CN113658038A - 基于空间误差自适应的网络训练方法及装置 - Google Patents
基于空间误差自适应的网络训练方法及装置 Download PDFInfo
- Publication number
- CN113658038A CN113658038A CN202110990490.4A CN202110990490A CN113658038A CN 113658038 A CN113658038 A CN 113658038A CN 202110990490 A CN202110990490 A CN 202110990490A CN 113658038 A CN113658038 A CN 113658038A
- Authority
- CN
- China
- Prior art keywords
- image
- residual
- weight
- pixel point
- value
- 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
- 238000012549 training Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012545 processing Methods 0.000 claims description 33
- 230000006978 adaptation Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 35
- 230000000007 visual effect Effects 0.000 abstract description 10
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004880 explosion Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种基于空间误差自适应的网络训练方法及装置。所述方法包括:将样本图像输入图像重建网络,生成重建图像;根据重建图像和参考图像,获得残差图;根据残差图,确定各像素点的权重;根据各像素点的残差值以及权重,训练图像重建网络。根据本公开的实施例的基于空间误差自适应的网络训练方法,可针对重建图像和参考图像之间的残差图,为各像素点赋予权重,并基于各像素点的权重进行训练,使误差较大的像素点在训练过程中的权重较高,提升误差较大的像素点的训练力度,有效地减小误差较大的像素点的误差,可提升图像的视觉效果和质量。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种基于空间误差自适应的网络训练方法及装置、电子设备和存储介质。
背景技术
在深度学习领域,常利用卷积神经网络对图像进行重建,在图像重建过程中,图像的分辨率、图像风格转换、图像合成等因素均具有重要作用,例如,在进行图像重建时,输入一张低分辨率图像,神经网络经过特征提取获得图像的特征,并在特征空间进行操作,例如,进行图像的尺寸提升。最后输出对应尺寸的高分辨率图片。
其中,在上述神经网络训练过程中,为了优化神经网络的参数,可确定输入图像与输出图像之间的损失函数。在训练过程中,输入图像与输出图像之间的误差是不均衡的,随着训练过程的进行,各像素点的误差逐渐向0偏移(即,误差逐渐减小),且大部分像素点的误差集中于较小的区间内,但是,仍然存在一些误差较大的像素点,且这些像素点可能由于误差较大,导致图像的整体质量不佳。
在训练过程中,各像素点的权重是一致的,且误差小的像素点的占比较大,即,训练过程对于每个像素点是均衡的。因此,训练过程对于这些本就误差较小的像素点的训练更加充分,而对于误差较大的像素点的训练力度不足。并且,由于误差较小的像素点占比较高,导致误差函数整体较小,因此,在参数调节过程中,对参数的调节力度较小,导致误差较大的像素点的训练力度不足。而这些像素点由于误差较大,人眼对于这些像素点是比较敏感的,因此,由于训练力度不足,这些像素点的误差难以有效地减小,导致图像的视觉效果不佳。
发明内容
本公开提出了基于空间误差自适应的网络训练方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种基于空间误差自适应的网络训练方法,包括:将样本图像输入图像重建网络,生成重建图像;根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:根据所述残差图中目标像素点的残差值所属的第一范围,将所述目标像素点的权重确定为与所述第一范围对应的第一权重,其中,所述残差值的值域被划分为多个范围,每个范围均具有对应的权重。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:根据所述残差图中目标像素点的残差值,以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重,包括:根据所述残差图中各像素点的残差值,确定多个残差值的中位数;根据所述目标像素点的残差值、所述中位数以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述目标像素点的权重,还包括:在所述目标像素点的权重大于或等于权重阈值的情况下,将所述目标像素点的权重确定为所述权重阈值。
在一种可能的实现方式中,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,还包括:在所述目标像素点的残差值为0的情况下,将所述目标像素点的权重确定为1。
根据本公开的一方面,提供了一种图像重建方法,包括:通过图像重建网络对待处理图像进行处理,获得目标图像,其中,所述图像重建网络是根据所述基于空间误差自适应的网络训练方法训练得到的,所述目标图像与所述待处理图像的内容相同,且所述目标图像与所述待处理图像的分辨率和图像风格中的至少一种不同。
根据本公开的一方面,提供了一种基于空间误差自适应的网络训练装置,所述装置包括:重建模块,用于将样本图像输入图像重建网络,生成重建图像;残差模块,用于根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;权重模块,用于根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;训练模块,用于根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中目标像素点的残差值所属的第一范围,将所述目标像素点的权重确定为与所述第一范围对应的第一权重,其中,所述残差值的值域被划分为多个范围,每个范围均具有对应的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中目标像素点的残差值,以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中各像素点的残差值,确定多个残差值的中位数;根据所述目标像素点的残差值、所述中位数以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:在所述目标像素点的权重大于或等于权重阈值的情况下,将所述目标像素点的权重确定为所述权重阈值。
在一种可能的实现方式中,所述权重模块进一步用于:在所述目标像素点的残差值为0的情况下,将所述目标像素点的权重确定为1。
根据本公开的一方面,提供了一种图像重建装置,包括:处理模块,用于通过图像重建网络对待处理图像进行处理,获得目标图像,其中,所述图像重建网络是根据所述基于空间误差自适应的网络训练装置训练得到的,所述目标图像与所述待处理图像的内容相同,且所述目标图像与所述待处理图像的分辨率和图像风格中的至少一种不同。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的基于空间误差自适应的网络训练方法的流程图;
图2示出根据本公开的实施例的误差分布直方图;
图3示出根据本公开的实施例的误差分布直方图;
图4示出根据本公开的实施例的误差分布直方图;
图5A、图5B、图5C、图5D及图5E示出根据本公开的实施例的基于空间误差自适应的网络训练方法的应用示意图;
图6示出根据本公开的实施例的基于空间误差自适应的网络训练装置的框图;
图7示出根据本公开实施例的一种电子设备的框图;
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的基于空间误差自适应的网络训练方法的流程图,如图1所示,所述方法包括:
在步骤S11中,将样本图像输入图像重建网络,生成重建图像;
在步骤S12中,根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;
在步骤S13中,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;
在步骤S14中,根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
根据本公开的实施例的基于空间误差自适应的网络训练方法,可针对重建图像和参考图像之间的残差图,为各像素点赋予权重,并基于各像素点的权重进行训练,使误差较大的像素点在训练过程中的权重较高,提升误差较大的像素点的训练力度,有效地减小误差较大的像素点的误差,有助于提升图像的视觉效果和质量。
在一种可能的实现方式中,所述基于空间误差自适应的网络训练方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该基于空间误差自适应的网络训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该方法。
在一种可能的实现方式中,在图像重建过程中,可使用图像重建网络进行重建,可将待处理图像输入图像重建网络,经过图像重建网络的处理后,可输出分辨率和/或图像风格与输入的待处理图像不同,且包含的内容与待处理图像相同的重建图像。即,图像重建网络在保留待处理图像中的内容的同时,提升了图像分辨率,或改变了图像的风格。例如,重建图像的分辨率高于待处理图像,或者,待处理图像为白天拍摄的某个景物的图像,重建图像为该景物在夜晚的图像,或者,待处理图像为雨天拍摄的某个景物的图像,重建图像为该景物在晴天的图像,或者,待处理图像为某个景物的暗色调的图像,重建图像为该景物的亮色调的图像等,所述图像风格还可包括敏感度、对比度、环境背景等,本公开对图像重建网络的功能不做限制。
在一种可能的实现方式中,图像重建网络可包括卷积神经网络等深度学习神经网络,也可包括其他神经网络,例如,递归神经网络等,本公开对图像重建网络的类型不做限制。图像重建网络在使用之前,可进行训练。在训练过程中,通常使用内容相同,但风格和/或分辨率不同的样本图像进行训练,例如,将其中一个样本图像输入重建网络,获得输出图像,并根据输出图像与另一个样本图像确定损失函数,例如,可根据输出图像与另一个样本图像中对应的像素点的像素值之间的误差来确定损失函数。
在示例中,在确定损失函数时,可首先确定输出图像和另一个样本图像中对应像素点的像素值之间的绝对误差,可通过以下公式(1)来确定绝对误差:
Err=|Y′-Y| (1)
其中,Y′是输出图像中像素点的像素值,Y是另一个样本图像中对应像素点的像素值。损失函数可通过以下公式(2)确定:
其中,M为图像在高度方向上的像素点的数量,N为图像在宽度方向上的像素点的数量,||Err||1为Err的一范数。损失函数LMAE可表示输出图像和另一个样本图像中像素点的像素值之间误差的平均幅度,该损失函数计算量较小,鲁棒性较高。但该损失函数在0处不可导,因此,在误差为0的位置梯度不稳定且不唯一。
在示例中,损失函数也可通过以下公式(3)来确定:
其中,||Err||2为Err的二范数。损失函数LMSE可表示输出图像和另一个样本图像中像素点的像素值之间的均方误差。损失函数LMSE可扩大误差的调整力度,但在计算过程中会进行平方运算,增大计算量,且存在梯度爆炸的可能。
在示例中,损失函数还可通过以下公式(4)来表示:
其中,δ是很小的偏移量,例如,δ=0.001,本公开对偏移量的具体数值不做限制。损失函数LCL可避免在0处不可导的问题。
在一种可能的实现方式中,以上列举了常用的损失函数,但是,上述损失函数均存在同一个问题,即,在训练过程中对各像素点的权重相同的问题,然而,在各像素点的误差不同的情况下,如果各像素点的权重相同,则可能导致误差较大的像素点的训练力度不足,使得图像的质量不佳。
图2示出根据本公开的实施例的误差分布直方图。在训练的初始阶段,初始化的图像重建网络的参数是随机的,因此,图像重建网络的输出图像与另一样本图像之间的误差是随机的,在各像素点上的分布是比较均匀的。如图2所示,可首先将样本图像和另一样本图像进行归一化,并将样本图像输入初始化的图像重建网络。在第1轮训练中,图像重建网络获得的输出图像与另一样本图像之间的误差是均匀的,即,误差值在各区间的分布情况较均匀,误差较小的像素点所占比例和误差较大的像素点所占比例接近。
图3示出根据本公开的实施例的误差分布直方图。随着训练过程的进行,图像重建网络的性能逐步提升,误差开始逐步减小,在误差分布直方图中表现为误差较大的像素点所占比例越来越小,误差较小的像素点所占比例越来越大,如图3所示,在第20轮训练中,图像重建网络获得的输出图像与另一样本图像之间的误差正在缩小,误差在0-0.1之间(即,误差较小)的像素点的比例显著提升,误差较大的像素点的比例降低,进而使得损失函数减小。
图4示出根据本公开的实施例的误差分布直方图。随着训练过程的进一步进行,图像重建网络的性能进一步提升,误差进一步减小,在误差分布直方图中表现为误差较大的像素点所占比例更小,误差较小的像素点所占比例更大,如图4所示,在第40轮训练中,图像重建网络获得的输出图像与另一样本图像之间的误差进一步缩小,误差在0-0.02之间(即,误差较小)的像素点的比例超过80%,误差较大的像素点的比例很小,进而使得损失函数进一步减小。
在一种可能的实现方式中,经过上述训练过程,虽然损失函数被逐步缩小,输出图像与另一样本图像之间的相似度越来越高,但仍然存在误差较大的像素点,这些像素点由于误差较大,可能影响输出图像的视觉效果。即,虽然通过计算得出的相似度较高,但由于存在误差较大的像素点,导致人眼对这些像素点的位置较敏感,使得视觉效果不佳,即,视觉层面的相似度仍不高,从而使得图像重建网络在使用过程中重建的图像的质量不佳。
在一种可能的实现方式中,由于在上述训练过程中,各像素点的权重是相同的,因此,对于各像素点的训练力度也是相同的,由于误差较小的像素点所占比例越来越大,因此在训练过程中对于误差较小的像素点的训练更加充分,而对占比较小的误差较大的像素点的训练并不充分,进一步地,由于误差较小的像素点所占比例越来越大,导致损失函数越来越小,因而对误差较大的像素点的训练力度不足,使得这些像素点的误差难以有效地减小。这些误差较大的像素点可能出现在纹理等细节区域,造成细节的相似度不高,使得视觉效果不佳。即,可能导致细节模糊,纹理不清等问题,使得视觉效果不佳。
在一种可能的实现方式中,针对上述问题,可在训练过程中,对误差较大的像素点针对性地加大训练力度,例如,可在训练过程中对误差较大的像素点赋予较大的权值,对误差较小的像素点赋予较小的权值,以加大对误差较大的像素点的训练力度,有效地减小误差较大的像素点的误差,以提升训练效果,提升图像质量。
在一种可能的实现方式中,在步骤S11中,可通过样本图像和参考图像训练重建网络。样本图像和参考图像的内容相同,但分辨率和/或图像风格不同,例如,样本图像的分辨率低于参考图像的分辨率,或者样本图像为夜晚拍摄的某景物的图像,参考图像为白天拍摄的该景物的图像,本公开对样本图像和参考图像的内容不做限制。
在一种可能的实现方式中,在训练过程中,可将样本图像输入图像重建网络,图像重建网络可对样本图像进行处理,获得重建图像,该重建图像可以是分辨率提高后的图像,或者图像风格变化后的图像,且其训练目标为与参考图像一致,但在训练过程中,重建图像和参考图像之间可能存在误差。
在一种可能的实现方式中,在步骤S12中,可确定重建图像和参考图像的各对应像素点之间的误差,获得残差图,残差图中各像素点的像素值即为重建图像和参考图像的各对应像素点之间的误差值,例如,通过公式(1)计算的误差值。上述残差图为本轮训练过程中的残差图,是确定本轮训练中的损失函数的参量之一,也是确定各像素点的权重,并有针对性地加大误差较大的像素点的训练力度的依据。
在一种可能的实现方式中,在步骤S13中,可根据上述残差图,确定各像素点的权重,其中,误差较大的像素点的权重较高,误差较小的像素点的权重较低。可基于残差图中各像素点的残差值(即,重建图像和参考图像的各对应像素点之间的误差值),来确定各像素点的权重。在示例中,样本图像和参考图像均为归一化处理后的图像,各像素点的像素值均为0和1之间的值,重建图像与参考图像的各像素点的像素值之间的误差也为0到1之间的值。在示例中,为了加大对误差较大的像素点的训练力度,可对误差接近1的像素点赋予较大的权重,对误差接近0的像素点赋予较小的权重。
在一种可能的实现方式中,步骤S13可包括:根据所述残差图中目标像素点的残差值所属的第一范围,将所述目标像素点的权重确定为与所述第一范围对应的第一权重,其中,所述残差值的值域被划分为多个范围,每个范围均具有对应的权重。
在示例中,例如,可将上述0到1之间的误差范围分为两个范围或多个范围,每个范围均具有对应的权重,且越接近0的范围权重越小,越接近1的范围权重越大。进而,可根据残差图上目标像素点的残差值,确定该残差值属于哪个范围,进而将该范围对应的权重赋予该目标像素点。进一步地,可对每个像素点执行该处理,即可确定每个像素点的权重。
在示例中,步骤S13还包括:在所述目标像素点的残差值为0的情况下,将所述目标像素点的权重确定为1。即,在所述残差值为0时,将目标像素点的权重确定为1,即,在对目标像素点的残差值加权后,未改变残差值。进一步地,在目标像素点的残差值大于0时,其权重大于1。例如,目标像素点的残差值大于0,则该残差值属于其他范围,可赋予其他范围对应的权重,且该权重大于1。
在示例中,可基于以下公式(5)确定各像素点的权重:
其中,为第i行,第j列的像素点的权重,Errij为第i行,第j列的像素点的残差值,a和b均为预设的权重,在示例中,a=3,b=4,α为设定的范围,在示例中,α=0.35。本公开对上述参数的取值不做限制。在示例中,如果目标像素点的残差值为0,则目标像素点的权重为1,如果目标像素点的残差值为0.2,则目标像素点的权重为3,如果目标像素点的残差值为0.8,则目标像素点的权重为4。以上数值仅为示例,本公开对范围的划分以及各像素点的权重的数值不做限制。
在一种可能的实现方式中,除了预设各范围的权重外,还可通过计算来确定各像素点的权重。步骤S13可包括:根据所述残差图中目标像素点的残差值,以及预设的超参数,确定所述目标像素点的权重。在示例中,可通过超参数和目标像素点的残差值进行运算,将运算得到的数值作为目标像素点的权重,该运算可包括加法运算、减法运算、乘法运算、除法运算、乘方运算、指数运算、对数运算、积分运算、微分运算等,本公开对运算方式不做限制。在示例中,在运算过程中,也可将残差值为0的像素点的权重值设置为1。
进一步地,为了防止梯度爆炸,还可对运算结果的最大值进行设置,步骤S13可包括:在所述目标像素点的权重大于或等于权重阈值的情况下,将所述目标像素点的权重确定为所述权重阈值。即,可预设权重阈值,如果基于上述运算确定的权重大于或等于权重阈值,则将目标像素点的权重值设置为权重阈值,即,设定了权重的最大值,无论通过上述运算获得什么结果,都可将该结果的上限设定为权重阈值,使得各像素点的阈值均不超过权重阈值,防止加权后的残差值过大,引起梯度爆炸。
在示例中,可通过以下公式(6)来确定目标像素点的权重:
其中,为第i行,第j列的像素点的权重,b为超参数,在示例中,b=50,c为设置的权重阈值,在示例中,c=12。本公开对上述参数的具体数值不做限制。在示例中,如果目标像素点的残差值为0,则目标像素点的权重为1,如果目标像素点的残差值不是0,例如残差值是0.1,则目标像素点的权重为(1+0.1)50,进一步地,可设置权重的上限,例如,在目标像素点的残差值为0.8时,(1+0.8)50>12,则将目标像素点的权重设置为12。以上数值仅为示例,本公开对各参数的设置以及各像素点的权重的数值不做限制。
在一种可能的实现方式中,在通过计算来确定各像素点的权重的过程中,还可参考其他像素点的像素值。步骤S13可包括:根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重。在示例中,可通过超参数和残差图中多个像素点的残差值进行运算,确定目标像素点的残差值。进一步地,在运算过程中,也可将残差值为0的像素点的权重值设置为1。为了防止梯度爆炸,也可对运算结果的最大值进行设置,即,设置权重阈值,如果计算获得的权重大于或等于权重阈值,则将目标像素点的权重值设置为权重阈值。
在示例中,根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重,包括:根据所述残差图中各像素点的残差值,确定多个残差值的中位数;根据所述目标像素点的残差值、所述中位数以及预设的超参数,确定所述目标像素点的权重。
例如,可通过以下公式(7)来确定目标像素点的权重:
其中,为第i行,第j列的像素点的权重,Median(Err)为残差图中多个像素点的残差值的中位数。在示例中,该中位数也可替换为平均值等通过多个像素点的残差值确定的参数。在公式(7)中,超参数b可设置为16,c可设置为14。本公开对超参数的设置以及具体运算方式不做限制。
在一种可能的实现方式中,可通过上述公式(5)、(6)或(7),确定各像素点的权重。误差较大的像素点的权重较大,误差较小的像素点权重较小,在通过上述权重进行加权后,可增大误差较大的像素点的梯度,从而提升训练力度,有效减小这些像素点的误差。
在一种可能的实现方式中,在步骤S14中,可通过上述权重加权后的误差确定损失函数,进而通过损失函数对图像重建网络进行训练。在示例中,可通过以下公式(8)确定损失函数:
其中,为损失函数,W为表示各像素点的权重的权重矩阵,Err为表示各像素点的残差的残差图,该损失函数即为通过权重矩阵对各像素点进行加权后获得的损失函数。可提升误差较大的像素点的权重,从而提升训练力度,有效减小这些像素点的误差。
在一种可能的实现方式中,可通过公式(8)确定的损失函数进行训练,例如,可通过该损失函数进行反向传播,调节图像重建网络的参数,进而提升图像重建网络的性能,使得图像重建网络能够在误差较大的像素位置进行有针对性地训练,提升输出图像的图像质量。
在一种可能的实现方式中,可迭代执行上述处理,直到满足训练条件,获得训练后的图像重建网络。所述训练条件可包括训练次数条件,例如,在训练次数达到预设次数时,完成训练,或者,所述训练条件可包括损失函数的数值条件,例如,在损失函数小于或等于预设阈值,或者收敛于预设区间时,完成训练。本公开对训练条件不做限制。
根据本公开的实施例的基于空间误差自适应的网络训练方法,可针对重建图像和参考图像之间的残差图,为各像素点赋予权重,并基于各像素点的权重进行训练,使误差较大的像素点在训练过程中的权重较高,提升误差较大的像素点的训练力度,有效地减小误差较大的像素点的误差,同时还可防止梯度爆炸,有助于提升训练效率。可提升图像的视觉效果和质量。
在一种可能的实现方式中,本公开还提供了一种图像重建方法,所述方法包括:通过所述图像重建网络对待处理图像进行处理,获得目标图像,其中,所述目标图像与所述待处理图像的内容相同,且所述目标图像与所述待处理图像的分辨率和图像风格中的至少一种不同。
在示例中,待处理图像可以是分辨率较低的图像,可通过图像重建网络进行处理,获得内容相同,但分辨率更高的目标图像。或者,待处理图像可以是某种图像风格的图像,可通过图像重建网络进行处理,获得内容相同,但图像风格不同的图像。
图5A、图5B、图5C、图5D及图5E示出根据本公开的实施例的基于空间误差自适应的网络训练方法的应用示意图,如图5A所示,在通常的训练方式中,可将样本图像输入图像重建网络,获得重建图像,并根据参考图像和重建图像之间的误差确定残差图Err,并且,在基于残差图确定损失函数的过程中,每个像素点的权值是相同的,即,都是1,造成了在残差值较小的像素点所占比例较大时,确定的损失函数难以对残差值较大的少数像素点进行针对性地训练,也难以使残差值较大的像素点的误差下降,使得图像重建网络生成的图像中存在误差较大的像素点,影响图像的视觉效果。
在一种可能的实现方式中,针对上述问题,可对残差图Err中各像素点进行加权,且误差值越大,权重越大,误差值越小,权重也越小。使得少数误差较大的像素点在加权后的数值较大,因而可对这些像素点进行针对性地训练,增强训练力度,使这些像素点的误差有效地下降,以提升图像重建网络的性能。
在一种可能的实现方式中,加权过程中使用的权重矩阵W可通过公式(5)、(6)或(7)中的任意一个来确定,并可在确定权重矩阵后,通过公式(8)来确定损失函数,进而基于该损失函数来训练图像重建网络,在训练过程中,可着重训练误差值较大的像素点,提升训练效果。
在一种可能的实现方式中,参考图像如图5C所示,通过通常的训练方式训练的图像重建网络获得的重建图像如图5D所示,通过本公开的训练方法训练的图像重建网络获得的重建图像如图5E所示。图5E在方框选择出的纹理细节等方面的清晰度显然高于图5D在相同位置的清晰度,且更接近参考图像,即,通过本公开的训练方法训练的图像重建网络在纹理细节等方面的处理性能更强,生成的图像效果更好。
在一种可能的实现方式中,本公开的基于空间误差自适应的网络训练方法可用于图像重建的处理中,例如,可用于提升图像的分辨率,改变图像的风格、背景等领域,本公开对所述基于空间误差自适应的网络训练方法的应用领域不做限制。
图6示出根据本公开的实施例的基于空间误差自适应的网络训练装置的框图,如图6所示,所述装置包括:重建模块11,用于将样本图像输入图像重建网络,生成重建图像;残差模块12,用于根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;权重模块13,用于根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;训练模块14,用于根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中目标像素点的残差值所属的第一范围,将所述目标像素点的权重确定为与所述第一范围对应的第一权重,其中,所述残差值的值域被划分为多个范围,每个范围均具有对应的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中目标像素点的残差值,以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:根据所述残差图中各像素点的残差值,确定多个残差值的中位数;根据所述目标像素点的残差值、所述中位数以及预设的超参数,确定所述目标像素点的权重。
在一种可能的实现方式中,所述权重模块进一步用于:在所述目标像素点的权重大于或等于权重阈值的情况下,将所述目标像素点的权重确定为所述权重阈值。
在一种可能的实现方式中,所述权重模块进一步用于:在所述目标像素点的残差值为0的情况下,将所述目标像素点的权重确定为1。
本公开还可提供了一种图像重建装置,包括:处理模块,用于通过图像重建网络对待处理图像进行处理,获得目标图像,其中,所述图像重建网络是根据所述基于空间误差自适应的网络训练装置训练得到的,所述目标图像与所述待处理图像的内容相同,且所述目标图像与所述待处理图像的分辨率和图像风格中的至少一种不同。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了基于空间误差自适应的网络训练装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种基于空间误差自适应的网络训练方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的基于空间误差自适应的网络训练方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的基于空间误差自适应的网络训练方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是医疗设备,计算机等终端。参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令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,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于空间误差自适应的网络训练方法,其特征在于,包括:
将样本图像输入图像重建网络,生成重建图像;
根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;
根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;
根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
2.根据权利要求1所述的方法,其特征在于,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:
根据所述残差图中目标像素点的残差值所属的第一范围,将所述目标像素点的权重确定为与所述第一范围对应的第一权重,其中,所述残差值的值域被划分为多个范围,每个范围均具有对应的权重。
3.根据权利要求1所述的方法,其特征在于,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:
根据所述残差图中目标像素点的残差值,以及预设的超参数,确定所述目标像素点的权重。
4.根据权利要求1所述的方法,其特征在于,根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重,包括:
根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重。
5.根据权利要求4所述的方法,其特征在于,根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述残差图中目标像素点的权重,包括:
根据所述残差图中各像素点的残差值,确定多个残差值的中位数;
根据所述目标像素点的残差值、所述中位数以及预设的超参数,确定所述目标像素点的权重。
6.根据权利要求3或4所述的方法,其特征在于,根据所述残差图中各像素点的残差值,以及预设的超参数,确定所述目标像素点的权重,还包括:
在所述目标像素点的权重大于或等于权重阈值的情况下,将所述目标像素点的权重确定为所述权重阈值。
7.一种图像重建方法,其特征在于,包括:
通过图像重建网络对待处理图像进行处理,获得目标图像,其中,所述图像重建网络是根据权利要求1-6中任一项所述的基于空间误差自适应的网络训练方法训练得到的,所述目标图像与所述待处理图像的内容相同,且所述目标图像与所述待处理图像的分辨率和图像风格中的至少一种不同。
8.一种基于空间误差自适应的网络训练装置,其特征在于,包括:
重建模块,用于将样本图像输入图像重建网络,生成重建图像;
残差模块,用于根据所述重建图像和参考图像,获得所述重建图像和所述参考图像之间的残差图,其中,所述参考图像与所述样本图像的内容相同,且所述参考图像与所述样本图像的分辨率和图像风格中的至少一种不同;
权重模块,用于根据所述残差图中各像素点的残差值,确定所述残差图中各像素点的权重;
训练模块,用于根据所述残差图中各像素点的残差值以及所述残差图中各像素点的权重,训练所述图像重建网络。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110990490.4A CN113658038B (zh) | 2021-08-26 | 2021-08-26 | 基于空间误差自适应的网络训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110990490.4A CN113658038B (zh) | 2021-08-26 | 2021-08-26 | 基于空间误差自适应的网络训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658038A true CN113658038A (zh) | 2021-11-16 |
CN113658038B CN113658038B (zh) | 2023-05-05 |
Family
ID=78482166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110990490.4A Active CN113658038B (zh) | 2021-08-26 | 2021-08-26 | 基于空间误差自适应的网络训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658038B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013115697A (ja) * | 2011-11-30 | 2013-06-10 | Toshiba Corp | 画像処理装置、方法及びプログラム |
CN109598191A (zh) * | 2018-10-23 | 2019-04-09 | 北京市商汤科技开发有限公司 | 行人重识别残差网络训练方法及装置 |
CN111047507A (zh) * | 2019-11-29 | 2020-04-21 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、图像生成方法及装置 |
US20200349677A1 (en) * | 2019-05-03 | 2020-11-05 | Samsung Electronics Co., Ltd. | Image processing apparatus and image processing method thereof |
CN111988593A (zh) * | 2020-08-31 | 2020-11-24 | 福州大学 | 一种基于深度残差优化的立体图像颜色校正方法及系统 |
CN112116543A (zh) * | 2020-09-25 | 2020-12-22 | 中国科学院自动化研究所 | 基于检测式生成框架的图像修复方法、系统及装置 |
US20220383452A1 (en) * | 2019-12-20 | 2022-12-01 | Beijing Kingsoft Cloud Network Technology Co., Ltd. | Method, apparatus, electronic device and medium for image super-resolution and model training |
-
2021
- 2021-08-26 CN CN202110990490.4A patent/CN113658038B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013115697A (ja) * | 2011-11-30 | 2013-06-10 | Toshiba Corp | 画像処理装置、方法及びプログラム |
CN109598191A (zh) * | 2018-10-23 | 2019-04-09 | 北京市商汤科技开发有限公司 | 行人重识别残差网络训练方法及装置 |
US20200349677A1 (en) * | 2019-05-03 | 2020-11-05 | Samsung Electronics Co., Ltd. | Image processing apparatus and image processing method thereof |
CN111047507A (zh) * | 2019-11-29 | 2020-04-21 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、图像生成方法及装置 |
US20220383452A1 (en) * | 2019-12-20 | 2022-12-01 | Beijing Kingsoft Cloud Network Technology Co., Ltd. | Method, apparatus, electronic device and medium for image super-resolution and model training |
CN111988593A (zh) * | 2020-08-31 | 2020-11-24 | 福州大学 | 一种基于深度残差优化的立体图像颜色校正方法及系统 |
CN112116543A (zh) * | 2020-09-25 | 2020-12-22 | 中国科学院自动化研究所 | 基于检测式生成框架的图像修复方法、系统及装置 |
Non-Patent Citations (1)
Title |
---|
NUR KHALEEEDA MANSOR ET AL.: "Steganographic on Pixel Value Differencing in Iris Biometric", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113658038B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110428378B (zh) | 图像的处理方法、装置及存储介质 | |
US20210097297A1 (en) | Image processing method, electronic device and storage medium | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN109977847B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111507408B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109859144B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340731A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111223040A (zh) | 网络训练方法及装置、图像生成方法及装置 | |
CN113486830A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111369482B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110415258B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110827219A (zh) | 图像处理模型的训练方法、装置及介质 | |
CN110675355A (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111553865B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111507131B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN113689362B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 |
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 |