CN115619642A - 模型训练方法、装置、电子设备及介质 - Google Patents

模型训练方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN115619642A
CN115619642A CN202211350318.3A CN202211350318A CN115619642A CN 115619642 A CN115619642 A CN 115619642A CN 202211350318 A CN202211350318 A CN 202211350318A CN 115619642 A CN115619642 A CN 115619642A
Authority
CN
China
Prior art keywords
image data
model
resolution
image
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.)
Pending
Application number
CN202211350318.3A
Other languages
English (en)
Inventor
刘阳
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication 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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202211350318.3A priority Critical patent/CN115619642A/zh
Publication of CN115619642A publication Critical patent/CN115619642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本申请公开了一种模型训练方法、装置、电子设备及介质，属于图像处理领域。该方法包括：基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；基于训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，至少两个第二图像数据对应的图像的分辨率与一个第一图像数据对应的图像的分辨率不同；基于P个第二图像数据组，训练第三模型，得到训练后的第三模型。

Description

模型训练方法、装置、电子设备及介质
技术领域
本申请属于图像处理领域，具体涉及一种模型训练方法、装置、电子设备及介质。
背景技术
目前，电子设备在拍摄时，可以通过采用大量的图像数据对训练后的模型(例如图像超分辨率模型)进行数字变焦，每个图像数据对中包括一个高分辨率图像的数据和一个低分辨率图像的数据。而通常，每个低分辨率图像是直接对拍摄得到的对应高分辨率图像进行插值下采样得到的(方式一)，或者每个高分辨率图像和每个低分辨率图像均为实际拍摄得到的(方式二)。
然而，由于在上述方式一中，插值下采样与真实的分辨率退化存在差异，而在上述方式二中，大部分细节低分辨率成像后的形态，对于采样方式的准确性并不敏感，因此在训练上述模型时，采用的图像数据对无论是通过该方式一获取的还是通过该方式二获取的，均会导致模型训练的准确性较差。
发明内容
本申请实施例的目的是提供一种模型训练方法、装置、电子设备及介质，能够解决模型训练的准确性较差的问题。
第一方面，本申请实施例提供了一种模型训练方法，该方法包括：基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；基于训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，至少两个第二图像数据对应的图像的分辨率与一个第一图像数据对应的图像的分辨率不同；基于P个第二图像数据组，训练第三模型，得到训练后的第三模型。
第二方面，本申请实施例提供了一种模型训练装置，该装置包括训练模块和获取模块；训练模块，用于基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；获取模块，用于基于训练模块训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，至少两个第二图像数据对应的图像的分辨率与一个第一图像数据对应的图像的分辨率不同；训练模块，还用于基于获取模块获取的P个第二图像数据组，训练第三模型，得到训练后的第三模型。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
在本申请实施例中，可以基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；且基于训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，至少两个第二图像数据对应的图像的分辨率与一个第一图像数据对应的图像的分辨率不同；并基于P个第二图像数据组，训练第三模型，得到训练后的第三模型。通过该方案，由于电子设备训练第三模型采用的P个第二图像数据组，是基于采用N个第一图像数据组训练后的第一模型得到的，且每个第二图像数据组包括图像分辨率不同的一个第一图像数据和至少两个第二图像数据，即该P个第二图像数据组并非是通过直接插值或实际拍摄得到的，因此该P个第二图像数据组既可以减少采样与真实的分辨率退化间的差异，又可以提高对采样方式准确性的敏感度，从而采用该P个第二图像数据组训练模型，可以提高模型训练的准确性。
附图说明
图1是本申请实施例提供的模型训练方法的流程图；
图2是本申请实施例提供的模型训练方法的示意图之一；
图3是本申请实施例提供的模型训练方法的示意图之二；
图4是本申请实施例提供的模型训练方法的示意图之三；
图5是本申请实施例提供的模型训练装置的示意图；
图6是本申请实施例提供的电子设备的示意图；
图7是本申请实施例提供的电子设备的硬件示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面首先对本申请的说明书和权利要求书中涉及的一些名词或者术语进行解释说明。
混叠：在成像系统中，混叠是指传感器无法解析频率超过0.5周期/像素的纹理，而出现对比度降低甚至完全错误图案的现象。例如，拍摄网格纹理时，由于成像分辨率比实际场景低，会出现摩尔纹，这就是一种混叠现象。
图像超分辨率：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。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的模型训练方法、装置、电子设备及介质进行详细地说明。
手机的拍摄功能已经成为人们生活中经常使用的功能，在拍摄远处场景时，用户一般会触发手机进行变焦操作，将拍摄预览图像局部放大以便看清细节。但由于手机硬件的限制，光学变焦倍率是有限的，当光学变焦不能满足用户的需求时，需要使用数字变焦继续对拍摄预览图像进行放大，而通过图像超分辨率算法进行数字变焦，可以获得比通过普通插值算法进行数字变焦更好的清晰度。
目前，通过大量高、低分辨率图像构成的数据对，训练神经网络，以学习低分辨率到高分辨率的映射，是实现真实图像超分辨率的一种主流方式。在现有的真实图像超分辨率技术中，一般通过构造高、低分辨率数据对的方式，对真实成像系统中的采样进行建模，但获得高、低分辨率图像的方式有以下两种：
1、直接对拍摄的高分辨率图像的图像数据进行插值下采样得到低分辨率图像数据，插值方式为一种或多种混合。这种方式的优势是高、低分辨率图像数据对应性好，但是插值下采样与真实的分辨率退化模式存在差异，会导致真实场景超分辨率效果往往不够理想。
2、通过实际拍摄，直接得到高、低分辨率图像数据。这种方式虽然可以反映实际成像过程的退化，但由于真实场景中，大部分细节低分辨率成像后的形态，对于采样方式的准确性并不敏感，加上一些采集方式存在视差、颜色亮度差异、场景变化、配准误差等问题，会造成网络训练难度较大，最终实际效果不佳。
综上所述，现有方法都难以对真实的成像采样过程精确建模，在训练图像超分辨率模型时，采用的图像数据对无论是通过方式1获取的还是通过方式2获取的，均会导致图像超分辨率模型训练的准确性较差。
为了解决上述问题，在本申请实施例提供的模型训练方法中，可以基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；且基于训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，至少两个第二图像数据对应的图像的分辨率与一个第一图像数据对应的图像的分辨率不同；并基于P个第二图像数据组，训练上述图像超分辨率模型(例如本申请实施例中的第三模型)，得到训练后的图像超分辨率模型。通过该方案，由于电子设备训练图像超分辨率模型采用的P个第二图像数据组，是基于采用N个第一图像数据组训练后的第一模型得到的，且每个第二图像数据组包括图像分辨率不同的一个第一图像数据和至少两个第二图像数据，即该P个第二图像数据组并非是通过直接插值或实际拍摄得到的，因此该P个第二图像数据组既可以减少采样与真实的分辨率退化间的差异，又可以提高对采样方式准确性的敏感度，从而采用该P个第二图像数据组训练图像超分辨率模型，可以提高图像超分辨率模型训练的准确性。
本申请实施例提供一种模型训练方法，图1示出了本申请实施例提供的模型训练方法的流程图。如图1所示，本申请实施例提供的模型训练方法可以包括下述的步骤101至步骤103。下面以电子设备执行该方法为例对该方法进行示例性地说明。
步骤101、电子设备基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型。
其中，N为正整数。
本申请实施例中，第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率。
可选地，本申请实施例中，第一分辨率可以大于第二分辨率，即第一模型可以用于降低图像的分辨率。
本申请实施例中，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率。
可选地，本申请实施例中，第三分辨率可以小于第四分辨率，即第二模型可以用于提高图像的分辨率。
可选地，本申请实施例中，第一模型可以为采样重建模型。
可选地，本申请实施例中，第二模型可以为超分重建模型。
可选地，本申请实施例中，上述N个第一图像数据组包括：通过包括分光棱镜的摄像头组采集得到的混叠图像数据。
本申请实施例中，上述混叠图像数据为：发生混叠的图像的图像数据。
可选地，本申请实施例中，上述N个第一图像数据组中的每个第一图像数据组可以包括：一个高分辨率图像的图像数据和一个低分辨率图像的图像数据(即混叠图像数据)。
可选地，本申请实施例中，上述一个高分辨率图像和上述一个低分辨率图像可以为：采集的同一场景的两个图像。
可选地，本申请实施例中，上述N个第一图像数据组中的图像数据可以为RAW数据(即原始图像文件数据)。
可选地，本申请实施例中，电子设备通过包括分光棱镜的摄像头组采集图像，可以实现不同的摄像头对同一场景同时成像，从而可以尽量确保采集的高分辨率图像和低分辨率图像像素级别的对应性。
示例性地，假设上述N个第一图像数据组为一个图像采集设备采集的，如图2所示，该图像采集设备20中包括分光棱镜21、高分辨率相机22和低分辨率相机23；可以看出，通过分光棱镜21，高分辨率相机22和低分辨率相机23可以对同一场景同时成像，即在高分辨率相机22采集一个场景的高分辨率图像的同时，低分辨率相机23可以采集该场景的低分辨率图像。
可选地，本申请实施例中，电子设备可以通过调整上述摄像头组中的摄像头与拍摄对象间的距离，使采集的高分辨率图像为清晰图像、低分辨率图像为混叠图像。
例如，电子设备在调整上述摄像头组中的摄像头与拍摄对象间的距离之后进行图像采集，那么如图3中的(a)所示，该图像采集设备中的高分辨率相机采集的图像为高分辨率的清晰图像；如图3中的(b)所示，该图像采集设备中的低分辨率相机采集的图像为低分辨率的混叠图像。
本申请实施例中，由于上述N个第一图像数组包括通过包括分光棱镜的摄像头组采集得到的混叠图像数据，因此可以使该N个第一图像数据组对采样建模精度较敏感，从而可以基于该N个第一图像数据组精准建模真实采样过程，以实现更好的多帧RAW域超分辨率效果。
下面对电子设备训练第一模型和第二模型的具体方法进行详细说明。
可选地，本申请实施例中，电子设备可以通过下述的方式一或方式二，或者可以通过下述的方式一和方式二，训练第一模型和第二模型。方式一
可选地，本申请实施例中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同；那么上述步骤101具体可以通过下述的步骤101a至步骤101c实现。
可选地，本申请实施例中，第三图像数据对应的图像的分辨率，可以大于第四图像数据对应的图像的分辨率。
步骤101a、电子设备对于每个第一图像数据组中的第三图像数据，将第三图像数据输入第一模型，输出第五图像数据。
可选地，本申请实施例中，第五图像数据可以为：第三图像数据经第一模型处理后得到的对应低分辨率图像数据。
步骤101b、电子设备将第五图像数据输入第二模型，输出第六图像数据。
可选地，本申请实施例中，第六图像数据可以为：第五图像数据经第二模型处理后得到的对应高分辨率图像数据。
步骤101c、电子设备根据第一差值训练第一模型，并根据第二差值训练第一模型和第二模型。
本申请实施例中，第一差值为：第三图像数据对应的第四图像数据，与第五图像数据间的差值；第二差值为：第三图像数据与第六图像数据间的差值。
可选地，本申请实施例中，训练模型可以为更新模型中的各个参数。
可以理解，电子设备在对上述N个第一图像数据组均执行上述步骤之后，完成对第一模型和第二模型的联合训练。
本申请实施例中，由于电子设备可以根据第一差值训练第一模型，并根据第二差值训练第一模型和第二模型，即电子设备可以通过采集的图像数据与经模型处理的图像数据间的差异，联合训练第一模型和第二模型，因此可以提高电子设备训练第一模型和第二模型的准确性。
方式二
可选地，本申请实施例中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同；那么上述步骤101具体可以通过下述的步骤101d至步骤101f实现。
可选地，本申请实施例中，第三图像数据对应的图像的分辨率，可以大于第四图像数据对应的图像的分辨率。
步骤101d、电子设备对于每个第一图像数据组中的第四图像数据，将第四图像数据输入第二模型，输出第七图像数据。
可选地，本申请实施例中，第七图像数据可以为：第四图像数据经第二模型处理后得到的对应高分辨率图像数据。
步骤101e、电子设备将第七图像数据输入第一模型，输出第八图像数据。
可选地，本申请实施例中，第八图像数据可以为：第七图像数据经第一模型处理后得到的对应低分辨率图像数据。
步骤101f、电子设备根据第三差值训练第二模型，并根据第四差值训练第一模型和第二模型。
本申请实施例中，第三差值为：第四图像数据对应的第三图像数据，与第七图像数据间的差值；第四差值为：第四图像数据与第八图像数据间的差值。
可以理解，电子设备在对上述N个第一图像数据组均执行上述步骤之后，完成对第一模型和第二模型的联合训练。
本申请实施例中，由于电子设备可以根据第三差值训练第一模型，并根据第四差值训练第一模型和第二模型，即电子设备可以通过采集的图像数据与经模型处理的图像数据间的差异，联合训练第一模型和第二模型，因此可以进一步提高电子设备训练第一模型和第二模型的准确性。
下面结合附图，对本申请实施例提供的模型训练方法进行示例性地说明。
示例性地，上述方式一的具体流程如图4中的(a)所示，电子设备先将真实高分辨率数据IH(即第三图像数据)输入采样重建模型N1(即第一模型)，输出合成低分辨率数据SL(即第五图像数据)，再将SL输入超分重建模型N2(即第二模型)，输出合成高分辨率数据SH(即第六图像数据)，从而电子设备可以根据真实低分辨率数据IL(即第三图像数据对应的第四图像数据)和SL间的差值(即第一差值)更新N1，并根据IH和SH间的差值(即第二差值)同时更新N1和N2。
又示例性地，上述方式二的具体流程如图4中的(b)所示，电子设备先将真实低分辨率数据IL(即第四图像数据)输入超分重建模型N2(即第二模型)，输出合成高分辨率数据SH(即第七图像数据)，再将SH输入采样重建模型N1(即第一模型)，输出合成低分辨率数据SL(即第八图像数据)，从而电子设备可以根据真实高分辨率数据IH(即第四图像数据对应的第三图像数据)和SH间的差值(即第三差值)更新N2，并根据IL和SL间的差值(即第四差值)同时更新N1和N2。
需要说明的是，实际实现中，在上述联合训练第一模型和第二模型时，可以设计更复杂的训练流程，即将第二模型替换为第三模型，也即直接联合训练第一模型和第三模型。具体地，可以在将上述第三图像数据输入第一模型之前，增加一个单帧模拟抖动构造多帧的环节，以得到多个高分辨率图像数据，然后再将该多个高分辨率图像数据依次输入第一模型，得到多个低分辨率图像数据，从而实现第一模型和第三模型的联合训练，如此可以提高联合训练的效果。
步骤102、电子设备基于训练后的第一模型，得到P个第二图像数据组。
其中，P为正整数。
本申请实施例中，上述P个第二图像数据组中的每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据。
本申请实施例中，上述至少两个第二图像数据对应的图像的分辨率与上述一个第一图像数据对应的图像的分辨率不同。可选地，本申请实施例中，上述至少两个第二图像数据对应的图像的分辨率，可以均小于上述一个第一图像数据对应的图像的分辨率。
下面对电子设备得到上述P个第二图像数据组的具体方法进行详细说明。
可选地，本申请实施例中，电子设备可以通过下述的一种可能的实现方式或另一种可能的实现方式，或者可以通过下述的一种可能的实现方式和另一种可能的实现方式，得到上述P个第二图像数据组。
一种可能的实现方式
可选地，本申请实施例中，上述步骤102具体可以通过下述的步骤102a和102b实现。
步骤102a、电子设备将P个第一图像数据输入训练后的第一模型，得到与P个第一图像数据一一对应的P个第二图像数据。
可选地，本申请实施例中，上述P个第一图像数据可以均为电子设备获取的(例如，采集的或从服务器获取的等)同一场景的P个图像的图像数据；或者，上述P个第一图像数据中的一个第一图像数据为电子设备获取的，其它P-1个第一图像数据为对该一个第一图像数据进行平移旋转处理得到的。
可以理解，电子设备将一个第一图像数据输入第一模型之后，可以得到对应的一个第二图像数据，从而在将上述P个第一图像数据依次输入训练后的第一模型之后，可以得到上述P个第二图像数据。
步骤102b、电子设备对于每个第一图像数据，将一个第一图像数据和P个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到P个第二图像数据组。
可选地，本申请实施例中，任意两个上述第二图像数据组中每个第二图像数据组中的第二图像数据的数量可以相同或不同。
本申请实施例中，由于电子设备可以基于P个第一图像数据，以及将该P个第一图像数据输入训练后的第一模型得到的一一对应的P个第二图像数据，得到上述P个第二图像数据组，因此可以使得到的每个第二图像数据组中的一个第一图像数据和至少两个第二图像数据的对应性较好。
另一种可能的实现方式
可选地，本申请实施例中，上述N个第一图像数据组中的每个第一图像数据组可以包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同；那么上述步骤102具体可以通过下述的步骤102c和102e实现。
可选地，本申请实施例中，第三图像数据对应的图像的分辨率，可以大于第四图像数据对应的图像的分辨率。
步骤102c、电子设备将M个第一图像数据输入训练后的第一模型，得到与M个第一图像数据一一对应的M个第二图像数据。
其中，M为正整数。
步骤102d、电子设备对于每个第一图像数据，将一个第一图像数据和M个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到M个第二图像数据组。
对电子设备得到上述M个第二图像数据组的具体方法，可以参照上述一种可能的实现方式中的相关描述，为了避免重复，此处不再赘述。
步骤102e、电子设备对于N个第一图像数据组中的每个第三图像数据，将一个第三图像数据和N个第一图像数据组中的至少两个第四图像数据，组成图像数据组，得到N个第三图像数据组。
本申请实施例中，上述P个第二图像数据组包括上述M个第二图像数据组和上述N个第三图像数据组。
可以理解，电子设备在得到上述上述M个第二图像数据组和上述N个第三图像数据组之后，可以将该M个第二图像数据组和N个第三图像数据组中的所有图像数据组，确定为上述P个第二图像数据组。
本申请实施例中，由于上述P个第二图像数据组可以包括：基于训练后的第一模型得到的上述M个第二图像数据组，以及基于上述N个第一图像数据组得到的N个第三图像数据组，因此可以使该P个第二图像数据组中包括多个不同的图像数据组，从而可以使采用该P个第二图像数据组训练的模型能够适用于更多的场景。步骤103、电子设备基于P个第二图像数据组，训练第三模型，得到训练后的第三模型。
可选地，本申请实施例中，第三模型可以为能够实现图像超分辨率的图像超分辨率模型。
对电子设备训练第三模型的描述，可以参照相关技术中的具体描述，为了避免重复，此处不予赘述。
可选地，本申请实施例中，电子设备在得到训练后的第三模型之后，可以将训练后的第三模型嵌入数字变焦通路，以实现效果更好的数字变焦功能。
在本申请实施例提供的模型训练方法中，由于电子设备训练第三模型采用的P个第二图像数据组，是基于采用N个第一图像数据组训练后的第一模型得到的，且每个第二图像数据组包括图像分辨率不同的一个第一图像数据和至少两个第二图像数据，即该P个第二图像数据组并非是通过直接插值或实际拍摄得到的，因此该P个第二图像数据组既可以减少采样与真实的分辨率退化间的差异，又可以提高对采样方式准确性的敏感度，从而采用该P个第二图像数据组训练模型，可以提高模型训练的准确性。
本申请实施例提供的模型训练方法，执行主体可以为模型训练装置。本申请实施例中以模型训练装置执行模型训练方法为例，说明本申请实施例提供的模型训练装置。
结合图5，本申请实施例提供一种模型训练装置50，该模型训练装置50可以包括训练模块51和获取模块52。训练模块51，可以用于基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率。获取模块52，可以用于基于训练模块51训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，该至少两个第二图像数据对应的图像的分辨率与该一个第一图像数据对应的图像的分辨率不同。训练模块51，还可以用于基于获取模块52获取的该P个第二图像数据组，训练第三模型，得到训练后的第三模型。
一种可能的实现方式中，上述N个第一图像数据组包括：通过包括分光棱镜的摄像头组采集得到的混叠图像数据。
一种可能的实现方式中，获取模块52，具体可以用于将P个第一图像数据输入训练后的第一模型，得到与该P个第一图像数据一一对应的P个第二图像数据；并对于每个第一图像数据，将一个第一图像数据和该P个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到上述P个第二图像数据组。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。获取模块52，具体可以用于将M个第一图像数据输入训练后的第一模型，得到与该M个第一图像数据一一对应的M个第二图像数据，M为正整数；且对于每个第一图像数据，将一个第一图像数据和该M个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到M个第二图像数据组；并对于上述N个第一图像数据组中的每个第三图像数据，将一个第三图像数据和该N个第一图像数据组中的至少两个第四图像数据，组成图像数据组，得到N个第三图像数据组；其中，上述P个第二图像数据组包括该M个第二图像数据组和该N个第三图像数据组。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。训练模块51，具体可以用于对于该每个第一图像数据组中的第三图像数据，将第三图像数据输入第一模型，输出第五图像数据；且将第五图像数据输入第二模型，输出第六图像数据；且根据第一差值训练第一模型，并根据第二差值训练第一模型和第二模型。其中，第一差值为第三图像数据对应的第四图像数据与第五图像数据间的差值，第二差值为第三图像数据与第六图像数据间的差值。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。训练模块51，具体可以用于对于该每个第一图像数据组中的第四图像数据，将第四图像数据输入第二模型，输出第七图像数据；且将第七图像数据输入第一模型，输出第八图像数据；且根据第三差值训练第二模型，并根据第四差值训练第一模型和第二模型；其中，第三差值为第四图像数据对应的第三图像数据与第七图像数据间的差值；第四差值为第四图像数据与第八图像数据间的差值。
在本申请实施例提供的模型训练装置中，由于该模型训练装置训练第三模型采用的P个第二图像数据组，是基于采用N个第一图像数据组训练后的第一模型得到的，且每个第二图像数据组包括图像分辨率不同的一个第一图像数据和至少两个第二图像数据，即该P个第二图像数据组并非是通过直接插值或实际拍摄得到的，因此该P个第二图像数据组既可以减少采样与真实的分辨率退化间的差异，又可以提高对采样方式准确性的敏感度，从而采用该P个第二图像数据组训练模型，可以提高模型训练的准确性。
本申请实施例中的模型训练装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personalcomputer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的模型训练装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的模型训练装置能够实现图1至图4的方法实施例实现的各个过程，为避免重复，这里不再赘述。
如图6所示，本申请实施例还提供一种电子设备600，包括处理器601和存储器602，存储器602上存储有可在所述处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现如上述模型训练方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图7为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
其中，处理器1010，可以用于基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的第一模型和训练后的第二模型，N为正整数；第一模型用于将图像的分辨率由第一分辨率处理为与第一分辨率不同的第二分辨率，第二模型用于将图像的分辨率由第三分辨率处理为与第三分辨率不同的第四分辨率；且可以用于基于训练后的第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，该至少两个第二图像数据对应的图像的分辨率与该一个第一图像数据对应的图像的分辨率不同；并可以用于基于获取的该P个第二图像数据组，训练第三模型，得到训练后的第三模型。
一种可能的实现方式中，上述N个第一图像数据组包括：通过包括分光棱镜的摄像头组采集得到的混叠图像数据。
一种可能的实现方式中，处理器1010，具体可以用于将P个第一图像数据输入训练后的第一模型，得到与该P个第一图像数据一一对应的P个第二图像数据；并对于每个第一图像数据，将一个第一图像数据和该P个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到上述P个第二图像数据组。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。处理器1010，具体可以用于将M个第一图像数据输入训练后的第一模型，得到与该M个第一图像数据一一对应的M个第二图像数据，M为正整数；且对于每个第一图像数据，将一个第一图像数据和该M个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到M个第二图像数据组；并对于上述N个第一图像数据组中的每个第三图像数据，将一个第三图像数据和该N个第一图像数据组中的至少两个第四图像数据，组成图像数据组，得到N个第三图像数据组；其中，上述P个第二图像数据组包括该M个第二图像数据组和该N个第三图像数据组。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。处理器1010，具体可以用于对于该每个第一图像数据组中的第三图像数据，将第三图像数据输入第一模型，输出第五图像数据；且将第五图像数据输入第二模型，输出第六图像数据；且根据第一差值训练第一模型，并根据第二差值训练第一模型和第二模型。其中，第一差值为第三图像数据对应的第四图像数据与第五图像数据间的差值，第二差值为第三图像数据与第六图像数据间的差值。
一种可能的实现方式中，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，第三图像数据对应的图像的分辨率与第四图像数据对应的图像的分辨率不同。处理器1010，具体可以用于对于该每个第一图像数据组中的第四图像数据，将第四图像数据输入第二模型，输出第七图像数据；且将第七图像数据输入第一模型，输出第八图像数据；且根据第三差值训练第二模型，并根据第四差值训练第一模型和第二模型；其中，第三差值为第四图像数据对应的第三图像数据与第七图像数据间的差值；第四差值为第四图像数据与第八图像数据间的差值。
在本申请实施例提供的电子设备中，由于该电子设备训练第三模型采用的P个第二图像数据组，是基于采用N个第一图像数据组训练后的第一模型得到的，且每个第二图像数据组包括图像分辨率不同的一个第一图像数据和至少两个第二图像数据，即该P个第二图像数据组并非是通过直接插值或实际拍摄得到的，因此该P个第二图像数据组既可以减少采样与真实的分辨率退化间的差异，又可以提高对采样方式准确性的敏感度，从而采用该P个第二图像数据组训练模型，可以提高模型训练的准确性。
本实施例中各种实现方式具有的有益效果具体可以参见上述方法实施例中相应实现方式所具有的有益效果，为避免重复，此处不再赘述。
应理解的是，本申请实施例中，输入单元1004可以包括图形处理器(GraphicsProcessing Unit，GPU)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072中的至少一种。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
存储器1009可用于存储软件程序以及各种数据。存储器1009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1009可以包括易失性存储器或非易失性存储器，或者，存储器1009可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1009包括但不限于这些和任意其它适合类型的存储器。
处理器1010可包括一个或多个处理单元；可选的，处理器1010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现如上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种模型训练方法，其特征在于，所述方法包括：
基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的所述第一模型和训练后的所述第二模型，N为正整数；所述第一模型用于将图像的分辨率由第一分辨率处理为与所述第一分辨率不同的第二分辨率，所述第二模型用于将图像的分辨率由第三分辨率处理为与所述第三分辨率不同的第四分辨率；
基于训练后的所述第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，所述至少两个第二图像数据对应的图像的分辨率与所述一个第一图像数据对应的图像的分辨率不同；
基于所述P个第二图像数据组，训练第三模型，得到训练后的所述第三模型。
2.根据权利要求1所述的方法，其特征在于，所述N个第一图像数据组包括通过包括分光棱镜的摄像头组采集得到的混叠图像数据。
3.根据权利要求1或2所述的方法，其特征在于，所述基于训练后的所述第一模型，得到P个第二图像数据组，包括：
将P个第一图像数据输入训练后的所述第一模型，得到与所述P个第一图像数据一一对应的P个第二图像数据；
对于每个第一图像数据，将一个第一图像数据和所述P个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到所述P个第二图像数据组。
4.根据权利要求1或2所述的方法，其特征在于，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，所述第三图像数据对应的图像的分辨率与所述第四图像数据对应的图像的分辨率不同；
所述基于训练后的所述第一模型，得到P个第二图像数据组，包括：
将M个第一图像数据输入训练后的所述第一模型，得到与所述M个第一图像数据一一对应的M个第二图像数据，M为正整数；
对于每个第一图像数据，将一个第一图像数据和所述M个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到M个第二图像数据组；
对于所述N个第一图像数据组中的每个第三图像数据，将一个第三图像数据和所述N个第一图像数据组中的至少两个第四图像数据，组成图像数据组，得到N个第三图像数据组；
其中，所述P个第二图像数据组包括所述M个第二图像数据组和所述N个第三图像数据组。
5.根据权利要求1所述的方法，其特征在于，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，所述第三图像数据对应的图像的分辨率与所述第四图像数据对应的图像的分辨率不同；
所述基于获取的N个第一图像数据组，训练第一模型和第二模型，包括：
对于所述每个第一图像数据组中的第三图像数据，
将所述第三图像数据输入所述第一模型，输出第五图像数据；
将所述第五图像数据输入所述第二模型，输出第六图像数据；
根据第一差值训练所述第一模型，并根据第二差值训练所述第一模型和所述第二模型；
其中，所述第一差值为所述第三图像数据对应的第四图像数据与所述第五图像数据间的差值，所述第二差值为所述第三图像数据与所述第六图像数据间的差值。
6.根据权利要求1或5所述的方法，其特征在于，每个第一图像数据组包括：一个第三图像数据和一个第四图像数据，所述第三图像数据对应的图像的分辨率与所述第四图像数据对应的图像的分辨率不同；
所述基于获取的N个第一图像数据组，训练第一模型和第二模型，包括：
对于所述每个第一图像数据组中的第四图像数据，
将所述第四图像数据输入所述第二模型，输出第七图像数据；
将所述第七图像数据输入所述第一模型，输出第八图像数据；
根据第三差值训练所述第二模型，并根据第四差值训练所述第一模型和所述第二模型；
其中，所述第三差值为所述第四图像数据对应的第三图像数据与所述第七图像数据间的差值；所述第四差值为所述第四图像数据与所述第八图像数据间的差值。
7.一种模型训练装置，其特征在于，所述装置包括训练模块和获取模块；
所述训练模块，用于基于N个第一图像数据组，训练第一模型和第二模型，得到训练后的所述第一模型和训练后的所述第二模型，N为正整数；所述第一模型用于将图像的分辨率由第一分辨率处理为与所述第一分辨率不同的第二分辨率，所述第二模型用于将图像的分辨率由第三分辨率处理为与所述第三分辨率不同的第四分辨率；
所述获取模块，用于基于所述训练模块训练后的所述第一模型，得到P个第二图像数据组，P为正整数；每个第二图像数据组包括：一个第一图像数据和至少两个第二图像数据，所述至少两个第二图像数据对应的图像的分辨率与所述一个第一图像数据对应的图像的分辨率不同；
所述训练模块，还用于基于所述获取模块获取的所述P个第二图像数据组，训练第三模型，得到训练后的所述第三模型。
8.根据权利要求7所述的装置，其特征在于，
所述获取模块，具体用于将P个第一图像数据输入训练后的所述第一模型，得到与所述P个第一图像数据一一对应的P个第二图像数据；并对于每个第一图像数据，将一个第一图像数据和所述P个第二图像数据中的至少两个第二图像数据，组成图像数据组，得到所述P个第二图像数据组。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的模型训练方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的模型训练方法的步骤。
CN202211350318.3A 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及介质 Pending CN115619642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211350318.3A CN115619642A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211350318.3A CN115619642A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN115619642A true CN115619642A (zh) 2023-01-17

Family

ID=84875629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211350318.3A Pending CN115619642A (zh) 2022-10-31 2022-10-31 模型训练方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115619642A (zh)

Similar Documents

Publication Publication Date Title
CN109087243B (zh) 一种基于深度卷积生成对抗网络的视频超分辨率生成方法
CN105141841B (zh) 摄像设备及其方法
CN111107265B (zh) 图像处理方法及装置、计算机可读介质、电子设备
CN109005334A (zh) 一种成像方法、装置、终端和存储介质
CN110766610B (zh) 一种超分辨率图像的重建方法及电子设备
CN116612015A (zh) 模型训练方法、图像去摩尔纹方法、装置及电子设备
JP2010072813A (ja) 画像処理装置および画像処理プログラム
CN112565603B (zh) 图像处理方法、装置及电子设备
CN112714263B (zh) 视频生成方法、装置、设备及存储介质
CN114390188A (zh) 一种图像处理方法和电子设备
CN115496664A (zh) 一种模型训练方法、装置、电子设备及可读存储介质
CN115619642A (zh) 模型训练方法、装置、电子设备及介质
CN115835035A (zh) 图像插帧方法、装置、设备及计算机可读存储介质
CN115439386A (zh) 图像融合方法、装置、电子设备和存储介质
CN115410133A (zh) 视频密集预测方法及其装置
CN112887603B (zh) 拍摄预览方法、装置及电子设备
CN114785957A (zh) 拍摄方法及其装置
CN114782280A (zh) 图像处理方法和装置
CN113592875B (zh) 数据处理方法、图像处理方法、存储介质及计算设备
CN114286007A (zh) 图像处理电路、图像处理方法、电子设备和可读存储介质
CN113902639A (zh) 图像处理方法、装置、电子设备及存储介质
CN113709372B (zh) 图像生成方法和电子设备
Li et al. Panoramic video stitching based on multi-band image blending
CN113890984B (zh) 拍照方法、图像处理方法和电子设备
CN116342992A (zh) 图像处理方法和电子设备

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