CN112966744A

CN112966744A - 模型训练方法、图像处理方法、装置和电子设备

Info

Publication number: CN112966744A
Application number: CN202110251389.7A
Authority: CN
Inventors: 崔程
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-03-08
Filing date: 2021-03-08
Publication date: 2021-06-15

Abstract

本公开提供了模型训练方法、图像处理方法、装置和电子设备，涉及人工智能领域，具体为计算机视觉和深度学习技术，可用在图像处理场景下。具体实现方案为：基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；利用第一预设模型，得到采样图像的第一预测信息；基于第一预测信息，确定采样图像的损失函数；基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。根据本公开实施例，可以提高模型收敛速度和模型精度。

Description

模型训练方法、图像处理方法、装置和电子设备

技术领域

本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可用在图像处理场景下。

背景技术

在人工智能领域，图像处理技术被广泛应用于各类计算机视觉任务中，如植物分类、菜品识别、地标识别等。在图像处理场景中，如何提高已有模型的精度，一直是最值得探索的问题之一。

发明内容

本公开提供了一种模型训练方法、图像处理方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型训练方法，包括：

基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；

利用第一预设模型，得到采样图像的第一预测信息；

基于第一预测信息，确定采样图像的损失函数；

基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。

根据本公开的另一方面，提供了一种图像处理方法，包括：

获取待处理图像；

将待处理图像输入第一预设模型，得到第一预设模型输出的第三预测信息；其中，第一预设模型是根据本公开任一实施例中的模型训练方法训练至收敛的。

根据本公开的另一方面，提供了一种模型训练装置，包括：

采样模块，用于基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；

预测模块，用于利用第一预设模型，得到采样图像的第一预测信息；

确定模块，用于基于第一预测信息，确定采样图像的损失函数；

更新模块，用于基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。

根据本公开的另一方面，提供了一种图像处理方法，包括：

获取模块，用于获取待处理图像；

输出模块，用于将待处理图像输入第一预设模型，得到第一预设模型输出的第三预测信息；其中，第一预设模型是根据本公开任一实施例中的模型训练方法训练至收敛的。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

由于损失函数反映了第一预设模型对采样图像进行准确预测的难度，因此，根据本公开实施例的技术，可以实现根据第一样本集中图像的难度更新采样概率，有利于使难样本的采样次数更多，提高第一预设模型的收敛速度和精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一个实施例提供的模型训练方法的示意图；

图2是根据本公开另一个实施例提供的模型训练方法的示意图；

图3是根据本公开一个实施例提供的图像处理方法的示意图；

图4是根据本公开一个实施例提供的模型训练装置的示意图；

图5是根据本公开另一个实施例提供的模型训练装置的示意图；

图6是根据本公开一个实施例提供的图像处理装置的示意图；

图7是用来实现本公开实施例的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了本公开一个实施例的模型训练方法的示意图。如图1所示，该方法包括：

步骤S110，基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；

步骤S120，利用第一预设模型，得到采样图像的第一预测信息；

步骤S130，基于第一预测信息，确定采样图像的损失函数；

步骤S140，基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。

本公开实施例可应用于图像处理场景中。例如图像分类、物品识别、目标检测或语义分割等。相应地，第一预设模型可以为图像分类模型、图像识别模型、目标检测模型、语义分割模型等。针对采样图像，利用第一预设模型得到的第一预测信息可以是图像类别、物品识别结果、目标物的位置信息、实体分割结果等。

示例性地，第一样本集中可包括多个图像。这些图像也可以被称为样本图像。基于第一样本集执行多次迭代操作，可以完成第一预设模型的训练过程。每次迭代操作中，从第一样本集中确定出一个采样图像，再利用第一预设模型对采样图像进行预测，得到第一预测信息。基于第一预测信息计算损失函数，基于损失函数确定模型是否收敛。若未收敛，则需要进行下一次迭代操作，直至模型收敛。其中，第一样本集中的各图像被采样的次数与各图像的采样概率相关。实际应用中，第一样本集中的各图像可能被重复利用，例如，假设各图像的采样概率相同，第一样本集中包含200个图像，模型训练过程中执行了10000次迭代操作，则每个图像可能被采样了50次。

根据本申请实施例，在模型训练过程中，基于损失函数确定采样图像的采样概率。示例性地，可以设计以损失函数和采样概率正相关为目标的预定算法或预定规则，基于损失函数以及这些算法或规则，更新采样图像的采样概率。例如，预定规则可以是：当损失函数大于预设阈值时，提高采样图像的采样概率，当损失函数小于预设阈值时，降低采样图像的采样概率。

损失函数反映了第一预设模型对采样图像进行准确预测的难度。损失函数越大，采样图像被准确预测的难度越大；损失函数越小，采样图像被准确预测的难度越小。基于此，根据本公开实施例，可以使预测难度大的样本图像的采样概率动态增加，预测难度小的样本图像的采样概率动态减小。如此，难样本的采样次数更多。第一预设模型将不断学习更难的样本，有利于提高第一预设模型的收敛速度和精度。

示例性地，本公开实施例中的损失函数可以是交叉熵损失函数、L1损失函数、对数损失函数等。

在一些示例性的实施方式中，损失函数可以基于采样图像的第一预测信息和标注信息计算。

在另一些示例性的实施方式中，损失函数可以基于采样图像的第一预测信息以及已经收敛的第二预设模型对采样图像的预测结果得到。也就是说，可以结合知识蒸馏技术实现上述方法。具体而言，上述步骤步骤S130，基于第一预测信息，确定采样图像的损失函数，可以包括：

利用收敛的第二预设模型，得到采样图像的第二预测信息；

基于第一预测信息和第二预测信息，确定损失函数。

上述实施方式可以使第一预设模型输出的第一预测信息逐步与第二预设模型输出的第二预测信息相近，即将收敛的第二预设模型学习到的信息转换(transfer)到第一预设模型中。这个过程可以称为蒸馏过程。由于在蒸馏过程中，在确定损失函数后，基于损失函数更新第一样本集中图像的采样概率，因此，可以缩短蒸馏时间，大幅提高第一预设模型的收敛速度。

第一预设模型可以是知识蒸馏中的学生(student)模型，第二预设模型可以是知识蒸馏中的教师(teacher)模型。教师模型一般为具有庞大规模参数和复杂网络结构的模型，学生模型一般为具有较少参数和结构相对简单的模型。在本公开实施例中，第一预设模型的网络层数量小于第二预设模型的网络层数量。因此，第二预设模型的训练速度较慢，但精度较高。通过预先将第二预设模型训练至收敛，再基于实际需求触发第一预设模型的在线训练，可以使在线训练的时间缩短以更快速地响应实际需求，并获得理想的模型精度。

示例性地，上述方法中，获取收敛的第二预设模型的方式可以包括：

利用第二样本集以及第二样本集中各图像的标注信息，训练初始的第二预设模型，得到收敛的第二预设模型。

根据上述步骤，第二预设模型基于标注信息进行训练，可以提高第二预设模型的精度。由于第一预设模型基于第二预设模型蒸馏的信息进行训练，因此，也可以提高第一预设模型的精度。

示例性地，步骤S140中，基于损失函数，更新采样图像的采样概率，包括：

基于损失函数，确定采样图像的难度因子；

基于难度因子，更新采样图像的采样概率。

根据上述实施方式，将损失函数转换为难度因子，再利用难度因子更新采样概率。由于引入了难度因子，因此，有利于灵活地设计损失函数和采样概率之间的转换关系。

示例性地，步骤S120，利用第一预设模型，得到采样图像的第一预测信息，包括：

对采样图像进行增强处理，得到输入图像；

将输入图像输入至第一预设模型，得到第一预设模型输出的采样图像的第一预测信息。

其中，增强处理可以包括对图像进行随机裁剪(crop)、随机翻转、随机缩放等至少一种处理。

本公开实施例中，将增强处理后的图像作为第一预设模型的输入图像，可以增加第一预设模型的输入图像的多样性，解决难样本重复采样的次数增多所引起的多样性问题，从而使第一预设模型同时具备高收敛速度和高精度。

进一步地，在第二预设模型的训练过程中，也可以先对第二样本集中的图像进行增强处理，得到第二预设模型的输入图像，再利用输入图像将第二预设模型训练至收敛。

图2示出了本公开一应用示例的示意图。如图2所示，模型训练方法可以包括两个阶段。

在阶段一，利用第二样本集和标注信息或者说标签(label)，训练第二预设模型。其中，对第二样本集中的图像进行增强处理，例如随机剪裁、翻转、缩放等，得到第二预设模型的输入图像。第二预设模型输出的信息经过全连接层后与标注信息共同作为损失函数的输入。基于损失函数调整第二预设模型的参数例如权重。收敛的第二预设模型可作为知识蒸馏的教师模型。

在阶段二，利用第一样本集和第二预设模型，训练第一预设模型。其中，每次根据第一样本集中各图像的采样概率进行采样，得到采样图像，对采样图像进行增强处理，例如随机剪裁、翻转、缩放等，得到输入图像。将该图像分别输入第一预设模型和第二预设模型，其中，第二预设模型中加载有收敛的权重。第一预设模型和第二预设模型的输出信息分别经全连接层和激活函数例如softmax处理后，得到第一预测信息和第二预测信息。第一预测信息和第二预测信息均为n维向量。该向量表征模型对输入图像的预测概率，第一预设模型可以直接学习该概率分布。在学习过程中，第一预测信息和第二预测信息的损失函数(如交叉熵)反映了采样图像的难度，损失函数越大、预测难度越高。根据本公开实施例，按数据的难易程度来更新图像的采样概率，数据越难，采样的概率越大。如此提高模型收敛速度和精度。

可见，由于损失函数反映了第一预设模型对采样图像进行准确预测的难度，因此，根据本公开实施例的技术，可以实现根据第一样本集中图像的难度更新采样概率，有利于使难样本的采样次数更多，提高第一预设模型的收敛速度和精度。

本公开还提供一种图像处理方法，如图3所示，该方法包括：

步骤S310，获取待处理图像；

步骤S320，将待处理图像输入第一预设模型，得到第一预设模型输出的第三预测信息；其中，第一预设模型是根据本公开任一实施例中的模型训练方法训练至收敛的。

上述方法可以应用于如图像分类、物品识别、目标检测或语义分割等场景中。相应地，第一预设模型可以为图像分类模型、图像识别模型、目标检测模型、语义分割模型等。利用第一预设模型得到的针对待处理图像的第三预测信息可以是待处理图像的图像类别、物品识别结果、目标物的位置信息、实体分割结果等。由于第一预设模型的收敛速度和精度得到提高，因此，可以提高获取待处理图像的预测信息的速度和准确度。

作为上述各方法的实现，本公开还提供一种模型训练装置，如图4所示，该装置包括：

采样模块410，用于基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；

预测模块420，用于利用第一预设模型，得到采样图像的第一预测信息；

确定模块430，用于基于第一预测信息，确定采样图像的损失函数；

更新模块440，用于基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。

示例性地，如图5所示，确定模块430包括：

第一预测单元431，用于利用收敛的第二预设模型，得到采样图像的第二预测信息；

损失确定单元432，基于第一预测信息和第二预测信息，确定损失函数。

示例性地，如图5所示，模型训练装置，还包括：

训练模块510，用于利用第二样本集以及第二样本集中各图像的标注信息，训练初始的第二预设模型，得到收敛的第二预设模型。

示例性地，第一预设模型的网络层数量小于第二预设模型的网络层数量。

示例性地，如图5所示，更新模块440包括：

难度确定单元441，用于基于损失函数，确定采样图像的难度因子；

概率更新单元442，用于基于难度因子，更新采样图像的采样概率。

示例性地，如图5所示，预测模块420包括：

增强单元421，对采样图像进行增强处理，得到输入图像；

第二预测单元422，将输入图像输入至第一预设模型，得到第一预设模型输出的采样图像的第一预测信息。

本公开实施例还提供一种图像处理装置，如图6所示，该装置包括：

获取模块610，用于获取待处理图像；

输出模块620，用于将待处理图像输入第一预设模型，得到第一预设模型输出的第三预测信息；其中，第一预设模型是根据本公开任一实施例中的模型训练方法训练至收敛的。

本公开实施例提供的装置，能够实现本公开实施例提供的方法，具备相应的有益效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种模型训练方法，包括：

基于第一样本集中各图像的采样概率在所述第一样本集中进行采样，得到采样图像；

利用第一预设模型，得到所述采样图像的第一预测信息；

基于所述第一预测信息，确定所述采样图像的损失函数；

基于所述损失函数，更新所述采样图像的采样概率，并返回所述基于第一样本集中各图像的采样概率在所述第一样本集中进行采样的步骤，直至所述损失函数符合预设条件，确定所述第一预设模型收敛。

2.根据权利要求1所述的方法，其中，所述基于所述第一预测信息，确定损失函数，包括：

利用收敛的第二预设模型，得到所述采样图像的第二预测信息；

基于所述第一预测信息和所述第二预测信息，确定所述损失函数。

3.根据权利要求2所述的方法，其中，获取所述收敛的第二预设模型的方式包括：

利用第二样本集以及第二样本集中各图像的标注信息，训练初始的第二预设模型，得到所述收敛的第二预设模型。

4.根据权利要求3所述的方法，其中，所述第一预设模型的网络层数量小于所述第二预设模型的网络层数量。

5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述损失函数，更新所述采样图像的采样概率，包括：

基于所述损失函数，确定所述采样图像的难度因子；

基于所述难度因子，更新所述采样图像的采样概率。

6.根据权利要求1-4中任一项所述的方法，其中，所述利用第一预设模型，得到所述采样图像的第一预测信息，包括：

对所述采样图像进行增强处理，得到输入图像；

将所述输入图像输入至所述第一预设模型，得到所述第一预设模型输出的所述采样图像的第一预测信息。

7.一种图像处理方法，包括：

获取待处理图像；

将所述待处理图像输入第一预设模型，得到所述第一预设模型输出的第三预测信息；其中，所述第一预设模型是根据权利要求1-6中任一项所述的模型训练方法训练至收敛的。

8.一种模型训练装置，包括：

采样模块，用于基于第一样本集中各图像的采样概率在所述第一样本集中进行采样，得到采样图像；

预测模块，用于利用第一预设模型，得到所述采样图像的第一预测信息；

确定模块，用于基于所述第一预测信息，确定所述采样图像的损失函数；

更新模块，用于基于所述损失函数，更新所述采样图像的采样概率，并返回所述基于第一样本集中各图像的采样概率在所述第一样本集中进行采样的步骤，直至所述损失函数符合预设条件，确定所述第一预设模型收敛。

9.根据权利要求8所述的装置，其中，所述确定模块包括：

第一预测单元，用于利用收敛的第二预设模型，得到所述采样图像的第二预测信息；

损失确定单元，基于所述第一预测信息和所述第二预测信息，确定所述损失函数。

10.根据权利要求9所述的装置，还包括：

训练模块，用于利用第二样本集以及第二样本集中各图像的标注信息，训练初始的第二预设模型，得到所述收敛的第二预设模型。

11.根据权利要求9所述的装置，其中，所述第一预设模型的网络层数量小于所述第二预设模型的网络层数量。

12.根据权利要求8-11中任一项所述的装置，其中，所述更新模块包括：

难度确定单元，用于基于所述损失函数，确定所述采样图像的难度因子；

概率更新单元，用于基于所述难度因子，更新所述采样图像的采样概率。

13.根据权利要求8-11中任一项所述的装置，其中，所述预测模块包括：

图像增强单元，用于对所述采样图像进行增强处理，得到输入图像；

第二预测单元，用于将所述输入图像输入至所述第一预设模型，得到所述第一预设模型输出的所述采样图像的第一预测信息。

14.一种图像处理装置，包括：

获取模块，用于获取待处理图像；

输出模块，用于将所述待处理图像输入第一预设模型，得到所述第一预设模型输出的第三预测信息；其中，所述第一预设模型是根据权利要求1-6中任一项所述的模型训练方法训练至收敛的。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。