CN113994369A - 学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法 - Google Patents

学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法 Download PDF

Info

Publication number
CN113994369A
CN113994369A CN201980097676.8A CN201980097676A CN113994369A CN 113994369 A CN113994369 A CN 113994369A CN 201980097676 A CN201980097676 A CN 201980097676A CN 113994369 A CN113994369 A CN 113994369A
Authority
CN
China
Prior art keywords
image
learning
unit
evaluation
processing
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.)
Withdrawn
Application number
CN201980097676.8A
Other languages
English (en)
Inventor
小坂纯一
稻石大祐
平井裕麻
新井宏明
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.)
Sony Group Corp
Original Assignee
Sony Group Corp
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 Sony Group Corp filed Critical Sony Group Corp
Publication of CN113994369A publication Critical patent/CN113994369A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种学习设备，其中，第一学习单元执行使用包括针对要评估的图像的第一评估结果的第一训练数据的第一机器学习以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果，评估单元使用第一学习完成模型来获取针对多个输入图像中的每一个的多个第二评估结果，生成单元基于所述多个第二评估结果从多个第一图像质量参数中选择第二图像质量参数并生成包括所选择的第二图像质量参数的第二训练数据，并且第二学习单元执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理要处理的图像的第三图像质量参数。

Description

学习设备、图像处理设备、参数生成设备、学习方法和图像处 理方法
技术领域
本公开涉及学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法。
背景技术
为了提高具有亮度、对比度、饱和度、色调、清晰度等因素的“图像质量”，使用改变图像质量的参数(在下文中，有时称为“图像质量参数”)来处理图像。
用于图像处理的图像质量参数的调整通常由具有详细分析能力的熟练工程师执行。熟练工程师观察图像质量如何根据图像质量参数的不同变化而变化，并确定用于图像处理的最优图像质量参数。
引用列表
专利文献
专利文献1：日本专利特开2015-088805号公报
发明内容
技术问题
作为图像质量参数，存在改变亮度、对比度、饱和度、色调、清晰度等的各种图像质量参数。例如，在存在作为图像质量参数的28个类型的图像质量参数并且这28个类型的图像质量参数中的每一个类型都具有可以按255级调节的值的情况下，图像质量参数的组合总数达到了的“2.4×1067集合”的巨大数量。即使熟练的工程师也很难从如此巨大数量的图像质量参数组合中在视觉上确定最优组合。
另外，每个图像的最优图像质量参数是不同的，因此，某个图像的最优图像质量参数对于另一图像并不总是最优的。因此，即使将一个图像质量参数固定地应用于多个图像，也可能无法获得令人满意的图像质量。
因此，本公开提出了一种学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法，该学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法被配置为减少确定合适的图像质量参数所需的劳动，从而提高各种图像的图像质量。
问题的解决方案
在所公开的实施例的一个方面，一种学习设备包括：第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成(learned)模型，第一学习完成模型输出针对输入图像的第二评估结果；评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；以及第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
附图说明
图1是示出根据本公开的第一实施例的图像处理系统的配置示例的图。
图2是示出根据本公开的第一实施例的学习设备的配置示例的图。
图3是示出根据本公开的第一实施例的图像处理设备的配置示例的图。
图4是示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
图5是示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
图6是示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
图7是示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
图8是示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
图9是示出根据本公开的第三实施例的学习设备的配置示例的图。
图10是示出根据本公开的第三实施例的图像处理设备的配置示例的图。
图11是示出根据本公开的第四实施例的图像处理设备的配置示例的图。
具体实施方式
下面将参考附图详细描述本公开的实施例。注意，在以下实施例中，由相同的参考数字和符号表示相同的部分和处理，并且在某些情况下将省略其重复描述。
另外，将按照下面示出的项目的顺序描述本公开。
[第一实施例]
<图像处理系统的配置>
<学习设备的配置>
<图像处理设备的配置>
<图像处理系统中的处理过程>
[第二实施例]
<图像处理系统中的处理过程>
[第三实施例]
<学习设备的配置>
<图像处理设备的配置>
[第四实施例]
<图像处理设备的配置>
[第五实施例]
<硬件配置>
[所公开技术的效果]
[第一实施例]
<图像处理系统的配置>
图1是示出根据本公开的第一实施例的图像处理系统的配置示例的图。在图1中，图像处理系统1包括学习设备10和图像处理设备20。学习设备10使用训练数据、原始图像和图像质量参数组来执行机器学习，生成参数生成模型，并将所生成的参数生成模型输出到图像处理设备20。图像处理设备20使用从学习设备10输入的参数生成模型对处理目标图像进行处理，并获取处理后的图像。
<学习设备的配置>
图2是示出根据本公开的第一实施例的学习设备的配置示例的图。在图2中，学习设备10包括第一机器学习单元11、第一存储单元12、第一处理单元13、评估单元14、训练数据生成单元15、第二存储单元16、第二机器学习单元17、第三存储单元18和输出单元19。
<图像处理设备的配置>
图3是示出根据本公开的第一实施例的图像处理设备的配置示例的图。在图3中，图像处理设备20包括获取单元21、第四存储单元22、参数生成单元23和第二处理单元24。
<图像处理系统中的处理过程>
图4至图8是各自示出根据本公开的第一实施例的图像处理系统中的处理过程的示例的图。
在学习设备10在图像处理系统1中执行处理之前，人类评估者在视觉上比较参考图像和评估目标图像的同时评估该评估目标图像，如图4所示。
首先，评估者手动调整图像质量参数，并将已经手动调整的各种图像质量参数应用于参考图像。使用已经手动调整的各种图像质量参数对参考图像进行处理，并且因此获得作为处理后的图像的评估目标图像。作为示例，图4示出了作为用具有不同值的图像质量参数对参考图像进行处理的结果而获得的评估目标图像ET01至ET13。
然后，评估者将分数“0”指派给参考图像，同时，针对所有获得的评估目标图像，将分数“0.5”指派给根据通过调整图像质量参数而逐渐改变的图像质量在视觉上确定的具有最高图像质量的评估目标图像。此外，评估者将分数“1.0”指派给通过图像质量参数的过度调整而在视觉上确定为相对于参考图像具有最大变化程度的评估目标图像。这样，评估者通过根据评估者的主观性对每个评估目标图像进行评分来评估每个评估目标图像。结果，例如，如图4所示，分数“0.31”被指派给评估目标图像ET01，分数“0.99”被指派给评估目标图像ET02，分数“0.84”被指派给评估目标图像ET03，分数“0.36”被指派给评估目标图像ET04，分数“0.18”被指派给评估目标图像ET05，分数“0.12”被指派给评估目标图像ET06，并且分数“0.66”被指派给评估目标图像ET07。另外，例如，如图4所示，分数“0.50”被指派给评估目标图像ET08，分数“0.90”被指派给评估目标图像ET09，分数“0.25”被指派给评估目标图像ET10，分数“0.78”被指派给评估目标图像ET11，分数“0.41”被指派给评估目标图像ET12，并且分数“0.72”被指派给评估目标图像ET13。换言之，在图4所示的示例中，根据评估者的视觉主观性确定评估目标图像ET08具有最高图像质量，同时确定评估目标图像的图像质量在图像质量上以评估目标图像ET08的图像质量作为最高图像质量按照ET08→ET12→ET04→ET01→ET10→ET05→ET06的顺序逐渐降低。此外，确定对分数大于0.5的评估目标图像ET07、ET13、ET11、ET03、ET09和ET02进行了过度的图像质量调整。
接下来，评估者将参考图像、评估目标图像和分数相互关联，并生成包括参考图像、评估目标图像和分数的训练数据TDA。因此，例如，训练数据TDA01包括相互关联的参考图像、评估目标图像ET01和作为评估目标图像ET01的分数的分数“0.31”，训练数据TDA02包括相互关联的参考图像、评估目标图像ET02和作为评估目标图像ET02的分数的分数“0.99”，并且训练数据TDA03包括相互关联的参考图像、评估目标图像ET03和作为评估目标图像ET03的分数的分数“0.84”。类似地，训练数据TDA04至TDA13包括相互关联的参考图像、评估目标图像ET04至ET13以及评估目标图像ET04至ET13的分数。
然后，以这种方式生成的多组训练数据TDA被输入到第一机器学习单元11(图2)。如图5所示，第一机器学习单元11使用这多组训练数据TDA执行作为第一机器学习的机器学习，从而生成作为第一学习完成模型的“评估模型”。例如，对于生成评估模型的机器学习，使用诸如卷积神经网络(CNN)之类的深度学习。
第一机器学习单元11将如图5所示生成的评估模型输出到第一存储单元12，并且第一存储单元12存储由第一机器学习单元11生成的评估模型。
在评估模型在第一存储单元12中的存储完成后，原始图像被输入到第一处理单元13、评估单元14和训练数据生成单元15，并且图像质量参数组被输入到第一处理单元13和训练数据生成单元15。
这里，如图6所示，原始图像和例如N组图像质量参数组PG1至PGN被输入到第一处理单元13。图像质量参数组PG1至PGN中的每一个是多个类型的图像质量参数的组合。例如，图像质量参数组PG1至PGN中的每一个包括四个类型的图像质量参数：用于改变亮度的图像质量参数PA、用于改变对比度的图像质量参数PB、用于改变饱和度的图像质量参数PC以及用于改变色调的图像质量参数PD。图像质量参数PA、PB、PC和PD的值中的至少一个在图像质量参数组PG1至PGN之间不同。换言之，图像质量参数组PG1至PGN具有不同值的图像质量参数。第一处理单元13通过使用图像质量参数组PG1至PGN中的每一个对原始图像进行处理以获取具有不同图像质量的输出图像OP1至OPN，并将所获取的输出图像OP1至OPN输出到评估单元14。输出图像OP1是通过使用图像质量参数组PG1对原始图像进行处理而获得的图像，输出图像OP2是通过使用图像质量参数组PG2对原始图像进行处理而获得的图像，并且输出图像OPN是通过使用图像质量参数组PGN对原始图像进行处理而获得的图像。换言之，输出图像OP1对应于图像质量参数组PG1，输出图像OP2对应于图像质量参数组PG2，并且输出图像OPN对应于图像质量参数组PGN。
原始图像和输出图像OP1至OPN被输入到评估单元14。换言之，输入到评估单元14的输入图像是原始图像和输出图像OP1至OPN。评估单元14通过使用第一存储单元12中存储的评估模型来评估输出图像OP1至OPN中的每一个。评估单元14对输出图像OP1至OPN的评估与如上所述的评估者对评估目标图像ET01至ET13的评估类似地执行。
换言之，如上所述，评估者相对于参考图像评估评估目标图像ET01至ET13，并将分数指派给评估目标图像ET01至ET13。此外，评估目标图像ET01至ET13中的每一个是通过将不同的图像质量参数应用于相同的参考图像而处理的图像。然后，第一机器学习单元11通过使用包括相互关联的参考图像、评估目标图像和评估目标图像的分数在内的训练数据TDA来生成评估模型。同时，原始图像和输出图像OP1至OPN被输入到评估单元14，并且评估单元14通过在原始图像以及输出图像OP1至OPN中的每一个的基础上使用评估模型对输出图像OP1至OPN中的每一个进行评估，并将分数SC1至SCN指派给输出图像OP1至OPN。换言之，图6中的原始图像对应于图4中的参考图像，并且图6中的输出图像OP1至OPN对应于图4中的评估目标图像ET01至ET13。因此，通过使用由第一机器学习单元11生成的评估模型对输出图像OP1至OPN中的每一个进行评估，使得评估单元14可以以评估者对评估目标图像ET01至ET13中的每一个进行评估的尺度类似的尺度对输出图像OP1至OPN进行评估。
评估单元14将作为输出图像OP1至OPN的评估结果的分数SC1至SCN输出到训练数据生成单元15。分数SC1指示输出图像OP1的分数，分数SC2指示输出图像OP2的分数，并且分数SCN指示输出图像OPN的分数。
原始图像、图像质量参数组PG1至PGN以及分数SC1至SCN被输入到训练数据生成单元15。如上所述，输出图像OP1至OPN分别对应于图像质量参数组PG1至PGN，并且分数SC1至SCN分别对应于输出图像OP1至OPN。因此，分数SC1至SCN分别对应于图像质量参数组PG1至PGN。换言之，可以说分数SC1是对图像质量参数组PG1的评估结果，分数SC2是对图像质量参数组PG2的评估结果，并且分数SCN是对图像质量参数组PGN的评估结果。
因此，训练数据生成单元15根据图4所示的评估者的评估方法从输入的分数SC1至SCN中选择具有0.5或0.5以下的值和最接近0.5的值的分数(在下文中，有时称为“最佳分数”)。最佳分数具有0.5或0.5以下和最接近0.5的值，并且最佳分数对应于图4所示的评估方法中的评估的最高结果。接下来，训练数据生成单元15从图像质量参数组PG1至PGN中选择与最佳分数相对应的图像质量参数组(在下文中，有时称为“最佳参数组”)。最佳参数组是与最佳分数相对应的图像质量参数组，因此，可以说最佳参数组是当原始图像被处理时可以提供最高图像质量的图像质量参数组，即，对于处理原始图像最优的图像质量参数组。然后，训练数据生成单元15将原始图像与最佳参数组相关联，生成包括原始图像和最佳参数组的训练数据TDB，并将所生成的训练数据TDB输出到第二存储单元16。第二存储单元16存储由训练数据生成单元15生成的训练数据TDB。
因此，在图6中，只需要将多个M个不同的原始图像依次输入到学习设备10，以便机械地(自动地)批量生产包括不同的原始图像和不同的最佳参数组的多个M个训练数据TDB集合。
这里，当输入分数SC1至SCN的所有分数都具有大于0.5的值或小于预定阈值(例如，预定阈值＝0.3)的值时，训练数据生成单元15可以采用具有预定值的图像质量参数组，作为最佳参数组。
此外，操作者可以手动调整由训练数据生成单元15选择的最佳参数组的值。
另外，代替生成包括原始图像和最佳参数组的训练数据TDB，训练数据生成单元15可以生成包括原始图像的特征量和最佳参数组的训练数据TDB。原始图像的特征量的示例包括原始图像的直方图等。
如图7所示，第二机器学习单元17执行使用包括第二存储单元16中存储的训练数据TDB1至TDB3的多个训练数据TDB集合的作为第二机器学习的机器学习，从而生成作为第二学习完成模型的“参数生成模型”。例如，对于生成参数生成模型的机器学习，使用诸如CNN之类的深度学习。训练数据TDB1至TDB3中的每一个都包括原始图像和原始图像的最佳参数组，从而在处理目标图像被输入时，由第二机器学习单元17生成的参数生成模型成为输出对于处理处理目标图像最优的图像质量参数组的学习完成模型。
第二机器学习单元17将如图7所示生成的参数生成模型输出到第三存储单元18，并且第三存储单元18存储由第二机器学习单元17生成的参数生成模型。
输出单元19获取第三存储单元18中存储的参数生成模型，并将所获取的参数生成模型输出到图像处理设备20。例如根据操作者向学习设备10给出的指令来执行从学习设备10向图像处理设备20输出参数生成模型。
在图像处理设备20中，获取单元21获取从学习设备10输出的参数生成模型，并将所获取的参数生成模型输出到第四存储单元22。例如根据操作者向图像处理设备20给出的指令来执行在图像处理设备20中从学习设备10获取参数生成模型。
第四存储单元22存储由获取单元21获取的参数生成模型。
此外，处理目标图像被输入到参数生成单元23和第二处理单元24。
如图8所示，输入处理目标图像的参数生成单元23使用第四存储单元22中存储的参数生成模型来生成在处理处理目标图像时可以用来获得最高图像质量的图像质量参数组，即对于处理处理目标图像最优的图像质量参数组(在下文中，有时称为“最优参数组”)，并将所生成的最优参数组输出到第二处理单元24。
然后，如图8所示，第二处理单元24使用最优参数组对处理目标图像进行处理，获取处理后的图像，并输出所获取的处理后的图像。第二处理单元24用于处理处理目标图像的图像质量参数组是最优参数组，因此处理后的图像可以具有最高的图像质量。
上面已经描述了第一实施例。
[第二实施例]
<图像处理系统中的处理过程>
根据本公开的第二实施例的学习设备和图像处理设备的配置与第一实施例(图2和图3)的配置相同，并且其描述将被省略。在下文中，将描述根据本公开的第二实施例的图像处理系统与根据第一实施例的图像处理系统之间在处理过程中的不同点。
训练数据生成单元15根据图4所示的评估者的评估方法从输入的分数SC1至SCN中选择具有在从0.5起的预定范围内的任何值的分数(在下文中，有时称为“更好的分数”)。更好的分数是具有在从0.5起的预定范围内的任何值的分数(例如，具有在0.5±0.1的范围内的任何值的分数(即，具有0.4或0.4以上且小于0.6的任何值的分数))，并且更好的分数对应于图4所示的评估方法中的评估的良好结果。接下来，训练数据生成单元15从图像质量参数组PG1至PGN中选择与更好的分数相对应的图像质量参数组(在下文中，有时称为“更好的参数组”)。更好的参数组是与更好的分数相对应的图像质量参数组，因此，可以说更好的参数组是在原始图像被处理时可以提供合适的图像质量的图像质量参数组，即，对于处理原始图像最优的图像质量参数组。然后，训练数据生成单元15将原始图像与更好的参数组相关联，生成包括原始图像和更好的参数组的训练数据TDB，并将所生成的训练数据TDB输出到第二存储单元16。第二存储单元16存储由训练数据生成单元15生成的训练数据TDB。
因此，只需要将多个M个不同的原始图像依次输入到学习设备10，以便机械地(自动地)批量生产包括不同原始图像和不同更好参数组的多个M个训练数据TDB集合。
第二机器学习单元17执行使用第二存储单元16中存储的多个训练数据TDB集合的作为第二机器学习的机器学习，从而生成作为第二学习完成模型的“参数生成模型”。多个训练数据TDB集合中的每一个都包括原始图像和原始图像的更好参数组，从而当处理目标图像被输入时，由第二机器学习单元17生成的参数生成模型成为输出适合处理处理目标图像的图像质量参数组的学习完成模型。
同时，输入处理目标图像的参数生成单元23使用第四存储单元22中存储的参数生成模型来生成在处理处理目标图像时可以用来获得合适图像质量的图像质量参数组，即适合处理处理目标图像的图像质量参数组(在下文中，有时称为“合适参数组”)，并将所生成的合适参数组输出到第二处理单元24。
然后，第二处理单元24使用合适的参数组对处理目标图像进行处理，获得处理后的图像，并输出所获得的处理后的图像。第二处理单元24用于处理处理目标图像的图像质量参数组是最优参数组，因此，处理后的图像可以具有合适的图像质量。
上面已经描述了第二实施例。
[第三实施例]
<学习设备的配置>
图9是示出根据本公开的第三实施例的学习设备的配置示例的图。在图9中，学习设备10包括第一机器学习单元11、第一存储单元12、第一处理单元13、第一评估单元31、训练数据生成单元15、第二存储单元16、第二机器学习单元17、第三存储单元18和输出单元32。第一评估单元31执行与根据第一实施例的评估单元14相同的处理。输出单元32获取第一存储单元12中存储的评估模型，并将所获取的评估模型输出到图像处理设备20。输出单元32获取第三存储单元18中存储的参数生成模型，并将所获取的参数生成模型输出到图像处理设备20。
<图像处理设备的配置>
图10是示出根据本公开的第三实施例的图像处理设备的配置示例的图。在图10中，图像处理设备20包括获取单元41、第四存储单元22、参数生成单元23、第二处理单元24、第五存储单元42、第二评估单元43、第六存储单元44、第三处理单元45和图像选择单元46。
在图10中，处理目标图像被输入到参数生成单元23、第二处理单元24、第二评估单元43和第三处理单元45。
获取单元41获取从学习设备10输出的评估模型，并将所获取的评估模型输出到第五存储单元42。此外，获取单元41获取从学习设备10输出的参数生成模型，并将所获取的参数生成模型输出到第四存储单元22。
第五存储单元42存储由获取单元41获取的评估模型。
第二处理单元24将如在第一实施例中获取的处理后的图像PIX输出到第二评估单元43和图像选择单元46。
第二评估单元43接收处理目标图像和由第二处理单元24获取的处理后的图像PIX的输入。换言之，输入到第二评估单元43的输入图像是处理目标图像和处理后的图像PIX。第二评估单元43通过使用第五存储单元42中存储的评估模型来评估处理后的图像PIX。第二评估单元43与第一实施例中的评估单元14执行的评估类似地评估处理后的图像PIX。换言之，第二评估单元43基于处理目标图像和处理后的图像PIX使用评估模型对处理后的图像PIX进行评估，并将分数指派给处理后的图像PIX。换言之，输入到第二评估单元43的处理目标图像对应于图4中的参考图像，并且输入到第二评估单元43的处理后的图像PIX对应于图4中的评估目标图像ET01至ET13中的每一个。因此，通过使用由第一机器学习单元11生成的评估模型对处理后的图像PIX进行评估，使得第二评估单元43可以以与评估者对评估目标图像ET01至ET13中的每一个进行评估的尺度类似的尺度对处理后的图像PIX进行评估。然后，第二评估单元43将作为处理后的图像PIX的分数的分数SCX输出到图像选择单元46。
同时，第六存储单元44存储具有预定固定值的参数组PGY。参数组PGY被调整为可以用来获得标准图像质量的值。
第三处理单元45使用第六存储单元44中存储的参数组PGY对处理目标图像进行处理，获取处理后的图像PIY，并将所获取的处理后的图像PIY输出到图像选择单元46。
图像选择单元46基于分数SCX是否满足预定条件来选择处理后的图像PIX和处理后的图像PIY中的任一个。例如，图像选择单元46根据图4所示的评估者的评估方法根据分数SCX是否具有0.5或0.5以下的值的预定条件来选择处理后的图像PIX和处理后的图像PIY中的任一个。例如，当分数SCX具有0.5或0.5以下的值时(即，分数SCX满足预定条件)，图像选择单元46选择处理后的图像PIX，并且当分数SCX具有大于0.5的值时(即，分数SCX不满足预定条件)，图像选择单元46选择处理后的图像PIY。然后，图像选择单元46输出所选择的图像作为最终处理后的图像。
上面已经描述了第三实施例。
注意，第三实施例可以代替第一实施例而结合第二实施例来实现。
[第四实施例]
在第四实施例中，学习设备的配置与第三实施例中的相同，但是图像处理设备的配置与第三实施例中的不同。
<图像处理设备的配置>
图11是示出根据本公开的第四实施例的图像处理设备的配置示例的图。在图11中，图像处理设备20包括获取单元41、第四存储单元22、参数生成单元23、第二处理单元24、第五存储单元42、第二评估单元43、第六存储单元44、第三处理单元45、第三评估单元61和图像选择单元62。
在图11中，处理目标图像被输入到参数生成单元23、第二处理单元24、第二评估单元43、第三处理单元45和第三评估单元61。
第二处理单元24将如在第一实施例中获取的处理后的图像PIX输出到第二评估单元43和图像选择单元62。
第二评估单元43以与第三实施例中类似的方式评估处理后的图像PIX，并将分数SCX输出到图像选择单元62。
第三处理单元45以与第三实施例中类似的方式获取处理后的图像PIY，并将所获取的处理后的图像PIY输出到第三评估单元61。
第三评估单元61接收处理目标图像和由第三处理单元45获取的处理后的图像PIY的输入。换言之，输入到第三评估单元61的输入图像是处理目标图像和处理后的图像PIY。第三评估单元61通过使用第五存储单元42中存储的评估模型来评估处理后的图像PIY。第三评估单元61与根据第一实施例的评估单元14执行的评估类似地评估处理后的图像PIY。换言之，第三评估单元61基于处理目标图像和处理后的图像PIY使用评估模型对处理后的图像PIY进行评估，并将分数指派给处理后的图像PIY。换言之，输入到第三评估单元61的处理目标图像对应于图4中的参考图像，并且输入到第三评估单元61的处理后的图像PIY对应于图4中的评估目标图像ET01至ET13中的每一个。因此，通过使用由第一机器学习单元11生成的评估模型对处理后的图像PIY进行评估，使得第三评估单元61可以以与评估者对评估目标图像ET01至ET13中的每一个进行的评估类似的尺度对处理后的图像PIY进行评估。然后，第三评估单元61将作为处理后的图像PIY的分数的分数SCY输出到图像选择单元62。
图像选择单元62基于分数SCX和分数SCY来选择处理后的图像PIX和处理后的图像PIY中的任一个。例如，图像选择单元46在分数SCX具有等于或大于分数SCY的值的值时(即，处理后的图像PIX的评估结果等于处理后的图像PIY的评估结果，或者处理后的图像PIX的评估结果优于处理后的图像PIY的评估结果)选择处理后的图像PIX，并且在分数SCY具有大于分数SCX的值的值时(即，处理后的图像PIY的评估结果优于处理后的图像PIX的评估结果)选择处理后的图像PIY。然后，图像选择单元46输出所选择的图像作为最终处理后的图像。
上面已经描述了第四实施例。
注意，第四实施例可以代替第一实施例而结合第二实施例来实现。
[第五实施例]
<硬件配置>
例如通过存储器、硬盘驱动器(HDD)、固态驱动器(SSD)等将第一存储单元12、第二存储单元16、第三存储单元18、第四存储单元22、第五存储单元42和第六存储单元44实现为硬件。实现第一存储单元12、第二存储单元16、第三存储单元18、第四存储单元22、第五存储单元42和第六存储单元44的存储器的示例包括诸如同步动态随机存取存储器(SDRAM)之类的随机存取存储器(RAM)、只读存储器(ROM)、闪存等。
例如通过处理器将第一机器学习单元11、第一处理单元13、评估单元14、训练数据生成单元15、第二机器学习单元17、第四存储单元22、参数生成单元23、第二处理单元单元24、第一评估单元31、第二评估单元43、第三处理单元45、图像选择单元46和62以及第三评估单元61实现为硬件。实现第一机器学习单元11、第一处理单元13、评估单元14、训练数据生成单元15、第二机器学习单元17、第四存储单元22、参数生成单元23、第二处理单元24、第一评估单元31、第二评估单元43、第三处理单元45、图像选择单元46和62以及第三评估单元61的处理器的示例包括中央处理器(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。
例如通过有线网络接口模块或无线通信模块将输出单元19和32以及获取单元21和41实现为硬件。
学习设备10例如被实现为诸如个人计算机或服务器之类的计算机设备。图像处理设备20例如被实现为诸如智能电话或平板终端之类的移动终端。
[所公开技术的效果]
如上所述，根据本公开的学习设备(第一实施例中的学习设备10)包括第一学习单元(根据第一实施例的第一机器学习单元11)、评估单元(第一实施例中的评估单元14)、生成单元(第一实施例中的训练数据生成单元15)和第二学习单元(第一实施例中的第二机器学习单元17)。第一学习单元执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型(第一实施例中的评估模型)，第一学习完成模型输出针对输入图像的第二评估结果。评估单元使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果。生成单元基于多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据。第二学习单元执行使用第二训练数据的第二机器学习以生成第二学习完成模型(第一实施例中的参数生成模型)，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
同时，根据本公开的图像处理设备(第一实施例中的图像处理设备20)包括生成单元(第一实施例中的参数生成单元23)和第一处理单元(第一实施例中的第二处理单元24)。生成单元通过使用由学习设备(第一实施例中的学习设备10)生成的第二学习完成模型来生成第三图像质量参数。第一处理单元通过使用所生成的第三图像质量参数对处理目标图像进行处理。
该配置使得可以根据各种图像机械地(自动地)生成合适的图像质量参数，从而减少确定合适的图像质量参数所需的劳动，从而提高各种图像的图像质量。
另外，第一学习单元通过使用第一训练数据来执行第一机器学习，第一训练数据包括参考图像、通过处理参考图像而获得的评估目标图像和指示评估目标图像相对于参考图像的相对评估结果的第一评估结果。
该配置使得第一学习单元可以生成第一学习完成模型，第一学习完成模型引入了在视觉上比较参考图像和评估目标图像的同时评估评估目标图像的人类评估者的经验和诀窍。
另外，根据本公开的学习设备(第一实施例中的学习设备10)包括处理单元(第一实施例中的第一处理单元13)。该处理单元通过使用多个第一图像质量参数中的每一个对原始图像进行处理，从而获取通过使用多个第一图像质量参数对原始图像进行处理而获得的多个输出图像，这多个输出图像对应多个第一图像质量参数。评估单元使用原始图像和多个输出图像作为输入图像，从而获取与多个输出图像相对应的多个第二评估结果。
该配置使得评估单元可以以与在视觉上比较参考图像和评估目标图像的同时评估评估目标图像的人类评估者的评估类似地执行评估。
另外，第二学习单元通过使用包括原始图像和第二图像质量参数的第二训练数据执行第二机器学习。
该配置使得第二学习单元可以生成第二学习完成模型，第二学习完成模型引入了在视觉上比较参考图像和评估目标图像的同时确定适合于评估目标图像的图像质量参数的人类评估者的经验和诀窍。
另外，第一处理单元获取通过用第三图像质量参数对处理目标图像进行处理而获得的第一处理后的图像。此外，根据本公开的图像处理设备(第三实施例中的图像处理设备20)包括第二处理单元(第三实施例中的第三处理单元45)、第二评估单元(第三实施例中的第二评估单元43)和选择单元(第三实施例中的图像选择单元46)。第二处理单元通过使用具有预定值的第四图像质量参数对处理目标图像进行处理，从而获取通过使用第四图像质量参数对处理目标图像进行处理而获得的第二处理后的图像。第二评估单元使用第一学习完成模型来获取针对第一处理后的图像的第三评估结果。选择单元在第三评估结果满足预定条件时选择第一处理后的图像，另一方面在当第三评估结果不满足预定条件时选择第二处理后的图像。
该配置使得例如即使当第一处理后的图像由于第一学习完成模型或第二学习完成模型的学习不足而具有不满足预定条件的较差图像质量时也可以获得具有适当图像质量的第二处理后的图像。
另外，根据本公开的图像处理设备(第四实施例中的图像处理设备20)包括第三评估单元(第四实施例中的第三评估单元61)和选择单元(第四实施例中的图像选择单元62)。第三评估单元使用第一学习完成模型来获取针对第二处理后的图像的第四评估结果。选择单元在第三评估结果等于第四评估结果时或者在第三评估结果优于第四评估结果时选择第一处理后的图像，另一方面在第四评估结果优于第三评估结果时选择第二处理后的图像。
该配置使得例如即使当第一处理后的图像由于第一学习完成模型或第二学习完成模型的学习不足而具有较差的图像质量时也可以获得具有比第一处理后的图像的图像质量更高的图像质量的第二处理后的图像。
注意，本文描述的效果仅仅是示例，并且本发明不限于这些效果并且可具有其他效果。
另外，可以通过使图像处理系统1中包括的处理器执行与每个处理相对应的程序来实现图像处理系统1中的以上描述中的每个处理的全部或部分。例如，可以将与以上描述中的每个处理相对应的程序存储在存储器中，使得可以从该存储器中读取该程序并由处理器执行该程序。此外，程序可以存储在经由任何网络连接到图像处理系统1的程序服务器中，以便从程序服务器下载到图像处理系统1以供执行，或者可以存储在图像处理系统1可读取的记录介质中以便从该记录介质中读取以供执行。图像处理系统1可读取的记录介质的示例包括便携式存储介质，诸如存储卡、USB存储器、SD卡、软盘、磁光盘、CD-ROM、DVD和蓝光(注册商标)盘之类。此外，程序是用任何语言或通过任何描述方法描述的数据处理方法，并且可以是诸如源代码或二进制代码之类的任何格式。此外，程序不一定限于单个程序，并且还包括分布在多个模块或多个库中的程序，以及与由OS代表的单独程序协作实现其功能的程序。
另外，图像处理系统1的分布/集成的具体形式不限于图示，并且图像处理系统1的全部或部分可以根据各种添加等或根据功能负载在功能上或物理上分布/集成在任何单元中。
例如，在图3中示出的获取单元21、第四存储单元22和参数生成单元23可被配置为与图像处理设备20分离以便设置在网络服务器中。在该配置中，去除了获取单元21、第四存储单元22和参数生成单元23的图像处理设备通过使用无线通信等将处理目标图像发送到网络服务器。已接收到处理目标图像的网络服务器生成最优参数组，并通过使用无线通信等将所生成的最优参数组发送到图像处理设备。已接收到最优参数组的图像处理设备使用从网络服务器接收到的最优参数组对处理目标图像进行处理，获取处理后的图像，并输出所获取的处理后的图像。每当将处理目标图像输入到图像处理设备时，重复以上处理。因此，在该配置中，包括获取单元21、第四存储单元22和参数生成单元23的网络服务器用作生成最优参数组的参数生成设备。
另外，例如，图3所示的图像处理设备20可被配置为设置在网络服务器中。在该配置中，具有显示器的通信终端通过使用无线通信等将处理目标图像发送到网络服务器。已接收到处理目标图像的网络服务器生成最优参数组，通过使用所生成的最优参数组对处理目标图像进行处理来获取处理后的图像，并通过使用无线通信等将所获取的处理后的图像发送到通信终端。已接收到处理后的图像的通信终端在显示器上显示接收到的处理后的图像。每当将处理目标图像输入到通信终端时，重复以上处理。
另外，所公开的技术还可以采用以下配置。
(1)一种学习设备，包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
(2)根据前述(1)所述的学习设备，其中
第一学习单元通过使用第一训练数据来执行第一机器学习，第一训练数据包括参考图像、通过处理所述参考图像而获得的评估目标图像以及指示评估目标图像相对于所述参考图像的相对评估结果的第一评估结果。
(3)根据前述(1)所述的学习设备，还包括
处理单元，通过使用所述多个第一图像质量参数中的每一个来处理原始图像，从而获取通过使用所述多个第一图像质量参数处理原始图像而获得的多个输出图像，所述多个输出图像对应于所述多个第一图像质量参数，其中
所述评估单元使用原始图像和所述多个输出图像作为输入图像，从而获取与所述多个输出图像相对应的所述多个第二评估结果。
(4)根据前述(3)所述的学习设备，其中
第二学习单元通过使用第二训练数据来执行第二机器学习，第二训练数据包括原始图像和第二图像质量参数。
(5)一种图像处理设备，包括：
生成单元，通过使用由学习设备生成的第二学习完成模型来生成第三图像质量参数；和
第一处理单元，通过使用所生成的第三图像质量参数来处理处理目标图像，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理所述处理目标图像的第三图像质量参数。
(6)根据前述(5)所述的图像处理设备，其中
第一处理单元获取通过用第三图像质量参数对所述处理目标图像进行处理而获得的第一处理后的图像，并且
图像处理设备还包括：
第二处理单元，通过使用具有预定值的第四图像质量参数对所述处理目标图像进行处理，从而获取通过使用第四图像质量参数对所述处理目标图像进行处理而获得的第二处理后的图像；
第二评估单元，使用第一学习完成模型来获取针对第一处理后的图像的第三评估结果；和
选择单元，在第三评估结果满足预定条件时选择第一处理后的图像，另一方面，在第三评估结果不满足所述条件时选择第二处理后的图像。
(7)根据前述(5)所述的图像处理设备，其中
第一处理单元获取通过用第三图像质量参数对所述处理目标图像进行处理而获得的第一处理后的图像，并且
图像处理设备还包括：
第二处理单元，通过使用具有预定值的第四图像质量参数对所述处理目标图像进行处理，并获取通过使用第四图像质量参数对所述处理目标图像进行处理而获得的第二处理后的图像；
第二评估单元，使用第一学习完成模型来获取针对第一处理后的图像的第三评估结果；
第三评估单元，使用第一学习完成模型来获取针对第二处理后的图像的第四评估结果；和
选择单元，在第三评估结果等于第四评估结果时或在第三评估结果优于第四评估结果时选择第一处理后的图像，另一方面在第四评估结果优于第三评估结果时选择第二处理后的图像。
(8)一种参数生成设备，包括：
获取单元，从学习设备获取由所述学习设备生成的第二学习完成模型；和
生成单元，使用所获取的第二学习完成模型来生成第三图像质量参数，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
(9)一种学习方法，包括：
执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数；
生成包括所选择的第二图像质量参数的第二训练数据；和
执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
(10)一种图像处理方法，包括：
通过使用由学习设备生成的第二学习完成模型来生成第三图像质量参数；和
通过使用所生成的第三图像质量参数来处理处理目标图像，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理所述处理目标图像的第三图像质量参数。
标号列表
1 图像处理系统
10 学习设备
11 第一机器学习单元
13 第一处理单元
14 评估单元
17 第二机器学习单元
20 图像处理设备
23 参数生成单元
24 第二处理单元

Claims (10)

1.一种学习设备，包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
2.根据权利要求1所述的学习设备，其中
第一学习单元通过使用第一训练数据来执行第一机器学习，第一训练数据包括参考图像、通过处理所述参考图像而获得的评估目标图像以及指示评估目标图像相对于所述参考图像的相对评估结果的第一评估结果。
3.根据权利要求1所述的学习设备，还包括
处理单元，通过使用所述多个第一图像质量参数中的每一个来处理原始图像，从而获取通过使用所述多个第一图像质量参数处理原始图像而获得的多个输出图像，所述多个输出图像对应于所述多个第一图像质量参数，其中
所述评估单元使用原始图像和所述多个输出图像作为输入图像，从而获取与所述多个输出图像相对应的所述多个第二评估结果。
4.根据权利要求3所述的学习设备，其中
第二学习单元通过使用第二训练数据来执行第二机器学习，第二训练数据包括原始图像和第二图像质量参数。
5.一种图像处理设备，包括：
生成单元，通过使用由学习设备生成的第二学习完成模型来生成第三图像质量参数；和
第一处理单元，通过使用所生成的第三图像质量参数来处理处理目标图像，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理所述处理目标图像的第三图像质量参数。
6.根据权利要求5所述的图像处理设备，其中
第一处理单元获取通过用第三图像质量参数对所述处理目标图像进行处理而获得的第一处理后的图像，并且
图像处理设备还包括：
第二处理单元，通过使用具有预定值的第四图像质量参数对所述处理目标图像进行处理，从而获取通过使用第四图像质量参数对所述处理目标图像进行处理而获得的第二处理后的图像；
第二评估单元，使用第一学习完成模型来获取针对第一处理后的图像的第三评估结果；和
选择单元，在第三评估结果满足预定条件时选择第一处理后的图像，另一方面，在第三评估结果不满足所述条件时选择第二处理后的图像。
7.根据权利要求5所述的图像处理设备，其中
第一处理单元获取通过用第三图像质量参数对所述处理目标图像进行处理而获得的第一处理后的图像，并且
图像处理设备还包括：
第二处理单元，通过使用具有预定值的第四图像质量参数对所述处理目标图像进行处理，并获取通过使用第四图像质量参数对所述处理目标图像进行处理而获得的第二处理后的图像；
第二评估单元，使用第一学习完成模型来获取针对第一处理后的图像的第三评估结果；
第三评估单元，使用第一学习完成模型来获取针对第二处理后的图像的第四评估结果；和
选择单元，在第三评估结果等于第四评估结果时或在第三评估结果优于第四评估结果时选择第一处理后的图像，另一方面在第四评估结果优于第三评估结果时选择第二处理后的图像。
8.一种参数生成设备，包括：
获取单元，从学习设备获取由所述学习设备生成的第二学习完成模型；和
生成单元，使用所获取的第二学习完成模型来生成第三图像质量参数，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
9.一种学习方法，包括：
执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数；
生成包括所选择的第二图像质量参数的第二训练数据；和
执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理处理目标图像的第三图像质量参数。
10.一种图像处理方法，包括：
通过使用由学习设备生成的第二学习完成模型来生成第三图像质量参数；和
通过使用所生成的第三图像质量参数来处理处理目标图像，
所述学习设备包括：
第一学习单元，执行使用包括针对评估目标图像的第一评估结果的第一训练数据的第一机器学习，以生成第一学习完成模型，第一学习完成模型输出针对输入图像的第二评估结果；
评估单元，使用第一学习完成模型来获取针对多个输入图像的多个第二评估结果；
生成单元，基于所述多个第二评估结果从具有不同值的多个第一图像质量参数中选择第二图像质量参数，并生成包括所选择的第二图像质量参数的第二训练数据；和
第二学习单元，执行使用第二训练数据的第二机器学习以生成第二学习完成模型，第二学习完成模型输出用于处理所述处理目标图像的第三图像质量参数。
CN201980097676.8A 2019-06-27 2019-06-27 学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法 Withdrawn CN113994369A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/025692 WO2020261503A1 (ja) 2019-06-27 2019-06-27 学習装置、画像加工装置、パラメータ生成装置、学習方法及び画像加工方法

Publications (1)

Publication Number Publication Date
CN113994369A true CN113994369A (zh) 2022-01-28

Family

ID=74061609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980097676.8A Withdrawn CN113994369A (zh) 2019-06-27 2019-06-27 学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法

Country Status (3)

Country Link
US (1) US20220366674A1 (zh)
CN (1) CN113994369A (zh)
WO (1) WO2020261503A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023068126A1 (ja) 2021-10-19 2023-04-27 ソニーグループ株式会社 学習装置、データ加工装置、パラメータ生成装置、学習方法、データ加工方法及びパラメータ生成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8494283B2 (en) * 2010-12-21 2013-07-23 Microsoft Corporation Image quality assessment
JP6909633B2 (ja) * 2017-05-17 2021-07-28 本田技研工業株式会社 評価装置、評価方法、および評価プログラム

Also Published As

Publication number Publication date
WO2020261503A1 (ja) 2020-12-30
US20220366674A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
CN111031346B (zh) 一种增强视频画质的方法和装置
US10726539B2 (en) Image processing apparatus, image processing method and storage medium
US20190138899A1 (en) Processing apparatus, processing method, and nonvolatile recording medium
JP2017517818A (ja) デジタル画像の色を処理するための方法及びシステム
JP2004012422A (ja) パターン検査装置、パターン検査方法およびプログラム
EP3855362A1 (en) Convolution processing method, apparatus, and storage medium of convolutional neural network
EP3660753A1 (en) Learning method, learning program, learning device, and learning system
KR102282087B1 (ko) 딥러닝 모델에 적용하기 위한 학습 데이터 확장방법, 딥러닝을 이용한 이미지 분류장치 및 그 방법
US11544568B2 (en) Method for optimizing a data model and device using the same
US10475187B2 (en) Apparatus and method for dividing image into regions
CN113994369A (zh) 学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法
CN114741389A (zh) 模型参数调整方法、装置、电子设备及存储介质
US11941519B2 (en) Machine learning training platform
CN110119459A (zh) 图像数据检索方法及图像数据检索装置
US11244155B2 (en) Information processing system
US20180101294A1 (en) Information generating system, information generating device, information generating method, and information generating program
CN108021353B (zh) 软件产品的说明文档的生成装置、方法、设备及存储介质
CN110806874A (zh) 一种直播间配置文件的解析方法、存储介质、电子设备及系统
US20210368095A1 (en) Method, apparatus, electronic device, storage medium and system for vision task execution
US20210042550A1 (en) Information processing device, information processing method, and computer-readable recording medium recording information processing program
CN104504429A (zh) 二维码生成方法和装置
CN113592800A (zh) 基于动态扫描参数的图像扫描方法及装置
CN112766277A (zh) 卷积神经网络模型的通道调整方法、装置和设备
US10019661B2 (en) Print control apparatus, and print control method for selectively rasterizing print data
US20180081951A1 (en) Information generation system, a method and a non-transitory computer readable medium thereof

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220128