所述目标参数值组合中的第二参数值，对所述第一中间图像进行高斯模糊处理，得到第二中间图像；
根据所述目标参数值组合中的第三参数值，对所述第二中间图像进行高斯噪声处理，得到第三中间图像，其中，所述高斯噪声处理用于在图像中添加高斯噪声；
根据所述目标参数值组合中的第四参数值，对所述第三中间图像进行压缩处理，得到所述第二图像，其中，所述压缩处理用于在图像中添加压缩噪声。
可选地，所述退化处理模块还用于：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述第四图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
可选地，所述退化处理模块还用于：
计算所述第四图像集中的每个图像对应的客观评价指标值；
根据所述客观评价指标值对所述第四图像集中的图像进行排序；
根据排序从所述第四图像集中选择预设数量个图像，分别与所述第四图像进行比较；
将所述预设数量个图像中与所述第四图像的相似度大于所述第一阈值的图像确定为所述目标图像。
可选地，所述客观评价指标包括：峰值信噪比PSNR，结构相似性SSIM以及多层级结构相似性MS-SSIM。
根据本发明的第四方面，还提供一种图像生成装置，所述装置包括：
获取模块，用于获取待处理图像；
生成模块，用于将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像；
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值。
根据本发明的第五方面，提供了一种电子设备，包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如本发明第一方面中任一项所述的图像生成模型的训练方法。
根据本发明的第六方面，提供了一种电子设备，包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如本发明第二方面中所述的图像生成方法。
根据本发明的一个实施例，可以将输入图像生成模型的低清晰度图像修复成去噪效果及视觉效果更好的高清晰度图像。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是可用于实现本发明实施例的图像生成模型的训练方法的电子设备的硬件配置结构图；
图2是根据本发明实施例一的图像生成模型的训练方法的流程图；
图3a和3b是一组低清晰度图像和高清晰度图像的示意图；
图4a和图4b是真实低清晰度图像和根据本发明实施例模拟生成的低清晰度图像的效果示意图；
图5是根据本发明实施例一的超分网络的网络结构示意图；
图6是待处理图像的示意图；
图7是根据本发明实施例一的图像生成模型的训练装置的原理框图；
图8是根据本发明实施例一的电子设备的原理框图；
图9是根据本发明实施例二的图像生成方法的流程图；
图10是根据本发明实施例二的图像生成装置的原理框图；
图11是根据本发明实施例二的电子设备的原理框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人物已知的技术、方法和设备可能不作详细讨论，但在适当情况下，该技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1为可以应用根据本发明实施例的图像生成模型的训练方法的电子设备的组成结构示意图。
如图1所示，本实施例的电子设备1000可以包括处理器1010、存储器1020、接口装置1030、通信装置1040、显示装置1050、输入装置1060、扬声器1070、麦克风1080，等等。
其中，处理器1010可以是中央处理器CPU、微处理器MCU等。存储器1020例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1030例如包括USB接口、耳机接口等。通信装置1040例如能够进行有线或无线通信。显示装置1050例如是液晶显示屏、触摸显示屏等。输入装置1060例如可以包括触摸屏、键盘等。
电子设备1000可以通过扬声器1070输出音频信息。电子设备1000可以通过麦克风1080拾取用户输入的语音信息。
电子设备1000可以是智能手机、便携式电脑、台式计算机、平板电脑等可以支持图像处理的任意设备。
本实施例中，电子设备1000可以根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复。
在本实施例中，电子设备1000的存储器1020用于存储指令，该指令用于控制该处理器1010进行操作以支持实现根据本说明书任意实施例的图像生成方法。技术人员可以根据本说明书实施例所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，尽管在图2中示出了电子设备1000的多个装置，但是，本说明书实施例的电子设备1000可以仅涉及其中的部分装置，例如，只涉及处理器1010、存储器1020、显示装置1050、输入装置1060等。
<实施例一>
<方法>
本实施例提供了一种图像生成模型的训练方法，该方法例如可以由电子设备实施，该电子设备可以是如图1所示的电子设备1000。
如图2所示，该方法包括以下步骤2100～2200：
步骤2100，根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像。
其中，该退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，该第二图像的清晰度低于该第一图像，该目标参数值组合包括与每种该图像处理对应的参数值。
在一个例子中，该目标参数值组合中可以包括第一参数值、第二参数值、第三参数值和第四参数值；该电子设备1000可以依次根据第一参数值、第二参数值、第三参数值和第四参数值对第一图像进行相应的处理。
具体的，该电子设备1000先根据该第一参数值，对该第一图像进行调整大小处理，得到第一中间图像；然后根据第二参数值，对该第一中间图像进行高斯模糊处理，得到第二中间图像；再根据第三参数值，对第二中间图像进行高斯噪声处理，得到第三中间图像；最后根据第四参数值，对该第三中间图像进行压缩处理，得到该第二图像。
其中，该调整大小处理用于通过调整图像尺寸以降低图像清晰度。该高斯噪声处理用于在图像中添加高斯噪声。该压缩处理用于在图像中添加压缩噪声。
步骤2200，根据该第一图像和该第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型。
其中，该图像生成模型用于对输入的图像进行修复。
根据本实施例的方法，通过预设的图像退化处理方式对第一图像进行退化处理，得到清晰度低于第一图像的第二图像，并根据第一图像和第二图像对原始图像生成模型进行训练，得到训练完成的图像生成模型，使得图像生成模型可以将输入的低清晰度图像修复成去噪效果及视觉效果更好的高清晰度图像。
在本实施例中，上述步骤2100之前，该电子设备1000可以先通过第三图像和第四图像确定该目标参数值组合。通常，用来模拟真实图片噪声的方法有：先进行高斯模糊再进行JPEG压缩处理来模拟图像存储过程中产生的噪声，以及先进行高斯模糊处理再加高斯噪声处理来模拟数字图像生成过程中引入的噪声。
在本实施例中，首先确定了四种失真处理类型以及图像退化处理顺序。即，按照调整大小处理、高斯模糊处理、高斯噪声处理、压缩处理的顺序对该第一图像进行退化处理。
具体的，该电子设备1000可以对第三图像依次进行如下处理：按照不同的调整参数值对该第三图像进行调整大小处理，得到第一图像集。并对该第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集。对该第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集。对该第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集。
该电子设备1000在该第四图像集中，根据与该第三图像相关联的第四图像确定出目标图像，其中，该第四图像的清晰度小于该第三图像，该目标图像与该第四图像的相似度大于第一阈值。
例如，对图3a和图3b所示的低清晰度图像和高清晰度图像，在本例中，对高斯模糊处理和高斯噪声处理从小到大分别设置了10档参数，对resize时的尺度以及压缩处理时的压缩比率，分别设置了5档参数。在设置参数范围时，具体考虑两点因素：一是保证参数值具有一定的广泛的变化范围，以构造出多种参数值组合方式，从而能搜索出最佳参数值组合；二是保证参数值的设置不能过分地偏大或偏小，以避免导致图像失真严重，不符合真实的低清晰度图像。
在确定出目标图像之后，该电子设备1000将得到该第四图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为该目标参数值组合。
在一个例子中，该电子设备1000在确定目标图像时，具体可以计算该第四图像集中的每个图像对应的客观评价指标值；根据该客观评价指标值对该第四图像集中的图像进行排序；根据排序从该第四图像集中选择预设数量个图像，分别与该第四图像进行比较；将该预设数量个图像中与该第四图像的相似度大于该第一阈值的图像确定为该目标图像。其中，该客观评价指标包括：峰值信噪比(Peak Signal to Noise Ratio，PSNR)，结构相似性(Structure Similarity Index，SSIM)以及多层级结构相似性(Multi-Scale-StructureSimilarity Index，MS-SSIM)。
在实际应用中，该电子设备1000需要重复多轮上述操作过程，直至某一轮的客观评价指标值的最大值不再增大时，得到目标参数值组合。具体过程例如可以是：
第一轮，按照resize(5个参数)、高斯模糊处理(10个参数)、高斯噪声处理(10个参数)、JPEG压缩处理(5个参数)的顺序对第三图像进行处理，假设共生成包含n1张图像的第四图像集，计算第四图像集中n1张图像的客观评价指标值，如PSNR、SSIM和MS-SSIM等，并记录其中的客观评价指标值的最大值，记为PSNR1，SSIM1，MS-SSIM1。
第二轮，对第一轮中生成的n1张图像，按照resize(5个参数)、高斯模糊处理(10个参数)、高斯噪声处理(10个参数)、JPEG压缩处理(5个参数)的顺序进行第二轮退化处理，得到n2张图像，计算这n2张图像的客观评价指标值，并记录其中的客观评价指标值的最大值，记为PSNR2，SSIM2，MS-SSIM2。可选地，如果第一轮得到的n1张图像过多，可以选择客观评价指标值排序前30％或50％的图像进行第二轮退化处理，在此不作具体限定。
若PSNR2、SSIM2、MS-SSIM2分别小于PSNR1、SSIM1、MS-SSIM1，则停止退化处理操作，否则重复上述第二轮中的操作，继续进行下一轮。
停止退化处理操作后，对每轮生成的图像的客观评价指标值排序前几的图像进行主观评价，选择与真实低清晰度图像最为接近的图像确定为目标图像。如图4a和图4b所示，是真实低清晰度图像与生成的低清晰度图像的效果图。
该电子设备1000在得到目标图像后，将得到目标图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为该目标参数值组合。然后使用目标参数值组合对第一图像进行退化处理，得到清晰度低于第一图像的第二图像，将第一图像和第二图像一起作为原始图像生成模型的输入进行训练，让网络学习第一图像和第二图像之间的映射关系，确定出图像生成模型。在得到图像生成模型后，输入一张待处理图像即能输出一张对应的修复图像。
在进行原始图像生成模型训练时，需要保证输入的图像具有一定的随机性，因此可以选择多组第一图像和对应的第二图像对原始图像生成模型进行训练。
实际应用中，该原始图像生成模型的网络结构例如可以是论文《Wide Activationfor Efficient and Accurate Image Super-Resolution》中提出的网络结构，如图5所示。可以看出，网络结构非常简单，包含三个模块：res模块、conv模块和pixel shuffle模块，residual body就是一系列的resblock组合到一起。经过不断训练，网络超分能力不断提升，一张低清晰度图像经过图5的网络结构的计算，便可以输出一张高清晰度图像。
例如，向基于本实施例的方法训练得到的图像生成模型输入如图6所示的待处理图像，即可基于该图像生成模型输出修复图像，基于本实施例的方法可以输出高质量的高清图像。
<装置实施例>
本实施例提供一种图像生成模型的训练装置，该装置例如是图7所示的图像生成模型的训练装置3000，该图像生成模型的训练装置3000包括退化处理模块3100和模型训练模块3200。
其中，退化处理模块3100，用于根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像对应的第二图像数据集；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值。
模型训练模块3200，用于根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复。
可选地，所述退化处理模块3100具体可以用于：根据所述目标参数值组合中的第一参数值，对所述第一图像进行调整大小处理，得到第一中间图像，其中，所述调整大小处理用于通过调整图像尺寸以降低图像清晰度；根据所述目标参数值组合中的第二参数值，对所述第一中间图像进行高斯模糊处理，得到第二中间图像；根据所述目标参数值组合中的第三参数值，对所述第二中间图像进行高斯噪声处理，得到第三中间图像，其中，所述高斯噪声处理用于在图像中添加高斯噪声；根据所述目标参数值组合中的第四参数值，对所述第三中间图像进行压缩处理，得到所述第二图像，其中，所述压缩处理用于在图像中添加压缩噪声。
可选地，所述退化处理模块3100还可以用于：对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；将得到所述第四图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
可选地，所述退化处理模块3100还用于：计算所述第四图像集中的每个图像对应的客观评价指标值；根据所述客观评价指标值对所述第四图像集中的图像进行排序；根据排序从所述第四图像集中选择预设数量个图像，分别与所述第四图像进行比较；将所述预设数量个图像中与所述第四图像的相似度大于所述第一阈值的图像确定为所述目标图像。
其中，所述客观评价指标包括：PSNR，SSIM以及MS-SSIM。
本实施例的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
<设备实施例>
本实施例中，还提供一种电子设备，该电子设备包括本发明装置实施例中描述的图像生成模型的训练装置；或者，该电子设备为图8所示的电子设备40，包括：
存储器41，用于存储可执行命令。
处理器42，用于在存储器41存储的可执行命令的控制下，执行本发明任意方法实施例中描述的方法。
<计算机可读存储介质实施例>
本实施例提供一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本发明任意方法实施例中描述的方法。
<实施例二>
<方法>
本实施例提供了一种图像生成方法，该方法例如可以由电子设备实施，该电子设备可以是如图1所示的电子设备1000。
如图9所示，该方法可以包括以下步骤5100-5200：
步骤5100，获取待处理图像。
具体的，该待处理图像可以是待修复的低清晰度图像。
步骤5200，将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像。
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值。
具体的图像生成模型的训练过程可以参照上述实施例一中的描述在，在此不再赘述。
根据本实施例的图像生成方法，可以将输入图像生成模型的低清晰度图像修复成去噪效果及视觉效果更好的高清晰度图像。
<装置实施例>
本实施例提供一种图像生成装置，该装置例如是图10所示的图像生成装置6000，该图像生成装置6000包括获取模块6100和生成模块6200。
其中，获取模块6100，用于获取待处理图像.
生成模块6200，用于将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像。
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值。
本实施例的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
<设备实施例>
本实施例中，还提供一种电子设备，该电子设备包括本发明装置实施例中描述的图像生成装置；或者，该电子设备为图11所示的电子设备70，包括：
存储器71，用于存储可执行命令。
处理器72，用于在存储器71存储的可执行命令的控制下，执行本发明任意方法实施例中描述的方法。
<计算机可读存储介质实施例>
本实施例提供一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本发明任意方法实施例中描述的方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，模块、程序段或指令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。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，两个连续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动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。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种图像生成模型的训练方法，其特征在于，所述方法包括：
根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；
根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复，
其中，在所述根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像的步骤之前，所述方法还包括：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述目标图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
2.根据权利要求1所述的方法，其特征在于，根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像包括：
根据所述目标参数值组合中的第一参数值，对所述第一图像进行调整大小处理，得到第一中间图像，其中，所述调整大小处理用于通过调整图像尺寸以降低图像清晰度；
根据所述目标参数值组合中的第二参数值，对所述第一中间图像进行高斯模糊处理，得到第二中间图像；
根据所述目标参数值组合中的第三参数值，对所述第二中间图像进行高斯噪声处理，得到第三中间图像，其中，所述高斯噪声处理用于在图像中添加高斯噪声；
根据所述目标参数值组合中的第四参数值，对所述第三中间图像进行压缩处理，得到所述第二图像，其中，所述压缩处理用于在图像中添加压缩噪声。
3.根据权利要求1所述的方法，其特征在于，在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，包括：
计算所述第四图像集中的每个图像对应的客观评价指标值；
根据所述客观评价指标值对所述第四图像集中的图像进行排序；
根据排序从所述第四图像集中选择预设数量个图像，分别与所述第四图像进行比较；
将所述预设数量个图像中与所述第四图像的相似度大于所述第一阈值的图像确定为所述目标图像。
4.根据权利要求3所述的方法，其特征在于，所述客观评价指标包括：峰值信噪比PSNR，结构相似性SSIM以及多层级结构相似性MS-SSIM。
5.一种图像生成方法，其特征在于，所述方法包括：
获取待处理图像；
将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像；
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值，
其中，在根据预设的图像退化处理方式，对所述第一图像进行退化处理，得到所述第二图像的步骤之前，所述方法还包括：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述目标图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
6.一种图像生成模型的训练装置，其特征在于，所述装置包括：
退化处理模块，用于根据预设的图像退化处理方式，对第一图像进行退化处理，得到第二图像对应的第二图像数据集；其中，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值；
模型训练模块，用于根据所述第一图像和所述第二图像，对原始图像生成模型进行训练，得到训练完成的图像生成模型，其中，所述图像生成模型用于对输入的图像进行修复，
其中，所述退化处理模块还用于：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述目标图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
7.一种图像生成装置，其特征在于，所述装置包括：
获取模块，用于获取待处理图像；
生成模块，用于将所述待处理图像输入图像生成模型，得到所述图像生成模型输出的修复图像；
其中，所述图像生成模型根据第一图像和第二图像对原始图像生成模型进行训练获得，所述第二图像为根据预设的图像退化处理方式，对所述第一图像进行退化处理获得，所述退化处理用于根据目标参数值组合对图像进行至少两种图像处理以降低图像的清晰度，所述第二图像的清晰度低于所述第一图像，所述目标参数值组合包括与每种所述图像处理对应的参数值，
其中，在根据预设的图像退化处理方式，对所述第一图像进行退化处理，得到所述第二图像的步骤之前，还包括：
对第三图像按照不同的调整参数值进行调整大小处理，得到第一图像集；
对所述第一图像集中的每个图像分别按照不同的模糊参数值进行高斯模糊处理，得到第二图像集；
对所述第二图像集中的每个图像分别按照不同的噪声参数值进行高斯噪声处理，得到第三图像集；
对所述第三图像集中的每个图像分别按照不同的压缩参数值进行压缩处理，得到第四图像集；
在所述第四图像集中，根据与所述第三图像相关联的第四图像确定出目标图像，其中，所述第四图像的清晰度小于所述第三图像，所述目标图像与所述第四图像的相似度大于第一阈值；
将得到所述目标图像的调整参数值、模糊参数值、噪声参数值、压缩参数值确定为所述目标参数值组合。
8.一种电子设备，其特征在于，包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如权利要求1-4中任一项所述的图像生成模型的训练方法。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行命令；
处理器，用于在所述可执行命令的控制下，执行如权利要求5所述的图像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303138.8A CN111105375B (zh) | 2019-12-17 | 2019-12-17 | 图像生成方法及其模型训练方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303138.8A CN111105375B (zh) | 2019-12-17 | 2019-12-17 | 图像生成方法及其模型训练方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105375A CN111105375A (zh) | 2020-05-05 |
| CN111105375B true CN111105375B (zh) | 2023-08-22 |
Family
ID=70422601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911303138.8A Active CN111105375B (zh) | 2019-12-17 | 2019-12-17 | 图像生成方法及其模型训练方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105375B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446835B (zh) * | 2019-09-04 | 2024-06-18 | 华为技术有限公司 | 图像恢复方法、图像恢复网络训练方法、装置和存储介质 |
| CN113689341A (zh) * | 2020-05-18 | 2021-11-23 | 京东方科技集团股份有限公司 | 图像处理方法及图像处理模型的训练方法 |
| CN111815504A (zh) * | 2020-06-30 | 2020-10-23 | 北京金山云网络技术有限公司 | 一种图像的生成方法和装置 |
| CN112488947A (zh) * | 2020-12-04 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像处理方法、装置、设备和计算机可读介质 |
| CN112801536B (zh) * | 2021-02-20 | 2024-04-30 | 北京金山云网络技术有限公司 | 图像处理方法、装置和电子设备 |
| CN113706402A (zh) * | 2021-07-23 | 2021-11-26 | 维沃移动通信（杭州）有限公司 | 神经网络训练方法、装置及电子设备 |
| CN117392018A (zh) * | 2023-10-24 | 2024-01-12 | 神力视界(深圳)文化科技有限公司 | 提升三维模型清晰度的方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012238288A (ja) * | 2011-05-13 | 2012-12-06 | Canon Inc | 画像処理装置、画像処理装置の画像処理方法及びプログラム |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
| CN109785249A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于持续性记忆密集网络的图像高效去噪方法 |
| CN109981991A (zh) * | 2019-04-17 | 2019-07-05 | 北京旷视科技有限公司 | 模型训练方法、图像处理方法、装置、介质和电子设备 |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN110163237A (zh) * | 2018-11-08 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 模型训练及图像处理方法、装置、介质、电子设备 |
| CN110211064A (zh) * | 2019-05-21 | 2019-09-06 | 华南理工大学 | 一种基于边缘引导的混合退化文本图像恢复方法 |
| CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN110264407A (zh) * | 2019-06-28 | 2019-09-20 | 北京金山云网络技术有限公司 | 图像超分辨模型训练及重建方法、装置、设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013114518A (ja) * | 2011-11-29 | 2013-06-10 | Sony Corp | 画像処理装置、および画像処理方法、並びにプログラム |
| JP6433187B2 (ja) * | 2014-08-07 | 2018-12-05 | キヤノン株式会社 | 情報処理装置、その制御方法およびコンピュータプログラム |
| WO2018225134A1 (ja) * | 2017-06-05 | 2018-12-13 | 楽天株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
| CN107767343B (zh) * | 2017-11-09 | 2021-08-31 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN107958455B (zh) * | 2017-12-06 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 图像清晰度评估方法、装置、计算机设备及存储介质 |
| US11199506B2 (en) * | 2018-02-21 | 2021-12-14 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
| KR102606200B1 (ko) * | 2018-03-06 | 2023-11-24 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
-
2019
- 2019-12-17 CN CN201911303138.8A patent/CN111105375B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012238288A (ja) * | 2011-05-13 | 2012-12-06 | Canon Inc | 画像処理装置、画像処理装置の画像処理方法及びプログラム |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
| CN110163237A (zh) * | 2018-11-08 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 模型训练及图像处理方法、装置、介质、电子设备 |
| CN109785249A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于持续性记忆密集网络的图像高效去噪方法 |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN109981991A (zh) * | 2019-04-17 | 2019-07-05 | 北京旷视科技有限公司 | 模型训练方法、图像处理方法、装置、介质和电子设备 |
| CN110211064A (zh) * | 2019-05-21 | 2019-09-06 | 华南理工大学 | 一种基于边缘引导的混合退化文本图像恢复方法 |
| CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN110264407A (zh) * | 2019-06-28 | 2019-09-20 | 北京金山云网络技术有限公司 | 图像超分辨模型训练及重建方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 梁晓萍等.基于头脑风暴优化算法的BP神经网络模糊图像复原.《电子与信息学报》.2019,第41卷(第12期),第2980-2986页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105375A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105375B (zh) | 图像生成方法及其模型训练方法、装置及电子设备 | |
| CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
| CN111104962B (zh) | 图像的语义分割方法、装置、电子设备及可读存储介质 | |
| US11790209B2 (en) | Recurrent neural networks for data item generation | |
| US11978245B2 (en) | Method and apparatus for generating image | |
| CN110503703B (zh) | 用于生成图像的方法和装置 | |
| CN107633218B (zh) | 用于生成图像的方法和装置 | |
| EP3834137A1 (en) | Committed information rate variational autoencoders | |
| US20190138899A1 (en) | Processing apparatus, processing method, and nonvolatile recording medium | |
| CN112785507A (zh) | 图像处理方法及装置、存储介质、终端 | |
| CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
| CN110516598B (zh) | 用于生成图像的方法和装置 | |
| US20220156987A1 (en) | Adaptive convolutions in neural networks | |
| JP2023531350A (ja) | サンプル画像を増分する方法、画像検出モデルの訓練方法及び画像検出方法 | |
| CN116363261A (zh) | 图像编辑模型的训练方法、图像编辑方法和装置 | |
| CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
| CN113837965B (zh) | 图像清晰度识别方法、装置、电子设备及存储介质 | |
| CN110189385B (zh) | 模型训练及图片压缩、解压方法、装置、介质和电子设备 | |
| CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN108921792B (zh) | 用于处理图片的方法和装置 | |
| CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
| CN115578614B (zh) | 图像处理模型的训练方法、图像处理方法和装置 | |
| CN116264606A (zh) | 用于处理视频的方法、设备和计算机程序产品 | |
| CN109684143B (zh) | 一种基于深度学习的测试gpu性能的方法及装置 | |
| CN110930333A (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |