CN111383172A - 神经网络模型的训练方法、装置及智能终端 - Google Patents
神经网络模型的训练方法、装置及智能终端 Download PDFInfo
- Publication number
- CN111383172A CN111383172A CN201811641858.0A CN201811641858A CN111383172A CN 111383172 A CN111383172 A CN 111383172A CN 201811641858 A CN201811641858 A CN 201811641858A CN 111383172 A CN111383172 A CN 111383172A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- neural network
- training
- discrimination
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 135
- 238000003062 neural network model Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 59
- 230000003321 amplification Effects 0.000 claims description 52
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 19
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种神经网络模型的训练方法、装置及智能终端,通过对训练样本图像HR*进行图像预处理,得到训练样本图像HR*的至少两个训练样本图像副本,训练样本图像HR*与该至少两个训练样本图像副本构成图像组;并构建神经网络模型,神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;再将图像组输入所构建的神经网络模型,对神经网络模型进行训练,通过区分网络对所构建的神经网络模型进行有效的对抗式训练,使得图像放大网络最终输出的图像未能被区分网络正确区分,从而更好地达到了对图像放大网络的训练效果,使得图像放大网络最终输出的图像质量更高,达到用户预期的图像效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种神经网络模型的训练方法、装置及智能终端。
背景技术
图像放大技术是计算机视觉和图像处理领域的一个经典问题,有着重要的学术和工业研究价值。图像放大的目标就是,由给定的低分辨率图像得到它相应的高分辨率图像,使得图像的内容信息得到保留甚至加强,同时给人的以更好的视觉效果。目前主流的图像超分辨方法可以分为三大类:基于插值的方法,基于重构的方法,基于深度学习的方法。
然而,虽然主流的图像处理方法解决了图像放大的基本需求,但由于设计环节的不完善,普遍存在锯齿效应、模糊效应、过于平滑等问题,特别是基于深度学习的图像处理方法,利用传统方法训练所得到神经网络模型,在利用测试集进行放大测试时表现优异,但在对实际图像进行放大时效果并不能令人满意,也即对神经网络模型的训练达不到输出较为理想的放大图像。
发明内容
有鉴于此,本发明实施例提供了一种神经网络模型的训练方法、装置及智能终端,以解决对神经网络模型的训练方法使得其所输出的图像达不到较为理想的放大图像的问题。
本发明实施例的第一方面提供了一种神经网络模型的训练方法,包括:
对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
本发明实施例的第二方面提供了一种神经网络模型的训练装置,包括:
图像预处理单元,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
本发明实施例的第三方面提供了一种智能终端,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的神经网络模型的训练方法的步骤。
其中,所述计算机程序包括:
图像预处理单元,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,与所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的神经网络模型的训练方法的步骤。
其中,所述计算机程序包括:
图像预处理单元,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
本发明实施例与现有技术相比存在的有益效果是:通过对训练样本图像HR*进行图像预处理,得到训练样本图像HR*的至少两个训练样本图像副本,训练样本图像HR*与该至少两个训练样本图像副本构成图像组;并构建神经网络模型,神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;再将图像组输入所构建的神经网络模型,对神经网络模型进行训练,通过区分网络对所构建的神经网络模型进行有效的对抗式训练,使得图像放大网络最终输出的图像未能被区分网络正确区分,从而更好地达到了对图像放大网络的训练效果,使得图像放大网络最终输出的图像质量更高,达到用户预期的图像效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种神经网络模型的训练方法的实现流程图;
图2是本发明实施例提供的一种对图像进行预处理的方法的具体实现流程图;
图3是本发明实施例提供的一种优化区分网络的方法的具体实现流程图;
图4是本发明实施例提供的一种调整网络参数的方法的具体实现流程图;
图5是本发明实施例提供的一种调整图像缩小网络的参数的方法的具体实现流程图;
图6是本发明实施例提供的一种调整图像放大网络的参数的方法的具体实现流程图;
图7是本发明实施例提供的一种对网络参数进行微调的方法的具体实现流程图;
图8是本发明实施例提供的一种神经网络模型的训练装置的示意图;
图9是本发明实施例提供的一种智能终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、系统、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。请参考图1,图1示出了本发明实施例提供的一种神经网络模型的训练方法的实现流程,详述如下:
在步骤S101中,对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本。
在本发明实施例中,训练样本图像HR*为有噪声的高分辨率图像,包括但不限于通过摄像头所采集的有噪声的高分辨率原始图像、通过截图工具所截取的影视图像。图像预处理包括但不限于降噪处理、图像下采样处理、裁剪处理和缩小处理。
在这里,所述训练样本图像副本为第一图像HR′、第二图像LR*或第三图像LR′。
可选的,请参考图2,图2示出了本发明实施例提供的一种对图像进行预处理的方法的具体实现流程,详述如下
在步骤S201中,对训练样本图像HR*进行降噪处理,得到对应的第一图像HR′。
在本发明实施例中,对训练样本图像HR*进行降噪处理的目的是为了得到一张无噪声的高分辨率图像,即第一图像HR′具体为无噪声的高分辨率图像。该无噪声的高分辨率图像具体可以为通过如BM3D的单帧降噪算法对图像进行降噪处理后得到高分辨率图像,也可以为通过以同一场景中所拍摄的多张包含有不同噪声的任意一张图像作为参考帧后,把其余图像与之进行对齐,并拼接在一起,然后通过空域卷积运算处理后所输出的高分辨率图像。
在步骤S202中,对训练样本图像HR*进行图像下采样处理,得到对应的第二图像LR*。
在本发明实施例中,第二图像LR*具体为有噪声的低分辨率图像,其为对训练样本图像HR*进行图像下采样处理后得到的图像。
在步骤S203中,对训练样本图像HR*进行随机裁剪处理,得到对应的第三图像LR′。
在本发明实施例中,第三图像LR′同样也为有噪声的低分辨率图像,其为对训练样本图像HR*进行随机裁剪处理后得到的图像。
可以理解的是,上述步骤S201至S203并没有先后之分,且上述步骤S201至S203也可以同时进行。
在本发明实施例中,训练样本图像HR*的至少两个训练样本图像副本比如第一图像HR′、第二图像LR*或者第三图像LR′,构成了用于对神经网络模型进行训练的图像组。通过该图像组的图像对神经网络模型进行训练,以使得经训练后的图像放大网络能够输出质量更好,分辨率更高的图像。
在步骤S102中,构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同。
在本发明实施例中,第一区分网络和第二区分网络均为基于二分类模型所构建的网络,用于区分两张图像是否相同。在这里,区分网络所输出的结果只有两个:图像相同或者图像不同。
在这里,图像缩小网络和图像放大网络实现的是图像分辨率的变换,它可以使用卷积神经网络、残差网络等网络来实现,只要能够满足图像分辨率的变换的功能要求,不需对其内部结构进行限制。比如可以通过修改现有的超分辨率网络结构,如添加/去除BatchNorm层,增加/减少skip connection等,来使得网络更容易训练,达到训练的目的。
这里所指的第一预设图像具体为对训练样本图像HR*进行随机裁剪处理后得到的第三图像LR′;第二预设图像具体为对训练样本图像HR*进行降噪处理,得到对应的第一图像HR′。
可选的,在步骤S102之前,还包括一种优化区分网络的具体实现步骤,请参考图3,图3示出了本发明实施例提供的一种优化区分网络的方法的具体实现流程,详述如下:
在步骤S301中,根据二分类模型,构建第一区分网络和第二区分网络。
在本发明实施例中,能够满足对图像进行二分类的神经网络都可以作为区分网络,这里对区分网络的具体结构不做限制。根据不同的二分类模型,所构建的区分网络的具体结构可能并不相同,但均能实现对图像进行分类。
在这里,第一区分网络和第二区分网络中的第一和第二并无特殊含义,仅用来区分两个不同用途的区分网络,即第一区分网络和第二区分网络的结构可以是相同的。
在步骤S302中,基于图像的预设标签值和真实标签值,计算所述第一区分网络和所述第二区分网络的区分损失。
在本发明实施例中,预设标签值为区分网络对两张图像进行区分后所输出的值,该两张图像为不同类别的两张图像或者相同类别的两张图像,即该两张图像相同或者不同。真实标签值为两张图像的实际标签,即该两张图像实际上是相同的或者是不同的。在将该两张图像输入区分网络后,会输出网络预期其属于各个类别的概率,即属于相同类别还是不同类别的概率。
可以理解的是,由于输入第一区分网络和第二区分网络的两张图像并不相同,所计算得到的第一区分网络的区分损失与第二区分网络的区分损失并不相同。
在步骤S303中,基于计算得到的所述第一区分网络和所述第二区分网络的区分损失,对所述第一区分网络和所述第二区分网络的参数进行调整。
在本发明实施例中,区分损失是基于对抗的思想来帮助图像缩小网络或者图像放大网络生成与目标图像分布相似的图像,在训练图像缩小网络或者图像放大网络的过程中,通过预设标签值和真实标签值来计算区分网络的区分损失,从而调整并优化区分网络的参数,使得区分网络的区分损失达到最小值或者预设值,这样使得图像缩小网络或者图像放大网络所输出的图像越难被区分网络进行正确区分,代表着图像缩小网络或者图像放大网络所输出的图像为与目标图像分布相似的图像,从而能够对神经网络模型达到更好的训练效果,最终使得图像放大网络能够输出与我们训练目标接近的图像,也就是该图像为最接近真实的图像。
在这里,区分损失的计算方法包括但不限于cross entropu,hinge loss等计算方法,由于区分网络的内部结构并没有具体限制,一般能够解决二分类问题的网络都可以作为区分网络,这样,区分损失的计算方式也可以根据不同的区分网络的内部结构来确定。
在步骤S103中,将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
在本发明实施例中,神经网络模型中包含有第一区分网络、第二区分网络、图像缩小网络和图像放大网络,其中图像缩小网络和图像放大网络分别对应有一个区分网络,用于调整图像缩小网络和图像放大网络的参数,以进一步改善图像缩小网络和图像放大网络的训练效果。也就是通过调整图像缩小网络和图像放大网络的参数使得其尽可能输出使区分网络无法正确区分的图像,而区分网络尽可能将它的输入图像正确地分成两类,以通过迭代优化相互促进,最终使得图像缩小网络输出与实际低分辨率图像即第三图像LR′相似的图像,而图像放大网络尽可能输出类似于高清原始图像的图像,即图像放大网络输出的第五图像HR为最接近真实图像的高分辨图像。
可选的,在步骤S103中包括对神经网络模型中的图像缩小网络和图像放大网络的参数进行调整的步骤,请参考图4,图4示出了本发明实施例提供的一种调整网络参数的方法的具体实现流程,详述如下:
在步骤S401中,基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整。
在本发明实施例中,预设损失函数为由像素损失函数和特征损失函数组合而成的多级损失函数。
在本发明实施例中,像素损失函数是从像素层面去衡量两张图像的差异。这里计算像素损失的函数包括但不限于L1,L2norm和MSE loss。在这里,以MSE loss损失函数作为本发明实施例的像素损失函数,具体公式如下:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表像素提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标。
在这里,通过对两张图像中的每一个像素的差值的平方进行加权平均,可以在像素层面上衡量两者的差异。
在本发明实施例中,特征损失函数是将图像中的内容特征提取出来进行对比。通过利用深度神经网络或者其它方式来获取符合条件的特征信息,转化为相应的特征向量后,根据转化后的特征向量来比较两者的区别。在这里,提取图像中的内容特征的方式包括但不限于利用VGG网络,SSIM网络等,来获得亮度、对比度和结构等特征信息,将所使用的网络用φ表示,所使用的特征损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表特征提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;φ表示所使用的用于提取图像的内容特征的神经网络。
在本发明实施例中,为了能够达到更好的训练效果,首先基于预设函数比如像素损失函数和特征损失函数所组成的多级损失函数,分别对图像缩小网络和图像放大网络的参数进行调整,以使得两者的损失值达到最小或者达到预设值,从而能够提高更为接近真实的低分辨率图像或者高分辨率图像。
可选的,请参考图5,图5示出了本发明实施例提供的一种调整图像缩小网络的参数的方法的具体实现流程,详述如下:
在步骤S501中,将第一图像HR′输入所述图像缩小网络进行缩小后,得到第四图像LR。
在本发明实施例中,为了提高训练样本图像的真实性,避免人工添加噪声的图像在实际应用中效果不符合预期而无法得到接近真实噪声的图像样本数据,从而导致训练效果不明显的缺陷问题,本发明实施例则是通过缩小网络来模拟真实的低分辨率图像,使得用于训练图像放大网路的低分辨率图像所具有的噪声更接近真实噪声。
在这里,在对神经网络模型进行训练的过程中,首先将有噪声的高分辨率图像,即第一图像HR′输入图像缩小网络进行缩小处理后,得到对应的有噪声的低分辨率图像,即第四图像LR。
在步骤S502中,基于预设损失函数,计算第四图像LR与第二图像LR*的第一数值。
在本发明实施例中,在通过图像缩小网络得到第四图像LR后,首先基于预设损失函数,计算其与对训练样本图像HR*进行图像下采样处理得到的第二图像LR*的损失值,即第一数值,然后根据该第一数值对图像缩小网络中的参数进行调整。
在步骤S503中,基于所述第一数值,对所述图像缩小网络的参数进行调整。
在本发明实施例中,经过多次根据第四图像LR与第二图像LR*计算得到第一数值对图像缩小网络的参数进行调整,以使得图像缩小网络的参数达到最优,能够输出更为接近真实的低分辨率图像。
可选的,请参考图6,图6示出了本发明实施例提供的一种调整图像放大网络的参数的方法的具体实现流程,详述如下:
在步骤S601中,将第四图像LR输入所述图像放大网络进行放大后,得到第五图像HR。
在步骤S602中,基于预设损失函数,计算第五图像HR与第一图像HR′的第二数值。
在步骤S603中,基于所述第二数值,对所述图像放大网络的参数进行调整。
在本发明实施例中,对图像放大网络的参数进行调整的步骤可以参考对图像缩小网络的参数进行调整的步骤,这里不再赘述。
在步骤S402中,基于所述第一区分网络,对所述图像缩小网络的参数进行微调。
在步骤S403中,基于所述第二区分网络,对所述图像放大网络的参数进行微调。
在本发明实施例中,在基于预设损失函数对图像缩小网络和图像放大网络的参数进行调整后,为了进一步提高神经网络模型的训练效果,还要计算区分网络的区分损失,以对图像缩小网络和图像放大网络中的参数进行微调。
请参考图7,图7示出了本发明实施例提供的一种对网络参数进行微调的方法的具体实现流程,详述如下:
在步骤S701中,将第四图像LR和第三图像LR′输入第一区分网络,计算所述第一区分网络的第三数值。
在本发明实施例中,同时将第四图像LR和第三图像LR′输入第一区分网络进行比较,并根据第四图像LR和第三图像LR′的真实标签值与预设标签值计算两者的区分损失,也即第三数值。
在步骤S702中,基于所述第三数值,对所述图像缩小网络的参数进行微调。
在本发明实施例中,由于区分损失的抽象程度非常高,如果单独作为神经网络模型的损失函数,很难得到理想的训练效果,因而在使用区分损失调整图像缩小网络和图像放大网络的参数时,首先基于预设损失函数,分别对图像缩小网络和图像放大网络的参数进行调整,再基于区分网络,分别对图像缩小网络和图像放大网络的参数进行微调,以使得神经网络模型能够达到更好的训练效果。
可选的,在步骤S703中,将第五图像HR和第一图像HR′输入第二区分网络,计算所述第二区分网络的第四数值。
在步骤S704中,基于所述第四数值,对所述图像放大网络的参数进行微调。
在本发明实施例中,步骤S703至S704为对图像放大网络的参数进行调整的步骤,具体可以参考步骤S701至步骤S704,这里不再赘述。
在这里,图像放大网络实际为最终训练的目标网络,通过神经网络模型使得图像放大网络能够输出质量较好的高分辨率图像,并且该高分辨率图像更接近于真实的图像。
在本发明实施例中,通过对训练样本图像HR*进行图像预处理,得到训练样本图像HR*的至少两个训练样本图像副本,该至少两个训练样本图像副本构成图像组;并构建神经网络模型,神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;再将图像组输入所构建的神经网络模型,对神经网络模型进行训练,通过区分网络对所构建的神经网络模型进行有效的对抗式训练,使得图像放大网络最终输出的图像未能被区分网络正确区分,从而更好地达到了对图像放大网络的训练效果,使得图像放大网络最终输出的图像质量更高,达到用户预期的图像效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑控制,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种神经网络模型的训练方法,图8示出了本发明实施例提供的一种神经网络模型的训练装置的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
参照图8,该装置包括:
图像预处理单元81,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,与所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元82,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元83,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
可选的,所述图像预处理单元81包括:
第一图像预处理子单元,用于对所述训练样本图像HR*进行降噪处理,得到对应的第一图像HR′;
第二图像预处理子单元,用于对所述训练样本图像HR*进行图像下采样处理,得到对应的第二图像LR*;
第三图像预处理子单元,用于对所述训练样本图像HR*进行随机裁剪处理,得到对应的第三图像LR′。
可选的,所述装置还包括:
区分网络构建单元,用于根据二分类模型,构建所述第一区分网络和所述第二区分网络;
区分损失计算单元,用于基于图像的预设标签值和真实标签值,计算所述第一区分网络和所述第二区分网络的区分损失;
区分网络参数调整单元,用于基于计算得到的所述第一区分网络和所述第二区分网络的区分损失,对所述第一区分网络和所述第二区分网络的参数进行调整。
可选的,所述神经网络训练单元83包括:
参数调整单元,用于基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整;
第一参数微调单元,用于基于所述第一区分网络,对所述图像缩小网络的参数进行微调;
第二参数微调单元,用于基于所述第二区分网络,对所述图像放大网络的参数进行微调。
可选的,所述参数调整单元包括:
图像缩小子单元,用于将第一图像HR′输入所述图像缩小网络进行缩小后,得到第四图像LR;
第一数值计算子单元,用于基于预设损失函数,计算第四图像LR与第二图像LR*的第一数值;
第一参数调整子单元,用于基于所述第一数值,对所述图像缩小网络的参数进行调整。
可选的,所述参数调整单元还包括:
图像放大子单元,用于将第四图像LR输入所述图像放大网络进行放大后,得到第五图像HR;
第二数值计算子单元,用于基于预设损失函数,计算第五图像HR与第一图像HR′的第二数值;
第二参数调整子单元,用于基于所述第二数值,对所述图像放大网络的参数进行调整。
可选的,所述第一参数微调单元包括:
第三数值计算子单元,用于将第四图像LR和第三图像LR′输入第一区分网络,计算所述第一区分网络的第三数值;
第一参数微调子单元,用于基于所述第三数值,对所述图像缩小网络的参数进行微调。
可选的,所述第二参数微调单元包括:
第四数值计算子单元,用于将第五图像HR和第一图像HR′输入第二区分网络,计算所述第二区分网络的第四数值;
第二参数微调子单元,用于基于所述第四数值,对所述图像放大网络的参数进行微调。
可选的,所述预设损失函数为由像素损失函数和特征损失函数组合而成的多级损失函数,其中:
所述像素损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表像素提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;
所述特征损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第三图像LR′进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表特征提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;φ表示所使用的用于提取图像的内容特征的神经网络。
在本发明实施例中,通过对训练样本图像HR*进行图像预处理,得到训练样本图像HR*的至少两个训练样本图像副本,训练样本图像HR*与该至少两个训练样本图像副本构成图像组;并构建神经网络模型,神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;再将图像组输入所构建的神经网络模型,对神经网络模型进行训练,通过区分网络对所构建的神经网络模型进行有效的对抗式训练,使得图像放大网络最终输出的图像未能被区分网络正确区分,从而更好地达到了对图像放大网络的训练效果,使得图像放大网络最终输出的图像质量更高,达到用户预期的图像效果。
图9是本发明一实施例提供的一种终端的示意图。如图9所示,该实施例的智能终端9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个神经网络模型的训练方法实施例中的步骤,例如图1所示的步骤81至83。或者,所述处理器90执行所述计算机程序92时实现上述各系统实施例中各单元的功能,例如图8所示模块81至83的功能。
示例性的,所述计算机程序92可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述智能终端9中的执行过程。例如,所述计算机程序92可以被分割成图像预处理单元81、神经网络模型构建单元82、神经网络训练单元83,各单元具体功能如下:
图像预处理单元81,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元82,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元83,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
可选的,所述图像预处理单元81包括:
第一图像预处理子单元,用于对所述训练样本图像HR*进行降噪处理,得到对应的第一图像HR′;
第二图像预处理子单元,用于对所述训练样本图像HR*进行图像下采样处理,得到对应的第二图像LR*;
第三图像预处理子单元,用于对所述训练样本图像HR*进行随机裁剪处理,得到对应的第三图像LR′。
可选的,所述计算机程序92还可以被分割成区分网络构建单元、区分损失计算单元、区分网络参数调整单元,各单元具体功能如下:
区分网络构建单元,用于根据二分类模型,构建所述第一区分网络和所述第二区分网络;
区分损失计算单元,用于基于图像的预设标签值和真实标签值,计算所述第一区分网络和所述第二区分网络的区分损失;
区分网络参数调整单元,用于基于计算得到的所述第一区分网络和所述第二区分网络的区分损失,对所述第一区分网络和所述第二区分网络的参数进行调整。
可选的,所述神经网络训练单元83包括:
参数调整单元,用于基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整;
第一参数微调单元,用于基于所述第一区分网络,对所述图像缩小网络的参数进行微调;
第二参数微调单元,用于基于所述第二区分网络,对所述图像放大网络的参数进行微调。
可选的,所述参数调整单元包括:
图像缩小子单元,用于将第一图像HR′输入所述图像缩小网络进行缩小后,得到第四图像LR;
第一数值计算子单元,用于基于预设损失函数,计算第四图像LR与第二图像LR*的第一数值;
第一参数调整子单元,用于基于所述第一数值,对所述图像缩小网络的参数进行调整。
可选的,所述参数调整单元还包括:
图像放大子单元,用于将第四图像LR输入所述图像放大网络进行放大后,得到第五图像HR;
第二数值计算子单元,用于基于预设损失函数,计算第五图像HR与第一图像HR′的第二数值;
第二参数调整子单元,用于基于所述第二数值,对所述图像放大网络的参数进行调整。
可选的,所述第一参数微调单元包括:
第三数值计算子单元,用于将第四图像LR和第三图像LR′输入第一区分网络,计算所述第一区分网络的第三数值;
第一参数微调子单元,用于基于所述第三数值,对所述图像缩小网络的参数进行微调。
可选的,所述第二参数微调单元包括:
第四数值计算子单元,用于将第五图像HR和第一图像HR′输入第二区分网络,计算所述第二区分网络的第四数值;
第二参数微调子单元,用于基于所述第四数值,对所述图像放大网络的参数进行微调。
可选的,所述预设损失函数为由像素损失函数和特征损失函数组合而成的多级损失函数,其中:
所述像素损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表像素提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;
所述特征损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR;第五图像HR为经图像放大网络对第三图像LR′进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR;第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表特征提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;φ表示所使用的用于提取图像的内容特征的神经网络。
所述智能终端9可以是桌上型计算机、笔记本、服务器、大型计算机等智能终端。所述智能终端9可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是智能终端9的示例,并不构成对智能终端9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述智能终端9的内部存储单元,例如智能终端9的硬盘或内存。所述存储器91也可以是所述智能终端9的外部存储设备,例如所述智能终端9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述智能终端9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的系统/智能终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,系统或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (12)
1.一种神经网络模型的训练方法,其特征在于,所述方法包括:
对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
2.如权利要求1所述的方法,其特征在于,所述训练样本图像副本为第一图像HR′、第二图像LR*或第三图像LR′,所述对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本的步骤,包括:
对所述训练样本图像HR*进行降噪处理,得到对应的第一图像HR′;
对所述训练样本图像HR*进行图像下采样处理,得到对应的第二图像LR*;
对所述训练样本图像HR*进行随机裁剪处理,得到对应的第三图像LR′。
3.如权利要求1所述的方法,其特征在于,在构建神经网络模型的步骤之前,还包括:
根据二分类模型,构建所述第一区分网络和所述第二区分网络;
基于图像的预设标签值和真实标签值,计算所述第一区分网络和所述第二区分网络的区分损失;
基于计算得到的所述第一区分网络和所述第二区分网络的区分损失,对所述第一区分网络和所述第二区分网络的参数进行调整。
4.如权利要求1至3任一所述的方法,其特征在于,在所述将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练的步骤中,包括:
基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整;
基于所述第一区分网络,对所述图像缩小网络的参数进行调整;
基于所述第二区分网络,对所述图像放大网络的参数进行调整。
5.如权利要求4所述的方法,其特征在于,所述基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整的步骤中,包括:
将所述第一图像HR′输入所述图像缩小网络进行缩小后,得到第四图像LR;
基于预设损失函数,计算所述第四图像LR与所述第二图像LR*的第一数值;
基于所述第一数值,对所述图像缩小网络的参数进行调整。
6.如权利要求4所述的方法,其特征在于,所述基于预设损失函数,分别对所述图像缩小网络和所述图像放大网络的参数进行调整的步骤中,还包括:
将所述第四图像LR输入所述图像放大网络进行放大后,得到第五图像HR;
基于预设损失函数,计算所述第五图像HR与所述第一图像HR′的第二数值;
基于所述第二数值,对所述图像放大网络的参数进行调整。
7.如权利要求4所述的方法,其特征在于,所述基于所述第一区分网络,对所述图像缩小网络的参数进行调整的步骤,包括:
将第四图像LR和所述第三图像LR′输入第一区分网络,计算所述第一区分网络的第三数值;
基于所述第三数值,对所述图像缩小网络的参数进行调整。
8.如权利要求4所述的方法,其特征在于,所述基于所述第二区分网络,对所述图像放大网络的参数进行调整的步骤,包括:
将第五图像HR和所述第一图像HR′输入第二区分网络,计算所述第二区分网络的第四数值;
基于所述第四数值,对所述图像放大网络的参数进行调整。
9.如权利要求4所述的方法,其特征在于,所述预设损失函数为由像素损失函数和特征损失函数组合而成的多级损失函数,其中:
像素损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR,第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR,第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表像素提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;
所述特征损失函数为:
其中,Iref和Gθ(G)(Iin)x,y在图像放大网络中分别对应第一图像HR′和第五图像HR,第五图像HR为经图像放大网络对第四图像LR进行放大后输出的高分辨率图像;Iref和Gθ(G)(Iin)x,y在图像缩小网络中分别对应第三图像LR′和第四图像LR,第四图像LR为经图像缩小网络对第一图像HR′进行缩小后输出的低分辨率图像;W与H分别代表特征提取矩阵的宽和高,x与y分别代表相应宽和高上的位置坐标;φ表示所使用的用于提取图像的内容特征的神经网络。
10.一种神经网络模型的训练装置,其特征在于,所述装置包括:
图像预处理单元,用于对训练样本图像HR*进行图像预处理,得到所述训练样本图像HR*的至少两个训练样本图像副本,所述至少两个训练样本图像副本构成图像组;
神经网络模型构建单元,用于构建神经网络模型,所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成;其中,所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同,第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同;
神经网络训练单元,用于将所述图像组输入所构建的神经网络模型,对所述神经网络模型进行训练。
11.一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述神经网络模型的训练方法的步骤。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述神经网络模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641858.0A CN111383172B (zh) | 2018-12-29 | 2018-12-29 | 神经网络模型的训练方法、装置及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641858.0A CN111383172B (zh) | 2018-12-29 | 2018-12-29 | 神经网络模型的训练方法、装置及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383172A true CN111383172A (zh) | 2020-07-07 |
CN111383172B CN111383172B (zh) | 2023-04-21 |
Family
ID=71218229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641858.0A Active CN111383172B (zh) | 2018-12-29 | 2018-12-29 | 神经网络模型的训练方法、装置及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383172B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127684A (zh) * | 2016-06-22 | 2016-11-16 | 中国科学院自动化研究所 | 基于双向递归卷积神经网络的图像超分辨率增强方法 |
CN107133919A (zh) * | 2017-05-16 | 2017-09-05 | 西安电子科技大学 | 基于深度学习的时间维视频超分辨率方法 |
CN107464217A (zh) * | 2017-08-16 | 2017-12-12 | 清华-伯克利深圳学院筹备办公室 | 一种图像处理方法及装置 |
CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及系统 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
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 |
US20180341862A1 (en) * | 2016-07-17 | 2018-11-29 | Gsi Technology Inc. | Integrating a memory layer in a neural network for one-shot learning |
-
2018
- 2018-12-29 CN CN201811641858.0A patent/CN111383172B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127684A (zh) * | 2016-06-22 | 2016-11-16 | 中国科学院自动化研究所 | 基于双向递归卷积神经网络的图像超分辨率增强方法 |
US20180341862A1 (en) * | 2016-07-17 | 2018-11-29 | Gsi Technology Inc. | Integrating a memory layer in a neural network for one-shot learning |
CN107133919A (zh) * | 2017-05-16 | 2017-09-05 | 西安电子科技大学 | 基于深度学习的时间维视频超分辨率方法 |
CN107464217A (zh) * | 2017-08-16 | 2017-12-12 | 清华-伯克利深圳学院筹备办公室 | 一种图像处理方法及装置 |
CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及系统 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
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 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
Non-Patent Citations (2)
Title |
---|
DEMARCHI, LUCA等: ""Assessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping"", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
杨莉: ""基于卷积神经网络的图像超分辨率重建"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111383172B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403421B (zh) | 一种图像去雾方法、存储介质及终端设备 | |
CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
JP2023515654A (ja) | 画像最適化方法及びその装置、コンピュータ記憶媒体、コンピュータプログラム並びに電子機器 | |
CN112183501A (zh) | 深度伪造图像检测方法及装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
Guan et al. | Srdgan: learning the noise prior for super resolution with dual generative adversarial networks | |
CN112686824A (zh) | 图像校正方法、装置、电子设备和计算机可读介质 | |
US20220398698A1 (en) | Image processing model generation method, processing method, storage medium, and terminal | |
CN111340077A (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN115393815A (zh) | 道路信息生成方法、装置、电子设备和计算机可读介质 | |
CN113298931B (zh) | 一种物体模型的重建方法、装置、终端设备和存储介质 | |
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 | |
CN111340722B (zh) | 图像处理方法、处理装置、终端设备及可读存储介质 | |
CN113706400A (zh) | 图像矫正方法、装置、显微镜图像的矫正方法及电子设备 | |
CN115760641B (zh) | 基于多尺度特征注意力网络的遥感影像去云雾方法和设备 | |
CN111383187B (zh) | 一种图像处理方法、装置及智能终端 | |
CN117495685A (zh) | 用于图像反走样的系统、设备和/或过程 | |
CN111383172B (zh) | 神经网络模型的训练方法、装置及智能终端 | |
CN116071279A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN110766153A (zh) | 神经网络模型训练方法、装置及终端设备 | |
Zhao et al. | Single image super-resolution via blind blurring estimation and anchored space mapping | |
CN112669240A (zh) | 高清图像修复方法、装置、电子设备和存储介质 | |
CN115809959A (zh) | 一种图像处理方法及装置 | |
CN109993694B (zh) | 一种生成超分辨率图像的方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: TCL Technology Group Co.,Ltd. Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District Applicant before: TCL Corp. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |