CN112488944A - 样本生成和模型训练方法、装置、设备和计算机可读介质 - Google Patents
样本生成和模型训练方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112488944A CN112488944A CN202011394041.5A CN202011394041A CN112488944A CN 112488944 A CN112488944 A CN 112488944A CN 202011394041 A CN202011394041 A CN 202011394041A CN 112488944 A CN112488944 A CN 112488944A
- Authority
- CN
- China
- Prior art keywords
- filter data
- original
- sample image
- subset
- raw
- 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 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000011045 prefiltration Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000605 extraction Methods 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了样本生成和模型训练方法、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：获取原滤镜数据集合；对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。该实施方式通过利用已有的滤镜数据，合成更多的滤镜数据，将这些滤镜数据添加到图像上，得到带有各种滤镜的训练样本，训练出的网络泛化性能好。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及样本生成和模型训练方法、装置、电子设备和计算机可读介质。
背景技术
人们在使用手机相机进行拍照时经常会使用一些滤镜，或者一些老照片因为放置时间过久产生了滤镜感。而在某些情况下人们又希望通过去滤镜恢复清晰的图像，于是产生了去滤镜技术。相关的去滤镜技术中使用的图像去滤镜模型的泛化性能不足。即，对一些出现频率不高的滤镜，去滤镜效果不好。
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样本生成和模型训练方法、装置、电子设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种样本生成方法，该方法包括：获取原滤镜数据集合；对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
第二方面，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：使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，上述带滤镜的样本图像是通过上述样本生成方法生成的。
第三方面，本公开的一些实施例提供了一种样本生成装置，装置包括：获取单元，被配置成获取原滤镜数据集合；处理单元，被配置成对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；添加单元，被配置成基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
第四方面，本公开的一些实施例提供了一种模型训练装置，装置包括：训练单元，被配置成使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，上述带滤镜的样本图像是通过上述样本生成方法生成的。
第五方面，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。
第六方面，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：通过使用本公开的一些实施例的样本生成方法生成的样本训练出的网络泛化性能好。具体来说，发明人发现相关的去滤镜网络泛化性能不足的原因在于训练过程中使用的训练样本分布不平衡。即，只有少量的滤镜数据，带滤镜的图像中的滤镜大多相同或相近。基于此，本方案提供了一种基于现有滤镜数据生成更多滤镜数据的方法。具体的，该方案通过对现有的滤镜数据进行融合或变换，生成更多的滤镜数据。之后，将这些更多的滤镜数据添加到预先获取的样本图像上，得到带滤镜的样本图像集合。于是后续使用这些带滤镜的样本图像集合训练的去滤镜网络能够有很好的泛化性能。
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，原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样本生成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模型训练方法的一个应用场景的示意图；
图3是根据本公开的样本生成方法的一些实施例的流程图；
图4是根据本公开的模型训练方法的一些实施例的流程图；
图5是根据本公开的样本生成方法的另一些实施例的流程图；
图6是根据本公开的样本生成装置的一些实施例的结构示意图；
图7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样本生成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可以获取原滤镜数据集合102。在本应用场景中，上述原滤镜数据集合102中包括四个原滤镜数据。之后，计算设备101可以对上述原滤镜数据集合102中的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合103。例如，在本应用场景中，上述合成滤镜数据集合103中由附图标记104所指示的合成滤镜数据。是由上述原滤镜数据集合中由附图标记105所指示的原滤镜数据和附图标记106所指示的原滤镜数据进行融合得到的。上述合成滤镜数据集合103中由附图标记107所指示的合成滤镜数据。是由上述原滤镜数据集合中由附图标记108所指示的原滤镜数据进行变换得到的。最后，计算设备101可以基于上述合成滤镜数据集合103对样本图像集合104中的样本图像进行添加滤镜，得到带滤镜的样本图像集合105。
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模型训练方法的一个应用场景的示意图。
在图2所示的应用场景中，首先，计算设备201可以使用样本图像202和带滤镜的样本图像203训练待训练去滤镜网络204，得到去滤镜网络205，其中，上述带滤镜的样本图像203是通过图1所示应用场景中的样本生成方法生成的。
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样本生成方法的一些实施例的流程300。该样本生成方法，包括以下步骤：
步骤301，获取原滤镜数据集合。
在一些实施例中，样本生成方法的执行主体可以首先获取带有滤镜的图像集合。之后对上述带有滤镜的图像集合中的每个带滤镜的图像进行滤镜提取，生成原滤镜数据，得到上述原滤镜数据集合。
在一些实施例中，上述带有滤镜的图像集合可以是存储在上述执行主体本地的。
在一些实施例中，上述带有滤镜的图像集合还可以是在网络公开的资源中选择得到的。在此基础上，样本生成方法的执行主体可以通过无线连接方式获取上述带有滤镜的图像集合。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302，对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合。
在一些实施例中，上述执行主体可以首先在上述原滤镜数据集合中确定至少两个原滤镜数据。之后，将上述至少两个原滤镜数据中的各个原滤镜数据进行叠加，叠加结果作为合成滤镜数据，得到合成滤镜数据集合。
在一些实施例的一些可选的实现方式中，上述至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集。在此基础上，上述执行主体可以对上述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为上述合成滤镜数据。采用本实现方式的这些实施例通过为一个原滤镜数据添加多个权重，得到了与上述一个原滤镜数据多个不同强度的滤镜数据。所以使用这些滤镜数据训练出的网络能够对滤镜的强度敏感。
在一些实施例的一些可选的实现方式中，上述至少一个原滤镜数据子集中包括：包含上述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集。在此基础上，上述执行主体可以首先确定上述至少两个原滤镜数据的至少一组权重。之后，确定上述至少两个原滤镜数据在上述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为上述合成滤镜数据。采用本实现方式的这些实施例通过为至少两个原滤镜数据添加多组不同的权重，可以生成更多种类型的滤镜。因此使用这些滤镜数据训练出的网络在滤镜类型方面有更好的泛化性能。
步骤303，基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
在一些实施例中，上述执行主体可以将上述合成滤镜数据集合中的每个合成滤镜数据添加到上述样本图像集合中的每个样本图像上，得到带滤镜的样本图像集合。
在一些实施例中，上述执行主体还可以将上述合成滤镜数据集合中的每个合成滤镜数据集合添加到在上述样本图像集合中随机确定的至少一个样本图像的每个样本图像上，得到带滤镜的样本图像集合。
本公开的一些实施例提供的方法通过利用已有的滤镜数据，合成更多的滤镜数据，将这些滤镜数据添加到图像上，得到带有各种滤镜的训练样本，训练出的网络泛化性能好。
继续参考图4，示出了根据本公开的模型训练方法的一些实施例的流程400。该模型训练方法，包括以下步骤：
步骤401，使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络。
其中，上述带滤镜的样本图像是通过上述图3对应的样本生成方法生成的。
进一步参考图5，其示出了样本生成方法的另一些实施例的流程500。该样本生成方法的流程500，包括以下步骤：
步骤501，获取原滤镜数据集合。
在一些实施例中，步骤501的具体实现及其所带来的技术效果，可以参考图3对应的实施例中的步骤301，在此不再赘述。
步骤502，上述原滤镜数据集合的至少一个原滤镜数据子集中包括：包含上述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集，以及，确定上述至少两个原滤镜数据的至少一组权重。
在一些实施例中，样本生成方法的执行主体可以在0到1的范围内。随机的确定上述至少一组权重中的每组权重中的每个权重。
在一些实施例中，上述执行主体还可以通过接收人工输入的至少一组权重，确定上述至少一组权重。
步骤503，确定上述至少两个原滤镜数据在上述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为合成滤镜数据集合。
步骤504，基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
在一些实施例中，步骤504的具体实现及其所带来的技术效果，可以参考图3对应的实施例中的步骤303，在此不再赘述。
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样本生成方法的流程500描述的方案通过为至少两个原滤镜数据添加多组不同的权重，可以生成更多种类型的滤镜。因此使用这些滤镜数据训练出的网络能够对不同类型的滤镜敏感。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种样本生成装置的一些实施例，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，一些实施例的样本生成装置600包括：获取单元601、处理单元602和添加单元603。其中，获取单元601，被配置成获取原滤镜数据集合；处理单元602，被配置成对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；添加单元603，被配置成基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
在一些实施例的可选实现方式中，至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集；以及上述处理单元进一步被配置成：对上述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为上述合成滤镜数据。
在一些实施例的可选实现方式中，至少一个原滤镜数据子集中包括：包含上述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集；以及，上述处理单元进一步被配置成：确定上述至少两个原滤镜数据的至少一组权重；确定上述至少两个原滤镜数据在上述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为上述合成滤镜数据。
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，一些实施例的样本生成装置700包括：训练单元，被配置成使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，上述带滤镜的样本图像是通过上述样本生成方法生成的。
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RAM 803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：获取原滤镜数据集合；对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
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：一种处理器包括获取单元、处理单元和添加单元。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，训练单元还可以被描述为“获取原滤镜数据集合的单元”。
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，提供了一种样本生成方法，包括：获取原滤镜数据集合；对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
根据本公开的一个或多个实施例，至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集；以及上述对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，包括：对上述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为上述合成滤镜数据。
根据本公开的一个或多个实施例，至少一个原滤镜数据子集中包括：包含上述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集；以及，上述对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，包括：确定上述至少两个原滤镜数据的至少一组权重；确定上述至少两个原滤镜数据在上述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为上述合成滤镜数据。
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：使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，上述带滤镜的样本图像是通过上述样本生成方法生成的。
根据本公开的一个或多个实施例，提供了一种样本生成装置，包括：获取单元，被配置成获取原滤镜数据集合；处理单元，被配置成对上述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；添加单元，被配置成基于上述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
根据本公开的一个或多个实施例，至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集；以及上述处理单元进一步被配置成：对上述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为上述合成滤镜数据。
根据本公开的一个或多个实施例，至少一个原滤镜数据子集中包括：包含上述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集；以及，上述处理单元进一步被配置成：确定上述至少两个原滤镜数据的至少一组权重；确定上述至少两个原滤镜数据在上述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为上述合成滤镜数据。
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：训练单元，被配置成使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，上述带滤镜的样本图像是通过上述样本生成方法生成的。
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 (10)
1.一种样本图像生成方法，包括：
获取原滤镜数据集合；
对所述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；
基于所述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
2.根据权利要求1所述的方法，其中，所述至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集；以及
所述对所述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，包括：
对所述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为所述合成滤镜数据。
3.根据权利要求1所述的方法，其中，所述至少一个原滤镜数据子集中包括：包含所述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集；以及，
所述对所述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，包括：
确定所述原滤镜数据子集中的至少两个原滤镜数据的至少一组权重；
确定所述至少两个原滤镜数据在所述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为所述合成滤镜数据。
4.一种模型训练方法，包括：
使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，所述带滤镜的样本图像是通过权利要求1-3之一所述的方法生成的。
5.一种样本生成装置，包括：
获取单元，被配置成获取原滤镜数据集合；
处理单元，被配置成对所述原滤镜数据集合的至少一个原滤镜数据子集中每个原滤镜数据子集中的各个原滤镜数据进行融合或变换处理，处理结果作为合成滤镜数据，得到合成滤镜数据集合；
添加单元，被配置成基于所述合成滤镜数据集合对样本图像集合中的样本图像进行添加滤镜，得到带滤镜的样本图像集合。
6.根据权利要求5所述的装置，其中，所述至少一个原滤镜数据子集中包括：包含一个原滤镜数据的原滤镜数据子集；以及，
所述处理单元进一步被配置成：
对所述原滤镜数据子集包含的一个原滤镜数据添加至少一个权重，得到的结果作为所述合成滤镜数据。
7.根据权利要求5所述的装置，其中，所述至少一个原滤镜数据子集中包括：包含所述原滤镜数据集合中至少两个原滤镜数据的原滤镜数据子集；以及，
所述处理单元进一步被配置成：
确定所述至少两个原滤镜数据的至少一组权重；
确定所述至少两个原滤镜数据在所述至少一组权重中的每组权重下的加权和，得到至少一个加权和作为所述合成滤镜数据。
8.一种模型训练装置，包括：
训练单元，被配置成使用样本图像和带滤镜的样本图像训练待训练去滤镜网络，得到去滤镜网络，其中，所述带滤镜的样本图像是通过权利要求1-3之一所述的方法生成的。
9.一种电子设备，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1-3中任一或权利要求4所述的方法。
10.一种计算机可读介质，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1-3中任一或权利要求4所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011394041.5A CN112488944A (zh) | 2020-12-02 | 2020-12-02 | 样本生成和模型训练方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011394041.5A CN112488944A (zh) | 2020-12-02 | 2020-12-02 | 样本生成和模型训练方法、装置、设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488944A true CN112488944A (zh) | 2021-03-12 |
Family
ID=74939521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011394041.5A Pending CN112488944A (zh) | 2020-12-02 | 2020-12-02 | 样本生成和模型训练方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488944A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310613A1 (en) * | 2012-12-07 | 2015-10-29 | Canon Kabushiki Kaisha | Image generating apparatus and image generating method |
| CN108460414A (zh) * | 2018-02-27 | 2018-08-28 | 北京三快在线科技有限公司 | 训练样本图像的生成方法、装置及电子设备 |
| CN109087256A (zh) * | 2018-07-19 | 2018-12-25 | 北京飞搜科技有限公司 | 一种基于深度学习的图像去模糊方法及系统 |
| CN109155078A (zh) * | 2018-08-01 | 2019-01-04 | 深圳前海达闼云端智能科技有限公司 | 样本图像的集合的生成方法、装置、电子设备和存储介质 |
| CN109377459A (zh) * | 2018-09-30 | 2019-02-22 | 国网山东省电力公司电力科学研究院 | 一种生成式对抗网络的超分辨率去模糊方法 |
| CN109840879A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 图像渲染方法、装置、计算机存储介质及终端 |
| CN110189251A (zh) * | 2019-06-04 | 2019-08-30 | 厦门美图之家科技有限公司 | 一种模糊图像生成方法及装置 |
| CN110490960A (zh) * | 2019-07-11 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种合成图像生成方法及装置 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN111582116A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种视频抹除痕迹检测方法、装置、设备和存储介质 |
| CN111598808A (zh) * | 2020-05-18 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及其训练方法 |
-
2020
- 2020-12-02 CN CN202011394041.5A patent/CN112488944A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310613A1 (en) * | 2012-12-07 | 2015-10-29 | Canon Kabushiki Kaisha | Image generating apparatus and image generating method |
| CN109840879A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 图像渲染方法、装置、计算机存储介质及终端 |
| CN108460414A (zh) * | 2018-02-27 | 2018-08-28 | 北京三快在线科技有限公司 | 训练样本图像的生成方法、装置及电子设备 |
| CN109087256A (zh) * | 2018-07-19 | 2018-12-25 | 北京飞搜科技有限公司 | 一种基于深度学习的图像去模糊方法及系统 |
| CN109155078A (zh) * | 2018-08-01 | 2019-01-04 | 深圳前海达闼云端智能科技有限公司 | 样本图像的集合的生成方法、装置、电子设备和存储介质 |
| CN109377459A (zh) * | 2018-09-30 | 2019-02-22 | 国网山东省电力公司电力科学研究院 | 一种生成式对抗网络的超分辨率去模糊方法 |
| CN110189251A (zh) * | 2019-06-04 | 2019-08-30 | 厦门美图之家科技有限公司 | 一种模糊图像生成方法及装置 |
| CN110490960A (zh) * | 2019-07-11 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种合成图像生成方法及装置 |
| CN111582116A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种视频抹除痕迹检测方法、装置、设备和存储介质 |
| CN111598808A (zh) * | 2020-05-18 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及其训练方法 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| JAY HOON JUNG等: "Extension of convolutional neural network with general image processing kernels", 《TENCON 2018》, 24 February 2019 (2019-02-24), pages 1436 - 1439 * |
| 王岩琨: "基于卷积神经网络先验信息的图像恢复方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2020, 15 February 2020 (2020-02-15), pages 138 - 1094 * |
| 谢垠盈: "面向目标检测的运动模糊修复算法研究与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2020, 15 July 2020 (2020-07-15), pages 138 - 888 * |
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 | |
| CN110809189B (zh) | 视频播放方法、装置、电子设备和计算机可读介质 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
| CN110991373A (zh) | 图像处理方法、装置、电子设备及介质 | |
| CN110362750B (zh) | 目标用户确定方法、装置、电子设备和计算机可读介质 | |
| CN112257478A (zh) | 扫码方法、装置、终端和存储介质 | |
| CN111355784B (zh) | 一种处理请求信息的方法、装置、介质和电子设备 | |
| CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
| CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
| CN111754600A (zh) | 海报图像生成方法、装置和电子设备 | |
| CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
| CN112307393A (zh) | 信息发布方法、装置和电子设备 | |
| CN111797665A (zh) | 用于转换视频的方法和装置 | |
| CN111596823B (zh) | 页面显示方法、装置和电子设备 | |
| CN112488944A (zh) | 样本生成和模型训练方法、装置、设备和计算机可读介质 | |
| 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 | |
| CN113240108A (zh) | 模型训练方法、装置和电子设备 | |
| CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
| CN112417276A (zh) | 分页数据获取方法、装置、电子设备及计算机可读存储介质 | |
| CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111815508A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN112100205A (zh) | 数据处理方法、装置、设备和计算机可读介质 | |
| CN112488943B (zh) | 模型训练和图像去雾方法、装置、设备 | |
| CN112346630B (zh) | 状态确定方法、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 |