CN114066722B - 用于获取图像的方法、装置和电子设备 - Google Patents
用于获取图像的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114066722B CN114066722B CN202111297098.8A CN202111297098A CN114066722B CN 114066722 B CN114066722 B CN 114066722B CN 202111297098 A CN202111297098 A CN 202111297098A CN 114066722 B CN114066722 B CN 114066722B
- Authority
- CN
- China
- Prior art keywords
- image
- size
- resolution
- region
- super
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000009877 rendering Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开实施例公开了用于获取图像的方法、装置和电子设备。该方法的一具体实施方式包括：获取预先设置的目标尺寸和预先设置的中间尺寸；基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。由此，提供了一种新的用于获取图像的方式。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种用于获取图像的方法、装置和电子设备。
背景技术
随着计算机的发展，用户可以使用电子设备实现各种功能。例如，用户可以通过电子设备观看基于虚拟的世界渲染出逼真的画面。
在一些场景中，渲染可以包括三维模型生成二维图像的过程。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种用于获取图像的方法，该方法包括：获取预先设置的目标尺寸和预先设置的中间尺寸；基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。
第二方面，本公开实施例提供了一种用于获取图像的装置，包括：获取单元，用于获取预先设置的目标尺寸和预先设置的中间尺寸；渲染单元，用于基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；生成单元，用于基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。
第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的用于获取图像的方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的用于获取图像的方法的步骤。
本公开实施例提供的用于获取图像的方法、装置和电子设备，可以获取预先设置的目标尺寸和中间尺寸；基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。由此，提供了一种新的用于获取图像的方法。
在这里，可以先渲染尺寸小于目标尺寸的图像(比如目标图像600＊800，我们先渲染一张300＊400的小图)；然后，可以基于渲染出来的小图通过超分辨率(SuperResolution，SR)算法将小图放大为目标尺寸(仍以上述为例，将渲染出来的300＊400的小图通过超分辨率的方法放大为600＊800)。并且Super Resolution算法的时间一般远远小于基于光线追踪进行渲染的时间，同样的硬件条件下Super Resolution在毫秒级即可完成，基于光线追踪进行渲染则是小时级。相较之下，采用Super Resolution算法进行处理耗费时间可以忽略不计。由此，可以加速整个渲染流程。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的用于获取图像的方法的一个实施例的流程图；
图2和图3是根据本公开的用于获取图像的方法的一个应用场景的示意图；
图4是根据本公开的用于获取图像的方法的另一个实施例的示意图；
图5是根据本公开的用于获取图像的装置的一个实施例的结构示意图；
图6是本公开的一个实施例的用于获取图像的方法可以应用于其中的示例性系统架构；
图7是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的用于获取图像的方法的一个实施例的流程。如图1所示该用于获取图像的方法，包括以下步骤：
步骤101，获取预先设置的目标尺寸和预先设置的中间尺寸。
在本实施例中，用于获取图像的方法的执行主体(例如服务器和/或终端设备)可以获取目标尺寸和中间尺寸。其中，目标尺寸和中间尺寸均可以是预先设置的。
在这里，目标尺寸大于中间尺寸。作为示例，目标尺寸可以是400＊400，中间尺寸可以是200＊200。
步骤102，基于光线追踪算法和三维模型，渲染得到所述中间尺寸的第一图像。
在这里，三维模型可以指示三维物体，还可以指示虚拟场景。
光线追踪(Ray tracing)是渲染算法的一种，可以跟踪从摄像机发出的光线而不是光源发出的光线。
光线追踪可以将眼睛抽象成摄像机，视网膜抽象成画布(或者称为显示屏幕)，从摄像机位置与画布的每个像素连成一条射线，去追踪这些射线与场景物体交点的光照信息。
在这里，可以以视点为起点，向画布中的像素发射光线，然后光线可以根据实际场景行进，再对此过程中产生的光线进行蒙特卡洛积分可获得中间尺寸的第一图像中每个像素的像素值。
步骤103，基于超分辨率算法，对第一图像进行处理，得到第二图像。
在这里，所述第二图像的尺寸为所述目标尺寸。
在这里，图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，可以称PPI为像素每英寸。一般情况下，图像分辨率越高，图像中包含的细节就越多，信息量也越大。图像分辨率分为空间分辨率和时间分辨率。通常，分辨率被表示成每一个方向上的像素数量，例如64＊64的二维图像。但分辨率的高低其实并不等同于像素数量的多少，例如一个通过插值放大了5倍的图像并不表示它包含的细节增加了多少。图像超分辨率重建关注的是恢复图像中丢失的细节，即高频信息。
在这里，图像超分辨率(Image Super Resolution)是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。
可选的，图像超分辨率算法可以包括各种方法，按照不同的标准可以分为不同的类型。例如按照领域划分，可以包括基于频域的方法和基于空域的方法；例如按照技术本身的特点，可以包括基于重建和基于学习的方法。
在本实施例中，基于超分辨率算法对第一图像进行处理，可以提高分辨率，由此可以增大图像尺寸。
需要说明的是，本实施例提供的用于获取图像的方式，可以获取预先设置的目标尺寸和中间尺寸；基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。由此，提供了一种新的用于获取图像的方法。
具体来说，可以先渲染尺寸小于目标尺寸的图像(比如目标图像600＊800，我们先渲染一张300＊400的小图)；然后，可以基于渲染出来的小图通过超分辨率(SuperResolution，SR)算法将小图放大为目标尺寸(仍以上述为例，将渲染出来的300＊400的小图通过超分辨率的方法放大为600＊800)。并且Super Resolution算法的时间一般远远小于基于光线追踪进行渲染的时间，同样的硬件条件下Super Resolution在毫秒级即可完成，基于光线追踪进行渲染则是小时级。相较之下，采用Super Resolution算法进行处理耗费时间可以忽略不计。由此，可以加速整个渲染流程。
需要说明的是，图像修复的目标是恢复一个被模糊或者噪声破坏的图像，图像修复不改变图像的尺寸，着重于图像的还原。超分辨率算法，相对于图像修复算法，可以针对性地提高图像的高频信息。
需要说明的是，图像插值，即增加单幅图像的尺寸。一般的插值并不能恢复LR采样过程中丢失的高频信息，但是图像超分辨率可以。即Super Resolution算法不同于普通的插值算法(如最近邻插值、双线性插值、双立方插值)，图像修复具有更高的视觉效果，能更好地还原图像的纹理细节。
由此可以理解，将超分辨率算法应用到图像渲染场景，减少图像渲染数量同事，可以保证第二图像达到与目标图像(全部像素采用光线追踪方法渲染)极为相似的程度，呈现给用户的时候，用户人眼无法区分是全部采用光线追踪方法渲染，还是部分渲染部分采用SR处理。
请参考图2和图3，图2和图3示出了图1对应的实施例的示例性应用场景。
在一些应用场景中，通过步骤102，可以渲染得到第一图像，作为示例，在图2中，示出了第一图像，第一图像的尺寸为300＊400。
然后，通过步骤103，可以基于第一图像得到第二图像；作为示例，在图3中，示出了第二图像，第二图像的尺寸为600＊800。
在一些实施例中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：根据所述第一图像的能量分布，确定所述第一图像的第一区域和第二区域；采用第一类型超分辨率算法，对所述第一区域中的像素进行处理；采用第二类型超分辨率算法，对所述第二区域中的像素进行处理。
在这里，可以(例如利用傅里叶变换等)计算第一图像的频谱图，这个频谱图也可以称为功率图或者能量分布图。
在能量分布图的基础上，可以利用各种方式选取第一区域。例如，能量值位于前百分之五十的像素作为第一区域。
在这里，所述第一区域中像素的能量值大于第一能量阈值，所述第二区域中的像素的能量值小于第二能量阈值。
作为示例，第一类型图像超分辨率算法可以是基于学习的图像超分辨率算法，第二类型图像超分辨率算法可以是基于重建的图像超分辨率算法。
作为示例，第一类型图像超分辨率算法可以是基于频域的图像超分辨率算法，第二类型图像超分辨率算法可以是基于空域的图像超分辨率算法。
需要说明的是，根据能量分布，确定第一区域和第二区域，然后为第一区域和第二区域设置不同的超分辨率算法，可以实现在消耗的计算量和计算准确度两个方面的平衡。提高第二图像的生成的整体效率。
在一些应用场景中，第一类型超分辨率算法的准确度大于第二类型超分辨率算法，第一类型超分辨率算法的计算量大于第二类型超分辨率算法。
同一作用(例如实现提高图像分辨率)的算法，准确率高的计算量较大，准确率低的计算量小。
需要说明的是，采用高准确率高计算量的算法，计算能量较高区域，可以保证能量较高的区域实现准确地提高分辨率。采用低准确率低计算量的算法，计算能量较低的区域，可以保证能量较低的区域也可以实现相对准确的提高分辨率而不影响图像整体的准确性。并且，由于能量较低的区域没有采用高计算量的算法处理，图像整体的计算量也就可以相应降低。
在一些实施例中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：将所述第一图像导入预先建立的重建模型，以及获取所述重建模型的输出，作为所述第二图像。
在这里，所述重建模型用于重建第一分辨率图像得到第二分辨率图像。第二分辨率大于第一分辨率。
在这里，所述重建模型可以是基于神经网络的模型。神经网络的具体结构，可以根据实际应用场景设置，在此不做限定。
在这里，所述重建模型可以利用大量的训练数据，从中学习低分辨率图像和高分辨率图像之间某种对应关系，然后根据学习到的映射关系来预测低分辨率图像所对应的高分辨率图像，从而实现图像的超分辨率重建过程。
在一些实施例中，请参考图4，图4示出了重建模型建立步骤的示例性流程。重建模型建立步骤包括：
步骤401，获取训练样本集。
在这里，训练样本包括成对的低分样本和高分样本。即一个训练样本中包括至少两个图像，这至少两个图像内容相同，但是图像分辨率不同。
在这里，低分样本为训练样本中分辨率较低的样本，高分样本为训练样本中分辨率较高的样本。
步骤402，将训练样本中的低分样本导入初始模型，以及获取初始模型输出的重建结果。
作为示例，初始模型，可以基于卷积神经网络(Convolutiona lNeural Network)建立。对于输入的一张低分样本，初始模型可以利用卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将网络输出的结果作为重建后的高分辨率图像。将模型输出的高分辨率图像与高分样本进行对比，生成第一损失值。
步骤403，基于所述重建结果和所述高分样本，生成第一损失值。
步骤404，根据第一损失值调整所述初始模型的参数值，得到所述重建模型。
由此，可以实现利用机器学习模型准确地进行超分辨率处理。
在一些实施例中，所述方法还包括：获取缩放系数；根据所述缩放系数和所述目标尺寸，确定所述中间尺寸。
在这里，上述缩放系数可以根据实际应用场景设置，在此不做限定。
作为示例，目标尺寸为600＊800，中间尺寸为300＊400；这种情况下，缩放系数为2。相对于600＊800全部采用采用光线追踪算法渲染，渲染300＊400的图像，时间缩短为四分之一。
在一些应用场景中，可以通过调整缩放系数，实现调整中间尺寸。
由此，可以实现灵活地调整缩放系数，使得用户可以快速多次地实验中间尺寸相对于目标尺寸缩小到何种程度，可以既保证图像准确度又能尽可能地提高生成图片的速度。从而实现快速找到图像准确率和计算量之间的平衡。
在一些实施例中，所述重建模型包括尺寸放大网络和重建网络。
在一些实施例中，上述步骤将训练样本中的低分样本导入初始模型，以及获取初始模型输出的重建结果，包括：将所述第一图像导入尺寸放大网络，得到尺寸放大层输出的目标尺寸的第三图像；采用所述重建网络处理所述第三图像，得到所述第二图像。
在这里，所述尺寸放大网络用于将图像由任意尺寸转换为目标尺寸。
需要说明的是，将放大网络和重建网络分离，可以使得重建网络的重建过程中，图像尺寸不改变，使得重建网络专注于计算准确的像素值。并且，在缩放系数调整的时候，可以使得重建网络不受影响。换句话说，包括放大网络和重建网络的重建模型，可以适应缩放系数的调整，而快速地实现图像重建。
在一些实施例中，所述重建模型包括残差网络。
在这里，所述残差网络用于识别以及丢弃所述第一图像中的第二区域。所述第二区域中的像素的能量值小于第二能量阈值。
由此，可以实现在第二网络中的第二网络，采用较少的计算量进行处理。从而，可以减少消耗的计算资源。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于获取图像的装置的一个实施例，该装置实施例与图1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5所示，本实施例的用于获取图像的装置包括：获取单元501、渲染单元502和生成单元503。其中，获取单元，用于获取预先设置的目标尺寸和预先设置的中间尺寸；渲染单元，用于基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；生成单元，用于基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。
在本实施例中，用于获取图像的装置的获取单元501、渲染单元502和生成单元503的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明，在此不再赘述。
在一些实施例中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：根据所述第一图像的能量分布，确定所述第一图像的第一区域和第二区域，其中，所述第一区域中像素的能量值大于第一能量阈值，所述第二区域中的像素的能量值小于第二能量阈值；采用第一类型超分辨率算法，对所述第一区域中的像素进行处理；采用第二类型超分辨率算法，对所述第二区域中的像素进行处理。
在一些实施例中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：将所述第一图像导入预先建立的重建模型，以及获取所述重建模型的输出，作为所述第二图像，其中，所述重建模型用于重建第一分辨率图像得到第二分辨率图像，其中，第二分辨率大于第一分辨率。
在一些实施例中，重建模型建立步骤包括：获取训练样本集，其中，训练样本包括成对的低分样本和高分样本，其中，低分样本为训练样本中分辨率较低的样本，高分样本为训练样本中分辨率较高的样本；将训练样本中的低分样本导入初始模型，以及获取初始模型输出的重建结果；基于所述重建结果和所述高分样本，生成第一损失值；根据第一损失值调整所述初始模型的参数值，得到所述重建模型。
在一些实施例中，所述方法还包括：获取缩放系数；根据所述缩放系数和所述目标尺寸，确定所述中间尺寸。
在一些实施例中，所述重建模型包括尺寸放大网络和重建网络；将所述第一图像导入尺寸放大网络，得到尺寸放大层输出的目标尺寸的第三图像，其中，所述尺寸放大网络用于将图像由任意尺寸转换为目标尺寸；采用所述重建网络处理所述第三图像，得到所述第二图像。
在一些实施例中，所述重建模型包括残差网络。
在这里，所述残差网络用于识别以及丢弃所述第一图像中的第二区域，其中，所述第二区域中的像素的能量值小于第二能量阈值。
请参考图6，图6示出了本公开的一个实施例的用于获取图像的方法可以应用于其中的示例性系统架构。
如图6所示，系统架构可以包括终端设备601、602、603，网络604，服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603可以通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备601、602、603中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。
终端设备601、602、603可以是硬件，也可以是软件。当终端设备601、602、603为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备601、602、603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。
服务器605可以是提供各种服务的服务器，例如接收终端设备601、602、603发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备601、602、603。
需要说明的是，本公开实施例所提供的用于获取图像的方法可以由终端设备执行，相应地，用于获取图像的装置可以设置在终端设备601、602、603中。此外，本公开实施例所提供的用于获取图像的方法还可以由服务器605执行，相应地，用于获取图像的装置可以设置于服务器605中。
应该理解，图6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。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取预先设置的目标尺寸和预先设置的中间尺寸；基于光线追踪算法和所述三维模型，渲染得到所述中间尺寸的第一图像；基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，其中，所述第二图像的尺寸为所述目标尺寸。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“选取尺寸的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种用于获取图像的方法，其特征在于，包括
获取预先设置的目标尺寸和预先设置的中间尺寸；
基于光线追踪算法和三维模型，渲染得到所述中间尺寸的第一图像；
基于超分辨率算法，对所述第一图像进行处理，得到第二图像，其中，所述第二图像的尺寸为所述目标尺寸；
其中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：
根据所述第一图像的能量分布，确定所述第一图像的第一区域和第二区域，其中，所述第一区域中像素的能量值大于第一能量阈值，所述第二区域中的像素的能量值小于第二能量阈值；
采用第一类型超分辨率算法，对所述第一区域中的像素进行处理；
采用第二类型超分辨率算法，对所述第二区域中的像素进行处理。
2.根据权利要求1所述的方法，其特征在于，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：
将所述第一图像导入预先建立的重建模型，以及获取所述重建模型的输出，作为所述第二图像，其中，所述重建模型用于重建第一分辨率图像得到第二分辨率图像，其中，第二分辨率大于第一分辨率。
3.根据权利要求2所述的方法，其特征在于，重建模型建立步骤包括：
获取训练样本集，其中，训练样本包括成对的低分样本和高分样本，其中，低分样本为训练样本中分辨率较低的样本，高分样本为训练样本中分辨率较高的样本；
将训练样本中的低分样本导入初始模型，以及获取初始模型输出的重建结果；
基于所述重建结果和所述高分样本，生成第一损失值；
根据第一损失值调整所述初始模型的参数值，得到所述重建模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取缩放系数；
根据所述缩放系数和所述目标尺寸，确定所述中间尺寸。
5.根据权利要求4所述的方法，其特征在于，所述重建模型包括尺寸放大网络和重建网络；
所述将所述第一图像导入预先建立的重建模型，以及获取所述重建模型的输出，作为所述第二图像，包括：
将所述第一图像导入尺寸放大网络，得到尺寸放大层输出的目标尺寸的第三图像，其中，所述尺寸放大网络用于将图像由任意尺寸转换为目标尺寸；
采用所述重建网络处理所述第三图像，得到所述第二图像。
6.根据权利要求2所述的方法，其特征在于，所述重建模型包括残差网络，其中，所述残差网络用于识别以及丢弃所述第一图像中的第二区域，其中，所述第二区域中的像素的能量值小于第二能量阈值。
7.一种用于获取图像的装置，其特征在于，包括：
获取单元，用于获取预先设置的目标尺寸和预先设置的中间尺寸；
渲染单元，用于基于光线追踪算法和三维模型，渲染得到所述中间尺寸的第一图像；
生成单元，用于基于超分辨率算法，对所述第一图像进行处理，得到第二图像，其中，所述第二图像的尺寸为所述目标尺寸；
其中，所述基于超分辨率算法，对所述第一图像进行处理，得到所述第二图像，包括：
根据所述第一图像的能量分布，确定所述第一图像的第一区域和第二区域，其中，所述第一区域中像素的能量值大于第一能量阈值，所述第二区域中的像素的能量值小于第二能量阈值；
采用第一类型超分辨率算法，对所述第一区域中的像素进行处理；
采用第二类型超分辨率算法，对所述第二区域中的像素进行处理。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297098.8A CN114066722B (zh) | 2021-11-03 | 2021-11-03 | 用于获取图像的方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297098.8A CN114066722B (zh) | 2021-11-03 | 2021-11-03 | 用于获取图像的方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066722A CN114066722A (zh) | 2022-02-18 |
| CN114066722B true CN114066722B (zh) | 2024-03-19 |
Family
ID=80273817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111297098.8A Active CN114066722B (zh) | 2021-11-03 | 2021-11-03 | 用于获取图像的方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066722B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115022678B (zh) * | 2022-05-30 | 2024-07-02 | 中国电信股份有限公司 | 图像处理方法、系统、装置、设备及存储介质 |
| WO2024159480A1 (en) * | 2023-02-02 | 2024-08-08 | Qualcomm Incorporated | Artificial intelligence animation pipeline |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680042A (zh) * | 2017-09-27 | 2018-02-09 | 杭州群核信息技术有限公司 | 渲染方法、装置、引擎及存储介质 |
| CN109064408A (zh) * | 2018-09-27 | 2018-12-21 | 北京飞搜科技有限公司 | 一种多尺度图像超分辨率重建的方法及装置 |
| CN109102463A (zh) * | 2018-08-13 | 2018-12-28 | 北京飞搜科技有限公司 | 一种超分辨率图像重建方法及装置 |
| CN109447900A (zh) * | 2018-09-30 | 2019-03-08 | 北京飞搜科技有限公司 | 一种图像超分辨率重建方法及装置 |
| CN111080528A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| CN111259841A (zh) * | 2020-01-20 | 2020-06-09 | 深圳云天励飞技术有限公司 | 一种图像处理方法及相关设备 |
| CN111311486A (zh) * | 2018-12-12 | 2020-06-19 | 北京沃东天骏信息技术有限公司 | 用于处理图像的方法和装置 |
| CN112242004A (zh) * | 2019-07-16 | 2021-01-19 | 华中科技大学 | 一种基于光照渲染的ar场景的虚拟雕刻方法及系统 |
| WO2021121108A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| CN113066166A (zh) * | 2021-03-23 | 2021-07-02 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
-
2021
- 2021-11-03 CN CN202111297098.8A patent/CN114066722B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680042A (zh) * | 2017-09-27 | 2018-02-09 | 杭州群核信息技术有限公司 | 渲染方法、装置、引擎及存储介质 |
| CN109102463A (zh) * | 2018-08-13 | 2018-12-28 | 北京飞搜科技有限公司 | 一种超分辨率图像重建方法及装置 |
| CN109064408A (zh) * | 2018-09-27 | 2018-12-21 | 北京飞搜科技有限公司 | 一种多尺度图像超分辨率重建的方法及装置 |
| CN109447900A (zh) * | 2018-09-30 | 2019-03-08 | 北京飞搜科技有限公司 | 一种图像超分辨率重建方法及装置 |
| CN111311486A (zh) * | 2018-12-12 | 2020-06-19 | 北京沃东天骏信息技术有限公司 | 用于处理图像的方法和装置 |
| CN112242004A (zh) * | 2019-07-16 | 2021-01-19 | 华中科技大学 | 一种基于光照渲染的ar场景的虚拟雕刻方法及系统 |
| CN111080528A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| WO2021121108A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| CN111259841A (zh) * | 2020-01-20 | 2020-06-09 | 深圳云天励飞技术有限公司 | 一种图像处理方法及相关设备 |
| CN113066166A (zh) * | 2021-03-23 | 2021-07-02 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 一种混合红外云图超分辨率重建算法;苏锦程等;红外(08);34-39 * |
| 多尺度压缩感知框架下的遥感图像超分辨率重建;陈伟业;孙权森;;南京师大学报(自然科学版)(第01期);45-53 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066722A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118301261A (zh) | 一种特效展示方法、装置、设备及介质 | |
| CN110021052B (zh) | 用于生成眼底图像生成模型的方法和装置 | |
| CN114066722B (zh) | 用于获取图像的方法、装置和电子设备 | |
| CN110349107B (zh) | 图像增强的方法、装置、电子设备、及存储介质 | |
| CN111598902B (zh) | 图像分割方法、装置、电子设备及计算机可读介质 | |
| CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
| CN110825286B (zh) | 图像处理方法、装置和电子设备 | |
| CN113177888A (zh) | 超分修复网络模型生成方法、图像超分修复方法及装置 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN111369475B (zh) | 用于处理视频的方法和装置 | |
| CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
| CN113744379B (zh) | 图像生成方法、装置和电子设备 | |
| CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
| CN114866706B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113222144B (zh) | 图像修复模型的训练方法及图像修复方法、装置及设备 | |
| CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN113066166A (zh) | 图像处理方法、装置和电子设备 | |
| CN114723600A (zh) | 美妆特效的生成方法、装置、设备、存储介质和程序产品 | |
| CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
| CN113706385A (zh) | 一种视频超分辨率方法、装置、电子设备及存储介质 | |
| CN110033413B (zh) | 客户端的图像处理方法、装置、设备、计算机可读介质 | |
| CN110599437A (zh) | 用于处理视频的方法和装置 | |
| CN114283060B (zh) | 视频生成方法、装置、设备及存储介质 | |
| CN112215774B (zh) | 模型训练和图像去雾方法、装置、设备和计算机可读介质 | |
| CN112395826B (zh) | 文字特效处理方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |