CN113538235A - 图像处理模型的训练方法、装置、电子设备及存储介质 - Google Patents
图像处理模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113538235A CN113538235A CN202110733546.8A CN202110733546A CN113538235A CN 113538235 A CN113538235 A CN 113538235A CN 202110733546 A CN202110733546 A CN 202110733546A CN 113538235 A CN113538235 A CN 113538235A
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- sample
- processing
- feature
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 283
- 238000012549 training Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000003672 processing method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000005215 recombination Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 27
- 238000005070 sampling Methods 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像处理模型的训练方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及深度学习、计算机视觉等人工智能技术领域。具体实现方案为：通过获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同，并确定第一样本图像和第二样本图像之间的标注特征差异信息，对第一样本图像进行特征增强处理，以得到第三样本图像，以及根据第一样本图像、第三样本图像，标注特征差异信息训练初始的图像处理模型，得到目标图像处理模型，能够有效地提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型针对图像特征的增强处理效果，提升图像处理模型的图像处理效果。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习、计算机视觉等人工智能技术领域，具体涉及一种图像处理模型的训练方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中，图像超分辨率是指由一幅低分辨率图像恢复出高分辨率图像。图像超分辨率具有广大的应用前景，可应用于多种应用场景中，例如，图像分割，物体检测，深度估计等应用场景。
发明内容
本公开提供了一种用于图像处理模型的训练方法、图像处理方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的第一方面，提供了一种图像处理模型的训练方法，包括：获取第一样本图像，和与所述第一样本图像对应的第二样本图像，所述第一样本图像和所述第二样本图像的图像特征不相同；确定所述第一样本图像和所述第二样本图像之间的标注特征差异信息；对所述第一样本图像进行特征增强处理，以得到第三样本图像；以及根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
根据本公开的第二方面，提供了一种图像处理方法：包括：获取待处理图像，所述待处理图像具有对应的待处理图像特征；将所述待处理图像输入至如上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标特征差异信息；以及根据所述目标特征差异信息对所述待处理图像特征进行特征增强处理，以得到目标图像特征，所述目标图像特征被融合至所述待处理图像之中以得到目标图像。
根据本公开的第三方面，提供了一种图像处理模型的训练装置，包括：第一获取模块，用于获取第一样本图像，和与所述第一样本图像对应的第二样本图像，所述第一样本图像和所述第二样本图像的图像特征不相同；确定模块，用于确定所述第一样本图像和所述第二样本图像之间的标注特征差异信息；第一处理模块，用于对所述第一样本图像进行特征增强处理，以得到第三样本图像；以及训练模块，用于根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
根据本公开的第四方面，提供了一种图像处理装置，包括：第二获取模块，用于获取待处理图像，所述待处理图像具有对应的待处理图像特征；输入模块，用于将所述待处理图像输入至如上述的图像处理模型的训练装置训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标特征差异信息；以及第二处理模块，用于根据所述目标特征差异信息对所述待处理图像特征进行特征增强处理，以得到目标图像特征，所述目标图像特征被融合至所述待处理图像之中以得到目标图像。
根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面的图像处理模型的训练方法，或者执行如第二方面的图像处理方法。
根据本公开的第六方面，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，计算机指令用于使计算机执行如第一方面的图像处理模型的训练方法，或者执行如第二方面的图像处理方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面的图像处理模型的训练方法，或者执行如第二方面的图像处理方法。
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是根据本公开第一实施例的示意图；
图2是本公开实施例中以非线性方式构建样本图像的示意图；
图3是本公开实施例中图像处理模型的训练装置的架构示意图；
图4是本公开实施例中升采样训练单元的结构示意图；
图5是本公开实施例中残差学习结构示意图；
图6是本公开实施例中的残差学习模块的结构示意图；
图7是根据本公开第二实施例的示意图；
图8是本公开实施例中通道级特征增强处理流程示意图；
图9是根据本公开第三实施例的示意图；
图10是本公开实施例中图像处理方法的流程示意图；
图11是根据本公开第四实施例的示意图；
图12是根据本公开第五实施例的示意图；
图13是根据本公开第六实施例的示意图；
图14示出了可以用来实施本公开的实施例的图像处理模型的训练方法的示例电子设备的示意性框图。
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是根据本公开第一实施例的示意图。
其中，需要说明的是，本实施例的图像处理模型的训练方法的执行主体为图像处理模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域。
其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
本公开实施例可应用于图像处理场景下，而图像处理场景可以例如，采用一些硬件设备或者软件计算处理逻辑对待处理图像进行识别，以识别得到相应的图像特征，并采用该图像特征辅助后续的检测应用，将本公开实施例提供的图像处理模型的训练方法应用于图像处理场景中，能够有效地提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型针对图像特征的增强处理效果，提升图像处理模型的图像处理效果。
如图1所示，该图像处理模型的训练方法，包括：
S101：获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同。
其中，用于训练模型的图像，可以被称为样本图像，该样本图像的数量可以是一张或者多张，该样本图像也可以是从多个视频帧之中提取出的部分帧视频图像，对此不做限制。
其中的第一样本图像，可以是作为输入以训练模型的样本图像，第一样本图像可以是低分辨率的样本图像(则本公开实施例中，可以图像特征是分辨率进行示例，图像处理模型支持对低分辨率的第一样本图像进行分辨率增强处理，以得到相对高分辨率的输出图像，或者图像特征也可以配置为其它任意可能的特征，对此不做限制)，与第一样本图像对应的样本图像，可以被称为第二样本图像。
其中，第一样本图像和第二样本图像相对应，表征在训练模型的过程中，采用第一样本图像和第二样本图像之间的特征差异信息作为监督信号，以对模型的训练效果进行监督，即，采用第一样本图像和第二样本图像之间的特征差异信息作为标注特征差异信息，该特征差异信息可以具体例如是第一样本图像和第二样本图像之间分辨率差异信息，对此不做限制。
本公开实施例中，第一样本图像可以是低分辨率的样本图像，则相应的，第二样本图像可以是相对高分辨率的样本图像，例如，第二样本图像的分辨率可以是第一样本图像的分辨率的2倍、4倍、6倍等，对此不做限制，从而可以基于不同的标注特征差异信息作为训练模型用的监督信号，使得训练得到的图像处理模型具有不同程度的图像特征增强能力。
本公开实施例中，上述的第一样本图像和第二样本图像可以是预先生成的，举例而言，可以在已有的包含高分辨率的深度图像(该高分辨率的深度图像可以被称为第二样本图像)的数据集中，选取N张第二样本图像组成训练数据集，而后，对N张第二样本图像，可以使用非线性方式对其进行图像构建，以生成与N张第二样本图像分别对应的低分辨率的深度图像(该低分辨率的深度图像可以被称为第一样本图像)，从而组成高分辨-低分辨率深度图像对，作为训练数据。
如图2所示，图2是本公开实施例中以非线性方式构建样本图像的示意图，第二样本图像是高分辨率的图像，可以对第二样本图像进行至少一次的卷积操作处理，以得到卷积操作特征，而后，根据卷积操作特征对第二样本图像进行图像重建，从而得到低分辨率图像作为第一样本图像，图2中所示的非线性方式构建样本图像的处理逻辑可以配置在图像处理模型的训练装置中的降采样训练单元中，经由该降采样训练单元，以高分辨率的图像作为输入，获得低分辨率的图像，包括卷积操作和图像重建操作。
如图3所示，图3是本公开实施例中图像处理模型的训练装置的架构示意图，可以低分辨率的图像(第一样本图像)作为输入，包含多个升采样训练单元和降采样训练单元。每个升采样单元的输出作为下一个升采样单元的输入，每个降采样训练单元的输出作为下一个降采样单元的输入。降采样训练单元的数量与升采样训练单元的数量相同，可以采用K标识，表示整体倍数与基本倍数的倍数关系，整个训练过程中，可以配置第一个训练单元(升采样训练单元和降采样训练单元)参考监督信号(标注特征差异信息)辅助进行训练，其它训练单元与第一个训练单元共享权重，从而保证整个训练过程可以收敛，且后续的训练单元可以不配置参考监督信号(标注特征差异信息)。
也即是说，输入数据可以是：第一样本图像和第二样本图像组成的图像对，或者，也可以是第一样本图像，而后采用3所示与输入数据相连的第一个升采样训练单元对第一样本图像进行特征增强处理以得到第二样本图像，而后，采用第一样本图像和第二样本图像之间的标注特征差异信息作为整体模型训练用的参考监督信号，并触发后续的步骤。
本公开实例中，可以采用第一样本图像和第二样本图像之间的特征差异作为标注特征差异，以对整个模型训练过程作为监督，后续在训练过程中，可以对第一样本图像进行多次的特征增强处理(由图3中多个升采样训练单元来完成)，从而得到具有不同特征差异程度(例如，4倍分辨率、6倍分辨率、8倍分辨率的第三样本图像)，以辅助对模型的整体训练过程。
本公开实施例中，多次升采样训练单元处理之后的高倍数分辨率的图像还可以被添加至训练数据集之中，以反向采用降采样训练单元进行特征减弱处理，以得到低分辨率的图像作为训练数据集的扩充，下述的举例说明可以一并结合图3展开，对此不做限制。
S102：确定第一样本图像和第二样本图像之间的标注特征差异信息。
上述获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同之后，可以确定第一样本图像和第二样本图像之间的标注特征差异信息。
例如，第二样本图像的分辨率是第一样本图像分辨率的2倍，则可以确定标注特征差异信息是2倍数的分辨率，根据实际的应用场景需求，也可以配置第二样本图像的分辨率是第一样本图像分辨率的4倍或者8倍，对此不做限制。
S103：对第一样本图像进行特征增强处理，以得到第三样本图像。
上述获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同，并确定第一样本图像和第二样本图像之间的标注特征差异信息之后，可以对第一样本图像进行特征增强处理，以得到第三样本图像。
举例而言，可以将第一样本图像输入至上述图3中的升采样训练单元中，并采用升采样训练单元对第一样本图像进行特征增强处理，以得到第三样本图像。
可选地，一些实施例中，对第一样本图像进行特征增强处理，以得到第三样本图像，可以是对第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像，从而可以得到具有不同特征差异程度的第三样本图像，能够有效辅助训练得到的图像处理模型针对图像特征的不同程度的增强处理效果，并且不需要预先准备具有不同特征差异程度的样本图像，降低了对多样化图像特征的样本图像的依赖程度，提升了模型训练的便捷性，并且同时保障训练效果。
举例而言，可以将第一样本图像输入至图3中的第一个升采样训练单元中，并采用升采样训练单元对第一样本图像进行特征增强处理，以得到第一个第三样本图像，而后，将第一个第三样本图像作为第二个升采样训练单元的输入，得到进一步特征增强处理后的第三样本图像。
当然，也可以采用其它任意可能的方式对第一样本图像进行特征增强处理，以得到第三样本图像，例如图像合成的方式等，对此不做限制。
S104：根据第一样本图像、第三样本图像，以及标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
上述在对第一样本图像进行特征增强处理，以得到第三样本图像之后，可以根据第一样本图像、第三样本图像，以及标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
也即是说，本公开实施例中，支持采用高分辨-低分辨率深度图像对之间的标注特征差异信息作为监督信号，而后在训练模型的过程中直接是对输入的第一样本图像进行一次或者多次的特征增强处理，以得到一个或者多个第三样本图像，而后，根据第一样本图像、第三样本图像，以及标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
其中的初始的图像处理模型可以为人工智能中的任一种能够执行图像处理任务的模型，比如机器学习模型或者神经网络模型等，对此不做限制。
本实施例中，通过获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同，并确定第一样本图像和第二样本图像之间的标注特征差异信息，对第一样本图像进行特征增强处理，以得到第三样本图像，以及根据第一样本图像、第三样本图像，标注特征差异信息训练初始的图像处理模型，得到目标图像处理模型，能够有效地提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型针对图像特征的增强处理效果，提升图像处理模型的图像处理效果。
本公开实施例中，为了支持下述实施例的举例说明，还对上述图3中的升采样训练单元的架构进行了进一步的举例说明，如图4所示，图4是本公开实施例中升采样训练单元的结构示意图，以低分辨率的图像(第一样本图像)作为升采样训练单元的输入(此处需要说明的是，针对第一个升采样训练单元，可以将第一样本图像作为其输入，而针对接续的升采样训练单元，可以是采用前一个升采样训练单元输入的特征增强后的第三样本图像作为输入)，从而获得高分辨率的图像。
从而本公开实施例中，第三样本图像的数量可以为多个，不同第三样本图像与第一样本图像之间图像特征差异的程度不相同，其中，对第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像，可以是对第一样本图像进行当次的特征增强处理，以得到当次的第三样本图像，在进行下次的特征增强处理时，对当次的第三样本图像进行特征增强处理，以得到下次的第三样本图像，直至执行特征增强处理的次数满足设定次数。
其中，当次的第三样本图像，即可以是当次采用一个升采样训练单元处理输入的样本图像之后得到的样本图像，而下次的第三样本图像，可以是采用一个升采样训练单元处理输入的当次的第三样本图像之后得到的样本图像。
而不同第三样本图像与第一样本图像之间图像特征差异的程度不相同，可以例如是第三样本图像A的分辨率是第一样本图像的分辨率的2倍，第三样本图像B的分辨率是第一样本图像的分辨率的4倍，第三样本图像C的分辨率是第一样本图像的分辨率的8倍，对此不做限制。
其中的设定次数，可以是结合图像处理模型的应用场景需求自适应配置，对此不做限制。
也即是说，本公开实施例中，是接续地、多通道地对输入的第一样本图像进行特征增强处理，各次图像特征增强处理可以均配置为相同倍数的增强处理(例如，每个升采样训练单元支持对输入图像的分辨率增强两倍)，从而可以简化整体的图像特征增强处理逻辑，实现采用接续地、多通道的图像增强处理方式即可以得到2倍、4倍、8倍的高分辨率的第三样本图像。
本公开实施例中，上述图4中的升采样训练单元可采用残差结构，包括卷积操作和图像重建操作，通过第一层卷积获得特征后，可以分为两个分支，其中一个分支通过卷积操作获得图像的高频特征，而后，将高频特征与另一分支进行像素级加法，再通过图像重建模块获得高分辨率的图像。如图5所示，图5是本公开实施例中残差学习结构示意图，该残差学习结构可以被用于构成图4中的升采样训练单元，图5中包括M个残差学习(ResidualNetwork，ResNet)模块，各个残差学习(Residual Network，ResNet)模块可以分别包括多个特征增强单元，如图6所示，图6是本公开实施例中的残差学习模块的结构示意图，图6中示出了一个残差学习(Residual Network，ResNet)模块可以由N个特征增强单元构成。
图7是根据本公开第二实施例的示意图。
如图7所示，该图像处理模型的训练方法，包括：
S701：获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同。
S702：确定第一样本图像和第二样本图像之间的标注特征差异信息。
S701-S702的描述说明可以具体参见上述实施例，在此不再赘述。
S703：对第一样本图像进行通道级特征增强处理，以得到第三样本图像。
本公开实施例中提供多种对图像进行特征增强处理的方式，可以是对第一样本图像进行通道级特征增强处理，和/或对第一样本图像进行像素级特征增强处理，将特征增强处理得到的样本图像作为第三样本图像。
可选地，一些实施例中，对第一样本图像进行通道级特征增强处理，可以是确定与第一样本图像对应的第一图像特征，并对第一图像特征进行卷积操作，以得到卷积图像特征，并对第一图像特征进行特征重组操作，以得到重组图像特征，融合卷积图像特征和重组图像特征，以得到融合图像特征，采用柔性最大值传输函数softmax处理融合图像特征，以得到参考描述信息，根据参考描述信息处理第一图像特征，以得到增强图像特征，从而能够实现准确地、便捷地对输入的图像进行特征增强处理，较大程度地提升图像特征增强处理的效果，有效地辅助提升训练得到的图像处理模型针对图像特征的增强处理能力。
举例而言，如图8所示，图8是本公开实施例中通道级特征增强处理流程示意图，给定第一图像特征F(c×w×h)作为输入，通道级特征增强处理：可以首先通过卷积+特征重组reshape操作获得两种特征：卷积图像特征Qc(c×(h*w))和重组图像特征Hc((h*w)×c)，而后，将前述两种特征采用矩阵乘法操作进行融合，获得融合图像特征：矩阵Mc(c×c),并采用柔性最大值传输函数softmax处理融合图像特征：矩阵Mc(c×c)，以得到参考描述信息：权重Mc’(c×c)。另外，通过对第一图像特征F(c×w×h)进行卷积操作获得新的特征Fc’(c×h×w)，该新的特征Fc’(c×h×w)可以是与前述的卷积图像特征的形式相一致，再通过Mc’和Fc’进行矩阵乘法操作，以根据参考描述信息处理第一图像特征，以得到增强图像特征Fh(c×h×w)，而后，还可以通过对增强后的特征Fh与Fc’进行像素级加法获得通道增强后的特征Fc，最终的输入特征F＝Fc，a为可学习的参数，对增强后的特征Fh与Fc’进行像素级加法的步骤，可以视为将增强图像特征Fh(c×h×w)对第一样本图像中相应的图像特征进行增强，从而形成第三样本图像的过程。
当然，也可以采用其它任意可能的方式实现对第一样本图像进行通道级特征增强处理，比如建模的方式、数学运算的方式、工程学方式等等，对此不做限制。
S704：对第一样本图像进行像素级特征增强处理，以得到第三样本图像。
也即是说，本公开实施例中支持对第一样本图像进行通道级特征增强处理，或者，支持对第一样本图像进行像素级特征增强处理，或者，直至采用通道级特征增强处理结合像素级特征增强处理方式处理第一样本图像，对此不做限制。
其中，对第一样本图像进行像素级特征增强处理的方式可以例如，获取第一样本图像中各个像素点的像素特征(例如深度特征、分辨率特征)，而后，对像素特征(例如深度特征、分辨率特征)进行相应的增强处理，对此不做限制。
通过对第一样本图像进行通道级特征增强处理，以得到第三样本图像，和/或第一样本图像进行像素级特征增强处理，以得到第三样本图像，从而能够有效地提升特征增强处理的灵活性，提升特征增强处理效果，从而辅助提升整体图像处理方法的适用性，辅助扩展图像处理方法的应用场景。
S705：将第一样本图像和第三样本图像输入至初始的图像处理模型之中，以得到初始的图像处理模型输出的预测特征差异信息，预测特征差异信息，是预测得到的第一样本图像和第三样本图像之间的图像特征差异信息。
也即是说，本公开实施例中的初始的图像处理模型能够对第一样本图像和第三样本图像之间的特征差异信息进行预测(特征差异信息例如分辨率之间的倍数差异)，而后将预测得到的特征差异信息作为预测差异信息，该预测差异信息可以被用于后续辅助对输入的样本图像进行图像特征增强处理。
S706：如果预测特征差异信息和标注特征差异信息之间的损失值小于损失阈值，则将训练得到的图像处理模型作为目标图像处理模型。
本公开实施例中，可以针对初始的图像处理模型预先配置损失函数，在训练初始的图像处理模型的过程中，将第一样本图像、第三样本图像，以及标注特征差异信息作为损失函数的输入参数，并确定损失函数的输出值以作为损失值，而后，将损失值与设定损失阈值进行比对，以确定是否满足收敛时机，对此不做限制。
当然，也可以采用其它任意可能的方式来判定图像处理模型的收敛时机，比如针对每个训练单元均配置不同的参考监督信号来判定收敛时机，或，当训练次数满足一定的次数，则直接确定图像处理模型收敛等，对此不做限制。
本实施例中，通过获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同，并确定第一样本图像和第二样本图像之间的标注特征差异信息，对第一样本图像进行特征增强处理，以得到第三样本图像，以及根据第一样本图像、第三样本图像，以及标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型，能够有效地提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型针对图像特征的增强处理效果，提升图像处理模型的图像处理效果。通过对第一样本图像进行通道级特征增强处理，以得到第三样本图像，和/或第一样本图像进行像素级特征增强处理，以得到第三样本图像，从而能够有效地提升特征增强处理的灵活性，提升特征增强处理效果，从而辅助提升整体图像处理方法的适用性，辅助扩展图像处理方法的应用场景。从而能够准确地、及时地判定出图像处理模型的收敛时机，使得训练得到的图像处理模型针对图像特征的具备了不同程度的增强处理效果，且参考了第一样本图像和第二样本图像之间的标注特征差异信息作为整体模型训练用的参考监督信号，有效地提升了模型的收敛效率，降低了对真值图像的依赖程度。
图9是根据本公开第三实施例的示意图。
如图9所示，该图像处理方法，包括：
S901：获取待处理图像，待处理图像具有对应的待处理图像特征。
其中，当前待对其进行处理的图像，可以被称为待处理图像。
该待处理图像的数量可以是一张或者多张，该待处理图像也可以是从多个视频帧之中提取出的部分帧视频图像，对此不做限制。
S902：将待处理图像输入至如上述的图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标特征差异信息。
上述在获取待处理图像之后，可以将待处理图像输入至如上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标特征差异信息，该目标特征差异信息，可以用于表征需求的图像特征与待处理图像特征之间的特征差异情况，需求的图像特征可以例如为需求的分辨率，而待处理图像特征，可以例如为待处理图像对应的分辨率，从而目标特征差异信息，可以用于描述需求的分辨率和待处理图像对应的分辨率之间的分辨率差异情况。
S903：根据目标特征差异信息对待处理图像特征进行特征增强处理，以得到目标图像特征，目标图像特征被融合至待处理图像之中以得到目标图像。
上述在获得目标图像处理模型输出的目标特征差异信息之后，可以采用目标特征差异信息对待处理图像特征进行特征增强处理，并将处理后的图像特征作为目标图像特征，而后，可以将目标图像特征融合至待处理图像，以形成目标图像。
举例而言，如图10所示，图10是本公开实施例中图像处理方法的流程示意图，假设待处理图像是低分辨率图像，将低分辨率图像输入至目标图像处理模型之中，该目标图像处理模型之中可以是采用上述的训练方法结合训练数据集训练得到的，该目标图像处理模型可以具体是非线性结构，支持采用上述的图像特征增强方法来对低分辨率图像进行图像处理，以输出高分辨率图像。
本实施例中，通过获取待处理图像，待处理图像具有对应的待处理图像特征，并将待处理图像输入至如上述的图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标特征差异信息，以及根据目标特征差异信息对待处理图像特征进行特征增强处理，以得到目标图像特征，目标图像特征被融合至待处理图像之中以得到目标图像，从而在采用训练得到的目标图像处理模型处理待处理图像时，能够表达建模出更为准确的特征差异信息，有效地辅助提升针对待处理图像的特征增强效果，从而有效地提升图像处理模型的图像处理效果。
图11是根据本公开第四实施例的示意图。
如图11所示，该图像处理模型的训练装置110，包括：
第一获取模块1101，用于获取第一样本图像，和与所述第一样本图像对应的第二样本图像，所述第一样本图像和所述第二样本图像的图像特征不相同；
确定模块1102，用于确定所述第一样本图像和所述第二样本图像之间的标注特征差异信息；
第一处理模块1103，用于对所述第一样本图像进行特征增强处理，以得到第三样本图像；以及
训练模块1104，用于根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
在本公开的一些实施例中，如图12所示，图12是根据本公开第五实施例的示意图，该图像处理模型的训练装置120，包括：第一获取模块1201、确定模块1202、第一处理模块1203、训练模块1204，其中，训练模块1204，具体用于：
将所述第一样本图像和所述第三样本图像输入至所述初始的图像处理模型之中，以得到所述初始的图像处理模型输出的预测特征差异信息，所述预测特征差异信息，是预测得到的所述第一样本图像和所述第三样本图像之间图像特征差异信息；
如果所述预测特征差异信息和所述标注特征差异信息之间的损失值小于损失阈值，则将训练得到的所述图像处理模型作为所述目标图像处理模型。
在本公开的一些实施例中，其中，第一处理模块1203，具体用于：
对所述第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像。
在本公开的一些实施例中，所述第三样本图像的数量为多个，不同所述第三样本图像与所述第一样本图像之间图像特征差异的程度不相同，其中，第一处理模块1203，具体用于：
对第一样本图像进行当次的特征增强处理，以得到当次的第三样本图像；
在进行下次的特征增强处理时，对所述当次的第三样本图像进行特征增强处理，以得到下次的第三样本图像，直至执行所述特征增强处理的次数满足设定次数。
在本公开的一些实施例中，其中，第一处理模块1203，包括：
第一处理子模块12031，用于对所述第一样本图像进行通道级特征增强处理，以得到所述第三样本图像；和/或
第二处理子模块12032，用于对所述第一样本图像进行像素级特征增强处理，以得到所述第三样本图像。
在本公开的一些实施例中，其中，第一处理子模块12031，具体用于：
确定与所述第一样本图像对应的第一图像特征；
对所述第一图像特征进行卷积操作，以得到卷积图像特征，并对所述第一图像特征进行特征重组操作，以得到重组图像特征；
融合所述卷积图像特征和所述重组图像特征，以得到融合图像特征；
采用柔性最大值传输函数处理所述融合图像特征，以得到参考描述信息；以及
根据所述参考描述信息处理所述第一图像特征，以得到增强图像特征，其中，所述增强图像特征被用于处理所述第一样本图像以得到对应的第三样本图像。
可以理解的是，本实施例附图12中的图像处理模型的训练装置120与上述实施例中的图像处理模型的训练装置110，第一获取模块1201与上述实施例中的第一获取模块1101，确定模块1202与上述实施例中的确定模块1102，第一处理模块1203与上述实施例中的第一处理模块1103，训练模块1204与上述实施例中的训练模块1104可以具有相同的功能和结构。
需要说明的是，前述对图像处理模型的训练方法的解释说明也适用于本实施例的图像处理模型的训练装置。
本实施例中，通过获取第一样本图像，和与第一样本图像对应的第二样本图像，第一样本图像和第二样本图像的图像特征不相同，并确定第一样本图像和第二样本图像之间的标注特征差异信息，对第一样本图像进行特征增强处理，以得到第三样本图像，以及根据第一样本图像、第三样本图像，标注特征差异信息训练初始的图像处理模型，得到目标图像处理模型，能够有效地提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型针对图像特征的增强处理效果，提升图像处理模型的图像处理效果。
图13是根据本公开第六实施例的示意图。
如图13所示，该图像处理装置130，包括：
第二获取模块1301，用于获取待处理图像，所述待处理图像具有对应的待处理图像特征；
输入模块1302，用于将所述待处理图像输入至如上述的图像处理模型的训练装置训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标特征差异信息；以及
第二处理模块1303，用于根据所述目标特征差异信息对所述待处理图像特征进行特征增强处理，以得到目标图像特征，所述目标图像特征被融合至所述待处理图像之中以得到目标图像。
需要说明的是，前述对图像处理方法的解释说明也适用于本实施例的图像处理装置。
本实施例中，通过获取待处理图像，待处理图像具有对应的待处理图像特征，并将待处理图像输入至如上述的图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标特征差异信息，以及根据目标特征差异信息对待处理图像特征进行特征增强处理，以得到目标图像特征，目标图像特征被融合至待处理图像之中以得到目标图像，从而在采用训练得到的目标图像处理模型处理待处理图像时，能够表达建模出更为准确的特征差异信息，有效地辅助提升针对待处理图像的特征增强效果，从而有效地提升图像处理模型的图像处理效果。
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14示出了可以用来实施本公开的实施例的图像处理模型的训练方法的示例电子设备的示意性框图。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/或者要求的本公开的实现。
如图14所示，设备1400包括计算单元1401，其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序，来执行各种适当的动作和处理。在RAM 1403中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400通过诸如因特网的计算机网络和/或各种电信网络与其它设备交换信息/数据。
计算单元1401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1401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1401执行上文所描述的各个方法和处理，例如图像处理模型的训练方法，或者图像处理方法。例如，在一些实施例中，图像处理模型的训练方法，或者图像处理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1408。在一些实施例中，计算机程序的部分或者全部可以经由ROM1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM1403并由计算单元1401执行时，可以执行上文描述的图像处理模型的训练方法，或者图像处理方法的一个或多个步骤。备选地，在其它实施例中，计算单元1401可以通过其它任何适当的方式(例如，借助于固件)而被配置为执行图像处理模型的训练方法，或者图像处理方法。
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、专用计算机或其它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)、互联网及区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发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，根据设计要求和其它因素，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 (17)
1.一种图像处理模型的训练方法，包括：
获取第一样本图像，和与所述第一样本图像对应的第二样本图像，所述第一样本图像和所述第二样本图像的图像特征不相同；
确定所述第一样本图像和所述第二样本图像之间的标注特征差异信息；
对所述第一样本图像进行特征增强处理，以得到第三样本图像；以及
根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
2.根据权利要求1所述的方法，其中，所述根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型，包括：
将所述第一样本图像和所述第三样本图像输入至所述初始的图像处理模型之中，以得到所述初始的图像处理模型输出的预测特征差异信息，所述预测特征差异信息，是预测得到的所述第一样本图像和所述第三样本图像之间图像特征差异信息；
如果所述预测特征差异信息和所述标注特征差异信息之间的损失值小于损失阈值，则将训练得到的所述图像处理模型作为所述目标图像处理模型。
3.根据权利要求1所述的方法，其中，所述对所述第一样本图像进行特征增强处理，以得到第三样本图像，包括：
对所述第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像。
4.根据权利要求3所述的方法，所述第三样本图像的数量为多个，不同所述第三样本图像与所述第一样本图像之间图像特征差异的程度不相同，
其中，所述对所述第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像，包括：
对第一样本图像进行当次的特征增强处理，以得到当次的第三样本图像；
在进行下次的特征增强处理时，对所述当次的第三样本图像进行特征增强处理，以得到下次的第三样本图像，直至执行所述特征增强处理的次数满足设定次数。
5.根据权利要求1所述的方法，其中，所述对所述第一样本图像进行特征增强处理，以得到第三样本图像，包括：
对所述第一样本图像进行通道级特征增强处理，以得到所述第三样本图像；和/或
对所述第一样本图像进行像素级特征增强处理，以得到所述第三样本图像。
6.根据权利要求5所述的方法，其中，所述对所述第一样本图像进行通道级特征增强处理，包括：
确定与所述第一样本图像对应的第一图像特征；
对所述第一图像特征进行卷积操作，以得到卷积图像特征，并对所述第一图像特征进行特征重组操作，以得到重组图像特征；
融合所述卷积图像特征和所述重组图像特征，以得到融合图像特征；
采用柔性最大值传输函数处理所述融合图像特征，以得到参考描述信息；以及
根据所述参考描述信息处理所述第一图像特征，以得到增强图像特征，其中，所述增强图像特征被用于处理所述第一样本图像以得到对应的第三样本图像。
7.一种图像处理方法，包括：
获取待处理图像，所述待处理图像具有对应的待处理图像特征；
将所述待处理图像输入至如上述权利要求1-6任一项所述的图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标特征差异信息；以及
根据所述目标特征差异信息对所述待处理图像特征进行特征增强处理，以得到目标图像特征，所述目标图像特征被融合至所述待处理图像之中以得到目标图像。
8.一种图像处理模型的训练装置，包括：
第一获取模块，用于获取第一样本图像，和与所述第一样本图像对应的第二样本图像，所述第一样本图像和所述第二样本图像的图像特征不相同；
确定模块，用于确定所述第一样本图像和所述第二样本图像之间的标注特征差异信息；
第一处理模块，用于对所述第一样本图像进行特征增强处理，以得到第三样本图像；以及
训练模块，用于根据所述第一样本图像、所述第三样本图像，以及所述标注特征差异信息训练初始的图像处理模型，以得到目标图像处理模型。
9.根据权利要求8所述的装置，其中，所述训练模块，具体用于：
将所述第一样本图像和所述第三样本图像输入至所述初始的图像处理模型之中，以得到所述初始的图像处理模型输出的预测特征差异信息，所述预测特征差异信息，是预测得到的所述第一样本图像和所述第三样本图像之间图像特征差异信息；
如果所述预测特征差异信息和所述标注特征差异信息之间的损失值小于损失阈值，则将训练得到的所述图像处理模型作为所述目标图像处理模型。
10.根据权利要求8所述的装置，其中，所述第一处理模块，具体用于：
对所述第一样本图像进行至少一次的特征增强处理，以得到至少一个第三样本图像。
11.根据权利要求10所述的装置，所述第三样本图像的数量为多个，不同所述第三样本图像与所述第一样本图像之间图像特征差异的程度不相同，其中，所述第一处理模块，具体用于：
对第一样本图像进行当次的特征增强处理，以得到当次的第三样本图像；
在进行下次的特征增强处理时，对所述当次的第三样本图像进行特征增强处理，以得到下次的第三样本图像，直至执行所述特征增强处理的次数满足设定次数。
12.根据权利要求8所述的装置，其中，所述第一处理模块，包括：
第一处理子模块，用于对所述第一样本图像进行通道级特征增强处理，以得到所述第三样本图像；和/或
第二处理子模块，用于对所述第一样本图像进行像素级特征增强处理，以得到所述第三样本图像。
13.根据权利要求12所述的装置，其中，所述第一处理子模块，具体用于：
确定与所述第一样本图像对应的第一图像特征；
对所述第一图像特征进行卷积操作，以得到卷积图像特征，并对所述第一图像特征进行特征重组操作，以得到重组图像特征；
融合所述卷积图像特征和所述重组图像特征，以得到融合图像特征；
采用柔性最大值传输函数处理所述融合图像特征，以得到参考描述信息；以及
根据所述参考描述信息处理所述第一图像特征，以得到增强图像特征，其中，所述增强图像特征被用于处理所述第一样本图像以得到对应的第三样本图像。
14.一种图像处理装置，包括：
第二获取模块，用于获取待处理图像，所述待处理图像具有对应的待处理图像特征；
输入模块，用于将所述待处理图像输入至如上述权利要求8-13任一项所述的图像处理模型的训练装置训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标特征差异信息；以及
第二处理模块，用于根据所述目标特征差异信息对所述待处理图像特征进行特征增强处理，以得到目标图像特征，所述目标图像特征被融合至所述待处理图像之中以得到目标图像。
15.一种电子设备，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1-6中任一项所述的方法，或者执行权利要求7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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法，或者执行权利要求7所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法，或者执行权利要求7所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110733546.8A CN113538235B (zh) | 2021-06-30 | 2021-06-30 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110733546.8A CN113538235B (zh) | 2021-06-30 | 2021-06-30 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538235A true CN113538235A (zh) | 2021-10-22 |
| CN113538235B CN113538235B (zh) | 2024-01-09 |
Family
ID=78126254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110733546.8A Active CN113538235B (zh) | 2021-06-30 | 2021-06-30 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538235B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283486A (zh) * | 2021-12-20 | 2022-04-05 | 北京百度网讯科技有限公司 | 图像处理、模型训练、识别方法、装置、设备及存储介质 |
| CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
| CN114549316A (zh) * | 2022-02-18 | 2022-05-27 | 中国石油大学(华东) | 基于通道自关注多尺度特征学习的遥感单图超分辨率方法 |
| CN114926322A (zh) * | 2022-05-12 | 2022-08-19 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
| CN109285119A (zh) * | 2018-10-23 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 超分辨图像生成方法及装置 |
| CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
| CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
| CN110633755A (zh) * | 2019-09-19 | 2019-12-31 | 北京市商汤科技开发有限公司 | 网络训练方法、图像处理方法及装置、电子设备 |
| CN110992270A (zh) * | 2019-12-19 | 2020-04-10 | 西南石油大学 | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 |
| KR20200084434A (ko) * | 2018-12-26 | 2020-07-13 | 포항공과대학교 산학협력단 | 초해상도 영상 복원을 위한 기계 학습 방법 |
| CN111598778A (zh) * | 2020-05-13 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子图像超分辨率重建方法 |
-
2021
- 2021-06-30 CN CN202110733546.8A patent/CN113538235B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
| CN109285119A (zh) * | 2018-10-23 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 超分辨图像生成方法及装置 |
| KR20200084434A (ko) * | 2018-12-26 | 2020-07-13 | 포항공과대학교 산학협력단 | 초해상도 영상 복원을 위한 기계 학습 방법 |
| CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
| CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
| CN110633755A (zh) * | 2019-09-19 | 2019-12-31 | 北京市商汤科技开发有限公司 | 网络训练方法、图像处理方法及装置、电子设备 |
| CN110992270A (zh) * | 2019-12-19 | 2020-04-10 | 西南石油大学 | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 |
| CN111598778A (zh) * | 2020-05-13 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子图像超分辨率重建方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283486A (zh) * | 2021-12-20 | 2022-04-05 | 北京百度网讯科技有限公司 | 图像处理、模型训练、识别方法、装置、设备及存储介质 |
| CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
| CN114463584B (zh) * | 2022-01-29 | 2023-03-24 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
| CN114549316A (zh) * | 2022-02-18 | 2022-05-27 | 中国石油大学(华东) | 基于通道自关注多尺度特征学习的遥感单图超分辨率方法 |
| CN114926322A (zh) * | 2022-05-12 | 2022-08-19 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
| CN114926322B (zh) * | 2022-05-12 | 2024-03-15 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538235B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113538235B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN112862005B (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
| CN113177472A (zh) | 动态手势识别方法、装置、设备以及存储介质 | |
| CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
| CN114693934B (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
| CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
| CN114913325B (zh) | 语义分割方法、装置及计算机程序产品 | |
| EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
| CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
| CN114715145A (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113592932A (zh) | 深度补全网络的训练方法、装置、电子设备及存储介质 | |
| CN113554550B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN116468112B (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
| CN115239889B (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
| CN114882313B (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
| CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
| CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
| CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
| CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
| CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113139463A (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
| CN114282664A (zh) | 自反馈模型训练方法、装置、路侧设备及云控平台 | |
| CN112929689A (zh) | 视频插帧方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |