CN113362259A - 图像降噪处理方法、装置、电子设备及存储介质 - Google Patents
图像降噪处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113362259A CN113362259A CN202110791758.1A CN202110791758A CN113362259A CN 113362259 A CN113362259 A CN 113362259A CN 202110791758 A CN202110791758 A CN 202110791758A CN 113362259 A CN113362259 A CN 113362259A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- noise
- network
- image set
- ith
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method 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
- 230000003068 static effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
本公开关于一种图像降噪处理方法、装置、电子设备及存储介质,该方法包括获取待处理噪声图像;基于目标降噪网络对待处理噪声图像进行降噪处理,得到目标降噪图像;其中,目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的。利用本公开实施例可以在有效降低降噪网络训练成本的基础上,大大提升图像降噪处理的精度和效果。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及图像降噪处理方法、装置、电子设备及存储介质。
背景技术
在图像处理技术领域中,图像降噪是一个基础且重要的底层视觉任务,它不仅在生活中有广泛的直接应用(例如:夜间手机摄影,相机摄影后处理),而且对下游的任务也有间接的影响(例如:噪声过大导致检测、识别效果下降)。
相关技术中,图像降噪处理往往需要结合预先训练好的降噪网络,但是大部分降噪网络都需要在具有大量有标签的图像集上进行训练,而大规模的降噪数据通常是通过长时间曝光或者多帧得到标记,会带来训练成本较高等问题;那些无需标签的自监督降噪技术往往只使用噪声图片作为输入,通过不同的掩码方案来进行自监督降噪,由于只用了噪声图片信息,降噪效果和降噪精度较差。因此,如何在没有标签仅有噪声图像集的情况下,提升图像降噪处理的精度和效果是一个亟待解决的问题。
发明内容
本公开提供一种图像降噪处理方法、装置、电子设备及存储介质,可以在有效降低降噪网络训练成本的基础上,大大提升图像降噪处理的精度和效果。本公开的技术方案如下:
根据本公开实施例的一方面,提供一种图像降噪处理方法,其特征在于,包括:
获取待处理噪声图像;
基于目标降噪网络对所述待处理噪声图像进行降噪处理,得到目标降噪图像;
其中,所述目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的。
上述技术方案,结合基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的目标降噪网络,对待处理噪声图像进行降噪处理,可以在有效降低降噪网络训练成本的基础上,大大提升图像降噪处理的精度和效果。
可选的,在所述获取待处理噪声图像之前,所述方法还包括:
基于所述初始噪声图像集进行N次降噪迭代操作,得到所述标签图像集,其中,第i次降噪迭代操作包括:将第(i-1)次降噪迭代操作得到的降噪图像集作为所述第i次降噪迭代操作的标签图像集;对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集;基于所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到所述第i次降噪迭代操作的待优化降噪网络;基于所述第i次降噪迭代操作的待优化降噪网络对所述初始噪声图像集进行降噪处理,得到第i次降噪迭代操作的降噪图像集;
将第N次降噪迭代操作过程中得到的待优化降噪网络,作为所述目标降噪网络;
其中,N为大于1的正整数,i为大于等于1且小于等于N的正整数;当i=1时,所述第i-1次降噪迭代操作得到的降噪图像集为所述初始噪声图像集。
上述技术方案中,结合基于初始噪声图像集进行N次降噪迭代操作,且在每次降噪迭代操作过程中,将上一次降噪迭代操作得到的降噪图像集作为本次降噪迭代操作的标签图像集;对本次降噪迭代操作的标签图像集进行加噪处理,得到本次降噪迭代操作的加噪图像集,可以实现本次降噪迭代操作过程中的降噪训练数据的构建;并基于本次构建的降噪训练数据对待训练降噪网络进行降噪训练,可以得到本次待优化降噪网络,接着,结合待优化降噪网络对初始噪声图像集进行降噪处理后,基于降噪处理后得到的质量更好的降噪图像集来更新下一次降噪迭代操作的标签图像集,并重复N降噪迭代操作,至第N降噪迭代操作,得到目标降噪网络,可以实现基于噪声数据集的自监督降噪训练,可以有效降低降噪网络训练成本,同时通过将在迭代操作过程中,不断提升用于训练降噪网络的训练数据,可以大大提升生成的降噪模型的降噪精度。
可选的,所述基于所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到所述第i次降噪迭代操作的待优化降噪网络包括:
将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集;
根据所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息;
基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数;
基于更新网络参数后的待训练降噪网络,重复所述将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集至所述基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数的训练迭代操作,至达到预设训练收敛条件;
将达到所述预设训练收敛条件的情况下得到的待训练降噪网络,作为所述第i次降噪迭代操作的待优化降噪网络。
上述技术方案中,以加噪图像集作为待训练降噪网络的输入,并结合加噪前的标签图像集,对待训练降噪网络进行训练,可以在仅有噪声图像集的基础上,实现对降噪网络的训练,有效降低训练成本。
可选的,所述方法还包括:
确定目标噪声类型对应的预设噪声强度区间;
所述对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集包括:
根据所述预设噪声强度区间,随机生成与所述第i次降噪迭代操作的标签图像集中图像对应的目标强度的噪声数据;
基于所述噪声数据对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到所述第i次降噪迭代操作的加噪图像集。
上述技术方案中,通过预先设置的某一目标噪声类型对应的预设噪声强度区间,并通过在该预设噪声强度区间中随机采样噪声强度,可以更全面覆盖相应应用场景下的噪声数据,进而提升后续降噪网络的降噪精准性。
可选的,所述N次降噪迭代操作中任意一次降噪迭代操作对应的待训练降噪网络为对预设神经网络进行随机初始化得到的网络。
可选的,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数。
可选的,所述N次降噪迭代操作中第(i+1)次降噪迭代操作对应的待训练降噪网络为第i次降噪迭代操作得到的待优化降噪网络。
上述技术方案中,在降噪迭代操作过程中,结合上一次降噪迭代操作过程汇总已经训练得到的待优化降噪网络作为本次的待训练降噪网络,可以便于本次降噪迭代过程中,直接对已经训练过的待优化降噪网络进行进一步的降噪训练,进而可以更好的提升降噪网络的降噪精度。
可选的,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数;所述方法还包括:
将所述N更新为n;
将所述第一预设训练次数更新为第二预设训练次数;
其中,所述第一预设训练次数大于所述第二预设训练次数;所述N小于所述n,且所述第一预设训练次数与所述N的乘积大于所述第二预设训练次数与所述n的乘积。
上述技术方案中,通过降低降噪训练次数,并适当提升降噪迭代次数,可以有效保证降噪网络的降噪精度,同时通过控制第一预设训练次数与N的乘积大于第二预设训练次数与n的乘积,可以有效降低降噪训练过程中的计算量,进而提升降噪速度和效率。
根据本公开实施例的另一方面,提供一种图像降噪处理装置,包括:
待处理噪声图像获取模块,被配置为执行获取待处理噪声图像;
第一降噪处理模块,被配置为执行基于目标降噪网络对所述待处理噪声图像进行降噪处理,得到目标降噪图像;
其中,所述目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集,对待训练降噪网络进行降噪训练得到的。
可选的,所述装置还包括:
降噪迭代操作模块,被配置为执行在所述获取待处理噪声图像之前,基于所述初始噪声图像集进行N次降噪迭代操作,得到所述标签图像集,其中,第i次降噪迭代操作包括基于下述单元执行:标签图像集确定单元,被配置为执行将第(i-1)次降噪迭代操作得到的降噪图像集作为所述第i次降噪迭代操作的标签图像集;加噪处理单元,被配置为执行对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集;降噪训练单元,被配置为执行基于所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到所述第i次降噪迭代操作的待优化降噪网络;第一降噪处理单元,被配置为执行基于所述第i次降噪迭代操作的待优化降噪网络对所述初始噪声图像集进行降噪处理,得到第i次降噪迭代操作的降噪图像集;
目标降噪网络确定模块,被配置为执行将第N次降噪迭代操作过程中得到的待优化降噪网络,作为所述目标降噪网络;
其中,N为大于1的正整数,i为大于等于1且小于等于N的正整数;当i=1时,所述第i-1次降噪迭代操作得到的降噪图像集为所述初始噪声图像集。
可选的,所述降噪训练单元包括:
第二降噪处理单元,被配置为执行将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集;
降噪损失信息确定单元,被配置为执行根据所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息;
网络参数更新单元,被配置为执行基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数;
训练迭代单元,被配置为执行基于更新网络参数后的待训练降噪网络,重复所述将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集至所述基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数的训练迭代操作,至达到预设训练收敛条件;
待优化降噪网络确定单元,被配置为执行将达到所述预设训练收敛条件的情况下得到的待训练降噪网络,作为所述第i次降噪迭代操作的待优化降噪网络。
可选的,所述装置还包括:
预设噪声强度区间确定模块,被配置为执行确定目标噪声类型对应的预设噪声强度区间;
所述加噪处理单元包括:
噪声数据生成单元,被配置为执行根据所述预设噪声强度区间,随机生成与所述第i次降噪迭代操作的标签图像集中图像对应的目标强度的噪声数据;
加噪处理子单元,被配置为执行基于所述噪声数据对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到所述第i次降噪迭代操作的加噪图像集。
可选的,所述N次降噪迭代操作中任意一次降噪迭代操作对应的待训练降噪网络为对预设神经网络进行随机初始化得到的网络。
可选的,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数。
可选的,所述N次降噪迭代操作中第(i+1)次降噪迭代操作对应的待训练降噪网络为第i次降噪迭代操作得到的待优化降噪网络。
可选的,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数;所述装置还包括:
降噪迭代操作次数更新模块,被配置为执行将所述N更新为n;
预设训练次数更新模块,被配置为执行将所述第一预设训练次数更新为第二预设训练次数;
其中,所述第一预设训练次数大于所述第二预设训练次数;所述N小于所述n,且所述第一预设训练次数与所述N的乘积大于所述第二预设训练次数与所述n的乘积。
根据本公开实施例的另一方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如上述第任一项所述的方法。
根据本公开实施例的另一方面,提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例的上述任一所述方法。
根据本公开实施例的另一方面,提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例的上述任一所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
结合基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的目标降噪网络,对待处理噪声图像进行降噪处理,可以在有效降低降噪网络训练成本的基础上,大大提升图像降噪处理的精度和效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图;
图2是根据一示例性实施例示出的一种图像降噪处理方法的流程图;
图3是根据一示例性实施例示出的一种第i次降噪迭代操作的流程图;
图4是根据一示例性实施例示出的另一种第i次降噪迭代操作的流程图;
图5是根据一示例性实施例示出的一种基于第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到第i次降噪迭代操作的待优化降噪网络的流程图;
图6是根据一示例性实施例示出的一种图像降噪处理装置框图;
图7是根据一示例性实施例示出的一种用于图像降噪处理的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
请参阅图1,图1是根据一示例性实施例示出的一种应用环境的示意图,如图1所示,该应用环境可以包括终端100和服务器200。
在一个可选的实施例中,终端100可以用于面向用户提供图像降噪处理服务。具体的,终端100可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备,也可以为运行于上述电子设备的软体,例如应用程序等。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
在一个可选的实施例中,服务器200可以用于生成目标降噪网络,进而为终端100提供后台服务。具体的,服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
此外,需要说明的是,图1所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如可以在终端生成目标降噪网络等。
本说明书实施例中,上述终端100以及服务器200可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
图2是根据一示例性实施例示出的一种图像降噪处理方法的流程图,如图2所示,该图像降噪处理方法用于终端等电子设备中,包括以下步骤。
S201:获取待处理噪声图像;
S203:基于目标降噪网络对待处理噪声图像进行降噪处理,得到目标降噪图像。
在一个具体的实施例中,待处理噪声图像可以为需要进行降噪处理的图像。具体的,可以结合对应的目标降噪网络,来进行降噪处理,得到目标降噪图像。具体的,目标降噪网络可以为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集,对待训练降噪网络进行降噪训练得到的。
在一个可选的实施例中,在获取待处理噪声图像之前,上述方法还可以包括目标降噪网络的生成步骤,具体的,目标降噪网络的生成步骤可以包括:
基于初始噪声图像集进行N次降噪迭代操作,得到标签图像集;
将第N次降噪迭代操作过程中得到的待优化降噪网络,作为目标降噪网络;
在一个具体的实施例中,如图3所示,第i次降噪迭代操作可以包括:
S301:将第(i-1)次降噪迭代操作得到的降噪图像集作为第i次降噪迭代操作的标签图像集;
S303:对第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集;
S305:基于第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到第i次降噪迭代操作的待优化降噪网络;
S307:基于第i次降噪迭代操作的待优化降噪网络对初始噪声图像集进行降噪处理,得到降噪图像集;
在一个具体的实施例中,N是降噪迭代操作次数,N为大于1的正整数,i为大于等于1且小于等于N的正整数;当i=1时,第i-1次降噪迭代操作得到的降噪图像集为初始噪声图像集。
在一个具体的实施例中,初始噪声图像集可以为结合实际应用场景需求,从互联网或某些平台获取的一定数量的图像。
需要说明的是,本公开所涉及的图像,均为经相关图像来源方充分授权的数据。
在实际应用中,某一应用场景下对应的噪声往往为某一类型的噪声,为了更好的提升训练好的降噪网络在相应的应用场景下的降噪精度,如图4所示,上述第i次降噪迭代操作还可以包括:
S309:确定目标噪声类型对应的预设噪声强度区间;
在一个可选实施例中,目标噪声类型可以包括但不限于高斯噪声,泊松-高斯噪声,伯努利噪声,行噪声等类型中的任意一种。具体的,预设噪声强度区间可以为预先结合目标噪声类型对应的应用场景下,出现的噪声的强度确定的。可选的,该预设噪声强度区间可以为一个或多个能够覆盖目标噪声类型对应的应用场景下,出现的噪声的强度区间。
可选的,如图4所示,上述对第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集可以包括:
S3031:根据预设噪声强度区间,随机生成与第i次降噪迭代操作的标签图像集中图像对应的目标强度的噪声数据;
S3033:基于噪声数据对第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集。
在一个可选的实施例中,可以通过在加噪过程中,添加不同类型的噪声数据,进而生成可以用过不同应用场景的目标降噪网络。
在一个可选的实施例中,可以从预设噪声强度区间,随机为标签图像集中每一图像确定对应的噪声数据的目标强度,并基于目标噪声类型对应的噪声生成模型,为每一图像生成,相应目标强度的噪声数据。并将噪声数据添加至标签图像集中相应的图像中,得到上述加噪图像集。
上述实施例中,通过预先设置的某一目标噪声类型对应的预设噪声强度区间,并通过在该预设噪声强度区间中随机采样噪声强度,可以更全面覆盖相应应用场景下的噪声数据,进而提升后续降噪网络的降噪精准性。
在一个可选的实施例中,如图5所示,上述基于第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到第i次降噪迭代操作的待优化降噪网络可以包括:
S501:将第i次降噪迭代操作的加噪图像集输入待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集;
S503:根据第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息;
S505:基于第i次降噪迭代操作的降噪损失信息更新待训练降噪网络的网络参数,基于更新网络参数后的待训练降噪网络,重复重复将第i次降噪迭代操作的加噪图像集输入待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集至基于第i次降噪迭代操作的降噪损失信息更新待训练降噪网络的网络参数的训练迭代操作,至达到预设训练收敛条件;
S507:将达到预设训练收敛条件的情况下得到的待训练降噪网络,作为第i次降噪迭代操作的待优化降噪网络。
在一个可选的实施例中,上述根据第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息可以结合预设损失函数,确定第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的预测降噪图像集间的降噪损失信息。
在一个具体的实施例中,第i次降噪迭代操作的降噪损失信息可以表征第i次降噪迭代操作的标签图像集与第i次降噪迭代操作的预测降噪图像集间的差异。
在一个可选的实施例中,预设损失函数可以包括但不限于交叉熵损失函数、逻辑损失函数、指数损失函数等。
在一个可选的实施例中,上述预设训练收敛条件可以为训练迭代操作的次数达到第一预设训练次数。可选的,降噪训练对应预设训练收敛条件也可以为降噪损失信息小于指定阈值。本说明书实施例中,第一预设训练次数和指定阈值可以结合实际应用中对降噪网络训练过程中的训练速度和精准度预先设置。
上述实施例中,以加噪图像集作为待训练降噪网络的输入,并结合加噪前的标签图像集,对待训练降噪网络进行训练,可以在仅有噪声图像集的基础上,实现对降噪网络的训练,有效降低训练成本。
在一个可选的实施例中,在每次降噪迭代操作得到降噪图像集之后,可以将该次降噪迭代操作得到的降噪图像集作为下次降噪迭代操作的标签图像集,并重复对标签图像集进行加噪处理,得到加噪图像集至基于待优化降噪网络对初始噪声图像集进行降噪处理,得到降噪图像集的降噪迭代操作,可以不断提升用于进行降噪训练的训练数据的质量,进而也大大提升训练好的待优化降噪网络的降噪精度。
在一个可选的实施例中,上述N次降噪迭代操作中任意一次降噪迭代操作对应的待训练降噪网络可以为对预设神经网络进行随机初始化得到的网络。
在一个可选的实施例中,降噪迭代操作的次数N可以结合实际应用中对降噪迭代操作的速度和降噪精度预先设置。可选的,在降噪迭代操作的次数为N的情况下,预设训练收敛条件可以包括训练迭代操作的次数达到第一预设训练次数。
在另一个可选的实施例中,上述N次降噪迭代操作中第(i+1)次降噪迭代操作对应的待训练降噪网络可以为第i次降噪迭代操作得到的待优化降噪网络。
上述实施例中,在降噪迭代操作过程中,结合上一次降噪迭代操作过程汇总已经训练得到的待优化降噪网络作为本次的待训练降噪网络,可以便于本次降噪迭代过程中,直接对已经训练过的待优化降噪网络进行进一步的降噪训练,进而可以更好的提升降噪网络的降噪精度。
在一个可选的实施例中,为了在保证降噪网络的降噪精度的基础上,降低降噪训练过程中的计算量,进而提升降噪速度和效率,上述方法还可以包括:
将N更新为n;
将第一预设训练次数更新为第二预设训练次数;
其中,第一预设训练次数大于第二预设训练次数;N小于n,且第一预设训练次数与N的乘积大于第二预设训练次数与n的乘积。
在一个具体的实施例中,假设第一预设训练次数为50,N为7;可选的,第二预设训练次数可以为1;n可以为50。
上述实施例中,通过降低降噪训练次数,并适当提升降噪迭代次数,可以有效保证降噪网络的降噪精度,同时通过控制第一预设训练次数与N的乘积大于第二预设训练次数与n的乘积,可以有效降低降噪训练过程中的计算量,进而提升降噪速度和效率。
上述实施例中,结合基于初始噪声图像集进行N次降噪迭代操作,且在每次降噪迭代操作过程中,将上一次降噪迭代操作得到的降噪图像集作为本次降噪迭代操作的标签图像集;对本次降噪迭代操作的标签图像集进行加噪处理,得到本次降噪迭代操作的加噪图像集,可以实现本次降噪迭代操作过程中的降噪训练数据的构建;并基于本次构建的降噪训练数据对待训练降噪网络进行降噪训练,可以得到本次待优化降噪网络,接着,结合待优化降噪网络对初始噪声图像集进行降噪处理后,基于降噪处理后得到的质量更好的降噪图像集来更新下一次降噪迭代操作的标签图像集,并重复N次降噪迭代操作,至第N降噪迭代操作,得到目标降噪网络,可以实现基于噪声数据集的自监督降噪训练,可以有效降低降噪网络训练成本,同时通过将在迭代操作过程中,不断提升用于训练降噪网络的训练数据,可以大大提升生成的降噪模型的降噪精度。
由以上述本说明书实施例提供的技术方案可见,本说明书中结合基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的目标降噪网络,对待处理噪声图像进行降噪处理,可以在有效降低降噪网络训练成本的基础上,大大提升图像降噪处理的精度和效果。
图6是根据一示例性实施例示出的一种图像降噪处理装置框图。参照图6,该装置包括:
待处理噪声图像获取模块610,被配置为执行获取待处理噪声图像;
第一降噪处理模块620,被配置为执行基于目标降噪网络对待处理噪声图像进行降噪处理,得到目标降噪图像;
其中,目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集,对待训练降噪网络进行降噪训练得到的。
可选的,上述装置还包括:
降噪迭代操作模块,被配置为执行在获取待处理噪声图像之前,基于初始噪声图像集进行N次降噪迭代操作,得到标签图像集,其中,第i次降噪迭代操作包括基于下述单元执行:标签图像集确定单元,被配置为执行将第(i-1)次降噪迭代操作得到的降噪图像集作为第i次降噪迭代操作的标签图像集;加噪处理单元,被配置为执行对第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集;降噪训练单元,被配置为执行基于第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到第i次降噪迭代操作的待优化降噪网络;第一降噪处理单元,被配置为执行基于第i次降噪迭代操作的待优化降噪网络对初始噪声图像集进行降噪处理,得到第i次降噪迭代操作的降噪图像集;
目标降噪网络确定模块,被配置为执行将第N次降噪迭代操作过程中得到的待优化降噪网络,作为目标降噪网络;
其中,N为大于1的正整数,i为大于等于1且小于等于N的正整数;当i=1时,第i-1次降噪迭代操作得到的降噪图像集为初始噪声图像集。
可选的,降噪训练单元包括:
第二降噪处理单元,被配置为执行将第i次降噪迭代操作的加噪图像集输入待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集;
降噪损失信息确定单元,被配置为执行根据第i次降噪迭代操作的标签图像集和第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息;
网络参数更新单元,被配置为执行基于第i次降噪迭代操作的降噪损失信息更新待训练降噪网络的网络参数;
训练迭代单元,被配置为执行基于更新网络参数后的待训练降噪网络,重复将第i次降噪迭代操作的加噪图像集输入待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集至基于第i次降噪迭代操作的降噪损失信息更新待训练降噪网络的网络参数的训练迭代操作,至达到预设训练收敛条件;
待优化降噪网络确定单元,被配置为执行将达到预设训练收敛条件的情况下得到的待训练降噪网络,作为第i次降噪迭代操作的待优化降噪网络。
可选的,上述装置还包括:
预设噪声强度区间确定模块,被配置为执行确定目标噪声类型对应的预设噪声强度区间;
加噪处理单元包括:
噪声数据生成单元,被配置为执行根据预设噪声强度区间,随机生成与第i次降噪迭代操作的标签图像集中图像对应的目标强度的噪声数据;
加噪处理子单元,被配置为执行基于噪声数据对第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集。
可选的,N次降噪迭代操作中任意一次降噪迭代操作对应的待训练降噪网络为对预设神经网络进行随机初始化得到的网络。
可选的,预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数。
可选的,N次降噪迭代操作中第(i+1)次降噪迭代操作对应的待训练降噪网络为第i次降噪迭代操作得到的待优化降噪网络。
可选的,预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数;上述装置还包括:
降噪迭代操作次数更新模块,被配置为执行将N更新为n;
预设训练次数更新模块,被配置为执行将第一预设训练次数更新为第二预设训练次数;
其中,第一预设训练次数大于第二预设训练次数;N小于n,且第一预设训练次数与N的乘积大于第二预设训练次数与n的乘积。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于图像降噪处理的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像降噪处理的方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的图像降噪处理方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的图像降噪处理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种图像降噪处理方法,其特征在于,包括:
获取待处理噪声图像;
基于目标降噪网络对所述待处理噪声图像进行降噪处理,得到目标降噪图像;
其中,所述目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集对待训练降噪网络进行降噪训练得到的。
2.根据权利要求1所述的图像降噪处理方法,其特征在于,在所述获取待处理噪声图像之前,所述方法还包括:
基于所述初始噪声图像集进行N次降噪迭代操作,得到所述标签图像集,其中,第i次降噪迭代操作包括:将第(i-1)次降噪迭代操作得到的降噪图像集作为所述第i次降噪迭代操作的标签图像集;对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集;基于所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到所述第i次降噪迭代操作的待优化降噪网络;基于所述第i次降噪迭代操作的待优化降噪网络对所述初始噪声图像集进行降噪处理,得到第i次降噪迭代操作的降噪图像集;
将第N次降噪迭代操作过程中得到的待优化降噪网络,作为所述目标降噪网络;
其中,N为大于1的正整数,i为大于等于1且小于等于N的正整数;当i=1时,所述第i-1次降噪迭代操作得到的降噪图像集为所述初始噪声图像集。
3.根据权利要求2所述的图像降噪处理方法,其特征在于,所述基于所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的加噪图像集对待训练降噪网络进行降噪训练,得到所述第i次降噪迭代操作的待优化降噪网络包括:
将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集;
根据所述第i次降噪迭代操作的标签图像集和所述第i次降噪迭代操作的预测降噪图像集确定第i次降噪迭代操作的降噪损失信息;
基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数;
基于更新网络参数后的待训练降噪网络,重复所述将所述第i次降噪迭代操作的加噪图像集输入所述待训练降噪网络进行降噪处理,得到第i次降噪迭代操作的预测降噪图像集至所述基于所述第i次降噪迭代操作的降噪损失信息更新所述待训练降噪网络的网络参数的训练迭代操作,至达到预设训练收敛条件;
将达到所述预设训练收敛条件的情况下得到的待训练降噪网络,作为所述第i次降噪迭代操作的待优化降噪网络。
4.根据权利要求2所述的图像降噪处理方法,其特征在于,所述方法还包括:
确定目标噪声类型对应的预设噪声强度区间;
所述对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到第i次降噪迭代操作的加噪图像集包括:
根据所述预设噪声强度区间,随机生成与所述第i次降噪迭代操作的标签图像集中图像对应的目标强度的噪声数据;
基于所述噪声数据对所述第i次降噪迭代操作的标签图像集进行加噪处理,得到所述第i次降噪迭代操作的加噪图像集。
5.根据权利要求3所述的图像降噪处理方法,其特征在于,所述N次降噪迭代操作中任意一次降噪迭代操作对应的待训练降噪网络为对预设神经网络进行随机初始化得到的网络。
6.根据权利要求5所述的图像降噪处理方法,其特征在于,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数。
7.根据权利要求3所述的图像降噪处理方法,其特征在于,所述N次降噪迭代操作中第(i+1)次降噪迭代操作对应的待训练降噪网络为第i次降噪迭代操作得到的待优化降噪网络。
8.根据权利要求7所述的图像降噪处理方法,其特征在于,所述预设训练收敛条件包括训练迭代操作的次数达到第一预设训练次数;所述方法还包括:
将所述N更新为n;
将所述第一预设训练次数更新为第二预设训练次数;
其中,所述第一预设训练次数大于所述第二预设训练次数;所述N小于所述n,且所述第一预设训练次数与所述N的乘积大于所述第二预设训练次数与所述n的乘积。
9.一种图像降噪处理装置,其特征在于,包括:
待处理噪声图像获取模块,被配置为执行获取待处理噪声图像;
第一降噪处理模块,被配置为执行基于目标降噪网络对所述待处理噪声图像进行降噪处理,得到目标降噪图像;
其中,所述目标降噪网络为基于初始噪声图像集进行多次降噪迭代操作得到的标签图像集,对待训练降噪网络进行降噪训练得到的。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至8中任一项所述的图像降噪处理方法。
11.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至8中任一项所述的图像降噪处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791758.1A CN113362259B (zh) | 2021-07-13 | 2021-07-13 | 图像降噪处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791758.1A CN113362259B (zh) | 2021-07-13 | 2021-07-13 | 图像降噪处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362259A true CN113362259A (zh) | 2021-09-07 |
CN113362259B CN113362259B (zh) | 2024-01-09 |
Family
ID=77539308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791758.1A Active CN113362259B (zh) | 2021-07-13 | 2021-07-13 | 图像降噪处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362259B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274109A (zh) * | 2023-11-14 | 2023-12-22 | 荣耀终端有限公司 | 图像处理方法、降噪模型训练方法及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374457B1 (en) * | 2008-12-08 | 2013-02-12 | Adobe Systems Incorporated | System and method for interactive image-noise separation |
CN107689034A (zh) * | 2017-08-16 | 2018-02-13 | 清华-伯克利深圳学院筹备办公室 | 一种神经网络的训练方法、去噪方法及装置 |
CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
CN110738605A (zh) * | 2019-08-30 | 2020-01-31 | 山东大学 | 基于迁移学习的图像去噪方法、系统、设备及介质 |
CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
CN112149608A (zh) * | 2020-10-09 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置和存储介质 |
CN112329875A (zh) * | 2020-11-16 | 2021-02-05 | 电子科技大学 | 一种基于连续吸引子网络的连续图像序列识别方法 |
CN112330569A (zh) * | 2020-11-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、文本去噪方法、装置、设备及存储介质 |
CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
DE102019215460A1 (de) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen |
CN112927152A (zh) * | 2021-02-26 | 2021-06-08 | 平安科技(深圳)有限公司 | Ct图像去噪处理方法、装置、计算机设备及介质 |
-
2021
- 2021-07-13 CN CN202110791758.1A patent/CN113362259B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374457B1 (en) * | 2008-12-08 | 2013-02-12 | Adobe Systems Incorporated | System and method for interactive image-noise separation |
CN107689034A (zh) * | 2017-08-16 | 2018-02-13 | 清华-伯克利深圳学院筹备办公室 | 一种神经网络的训练方法、去噪方法及装置 |
CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN110738605A (zh) * | 2019-08-30 | 2020-01-31 | 山东大学 | 基于迁移学习的图像去噪方法、系统、设备及介质 |
KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
DE102019215460A1 (de) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen |
US20210110517A1 (en) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Method and device for noise reduction in image recordings |
CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
CN112149608A (zh) * | 2020-10-09 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置和存储介质 |
CN112329875A (zh) * | 2020-11-16 | 2021-02-05 | 电子科技大学 | 一种基于连续吸引子网络的连续图像序列识别方法 |
CN112330569A (zh) * | 2020-11-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、文本去噪方法、装置、设备及存储介质 |
CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
CN112927152A (zh) * | 2021-02-26 | 2021-06-08 | 平安科技(深圳)有限公司 | Ct图像去噪处理方法、装置、计算机设备及介质 |
Non-Patent Citations (1)
Title |
---|
徐少平;刘婷云;林珍玉;崔燕;: "用于去除随机脉冲噪声的两阶段盲卷积降噪模型", 计算机学报, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274109A (zh) * | 2023-11-14 | 2023-12-22 | 荣耀终端有限公司 | 图像处理方法、降噪模型训练方法及电子设备 |
CN117274109B (zh) * | 2023-11-14 | 2024-04-23 | 荣耀终端有限公司 | 图像处理方法、降噪模型训练方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113362259B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230346B (zh) | 用于分割图像语义特征的方法和装置、电子设备 | |
CN112634170B (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
CN111062493B (zh) | 基于公共数据的纵向联邦方法、装置、设备及介质 | |
CN110992243B (zh) | 椎间盘截面图像构建方法、装置、计算机设备及存储介质 | |
CN110912908A (zh) | 网络协议异常检测方法、装置、计算机设备和存储介质 | |
US11972023B2 (en) | Compatible anonymization of data sets of different sources | |
CN113362259B (zh) | 图像降噪处理方法、装置、电子设备及存储介质 | |
CN112417985A (zh) | 一种人脸特征点追踪方法、系统、电子设备和存储介质 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN110163401B (zh) | 时间序列的预测方法、数据预测方法和装置 | |
CN111966473B (zh) | 一种线性回归任务的运行方法及装置、电子设备 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN113827977A (zh) | 一种基于bp神经网络的游戏流失用户预测方法和系统 | |
CN112950497A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Song et al. | Personalized federated learning with server-side information | |
US11200284B1 (en) | Optimization of feature embeddings for deep learning models | |
WO2023115974A1 (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN115424001A (zh) | 场景相似度估计方法、装置、计算机设备和存储介质 | |
CN114257507B (zh) | 一种基于演化博弈论的提高网络信息共享水平的方法 | |
CN113947185B (zh) | 任务处理网络生成、任务处理方法、装置、电子设备及存储介质 | |
CN110728632B (zh) | 图像模糊处理方法、装置、计算机设备和存储介质 | |
CN113158858A (zh) | 基于深度学习的行为分析方法、系统 | |
CN112364695A (zh) | 一种行为预测方法、装置、计算机设备和存储介质 | |
CN113255700A (zh) | 图像的特征图的处理方法及装置、存储介质、终端 | |
CN111950015A (zh) | 一种数据开放输出方法、装置和计算设备 |
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 |