CN113610731B - 用于生成画质提升模型的方法、装置及计算机程序产品 - Google Patents

用于生成画质提升模型的方法、装置及计算机程序产品 Download PDF

Info

Publication number
CN113610731B
CN113610731B CN202110903430.4A CN202110903430A CN113610731B CN 113610731 B CN113610731 B CN 113610731B CN 202110903430 A CN202110903430 A CN 202110903430A CN 113610731 B CN113610731 B CN 113610731B
Authority
CN
China
Prior art keywords
image
frame image
network
input
training
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.)
Active
Application number
CN202110903430.4A
Other languages
English (en)
Other versions
CN113610731A (zh
Inventor
袁苇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110903430.4A priority Critical patent/CN113610731B/zh
Publication of CN113610731A publication Critical patent/CN113610731A/zh
Application granted granted Critical
Publication of CN113610731B publication Critical patent/CN113610731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20024—Filtering details
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了用于生成画质提升模型的方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于图像处理场景下。具体实现方案为：获取训练样本集，训练样本集中的训练样本包括样本帧图像和标签帧图像；利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，第一滤波图像由初始增强网络输出的图像经过低通滤波得到；根据去噪网络和增强网络，得到画质提升模型。本公开提高了画质提升模型的画质提升效果。

Description

用于生成画质提升模型的方法、装置及计算机程序产品
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及用于生成画质提升模型的方法、装置、电子设备、存储介质以及计算机程序产品，可用于图像处理场景下。
背景技术
近几年，直播行业发展迅速。除了观看量和用户数飞速增长，各个细分领域也在不断渗透。由于网络带宽和存储硬件容量限制，直播视频被采集后都会经过硬件或软件编码进行压缩，这样会带来视频画质下降的问题；同时，不同的视频采集设备也会带来源视频画质参差不齐的问题。因此，提升直播视频的画质是直播行业发展的一个基本而核心的需求。
发明内容
本公开提供了一种用于生成画质提升模型的方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面，提供了一种用于生成画质提升模型的方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括样本帧图像和标签帧图像；利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，其中，第一滤波图像由初始增强网络输出的图像经过低通滤波得到；根据去噪网络和增强网络，得到画质提升模型。
根据第二方面，提供了一种用于提升图像画质的方法，包括：获取待处理图像；将待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像，其中，画质提升模型通过第一方面任一实现方式训练得到。
根据第三方面，提供了一种用于生成画质提升模型的装置，包括：第一获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本帧图像和标签帧图像；第一训练单元，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；第二训练单元，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，其中，第一滤波图像由初始增强网络输出的图像经过低通滤波得到；得到单元，被配置成根据去噪网络和增强网络，得到画质提升模型。
根据第四方面，提供了一种用于提升图像画质的装置，包括：第二获取单元，被配置成获取待处理图像；画质提升单元，被配置成将待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像，其中，画质提升模型通过第一方面任一实现方式训练得到。
根据第五方面，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、第二方面任一实现方式描述的方法。
根据第六方面，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、第二方面任一实现方式描述的方法。
根据第七方面，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、第二方面任一实现方式描述的方法。
根据本公开的技术，基于训练样本集中的训练样本单独训练去噪模型和增强模型，解耦了画质提升问题中的去除噪声和增强高频细节信息两个重要子问题，提高了画质提升模型的画质提升效果；并且，在训练增强网络时，将初始增强网络输出的图像经过低通滤波得到第一滤波图像，第一滤波图像以所输入的样本帧图像对应的标签帧图像为期望图像，使得增强网络得到的图像中的高频细节信息多于标签帧图像中的高频细节信息，进一步提高了画质提升模型的画质提升效果。
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是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于生成画质提升模型的方法的一个实施例的流程图；
图3是根据本实施例的用于生成画质提升模型的方法的应用场景的示意图；
图4是根据本公开的用于生成画质提升模型的方法的又一个实施例的流程图；
图5是根据本公开的用于提升图像画质的方法的一个实施例的结构示意图；
图6是根据本公开的用于生成画质提升模型的装置的一个实施例的结构图；
图7是根据本公开的用于提升图像画质的装置的一个实施例的结构图；
图8是适于用来实现本公开实施例的计算机系统的结构示意图。
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。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的用于生成画质提升模型的方法及装置、用于提升图像画质的方法及装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于车载智能设备、监控设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其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。
服务器105可以是提供各种服务的服务器，例如接收用户通过终端设备101、102、103发送的训练请求，单独训练去噪模型和增强模型，以得到画质提升模型的后台服务器。在得到预训练的画质提升模型后，服务器还可以接收用户通过终端设备发送的待处理图像，进行画质提升，得到画质提升图像。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的用于生成画质提升模型的方法、用于提升图像画质的方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，用于生成画质提升模型的装置、用于提升图像画质的装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。当用于生成画质提升模型的方法、用于提升图像画质的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成画质提升模型的方法、用于提升图像画质的方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2，图2为本公开实施例提供的一种用于生成画质提升模型的方法的流程图，其中，流程200包括以下步骤：
步骤201，获取训练样本集。
本实施例中，用于生成画质提升模型的方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取训练样本集。其中，训练样本集中的训练样本包括样本帧图像和标签帧图像。
同一训练样本中的样本帧图像和标签帧图像所表征的内容相同。两者的不同之处在于，相比于样本帧图像，标签帧图像中不包括噪声，或所包括的噪声少于样本帧图像中的噪声；并且，标签帧图像中包括丰富的高频细节信息(例如纹理信息)，样本帧图像中包括的高频细节信息较少。
作为示例，上述执行主体可以基于网络图片或视频进行图像采集，得到样本帧图像；并采用人工方式、计算机处理方式对样本帧图像进行处理，降低样本帧图像中的噪声，增强样本帧图像中的高频细节信息，得到标签帧图像，从而得到训练样本集。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：
第一，从无损编码的视频中采样得到无损图像集。
作为示例，上述执行主体可以基于预设时间间隔或预设帧数间隔从无损编码的视频采集图像帧，得到无损图像集。其中，视频可以是各种类型的、包括任意内容的视频，包括但不限于是电影、电视剧、直播视频、短视频。
第二，基于预设压缩比压缩视频，得到压缩视频。
本实现方式中，预设压缩比可以根据实际情况灵活设置，在此不做限定。相比于无损编码的视频，压缩视频中的视频帧的图像质量较低。
第三，从压缩视频中采样得到压缩图像集。其中，压缩图像集中的压缩图像与无损图像集中的无损图像一一对应。
作为示例，上述执行主体可以采用与得到无损图像集相同的采集方式从压缩视频中采样得到压缩图像集。压缩图像集中的压缩图像与无损图像集中的无损图像一一对应，表征相对应的压缩图像和无损图像中表征的内容相同。
第四，将压缩图像集与无损图像集中一一对应的图像组成图像对，并筛选出峰值信噪比低于预设阈值的图像对。
本实现方式中，峰值信噪比(PSNR，Peak Signal to Noise Ratio)是一种评价图像质量的客观标准。预设阈值可以根据实际情况灵活设置，在此不做限定。
第五，以筛选出的图像对中的无损图像为标签帧图像，以压缩图像为样本帧图像，得到训练样本集。
本实现方式中，提供了一种基于视频图像采集得到训练样本集的具体方式，提高了训练样本集的获取效率和训练样本的质量。
步骤202，利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络。
本实施例中，上述执行主体可以利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络。
去噪网络可以采用各种神经网络模型，包括但不限于是卷积神经网络、循环神经网络、残差网络等网络模型。
作为示例，上述执行主体可以从训练样本集中选取未进行训练的训练样本，以所选取的训练样本中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像；对于标签帧图像和去噪图像，基于预设损失函数计算表征标签帧图像和去噪图像之间的差异性的损失值，进而基于损失值计算梯度，利用梯度下降法、随机梯度下降法等方法更新初始去噪网络。上述执行主体可以循环执行上述训练操作，直至达到预设结束条件，得到训练后的去噪网络。
其中，预设结束条件例如可以是训练时间超过预设时间阈值，训练次数超过预设次数阈值，损失值趋于收敛。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
执行如下第一训练操作，直至得到去噪网络：
第一，以训练样本集中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像。
第二，根据所输入的样本帧图像对应的标签帧图像和去噪图像，得到表征所输入的样本帧图像对应的标签帧图像和去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失。
第三，根据第一损失和第二损失，更新初始去噪网络。
作为示例，上述执行主体可以通过如下公式计算第一损失和第二损失：
ld＝CB(b,d)+a*SSIM(b,d)
其中，ld表征第一损失和第二损失的总损失；CB()表征第一损失，具体为Charbonnier-LOSS；b、d分别表征相对应的标签帧图像和去噪图像；a表征权重系数，可以为0.02；SSIM()表征第二损失，具体为SSIM-LOSS。
其中，Charbonnier-LOSS通过如下公式表征：
其中，I分别表征进行损失计算的两个图像，H、W、C分别表征图像的高、宽、通道数，i、j、k依次表征对应于高、宽、通道数的自变量，∈表示正则项。
SSIM-LOSS可以通过如下公式表征：
其中，表征图像/>的均值，uI表征图像I的均值，/>表征图像/>的方差，σI 2表征图像I的方差，/>表征图像/>I的协方差，c1＝(k1L)2，c2＝(k2L)2，是用于维持稳定的常数，L为像素值的动态范围，k1＝0.01，k2＝0.03。
上述执行主体可以循环执行上述第一训练操作，直至达到预设结束条件，得到训练后的去噪网络。
本实现方式中，在去噪网络的训练过程中，上述执行主体计算标签帧图像和去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失，并以此更新去噪网络，使得去噪网络学习到标签帧图像中更多的信息，提高了去噪网络的学习能力，以及训练后的去噪网络的图像处理能力。
步骤203，利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络。
本实施例中，上述执行主体可以利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络。其中，第一滤波图像由初始增强网络输出的图像经过低通滤波得到。
增强网络可以采用与去噪网络相同或不同的网络模型，包括但不限于是卷积神经网络、循环神经网络、残差网络等网络模型。
作为示例，上述执行主体可以从训练样本集中选取未进行训练的训练样本，以所选取的训练样本中的样本帧图像为初始增强网络的输入，并对初始增强网络输出的图像进行低通滤波(例如高斯滤波)，过滤掉输出的图像中的高频细节信息，得到滤波图像；对于标签帧图像和滤波图像，基于预设损失函数计算表征标签帧图像和滤波图像之间的差异性的损失值，进而基于损失值计算梯度，利用梯度下降法、随机梯度下降法等方法更新初始增强网络。上述执行主体可以循环执行上述训练操作，直至达到预设结束条件，得到训练后的增强网络。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：
执行如下第二训练操作，直至得到增强网络：
第一，以训练样本集中的样本帧图像为初始增强网络的输入，得到第一输出图像。
第二，对第一输出图像进行低通滤波，得到第一滤波图像。
通过低通滤波，滤除掉第一输出图像中的高频细节信息，得到第一滤波图像。具体的，上述执行主体可以基于随机给定的标准差对第一输出图像进行高斯滤波。
第三，根据所输入的样本帧图像对应的标签帧图像和第一滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失。
本实现方式中，第三损失可以参照第一损失的计算方式求取，第四损失可以参照第二损失的计算方式求取，在此不再赘述。
第四，根据第三损失和第四损失，更新初始增强网络。
上述执行主体可以循环执行上述第二训练操作，直至达到预设结束条件，得到训练后的增强网络。
本实现方式中，在增强网络的训练过程中，上述执行主体计算标签帧图像和第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失，并以此更新增强网络，使得增强网络学习到标签帧图像中更多的信息，提高了增强网络的学习能力，以及训练后的增强网络的图像处理能力。并且，可以理解，在训练增强网络时，初始增强网络输出的图像经过低通滤波得到的第一滤波图像以所输入的样本帧图像对应的标签帧图像为期望图像，使得增强网络得到的图像中的高频细节信息多于标签帧图像中的高频细节信息，进一步提高了画质提升模型的画质提升效果。
步骤204，根据去噪网络和增强网络，得到画质提升模型。
本实施例中，上述执行主体可以根据去噪网络和增强网络，得到画质提升模型。
作为示例，上述执行主体直接组合训练后的去噪网络和增强网络，得到画质提升模型。在画质提升模型中，去噪网络对待处理图像进行处理，并将去噪网络输出的图像输入增强网络，得到增强网络的输出图像。
在本实施例的一些可选的实现方式中，为了进一步提高画质提升模型的处理能力，上述执行主体可以对组合后的去噪网络和增强网络进行进一步更新。具体的，上述执行主体可以通过如下方式执行上述步骤204：
第一，利用机器学习方法，以样本帧图像为去噪网络的输入，将去噪网络输出的图像作为增强网络的输入，以所输入的样本帧图像对应的标签帧图像为第二滤波图像的期望图像，更新去噪网络和增强网络。
其中，第二滤波图像由增强网络输出的图像经过低通滤波得到。
第二，组合更新后的去噪网络和增强网络，得到画质提升模型。
对于更新后的去噪网络和增强网络，上述执行主体可以串联更新后的去噪网络和增强网络，得到画质提升模型。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：
执行如下更新操作：
首先，以训练样本集中的样本帧图像为去噪网络的输入，将去噪网络输出的图像作为增强网络的输入，得到第二输出图像。
然后，对第二输出图像进行低通滤波，得到第二滤波图像。
然后，根据所输入的样本帧图像对应的标签帧图像和第二滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失。
最后，根据第五损失和第六损失，更新去噪网络和增强网络。
其中，低通滤波过程可以参照增强网络的训练过程中的低通滤波，第五损失可以参照第一损失的计算方式求取，第六损失可以参照第二损失的计算方式求取，在此不再赘述。
本实现例中，在画质提升模型的更新过程中，上述执行主体计算标签帧图像和第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失，并以此更新画质提升模型，使得画质提升模型中的去噪网络和增强网络之间更加适配，并进一步提高了画质提升模型的图像处理能力。
继续参见图3，图3是根据本实施例的用于生成画质提升模型的方法的应用场景的一个示意图300。在图3的应用场景中，服务器首先获取训练样本集301。其中，训练样本集中的训练样本包括样本帧图像和标签帧图像。在获取训练样本集301之后，服务器利用机器学习方法，以样本帧图像为初始去噪模型302的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络303。然后，利用机器学习方法，以样本帧图像为初始增强网络304的输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络305。其中，第一滤波图像由初始增强网络输出的图像经过低通滤波得到。最后，根据去噪网络302和增强网络305，得到画质提升模型。
本实施例中，基于训练样本集中的训练样本单独训练去噪模型和增强模型，解耦了画质提升问题中的去除噪声和增强高频细节信息两个重要子问题，提高了画质提升模型的画质提升效果；并且，在训练增强网络时，将初始增强网络输出的图像经过低通滤波得到第一滤波图像，第一滤波图像以所输入的样本帧图像对应的标签帧图像为期望图像，使得增强网络得到的图像中的高频细节信息多于标签帧图像中的高频细节信息，进一步提高了画质提升模型的画质提升效果。
继续参考图4，示出了根据本公开的方法的一个用于生成画质提升模型的方法实施例的示意性流程400，包括以下步骤：
步骤401，获取训练样本集。
其中，训练样本集中的训练样本包括样本帧图像和标签帧图像。
步骤402，执行如下第一训练操作，直至得到去噪网络：
步骤4021，以训练样本集中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像。
步骤4022，根据所输入的样本帧图像对应的标签帧图像和去噪图像，得到表征所输入的样本帧图像对应的标签帧图像和去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失。
步骤4023，根据第一损失和第二损失，更新初始去噪网络。
步骤403，执行如下第二训练操作，直至得到增强网络：
步骤4031，以训练样本集中的样本帧图像为初始增强网络的输入，得到第一输出图像。
步骤4032，对第一输出图像进行低通滤波，得到第一滤波图像。
步骤4033，根据所输入的样本帧图像对应的标签帧图像和第一滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失。
步骤4034，根据第三损失和第四损失，更新初始增强网络。
步骤404，执行如下更新操作：
步骤4041，以训练样本集中的样本帧图像为去噪网络的输入，将去噪网络输出的图像作为增强网络的输入，得到第二输出图像。
步骤4042，对第二输出图像进行低通滤波，得到第二滤波图像。
步骤4043，根据所输入的样本帧图像对应的标签帧图像和第二滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失。
步骤4044，根据第五损失和第六损失，更新去噪网络和增强网络。
步骤405，组合更新后的去噪网络和增强网络，得到画质提升模型。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的用于生成画质提升模型的方法的流程400具体说明了去噪网络的训练过程，增强网络的训练过程，以及画质提升模型的更新过程，进一步提高了画质提升模型对于图像的画质提升效果。
请参考图5，图5为本公开实施例提供的一种用于提升图像画质的方法的流程图，其中，流程500包括以下步骤：
步骤501，获取待处理图像。
本实施例中，用于提升图像画质的方法的执行主体(例如图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取待处理图像。
其中，待处理图像可以是任意图像。作为示例，待处理图像为直播视频中的每帧图像。
步骤502，将待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像。
本实施例中，上述执行主体可以将待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像。
具体的，预训练的画质提升模型中的去噪网络首先处理待处理图像中的噪声信息，得到去噪图像；增强网络改善去噪图像中的纹理等高频细节信息，得到提升画质后的画质提升图像。
其中，画质提升模型基于上述实施例200、400所示的训练方法得到。
本实现例中，通过画质提升模型可以提升待处理图像的图像画质。
继续参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于生成画质提升模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，用于生成画质提升模型的装置包括：第一获取单元601，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本帧图像和标签帧图像；第一训练单元602，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；第二训练单元603，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，其中，第一滤波图像由初始增强网络输出的图像经过低通滤波得到；得到单元604，被配置成根据去噪网络和增强网络，得到画质提升模型。
在本实施例的一些可选的实现方式中，得到单元604，进一步被配置成：利用机器学习方法，以样本帧图像为去噪网络的输入，将去噪网络输出的图像作为增强网络的输入，以所输入的样本帧图像对应的标签帧图像为第二滤波图像的期望图像，更新去噪网络和增强网络，其中，第二滤波图像由增强网络输出的图像经过低通滤波得到；组合更新后的去噪网络和增强网络，得到画质提升模型。
在本实施例的一些可选的实现方式中，第一训练单元602，进一步被配置成：执行如下第一训练操作，直至得到去噪网络：以训练样本集中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像；根据所输入的样本帧图像对应的标签帧图像和去噪图像，得到表征所输入的样本帧图像对应的标签帧图像和去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失；根据第一损失和第二损失，更新初始去噪网络。
在本实施例的一些可选的实现方式中，第二训练单元603，进一步被配置成：执行如下第二训练操作，直至得到增强网络：以训练样本集中的样本帧图像为初始增强网络的输入，得到第一输出图像；对第一输出图像进行低通滤波，得到第一滤波图像；根据所输入的样本帧图像对应的标签帧图像和第一滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失；根据第三损失和第四损失，更新初始增强网络。
在本实施例的一些可选的实现方式中，得到单元604，进一步被配置成：执行如下更新操作：以训练样本集中的样本帧图像为去噪网络的输入，将去噪网络输出的图像作为增强网络的输入，得到第二输出图像；对第二输出图像进行低通滤波，得到第二滤波图像；根据所输入的样本帧图像对应的标签帧图像和第二滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失；根据第五损失和第六损失，更新去噪网络和增强网络。
在本实施例的一些可选的实现方式中，其中，第一获取单元601，进一步被配置成：从无损编码的视频中采样得到无损图像集；基于预设压缩比压缩视频，得到压缩视频；从压缩视频中采样得到压缩图像集，其中，压缩图像集中的压缩图像与无损图像集中的无损图像一一对应；将压缩图像集与无损图像集中一一对应的图像组成图像对，并筛选出峰值信噪比低于预设阈值的图像对；以筛选出的图像对中的无损图像为标签帧图像，以压缩图像为样本帧图像，得到训练样本集。
本实施例中，基于训练样本集中的训练样本单独训练去噪模型和增强模型，解耦了画质提升问题中的去除噪声和增强高频细节信息两个重要子问题，提高了画质提升模型的画质提升效果；并且，在训练增强网络时，将初始增强网络输出的图像经过低通滤波得到第一滤波图像，第一滤波图像以所输入的样本帧图像对应的标签帧图像为期望图像，使得增强网络得到的图像中的高频细节信息多于标签帧图像中的高频细节信息，进一步提高了画质提升模型的画质提升效果。
继续参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于提升图像画质的装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，用于生成画质提升模型的装置包括：第二获取单元701，被配置成获取待处理图像；画质提升单元702，被配置成将待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像。其中，画质提升模型通过实施例200、400训练得到。
本实施例中，通过画质提升模型可以提升待处理图像的图像画质。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的用于生成画质提升模型的方法、用于提升图像画质的方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的用于生成画质提升模型的方法、用于提升图像画质的方法。
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的用于生成画质提升模型的方法、用于提升图像画质的方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元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。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如用于生成画质提升模型的方法、用于提升图像画质的方法。例如，在一些实施例中，用于生成画质提升模型的方法、用于提升图像画质的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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于生成画质提升模型的方法、用于提升图像画质的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于生成画质提升模型的方法、用于提升图像画质的方法。
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。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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；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。
根据本公开实施例的技术方案，基于训练样本集中的训练样本单独训练去噪模型和增强模型，解耦了画质提升问题中的去除噪声和增强高频细节信息两个重要子问题，提高了画质提升模型的画质提升效果；并且，在训练增强网络时，将初始增强网络输出的图像经过低通滤波得到第一滤波图像，第一滤波图像以所输入的样本帧图像对应的标签帧图像为期望图像，使得增强网络得到的图像中的高频细节信息多于标签帧图像中的高频细节信息，进一步提高了画质提升模型的画质提升效果。
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提供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 (14)

1.一种用于生成画质提升模型的方法，包括：
获取训练样本集，其中，所述训练样本集中的训练样本包括样本帧图像和标签帧图像；
利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；
利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，其中，所述第一滤波图像由初始增强网络输出的图像经过低通滤波得到；
根据所述去噪网络和所述增强网络，得到所述画质提升模型，包括：
利用机器学习方法，以样本帧图像为所述去噪网络的输入，将所述去噪网络输出的图像作为所述增强网络的输入，以所输入的样本帧图像对应的标签帧图像为第二滤波图像的期望图像，根据表征所输入的样本帧图像对应的标签帧图像和所述第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失，更新所述去噪网络和所述增强网络，其中，所述第二滤波图像由所述增强网络输出的图像经过低通滤波得到；组合更新后的所述去噪网络和所述增强网络，得到所述画质提升模型。
2.根据权利要求1所述的方法，其中，所述利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络，包括：
执行如下第一训练操作，直至得到所述去噪网络：
以所述训练样本集中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像；
根据所输入的样本帧图像对应的标签帧图像和所述去噪图像，得到表征所输入的样本帧图像对应的标签帧图像和所述去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失；
根据所述第一损失和所述第二损失，更新所述初始去噪网络。
3.根据权利要求1所述的方法，其中，所述利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，包括：
执行如下第二训练操作，直至得到所述增强网络：
以所述训练样本集中的样本帧图像为初始增强网络的输入，得到第一输出图像；
对所述第一输出图像进行低通滤波，得到第一滤波图像；
根据所输入的样本帧图像对应的标签帧图像和所述第一滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和所述第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失；
根据所述第三损失和所述第四损失，更新所述初始增强网络。
4.根据权利要求1所述的方法，其中，所述利用机器学习方法，以样本帧图像为所述去噪网络的输入，将所述去噪网络输出的图像作为所述增强网络的输入，以所输入的样本帧图像对应的标签帧图像为第二滤波图像的期望图像，更新所述去噪网络和所述增强网络，包括：
执行如下更新操作：
以所述训练样本集中的样本帧图像为所述去噪网络的输入，将所述去噪网络输出的图像作为所述增强网络的输入，得到第二输出图像；
对所述第二输出图像进行低通滤波，得到第二滤波图像；
根据所输入的样本帧图像对应的标签帧图像和所述第二滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和所述第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失；
根据所述第五损失和所述第六损失，更新所述去噪网络和所述增强网络。
5.根据权利要求1-4中任一项所述的方法，其中，所述获取训练样本集，包括：
从无损编码的视频中采样得到无损图像集；
基于预设压缩比压缩所述视频，得到压缩视频；
从所述压缩视频中采样得到压缩图像集，其中，所述压缩图像集中的压缩图像与所述无损图像集中的无损图像一一对应；
将所述压缩图像集与所述无损图像集中一一对应的图像组成图像对，并筛选出峰值信噪比低于预设阈值的图像对；
以筛选出的图像对中的无损图像为标签帧图像，以压缩图像为样本帧图像，得到所述训练样本集。
6.一种用于提升图像画质的方法，包括：
获取待处理图像；
将所述待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像，其中，所述画质提升模型通过权利要求1-5中任一项训练得到。
7.一种用于生成画质提升模型的装置，包括：
第一获取单元，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括样本帧图像和标签帧图像；
第一训练单元，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为期望输出，训练得到去噪网络；
第二训练单元，被配置成利用机器学习方法，以样本帧图像为输入，以所输入的样本帧图像对应的标签帧图像为第一滤波图像的期望图像，训练得到增强网络，其中，所述第一滤波图像由初始增强网络输出的图像经过低通滤波得到；
得到单元，被配置成根据所述去噪网络和所述增强网络，得到所述画质提升模型，包括：
利用机器学习方法，以样本帧图像为所述去噪网络的输入，将所述去噪网络输出的图像作为所述增强网络的输入，以所输入的样本帧图像对应的标签帧图像为第二滤波图像的期望图像，根据表征所输入的样本帧图像对应的标签帧图像和所述第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失，更新所述去噪网络和所述增强网络，其中，所述第二滤波图像由所述增强网络输出的图像经过低通滤波得到；组合更新后的所述去噪网络和所述增强网络，得到所述画质提升模型。
8.根据权利要求7所述的装置，其中，所述第一训练单元，进一步被配置成：
执行如下第一训练操作，直至得到所述去噪网络：
以所述训练样本集中的样本帧图像为初始去噪网络的输入，以所输入的样本帧图像对应的标签帧图像为期望输出，得到去噪图像；根据所输入的样本帧图像对应的标签帧图像和所述去噪图像，得到表征所输入的样本帧图像对应的标签帧图像和所述去噪图像之间的像素级差异的第一损失，以及结构差异的第二损失；根据所述第一损失和所述第二损失，更新所述初始去噪网络。
9.根据权利要求7所述的装置，其中，所述第二训练单元，进一步被配置成：
执行如下第二训练操作，直至得到所述增强网络：
以所述训练样本集中的样本帧图像为初始增强网络的输入，得到第一输出图像；对所述第一输出图像进行低通滤波，得到第一滤波图像；根据所输入的样本帧图像对应的标签帧图像和所述第一滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和所述第一滤波图像之间的像素级差异的第三损失，以及结构差异的第四损失；根据所述第三损失和所述第四损失，更新所述初始增强网络。
10.根据权利要求7所述的装置，其中，所述得到单元，进一步被配置成：
执行如下更新操作：
以所述训练样本集中的样本帧图像为所述去噪网络的输入，将所述去噪网络输出的图像作为所述增强网络的输入，得到第二输出图像；对所述第二输出图像进行低通滤波，得到第二滤波图像；根据所输入的样本帧图像对应的标签帧图像和所述第二滤波图像，得到表征所输入的样本帧图像对应的标签帧图像和所述第二滤波图像之间的像素级差异的第五损失，以及结构差异的第六损失；根据所述第五损失和所述第六损失，更新所述去噪网络和所述增强网络。
11.根据权利要求7-10中任一项所述的装置，其中，所述第一获取单元，进一步被配置成：
从无损编码的视频中采样得到无损图像集；基于预设压缩比压缩所述视频，得到压缩视频；从所述压缩视频中采样得到压缩图像集，其中，所述压缩图像集中的压缩图像与所述无损图像集中的无损图像一一对应；将所述压缩图像集与所述无损图像集中一一对应的图像组成图像对，并筛选出峰值信噪比低于预设阈值的图像对；以筛选出的图像对中的无损图像为标签帧图像，以压缩图像为样本帧图像，得到所述训练样本集。
12.一种用于提升图像画质的装置，包括：
第二获取单元，被配置成获取待处理图像；
画质提升单元，被配置成将所述待处理图像输入预训练的画质提升模型，得到提升画质后的画质提升图像，其中，所述画质提升模型通过权利要求1-5中任一项训练得到。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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所述计算机执行权利要求1-6中任一项所述的方法。
CN202110903430.4A 2021-08-06 2021-08-06 用于生成画质提升模型的方法、装置及计算机程序产品 Active CN113610731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110903430.4A CN113610731B (zh) 2021-08-06 2021-08-06 用于生成画质提升模型的方法、装置及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110903430.4A CN113610731B (zh) 2021-08-06 2021-08-06 用于生成画质提升模型的方法、装置及计算机程序产品

Publications (2)

Publication Number Publication Date
CN113610731A CN113610731A (zh) 2021-11-05
CN113610731B true CN113610731B (zh) 2023-08-08

Family

ID=78339748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110903430.4A Active CN113610731B (zh) 2021-08-06 2021-08-06 用于生成画质提升模型的方法、装置及计算机程序产品

Country Status (1)

Country Link
CN (1) CN113610731B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780252B (zh) * 2021-11-11 2022-02-18 深圳思谋信息科技有限公司 视频处理模型的训练方法、视频处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737750A (zh) * 2018-06-07 2018-11-02 北京旷视科技有限公司 图像处理方法、装置及电子设备
CN109816589A (zh) * 2019-01-30 2019-05-28 北京字节跳动网络技术有限公司 用于生成漫画风格转换模型的方法和装置
CN110288547A (zh) * 2019-06-27 2019-09-27 北京字节跳动网络技术有限公司 用于生成图像去噪模型的方法和装置
CN111898701A (zh) * 2020-08-13 2020-11-06 网易（杭州）网络有限公司 模型训练、帧图像生成、插帧方法、装置、设备及介质
CN112541878A (zh) * 2020-12-24 2021-03-23 北京百度网讯科技有限公司 建立图像增强模型与图像增强的方法、装置
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11024009B2 (en) * 2016-09-15 2021-06-01 Twitter, Inc. Super resolution using a generative adversarial network
CN110428378B (zh) * 2019-07-26 2022-02-08 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737750A (zh) * 2018-06-07 2018-11-02 北京旷视科技有限公司 图像处理方法、装置及电子设备
CN109816589A (zh) * 2019-01-30 2019-05-28 北京字节跳动网络技术有限公司 用于生成漫画风格转换模型的方法和装置
CN110288547A (zh) * 2019-06-27 2019-09-27 北京字节跳动网络技术有限公司 用于生成图像去噪模型的方法和装置
CN111898701A (zh) * 2020-08-13 2020-11-06 网易（杭州）网络有限公司 模型训练、帧图像生成、插帧方法、装置、设备及介质
CN112541878A (zh) * 2020-12-24 2021-03-23 北京百度网讯科技有限公司 建立图像增强模型与图像增强的方法、装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕晓琪 ; 吴凉 ; 谷宇 ; 张明 ; 李菁 ; .基于深度卷积神经网络的低剂量CT肺部去噪.电子与信息学报.2018,(06),87-93. *

Also Published As

Publication number Publication date
CN113610731A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111507914B (zh) 人脸修复模型的训练方法、修复方法、装置、设备和介质
CN112929695B (zh) 视频去重方法、装置、电子设备和存储介质
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
CN111445424B (zh) 图像处理和移动终端视频处理方法、装置、设备和介质
CN114360074A (zh) 检测模型的训练方法、活体检测方法、装置、设备和介质
CN113610731B (zh) 用于生成画质提升模型的方法、装置及计算机程序产品
CN113596442A (zh) 视频处理方法、装置、电子设备及存储介质
CN103985102A (zh) 一种图像处理方法及系统
CN114445663A (zh) 检测对抗样本的方法、装置及计算机程序产品
CN113205495B (zh) 图像质量评价及模型训练方法、装置、设备和存储介质
CN114268792A (zh) 视频转码方案的确定方法及装置和视频转码方法及装置
EP3362945A1 (en) Method and device for clustering patches of a degraded version of an image
CN113012073A (zh) 视频质量提升模型的训练方法和装置
CN112399069B (zh) 图像编码方法及装置、存储介质、电子设备
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN114782249A (zh) 一种图像的超分辨率重建方法、装置、设备以及存储介质
CN113628192B (zh) 图像模糊检测方法、装置、设备、存储介质及程序产品
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN114845099A (zh) 一种自动调试屏幕画质的方法和装置
CN116264606A (zh) 用于处理视频的方法、设备和计算机程序产品
CN113379750A (zh) 语义分割模型的半监督学习方法、相关装置及产品
CN116260973B (zh) 一种时域滤波方法、装置、电子设备及存储介质
CN117014602A (zh) 参考帧筛选模型的训练方法、装置及计算机程序产品
CN113099231B (zh) 确定亚像素插值位置的方法、装置、电子设备和存储介质
CN113781356B (zh) 图像去噪模型的训练方法、图像去噪方法、装置及设备

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