CN112215774A - 模型训练和图像去雾方法、装置、设备和计算机可读介质 - Google Patents
模型训练和图像去雾方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112215774A CN112215774A CN202011090827.8A CN202011090827A CN112215774A CN 112215774 A CN112215774 A CN 112215774A CN 202011090827 A CN202011090827 A CN 202011090827A CN 112215774 A CN112215774 A CN 112215774A
- Authority
- CN
- China
- Prior art keywords
- defogged
- image
- trained
- defogging
- original
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了模型训练方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；确定上述第一数目个去雾图像和上述去雾图像信息的损失值；响应于确定上述待训练去雾网络未训练完成，调整上述待训练去雾网络中的参数。该实施方式通过在训练待训练去雾网络时在第一数目个去雾图像上确定损失值，使模型在第一数目次上采样中的每次上采样都向样本中包含的标准输出结果趋近，从而使训练得到的去雾网络能够更好的保留原图中的细节。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及模型训练和图像去雾方法、装置、设备和计算机可读介质。
背景技术
随着计算机视觉技术的发展，人们开始使用该技术恢复一些低对比度的图像的色彩对比度，以在视觉上达到对图像进行了去雾的效果。然而，现有的图像去雾方法，得到的去雾后的图像中往往丢失了很多原图中的细节。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了模型训练和图像去雾方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种模型训练方法，该方法包括：将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；确定上述第一数目个去雾图像和上述去雾图像信息的损失值；响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
第二方面，本公开的一些实施例提供了一种模型训练装置，装置包括：第一输入单元，被配置成将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；生成单元，被配置成基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；上采样单元，被配置成对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；第一确定单元，被配置成确定上述第一数目个去雾图像和上述去雾图像信息的损失值；调整单元，被配置成响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
第三方面，本公开的一些实施例提供了一种电子设备，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中任一实现方式描述的方法。
第四方面，本公开的一些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，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：对比于只在最后一次输出结果上确定损失值，该方案通过在训练待训练去雾网络时在第一数目个去雾图像上确定损失值，使模型在第一数目次上采样中的每次上采样都向样本中包含的标准输出结果趋近，从而使训练得到的去雾网络能够更好的保留原图中的细节。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的模型训练方法的一个应用场景的示意图；
图2是本公开的一些实施例的图像去雾方法的一个应用场景的示意图；
图3是根据本公开的模型训练方法的一些实施例的流程图；
图4是根据本公开的图像去雾方法的一些实施例的流程图；
图5是根据本公开的模型训练方法的另一些实施例的流程图；
图6是根据本公开的模型训练装置的一些实施例的结构示意图；
图7是根据本公开的图像去雾装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
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一些实施例的模型训练方法的一个应用场景的示意图。
在图1所示的应用场景中，首先，计算设备101可以将原始缩小图像102输入到待训练去雾网络103，得到去雾图像信息。在本应用场景中，上述去雾图像信息包括第一去雾图像信息104和第二去雾图像信息105，其中，上述第一去雾图像信息104是通过将上述原始缩小图像102输入到上述待训练去雾去雾网络103得到的，上述第二去雾图像信息105是通过将上述第一去雾图像信息104输入到上述待训练去雾网络103得到的。之后，基于上述原始缩小图像102和上述去雾图像信息，生成去雾缩小图像106。对上述去雾缩小图像106进行第一数目次上采样，得到第一数目个去雾图像。在本应用场景中，计算设备101对上述去雾缩小图像106进行了两次上采样，在此基础上，上述第一数目个去雾图像包括两个去雾图像107、108。之后，确定上述第一数目个去雾图像和上述去雾图像信息的损失值109。最后，响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成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。
应该理解，图1中的计算设备101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计算设备101。
进一步参考图2，图2示出了可以应用本公开的一些实施例的图像去雾方法的一个应用场景的示意图。
在图2所示的应用场景中，计算设备201可以将原始图像202输入去雾网络203，得到去雾图像204。其中，上述去雾网络是通过图1所示应用场景中的方法训练得到的。
需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成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。
应该理解，图2中的计算设备201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计算设备201。
继续参考图3，示出了根据本公开的模型训练方法的一些实施例的流程300。该模型训练方法，包括以下步骤：
步骤301，将原始缩小图像输入到待训练去雾网络，得到去雾图像信息。
在一些实施例中，上述原始缩小图像可以是通过模型训练方法的执行主体(例如图1中所示的计算设备)接收人工输入得到的。
在一些实施例的一些可选的实现方式中，上述原始缩小图像还可以是通过对原始图像进行第一数目次下采样得到的。
在一些实施例中，上述第一数目可以是任意数值，例如，对上述原始图像进行两次下采样，得到尺寸为原始图像尺寸的1/4的原始缩小图像。
在一些实施例中，上述待训练去雾网络可以是任意结构的具有图像特征提取功能的网络。作为示例，上述图像去雾网络可以包括但不限于GCANet(Gated ContextAggregation Network，门控上下文聚合网络)、DehazeNet(去雾网络)、域自适应图像去雾网络、Gated Fusion Network(门限融合网络)等。
在一些实施例中，上述去雾图像信息可以用于表征上述原始缩小图像去雾后得到的像素值。例如，在原始缩小图像的尺寸为H*W，通道数为C的基础上，上述去雾图像信息为尺寸为H*W的矩阵。以及，矩阵中的每个元素为长度为C的向量，对应上述原始缩小图像去雾后的像素在C个通道中的值。步骤302，基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像。
在一些实施例中，上述执行主体可以将上述原始缩小图像对应的矩阵和上述去雾图像信息矩阵中的元素取平均值，得到上述去雾缩小图像对应的矩阵，进一步得到上述去雾缩小图像。
在一些实施例的一些可选的实现方式中，上述执行主体还可以首先将上述原始缩小图像和上述去雾图像信息按照元素相加，得到相加结果。之后，对上述相加结果进行卷积，得到上述去雾缩小图像。
步骤303，对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像。
在一些实施例中，上述执行主体对上述去雾缩小图像进行的第一数目次上采样中的第一次上采样是在上述去雾缩小图像中进行的。之后的每次则是在上一次上采样得到的结果中进行的。
在一些实施例中，上述执行主体可以使用任意上采样算法，对上述原始图像进行上采样。作为示例，上述上采样算法可以包括但不限于以下算法：最邻近插值法、双线性插值法、双三次插值法、基于边缘的图像插值算法和基于区域的图像插值算法等。
步骤304，确定上述第一数目个去雾图像和上述去雾图像信息的损失值。
在一些实施例中，上述执行主体可以使用任意损失函数确定上述第一数目个去雾图像和上述去雾图像信息的损失值。作为示例，上述损失函数可以包括但不限于：平方损失函数、绝对值损失函数、对数损失函数、指数损失函数等。
在一些实施例中，上述执行主体可以首先分别确定上述第一数目个去雾图像、上述去雾图像信息的损失值，得到第二数目个损失值。之后，将上述第二数目个损失值之和确定为上述损失值。
步骤305，响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
在一些实施例中，上述执行主体可以响应于对上述待训练去雾网络的调整次数小于预设调整次数阈值，确定上述待训练去雾网络未训练完成。
在一些实施例中，上述执行主体还可以响应于上述损失值高于预设损失阈值，确定上述待训练去雾网络未训练完成。
在一些实施例中，上述执行主体可以使用梯度下降算法，基于上述损失值，调整上述待训练去雾网络中的参数。
本公开的一些实施例提供的方法通过在训练待训练去雾网络时在第一数目个去雾图像上确定损失值，使模型在第一数目次上采样中的每次上采样都向样本中包含的标准输出结果趋近，从而使训练得到的去雾网络能够更好的保留原图中的细节。
继续参考图4，示出了根据本公开的图像去雾方法的一些实施例的流程400。该图像去雾方法，包括以下步骤：
步骤401，将原始图像输入去雾网络，得到去雾图像，其中，上述去雾网络是通过图3所介绍的那些实施例对应的方法训练得到的。
本公开的一些实施例提供的方法通过使用通过图3所介绍的那些实施例对应的方法训练得到的去雾网络，能够使去雾后的图像保留更多原图中的细节。
进一步参考图5，其示出了模型训练方法的另一些实施例的流程500。该模型训练方法的流程500，包括以下步骤：
步骤501，对原始图像进行第一数目次下采样，得到原始缩小图像。
在一些实施例中，上述对原始图像进行下采样可以是在上述原始图像的尺寸为h*w*c的基础上，对上述原始图像进行s倍下采样，得到每个通道的尺寸为(h/s)*(w/s)*c的缩小图像。其中h为上述原始图像的高度、w为上述原始图像的宽度、c为上述原始图像的通道数。s可以是h和w的任意公约数。以及，上述缩小图像中的每个像素点的像素值为上述原始图像中对应的s*s窗口中包含元素的平均值取整后的数值。
步骤502，将上述原始缩小图像输入到待训练去雾网络，得到去雾图像信息。
在一些实施例中，步骤502的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤302，在此不再赘述。
步骤503，将上述原始缩小图像和上述去雾图像信息按照元素相加，得到相加结果。
步骤504，对上述相加结果进行卷积，得到上述去雾缩小图像。
在一些实施例中，根据实际需要，上述执行主体可以对上述相加结果进行任意次卷积。
步骤505，对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像。
步骤506，确定上述第一数目个去雾图像和上述去雾图像信息的损失值。
步骤507，响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
在一些实施例中，步骤505-507的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤303-305，在此不再赘述。
步骤508，响应于确定上述待训练去雾网络训练完成，将上述待训练去雾网络确定为去雾网络。
在一些实施例中，上述执行主体可以响应于对上述待训练去雾网络的调整次数不小于预设调整次数阈值，确定上述待训练去雾网络训练完成。
在一些实施例中，上述执行主体还可以响应于上述损失值不高于预设损失阈值，确定上述待训练去雾网络训练完成。
从图5中可以看出，与图3对应的一些实施例的描述相比，图5对应的一些实施例中的模型训练方法的流程500体现了生成原始缩小图像、通过相加和卷积操作生成去雾缩小图像以及确定去雾网络的步骤。由此，这些实施例描述的方案可通过将原始图像进行缩小后再去雾，减少了去雾的计算量，从而提高了去雾速度。通过相加和卷积生成去雾缩小图像，使生成的去雾缩小图像中包含了原始缩小图像中的细节。以及，通过确定去雾网络，避免了过度训练，节省了计算资源。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的模型训练装置600包括：第一输入单元601、生成单元602、上采样单元603、确定单元604和调整单元605。其中，第一输入单元501，被配置成将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；生成单元602，被配置成基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；上采样单元603，被配置成对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；确定单元604，被配置成确定上述第一数目个去雾图像和上述去雾图像信息的损失值；调整单元605，被配置成响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
在一些实施例的可选实现方式中，装置600还包括：下采样单元，被配置成对原始图像进行第一数目次下采样，得到上述原始缩小图像。
在一些实施例的可选实现方式中，装置600还包括：响应于确定上述待训练去雾网络训练完成，将上述待训练去雾网络确定为去雾网络。
在一些实施例的可选实现方式中，生成单元602进一步被配置成：将上述原始缩小图像和上述去雾图像信息按照元素相加，得到相加结果；对上述相加结果进行卷积，得到上述去雾缩小图像。
可以理解的是，该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，一些实施例的模型训练装置700包括：第二输入单元701，被配置成将原始图像输入去雾网络，得到去雾图像，其中，上述去雾网络是通过图3所介绍的那些实施例对应的方法训练得到的。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)800的结构示意图。本公开的一些实施例中的电子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8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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8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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；确定上述第一数目个去雾图像和上述去雾图像信息的损失值；响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
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一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一输入单元、生成单元、上采样单元、确定单元和调整单元。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，生成单元还可以被描述为“生成去雾缩小图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种模型训练方法，包括：将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；确定上述第一数目个去雾图像和上述去雾图像信息的损失值；响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
根据本公开的一个或多个实施例，在上述将原始缩小图像输入到待训练去雾网络之前，上述方法还包括：对原始图像进行第一数目次下采样，得到上述原始缩小图像。
根据本公开的一个或多个实施例，方法还包括：响应于确定上述待训练去雾网络训练完成，将上述待训练去雾网络确定为去雾网络。
根据本公开的一个或多个实施例，基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像，包括：将上述原始缩小图像和上述去雾图像信息按照元素相加，得到相加结果；对上述相加结果进行卷积，得到上述去雾缩小图像。
根据本公开的一个或多个实施例，提供了一种模型训练装置，包括：第一输入单元，被配置成将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；生成单元，被配置成基于上述原始缩小图像和上述去雾图像信息，生成去雾缩小图像；上采样单元，被配置成对上述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；第一确定单元，被配置成确定上述第一数目个去雾图像和上述去雾图像信息的损失值；调整单元，被配置成响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
根据本公开的一个或多个实施例，装置还包括：下采样单元，被配置成对原始图像进行第一数目次下采样，得到上述原始缩小图像。
根据本公开的一个或多个实施例，装置还包括：第三确定单元，被配置成响应于确定上述待训练去雾网络训练完成，将上述待训练去雾网络确定为去雾网络。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将上述原始缩小图像和上述去雾图像信息按照元素相加，得到相加结果；对上述相加结果进行卷积，得到上述去雾缩小图像。
根据本公开的一个或多个实施例，提供了一种图像去雾方法，包括：将原始图像输入去雾网络，得到去雾图像，其中，上述去雾网络是通过上述模型训练方法之一训练得到的。
根据本公开的一个或多个实施例，提供了一种图像去雾装置，包括：第二输入单元，被配置成将原始图像输入去雾网络，得到去雾图像，其中，上述去雾网络是通过上述模型训练方法之一训练得到的。
根据本公开的一个或多个实施例，提供了一种电子设备，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上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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 (9)
1.一种模型训练方法，包括：
将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；
基于所述原始缩小图像和所述去雾图像信息，生成去雾缩小图像；
对所述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；
确定所述第一数目个去雾图像和所述去雾图像信息的损失值；
响应于确定所述待训练去雾网络未训练完成，基于所述损失值，调整所述待训练去雾网络中的参数。
2.根据权利要求1所述的方法，其中，在所述将原始缩小图像输入到待训练去雾网络之前，所述方法还包括：
对原始图像进行第一数目次下采样，得到所述原始缩小图像。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述待训练去雾网络训练完成，将所述待训练去雾网络确定为去雾网络。
4.根据权利要求1所述的方法，其中，所述基于所述原始缩小图像和所述去雾图像信息，生成去雾缩小图像，包括：
将所述原始缩小图像和所述去雾图像信息按照元素相加，得到相加结果；
对所述相加结果进行卷积，得到所述去雾缩小图像。
5.一种图像去雾方法，包括：
将原始图像输入去雾网络，得到去雾图像，其中，所述去雾网络是通过1-4之一所述的方法训练得到的。
6.一种模型训练装置，包括：
第一输入单元，被配置成将原始缩小图像输入到待训练去雾网络，得到去雾图像信息；
生成单元，被配置成基于所述原始缩小图像和所述去雾图像信息，生成去雾缩小图像；
上采样单元，被配置成对所述去雾缩小图像进行第一数目次上采样，得到第一数目个去雾图像；
第一确定单元，被配置成确定所述第一数目个去雾图像和所述去雾图像信息的损失值；
调整单元，被配置成响应于确定所述待训练去雾网络未训练完成，基于所述损失值，调整所述待训练去雾网络中的参数。
7.一种图像去雾装置，包括：
第二输入单元，被配置成将原始图像输入去雾网络，得到去雾图像，其中，所述去雾网络是通过1-4之一所述的方法训练得到的。
8.一种电子设备，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1-4中任一或权利要求5所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一或权利要求5所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011090827.8A CN112215774B (zh) | 2020-10-13 | 2020-10-13 | 模型训练和图像去雾方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011090827.8A CN112215774B (zh) | 2020-10-13 | 2020-10-13 | 模型训练和图像去雾方法、装置、设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215774A true CN112215774A (zh) | 2021-01-12 |
| CN112215774B CN112215774B (zh) | 2023-09-29 |
Family
ID=74053851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011090827.8A Active CN112215774B (zh) | 2020-10-13 | 2020-10-13 | 模型训练和图像去雾方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215774B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902678A (zh) * | 2019-02-12 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 模型训练方法、文字识别方法、装置、电子设备及计算机可读介质 |
| CN111507909A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种有雾图像清晰化的方法、装置及存储介质 |
| CN111683269A (zh) * | 2020-06-12 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 视频处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-10-13 CN CN202011090827.8A patent/CN112215774B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902678A (zh) * | 2019-02-12 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 模型训练方法、文字识别方法、装置、电子设备及计算机可读介质 |
| CN111507909A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种有雾图像清晰化的方法、装置及存储介质 |
| CN111683269A (zh) * | 2020-06-12 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 视频处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215774B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
| CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
| CN111325704B (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
| CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN110310293B (zh) | 人体图像分割方法及设备 | |
| CN114898177A (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
| CN111757100B (zh) | 相机运动变化量的确定方法、装置、电子设备和介质 | |
| CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
| CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111369475A (zh) | 用于处理视频的方法和装置 | |
| CN111754600A (zh) | 海报图像生成方法、装置和电子设备 | |
| CN112215774B (zh) | 模型训练和图像去雾方法、装置、设备和计算机可读介质 | |
| CN115063335A (zh) | 特效图的生成方法、装置、设备及存储介质 | |
| CN112764629B (zh) | 增强现实界面展示方法、装置、设备和计算机可读介质 | |
| CN114170341A (zh) | 一种图像处理方法、装置、设备及介质 | |
| CN114066722A (zh) | 用于获取图像的方法、装置和电子设备 | |
| CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
| CN114399590A (zh) | 一种基于人脸解析图的人脸遮挡移除和三维模型生成方法 | |
| CN112148417A (zh) | 页面调整方法、装置、电子设备和计算机可读介质 | |
| CN110633595B (zh) | 一种利用双线性插值的目标检测方法和装置 | |
| CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
| CN112070701A (zh) | 图像生成方法、装置、设备和计算机可读介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |