CN115936980B - 一种图像处理方法、装置、电子设备及存储介质 - Google Patents
一种图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115936980B CN115936980B CN202210873377.2A CN202210873377A CN115936980B CN 115936980 B CN115936980 B CN 115936980B CN 202210873377 A CN202210873377 A CN 202210873377A CN 115936980 B CN115936980 B CN 115936980B
- Authority
- CN
- China
- Prior art keywords
- image processing
- processing model
- image
- training
- model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 485
- 238000012549 training Methods 0.000 claims abstract description 218
- 238000000034 method Methods 0.000 claims abstract description 106
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000004821 distillation Methods 0.000 claims description 63
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像处理方法、装置、电子设备及存储介质，包括：获得待处理的原始图像；将原始图像输入第一图像处理模型；由第一图像处理模型处理原始图像以生成目标图像；第一图像处理模型和第二图像处理模型在线交替训练生成，第一图像处理模型训练过程中的监督信息包括第二图像处理模型在训练过程中生成的至少部分图像，第一图像处理模型的模型规模小于第二图像处理模型的模型规模；输出目标图像。通过以第二图像处理模型在训练过程生成的至少部分图像作为监督信息训练第一图像处理模型，能够在无需付出额外制作成本的情况下，扩增第一图像处理模型的训练数据量，可提升第一图像处理模型的泛化性与图像生成质量，达到降本增效的效果。
Description
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
现有技术中，一些图像生成器可以根据一种图像域的图像，生成另一种图像域的图像。例如可以根据低分辨率图像生成高分辨率图像等。其独特的图像生成能力具有广泛的应用场景。
上述图像生成器的训练需要大量高质量的成对数据，来引导网络学习不同图像域之间的映射关系。然而，成对图像制作成本极高，需要根据修图指令逐张修图得到，导致训练数据制作成本较高。
发明内容
本公开实施例提供了一种图像处理方法、装置、电子设备及存储介质，能够在无需付出额外制作成本的情况下，扩增训练数据量，可提升模型泛化性与图像生成质量，达到降本增效的效果。
第一方面，本公开实施例提供了一种图像处理方法，包括：
获得待处理的原始图像；
将所述原始图像输入第一图像处理模型；
由所述第一图像处理模型处理所述原始图像以生成目标图像；
其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出所述目标图像。
第二方面，本公开实施例还提供了一种图像处理装置，包括：
图像获得模块，用于获得待处理的原始图像；
输入模块，用于将所述原始图像输入第一图像处理模型；
生成模块，用于由所述第一图像处理模型处理所述原始图像以生成目标图像；其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出模块，用于输出所述目标图像。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
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本公开实施例任一所述的图像处理方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像处理方法。
本公开实施例的技术方案包括，获得待处理的原始图像；将原始图像输入第一图像处理模型；由第一图像处理模型处理原始图像以生成目标图像；其中，第一图像处理模型和第二图像处理模型在线交替训练生成，第一图像处理模型训练过程中的监督信息包括第二图像处理模型在训练过程中生成的至少部分图像，第一图像处理模型的模型规模小于第二图像处理模型的模型规模；输出目标图像。
本公开实施例中，第一图像处理模型为规模较小的模型，第二图像处理模型为规模较大的模型。在基于相同真标签数据对训练的情况下，规模较大的模型的训练效果通常优于规模较小的模型。第一图像处理模型和第二图像处理模型在线交替训练，且第一图像处理模型以第二图像处理模型训练过程中生成的至少部分图像为监督信息进行训练，可使第一图像处理模型模仿第二图像处理模型每轮迭代训练过程，逐步跟随训练。通过逐步跟随训练，可实现以很小的计算量完成第二图像处理模型到第一图像处理模型的模型蒸馏，使第一图像处理模型性能向第二图像处理模型靠拢。
第二图像处理模型在训练过程中，除了可根据真实标签数据对训练外，还可根据无标签样本生成伪标签图像。即第一图像处理模型除了跟随第二图像处理模型的每轮迭代训练过程外，还可基于至少部分伪标签图像进行独自的训练，能够在无需付出额外成对数据的制作成本的情况下，扩增第一图像处理模型的训练数据量，提升第一图像处理模型的泛化性。
由于伪标签图像可为第一图像处理模型提供训练的监督信息，但不能为第二图像处理模型提供训练的监督信息，第一图像处理模型基于伪标签图像训练后性能可能出现偏差。但是，由于伪标签图像为第二图像处理模型训练过程中生成的，当第二图像处理模型生成伪标签图像后再次基于真标签数据对训练时，第一图像处理模型将继续跟随第二图像处理模型训练。因此，可及时矫正伪标签对第一图像处理模型引入的偏差，保证第一图像处理模型的图像生成质量，达到降本增效的效果。
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为本公开实施例所提供的一种图像处理方法的流程示意图；
图2为本公开实施例所提供的一种图像处理方法中伪标签图像的生成流程示意图；
图3为本公开实施例所提供的一种图像处理方法中第二图像处理模型的训练框架示意图；
图4为本公开实施例所提供的一种图像处理方法中第一图像处理模型以伪标签图像为监督信息时的训练框架示意图；
图5为本公开实施例所提供的一种图像处理方法中第一图像处理模型以第一图像为监督信息时的训练框架示意图；
图6为本公开实施例所提供的一种图像处理方法中第一图像处理模型的总训练框架图；
图7为本公开实施例所提供的一种图像处理装置的结构示意图；
图8为本公开实施例所提供的一种电子设备的结构示意图。
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”。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种图像处理方法的流程示意图。本公开实施例适用于通过大规模模型对小规模模型进行蒸馏后，基于小规模模型进行图像处理的情形。该方法可以由图像处理装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于计算机设备中。
如图1所示，本实施例提供的图像处理方法，可以包括：
S110、获得待处理的原始图像；
S120、将原始图像输入第一图像处理模型；
S130、由第一图像处理模型处理原始图像以生成目标图像；其中，第一图像处理模型和第二图像处理模型在线交替训练生成，第一图像处理模型训练过程中的监督信息包括第二图像处理模型在训练过程中生成的至少部分图像，第一图像处理模型的模型规模小于第二图像处理模型的模型规模；
S140、输出目标图像。
本公开实施例中，图像处理方法可以指根据一种图像域的原始图像，生成另一种图像域的目标图像的方法。根据原始图像生成目标图像的过程，可以由第一图像处理模型执行。
其中，第一图像处理模型和第二图像处理模型可以为生成式对抗网络(Generative Adversarial Networks，GAN)中的生成器，或者为其他能够根据一种图像域的图像，生成另一种图像域的生成器。第一图像处理模型的模型规模小于第二图像处理模型的模型规模，可以指第一图像处理模型的模型宽度(又可称为模型的通道数)小于第二图像处理模型的模型宽度；和/或，第二图像处理模型的模型深度(又可称为模型的网络层数)小于第二图像处理模型的模型深度。可以认为，第一图像处理模型为规模较小的简单模型，第二图像处理模型为规模较大的复杂模型。
在基于相同真标签数据对训练的情况下，规模较大的模型的训练效果通常优于规模较小的模型。即在基于相同真标签数据对训练时，第二图像处理模型的训练效果会优于第一图像处理模型。通过使第一图像处理模型以第二图像处理模型生成的至少部分图像为监督信息，进行训练(即通过第二图像处理模型对第一图像处理模型进行模型蒸馏)，可以使第一图像处理模型性能向第二图像处理模型靠拢。
其中，第一图像处理模型可仅利用第二图像处理模型进行优化，即第一图像处理模型的监督信息可均来自第二图像处理模型。例如，第一图像处理模型可以利用第二图像处理模型基于有标签样本生成的图像，以及基于无标签样本生成的至少部分伪标签图像作为监督信息，进行优化。在这种训练方式下，可称第二图像处理模型为教师生成器，第一图像处理模型为学生生成器。通过进行模型蒸馏，可实现模型规模的压缩，有利于将小规模、性能佳的第一图像处理模型，部署于资源有限的设备中。
若在第二图像处理模型训练完成后，再以第二图像处理模型的生成图像作为监督信息，对第一图像处理模型进行训练，则第一图像处理模型完全从零开始向训练完成的第二图像处理模型靠拢，这将花费较长的耗时、较大的计算量，使第一图像处理模型训练到与第二图像处理模型的性能相当的程度。
有鉴于此，本公开实施例中，第一图像处理模型和第二图像处理模型可以在线交替训练生成。该在线交替训练过程，例如可包括：第二图像处理模型基于当前轮次获取的真标签数据对进行训练；第一图像处理模型以当前轮次训练后的第二图像处理模型生成的图像为监督信息，模仿第二图像处理模型在当前轮次的训练过程进行训练。其中，真标签数据对为，由有标签样本和真标签图像构成的数据对；其中有标签样本与原始图像的图像域相同，真标签图像与目标图像的图像域相同。
可以认为，在第二图像处理模型训练过程中，每经过一次迭代训练，都对第一图像处理模型进行一次蒸馏，以使第一图像处理模型可以渐进式地跟随第二图像处理模型训练。这种渐进式地交替训练，可利用很小的计算量完成第二图像处理模型到第一图像处理模型的模型蒸馏。本公开实施例中，可将这种渐进式地交替训练方式称为在线蒸馏。在实际应用中，相较于在第二图像处理模型训练完成后对第一图像处理模型进行蒸馏，通过在线蒸馏的方式训练第一图像处理模型，能够降低30％的模型计算量。
本公开实施例中，第二图像处理模型的训练过程，可以指第二图像处理模型从开始训练到训练完成的整个过程。在第二图像处理模型的训练过程中，其除了可根据真标签数据对训练外，还可根据无标签样本生成伪标签图像；其中，无标签样本与原始样本的图像域相同，伪标签图像与目标图像的图像域相同。也就是说，第一图像处理模型除了跟随第二图像处理模型的每轮迭代训练外，还可基于至少部分伪标签图像进行独自的训练。从而，能够在无需付出额外成对数据的制作成本的情况下，扩增第一图像处理模型的训练数据量，提升第一图像处理模型的泛化性。
虽然伪标签图像可为第一图像处理模型提供监督信息，但是并不能为第二图像处理模型提供监督信息。即，可基于伪标签图像训练第一图像处理模型，但并不能基于伪标签图像训练第二图像处理模型。第一图像处理模型基于伪标签图像进行独自的训练后，性能可能出现偏差。因此，可基于部分质量较佳的伪标签图像进行独自训练，以减少这种性能偏差。但是，若基于全部伪标签图像进行训练，则由于本公开实施例中的伪标签图像，在第二图像处理模型训练过程中生成，当第二图像处理模型生成伪标签图像后再次基于真标签数据对训练时，第一图像处理模型将继续跟随第二图像处理模型训练。因此，也可及时矫正伪标签对第一图像处理模型引入的偏差，也可保证第一图像处理模型的图像生成质量，达到降本增效的效果。由此获得的第一图像处理模型在实现轻量化的同时得以确保优良的图像处理性能。
本公开实施例中，第一图像处理模型可应用于轻量化的终端设备。其中，轻量化的终端设备，可认为是资源有限的终端设备，例如手机等终端设备。由于训练完成的第一图像处理模型，其模型规模小，且模型泛化性和生成图像质量较佳，有效降低了模型在资源受限的移动终端设备或其他轻量级的物联网设备上的部署难度。通过训练完成的第一图像处理模型，可根据原始图像生成高质量的目标图像。
本公开实施例提供的技术方案，实现了GAN训练过程中，模型维度和训练数据维度的协同压缩，如下：
通过在线蒸馏方式对第二图像处理模型和第一图像处理模型进行交替训练，可逐步引导第一图像处理模型渐进式地学习第二图像处理模型的优化过程，使得第一图像处理模型能够以更小的计算量输出质量与第二图像处理模型近似的图像，完成了模型维度的压缩。
通过第二图像处理模型在训练过程中，引入大量无标签样本生成伪标签图像，并基于至少部分伪标签图像对第一图像处理模型进行训练，能够将传统基于真标签数据对进行训练的方式，转化为基于真标签数据对协同伪标签图像进行训练的方式，从而完成了对真标签数据对需求量的压缩，即完成了训练数据维度的压缩。伪标签图像能够为第一图像处理模型的训练带来额外的监督信息，在无需付出额外成对数据的制作成本的情况下，扩增第一图像处理模型的训练数据量，提升第一图像处理模型的泛化性，更有利于模型学习到待生成图像的图像域的结构性特征。
本公开实施例的技术方案，第一图像处理模型为规模较小的模型，第二图像处理模型为规模较大的模型。在基于相同真标签数据对训练的情况下，规模较大的模型的训练效果通常优于规模较小的模型。第一图像处理模型和第二图像处理模型在线交替训练，且第一图像处理模型以第二图像处理模型训练过程中生成的图像为监督信息进行训练，可使第一图像处理模型模仿第二图像处理模型每轮迭代训练过程，逐步跟随训练。通过逐步跟随训练，可实现以很小的计算量完成第二图像处理模型到第一图像处理模型的模型蒸馏，使第一图像处理模型性能向第二图像处理模型靠拢。
第二图像处理模型在训练过程中，除了可根据真实标签数据对训练外，还可根据无标签样本生成伪标签图像。即第一图像处理模型除了跟随第二图像处理模型的每轮迭代训练过程外，还可基于至少部分伪标签图像进行独自的训练，能够在无需付出额外成对数据的制作成本的情况下，扩增第一图像处理模型的训练数据量，提升第一图像处理模型的泛化性。
由于伪标签图像可为第一图像处理模型提供训练的监督信息，但不能为第二图像处理模型提供训练的监督信息，第一图像处理模型基于伪标签图像训练后性能可能出现偏差。但是，由于伪标签图像为第二图像处理模型训练过程中生成的，当第二图像处理模型生成伪标签图像后再次基于真标签数据对训练时，第一图像处理模型将继续跟随第二图像处理模型训练。因此，可及时矫正伪标签对第一图像处理模型引入的偏差，保证第一图像处理模型的图像生成质量，达到降本增效的效果。
本公开实施例与上述实施例中所提供的图像处理方法中各个可选方案可以结合。第二图像处理模型可在训练过程中基于真标签数据对进行训练，且根据无标签样本生成伪标签图像。本实施例所提供的图像处理方法中，对伪标签图像的生成过程进行了详细描述。通过利用基于当前真标签数据训练后的第二图像处理模型，根据无标签数据生成伪标签数据，能够实现为第一图像处理模型的训练提供额外的监督信息。
图2为本公开实施例所提供的一种图像处理方法中伪标签图像的生成流程示意图。如图2所示，本实施例提供的图像处理方法中，伪标签图像可以基于下述步骤生成：
S210、在第二图像处理模型和判别器基于真标签数据对进行对抗训练的过程中，获取无标签样本作为第二图像处理模型的输入。
本公开实施例中，第二图像处理模型可以为GAN中的生成器，且可与GAN中的判别器一起进行对抗训练。示例性的，图3为本公开实施例所提供的一种图像处理方法中第二图像处理模型的训练框架示意图。参见图3，在一些可选的实现方式中，第二图像处理模型和判别器基于真标签数据对进行对抗训练，可以包括：
获取真标签数据对中的有标签样本xi，作为第二图像处理模型GT的输入；通过第二图像处理模型GT，根据有标签样本xi生成第一图像/>获取真标签数据对/>中，与有标签样本xi对应的真标签图像yi；通过判别器D，判别第一图像与真标签图像yi是否为相同类型；以判别器判别为相同类型为目标，对第二图像处理模型进行训练；以判别器判别为不同类型为目标，对判别器进行训练。
其中，真标签数据对被用于监督第二图像处理模型GT的训练。其中，可利用生成对抗损失LGAN(GT,D)来训练第二图像处理模型GT和判别器D。第二图像处理模型GT被训练为将xi映射到yi，而判别器D被训练为将GT生成的图像pt与真标签图像yi区分开。其中，生成对抗损失可以用如下公式表示：
其中，x为各有标签样本，y为各真标签图像，GT(x)为第二图像处理模型根据各有标签样本生成的各第一图像 可表示在数据(x,y)下的期望函数，/>可表示在数据x下的期望函数。
再次参见图3，在第二图像处理模型GT和判别器D基于真标签数据对进行对抗训练的过程中，还可以包括：根据第一图像/>与真标签图像y，确定重建损失Lrecon；根据重建损失Lrecon，对第二图像处理模型GT进行训练。
其中，重建损失Lrecon可以用如下公式表示：
其中，相同标识的含义可参见上文。通过根据重建损失训练第二图像处理模型，能够使得第二图像处理模型的输出和真实标签图像接近。
此时，第二图像处理模型GT完整的优化损失函数可以用如下公式表示：
在第二图像处理模型和判别器基于真标签数据对进行对抗训练的过程中，获取无标签样本作为第二图像处理模型的输入，例如可以包括：在基于真标签数据对进行对抗训练的间隔，获取无标签样本作为第二图像处理模型的输入。其中，获取无标签样本例如可以为，从无标签样本集中随机抽取无标签样本。其中，每次获取的无标签样本的数量可以为至少一个。由于获取无标签样本发生在对抗训练的间隔，即第二图像处理模型在生成候选伪标签后可继续进行对抗训练。也就是说，第一图像处理模型根据伪标签图像训练后，可继续模仿第二图像处理模型的优化过程，从而不仅能够提升第一图像处理模型的泛化性，还可以弥补伪标签图像可能引入的偏差，保证第一图像处理模型的性能。
在一些实现方式中，还可以在基于预定比例(例如三分之一、二分之一等)的真标签数据对进行连续的对抗训练后，在基于剩余比例的真标签数据对进行对抗训练前的间隔期，获取无标签样本作为第二图像处理模型的输入等。通过先根据预定比例的真标签数据对进行预热训练，可以使第二图像处理模型生成的伪标签图像更符合待生成图像的图像域的结构性特征，在一定程度上能够为第一图像处理模型提供更佳的监督信息。
在一些可选的实现方式中，在第二图像处理模型和判别器基于真标签数据对进行对抗训练的过程中，获取无标签样本作为第二图像处理模型的输入，可以包括：每获取预设数量的真标签数据对，对第二图像处理模型和判别器进行对抗训练后，获取无标签样本作为第二图像处理模型的输入。
在这些可选的实现方式中，基于真标签数据对进行对抗训练的间隔获取无标签样本，可以是每获取预设数量的(例如1个、2个等)真标签数据对进行对抗训练后，获取无标签样本。其中，预设数量在一定程度上与第一图像处理模型的训练数据的压缩程度呈反相关。例如，若每获取1个真标签数据对进行对抗训练后，获取1个无标签样本以生成候选伪标签图像，则在候选伪标签图像皆用于训练第一图像处理模型的情况下，可为第一图像处理模型压缩50％的真标签数据对的需求量；若每获取2个真标签数据对进行对抗训练后，获取1个无标签样本以生成候选伪标签图像，则在候选伪标签图像皆用于训练第一图像处理模型的情况下，可为第一图像处理模型压缩33％的真标签数据对的需求量。另一方面，预设数量减小，也可能为第一图像处理模型模拟第二图像处理模型的训练过程引入稍大的计算量。因此，可根据实际情况设置预设数量的大小，以平衡第一图像处理模型的训练数据压缩量和训练计算量。
S220、通过第二图像处理模型，根据无标签样本生成候选伪标签图像。
本实施例中，第二图像处理模型可根据训练中的当前各模型参数，根据无标签样本生成候选伪标签。且第二图像处理模型在根据获取的无标签样本生成伪标签图像后，还可以继续基于真标签数据对进行对抗训练。以根据真标签数据对提供的监督信息，继续优化第二图像处理模型，使第一图像处理模型继续模仿第二图像处理模型的优化过程。
S230、通过判别器对候选伪标签图像进行筛选，得到最终的伪标签图像。
将从无标签样本集中获取的无标签样本/>输入第二图像处理模型GT后，可通过第二图像处理模型GT生成候选伪标签图像/>即/>因为第二图像处理模型GT并没有获取过/>相关的监督信息，所以不同/>对应的/>质量参差不齐。
因为在第二图像处理模型GT的训练过程中，存在判别器D与之进行相互对抗，所以判别器D可以很好的评判出当前第二图像处理模型GT的生成图像的质量。对于各候选伪标签图像如果判别器D认为该图接近真实图像，则/>质量较高，如果判别器D可以辨别出并非真实图像，则/>质量较低。
本实施例中，可通过判别器从大量候选伪标签中选取图像质量较高的伪标签图像，以送入第一图像处理模型进行训练。其中，可以将筛选的高质量伪标签图像即时输入第一图像处理模型进行训练；也可以非即时输入第一图像处理模型进行训练。例如，可以在累积一定数量的伪标签图像后，一次性输入第一图像处理模型进行训练等。在此不对伪标签图像的输入时机进行严格限定，其他将伪标签图像输入第一图像处理模型的方式也可以应用于此，在此不做穷举。
在一些可选的实现方式中，通过判别器对候选伪标签图像进行筛选，可以包括：通过判别器对候选伪标签图像进行真实性评估，得到评估结果；根据预设评估标准以及评估结果，对候选伪标签图像进行筛选。
其中，利用判别器D对候选伪标签图像的图像进行真实性评估，可得到评估分数/>且/>其中，评估标注可以为预先设置的阈值λthre。根据λthre和对候选伪标签图像/>进行筛选，可以包括：将/>超过λthre的候选伪标签图像作为输入第一图像处理模型的伪标签图像，将低于λthre的候选伪标签图像丢弃不用，从而在扩增第一图像处理模型的训练数据量的同时保证了训练数据的质量。
在这些可选的实现方式中，为保证伪标签图像的质量，可使用判别器对候选伪标签图像进行数据筛选，选取的高质量伪标签图像可提升学生生成器的泛化性。该筛选方式有助于挖掘同一风格下无标签样本的结构化特征，可以与真标签数据对形成互补，来训练第一图像处理模型，从而减轻了昂贵且耗时的训练数据生成和挑选环节，起到降本增效的作用。
本公开实施例的技术方案中，对伪标签图像的生成过程进行了详细描述。通过利用基于当前真标签数据训练后的第二图像处理模型，根据无标签数据生成伪标签数据，能够实现为第一图像处理模型的训练提供额外的监督信息。本公开实施例提供的图像处理方法与上述实施例提供的图像处理方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
本公开实施例与上述实施例中所提供的图像处理方法中各个可选方案可以结合。本实施例所提供的图像处理方法，对第一图像处理模型的训练步骤进行了详细描述。在第一图像处理模型的训练过程中，不仅可以以第二图像处理模型根据有标签样本生成的第一图像作为监督信息，还可以以第二图像处理模型根据无标签样本生成的至少部分伪标签图像作为监督信息，进行训练。通过第一图像处理模型和第二图像处理模型间针对第一图像的有标蒸馏损失，以及针对伪标签图像的无标蒸馏损失，对第一图像处理模型进行训练，能够提升第一图像处理模型的泛化性与生成图像的质量。
示例性的，图4为本公开实施例所提供的一种图像处理方法中第一图像处理模型以伪标签图像为监督信息时的训练框架示意图。参见图4，在一些可选的实现方式中，当第一图像处理模型以伪标签图像为监督信息时，第一图像处理模型基于下述步骤训练：
获取伪标签图像对应的无标签样本/>作为第一图像处理模型GS的输入；通过第一图像处理模型GS，根据无标签样本/>生成第二图像/>根据伪标签图像/>和第二图像/>确定蒸馏损失(可称为无标蒸馏损失/>)；根据蒸馏损失/>对第一图像处理模型进行训练。
其中，可以将伪标签图像和第二图像/>之间的重建损失作为蒸馏损失/>和/或，在一些可选的实现方式中，根据伪标签图像/>和第二图像/>确定蒸馏损失，可以包括：根据第二图像处理模型GT生成伪标签图像/>过程中的特征图像/>以及第一图像处理模型GS生成第二图像ps过程中的特征图像/>确定感知损失Lpreu；将感知损失Lpreu作为蒸馏损失/>
其中，使用感知损失Lpreu来度量伪标签图像和第二图像ps之间的差异时，感知损失Lpreu可以包括下述至少一项：特征重建损失Lfea和样式重建损失Lstyle。
特征重建损失Lfea可鼓励与/>具有相似的特征表示，这些特征表示可由预先训练的网络的φ度量得到，例如可由超分辨率测试序列网络(Visual Geometry Group，VGG)的φ度量得到。其中，特征重建损失Lfea可定义如下：
其中，φj(x)表示x在VGG网络的第j层的激活值(即特征图像)；∥·∥1表示一维范数；Cj×Hj×Wj表示φj(x)的维数。
样式重建损失Lstyle被引入来惩罚与/>在样式特征上的差异，例如在颜色，纹理，通用图案等方面的差异。其中，样式重建损失Lstyle可被定义为：
式中，表示x在VGG网络中第j层激活值经格拉姆矩阵抽取后的特征。
可以认为，无标蒸馏损失可包括伪标签图像和第二图像之间的重建损失和/或感知损失。当无标蒸馏损失包括重建损失和感知损失时，无标蒸馏损失可以为两者之和或加权和等。
此外，在一些可选的实现方式中，第一图像处理模型GS基于下述步骤训练，还可以包括：根据第二图像确定的总变差损失；相应的，根据蒸馏损失/>对第一图像处理模型GS进行训练，还可以包括：根据蒸馏损失/>和总变差损失Ltv，对第一图像处理模型进行训练。
其中，通过引入总变差损失Ltv可提高第一图像处理模型GS输出图像的空间平滑度。可使用三个超参数λfea、λstyle、λtv来实现上述损失之间的平衡，此时总体的无标蒸馏损失可定义如下：
其中，λfea、λstyle、λtv分别表示特征重建损失Lfea、样式重建损失Lstyle和总变差损失Ltv的权重。
在一些可选的实现方式中，第二图像处理模型GT在训练过程生成的图像，还可以包括：第二图像处理模型GT根据真标签数据对中的有标签样本xi，生成的第一图像/>示例性的，图5为本公开实施例所提供的一种图像处理方法中第一图像处理模型GS以第一图像/>为监督信息时的训练框架示意图。参见图5，当第一图像处理模型GS以第一图像/>为监督信息时，第一图像处理模型GS基于下述步骤训练：
获取第一图像对应的有标签样本xi，作为第一图像处理模型的输入GS；通过第一图像处理模型GS，根据有标签样本xi生成第三图像/>根据第一图像/>和第三图像/>确定蒸馏损失(可称为有标蒸馏损失/>)；根据蒸馏损失/>对第一图像处理模型GS进行训练。
其中，有标蒸馏损失的计算过程可参考无标蒸馏损失/>的计算过程。其中，有标蒸馏损失/>也可以包括第一图像/>和第三图像/>间的重建损失和/或感知损失。感知损失也可以包括下述至少一项：特征重建损失Lfea和样式重建损失Lstyle。此外，也可以根据有标蒸馏损失/>以及第三图像/>的总变差损失Ltv对第一图像处理模型GS进行训练。
当第一图像处理模型GS训练过程中，既包含有标蒸馏损失又包含无标蒸馏损失/>时，第一图像处理模型总的蒸馏损失Lkd可以定义为：
其中，λunlabeled表示有标签样本与无标签样本对损失值贡献的比例。
示例性的，图6为本公开实施例所提供的一种图像处理方法中第一图像处理模型的总训练框架图。参见图6，在第一图像处理模型训练过程中，同时实现了模型维度和训练数据维度的协同压缩。
参见图6，第二图像处理模型和判别器可基于真标签数据对进行对抗训练，且第二图像处理模型每经过迭代优化，可通过有标蒸馏损失引导第一图像处理模型模仿第二图像处理模型的优化过程，实现第一图像处理模型的在线蒸馏。其中，第一图像处理模型可称为学生生成器，第二图像处理模型可称为教师生成器。通过在线蒸馏可实现模型维度的压缩，有利于将小规模、性能佳的第一图像处理模型，部署于资源有限的设备中。
第二图像处理模型在对抗训练过程中，还可以获取无标签样本生成候选伪标签图像。并且，可通过判别器对候选伪标签图像进行筛选，得到高质量的伪标签图像。筛选后的伪标签图像可以为第一图像处理模型引入无标蒸馏损失，以训练第一图像处理模型。通过生成伪标签图像，能够在无需付出额外成对数据的制作成本的情况下，扩增第一图像处理模型的训练数据量，从而实现训练数据维度的压缩，可提升第一图像处理模型的泛化性。
本公开实施例的技术方案，对第一图像处理模型的训练步骤进行了详细描述。在第一图像处理模型的训练过程中，不仅可以以第二图像处理模型根据有标签样本生成的第一图像作为监督信息，还可以以第二图像处理模型根据无标签样本生成的伪标签图像作为监督信息，进行训练。通过第一图像处理模型和第二图像处理模型针间对第一图像的有标蒸馏损失，以及针对伪标签图像的无标蒸馏损失，对第一图像处理模型进行训练，能够提升第一图像处理模型的泛化性与生成图像的质量。本公开实施例提供的图像处理方法与上述实施例提供的图像处理方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
图7为本公开实施例所提供的一种图像处理装置的结构示意图。本实施例提供的图像处理装置适用于通过大规模模型对小规模模型进行蒸馏后，基于小规模模型进行图像处理的情形。
如图7所示，本公开实施例提供的图像处理装置，可以包括：
图像获得模块710，用于获得待处理的原始图像；
输入模块720，用于将原始图像输入第一图像处理模型；
生成模块730，用于由第一图像处理模型处理原始图像以生成目标图像；其中，第一图像处理模型和第二图像处理模型在线交替训练生成，第一图像处理模型训练过程中的监督信息包括第二图像处理模型在训练过程中生成的至少部分图像，第一图像处理模型的模型规模小于第二图像处理模型的模型规模；
输出模块740，用于输出目标图像。
在一些可选的实现方式中，第二图像处理模型在训练过程中基于真标签数据对进行训练，且根据无标签样本生成伪标签图像；相应的，图像处理装置，可以包括模型训练模块；且模型训练模块，可以包括伪标签生成单元；
伪标签生成单元，可以用于基于下述步骤生成伪标签图像：
在第二图像处理模型和判别器基于真标签数据对进行对抗训练的过程中，获取无标签样本作为第二图像处理模型的输入；
通过第二图像处理模型，根据无标签样本生成候选伪标签图像；
通过判别器对候选伪标签图像进行筛选，得到最终的伪标签图像。
在一些可选的实现方式中，伪标签生成单元，可以用于：
每获取预设数量的真标签数据对，对第二图像处理模型和判别器进行对抗训练后，获取无标签样本作为第二图像处理模型的输入。
在一些可选的实现方式中，伪标签生成单元，可以用于：
通过判别器对候选伪标签图像进行真实性评估，得到评估结果；
根据预设评估标准以及评估结果，对候选伪标签图像进行筛选。
在一些可选的实现方式中，模型训练模块，可以包括第二图像处理模型训练单元；
第二图像处理模型训练单元，可以用于基于真标签数据对，对第二图像处理模型和判别器进行对抗训练；
第二图像处理模型训练单元，可具体用于：
获取真标签数据对中的有标签样本，作为第二图像处理模型的输入；
通过第二图像处理模型，根据有标签样本生成第一图像；
获取真标签数据对中，与有标签样本对应的真标签图像；
通过判别器，判别第一图像与真标签图像是否为相同类型；
以判别器判别为相同类型为目标，对第二图像处理模型进行训练；
以判别器判别为不同类型为目标，对判别器进行训练。
在一些可选的实现方式中，第二图像处理模型训练单元，还可以用于：
根据第一图像与真标签图像，确定重建损失；
根据重建损失，对第二图像处理模型进行训练。
在一些可选的实现方式中，模型训练模块，可以包括第一图像处理模型训练单元；
当第一图像处理模型以伪标签图像为监督信息时，第一图像处理模型训练单元，可用于基于下述步骤训练第一图像处理模型：
获取伪标签图像对应的无标签样本，作为第一图像处理模型的输入；
通过第一图像处理模型，根据无标签样本生成第二图像；
根据伪标签图像和第二图像，确定蒸馏损失；
根据蒸馏损失，对第一图像处理模型进行训练。
在一些可选的实现方式中，第一图像处理模型训练单元，可用于：
根据第二图像处理模型生成伪标签图像过程中的特征图像，以及第一图像处理模型生成第二图像过程中的特征图像，确定感知损失；
将感知损失作为蒸馏损失。
在一些可选的实现方式中，感知损失包括下述至少一项：特征重建损失和样式重建损失。
在一些可选的实现方式中，第一图像处理模型训练单元，还可用于：
根据第二图像确定的总变差损失；
相应的，根据蒸馏损失，对第一图像处理模型进行训练，包括：根据蒸馏损失和总变差损失，对第一图像处理模型进行训练。
在一些可选的实现方式中，第二图像处理模型在训练过程生成的图像，还包括：
第二图像处理模型根据真标签数据对中的有标签样本，生成的第一图像；
相应的，当第一图像处理模型以第一图像为监督信息时，第一图像处理模型训练单元，可用于基于下述步骤训练第一图像处理模型：
获取第一图像对应的有标签样本，作为第一图像处理模型的输入；
通过第一图像处理模型，根据有标签样本生成第三图像；
根据第一图像和第三图像，确定蒸馏损失；
根据蒸馏损失，对第一图像处理模型进行训练。
本公开实施例所提供的图像处理装置，可执行本公开任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)800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8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8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(Read-Only Memory，ROM)802中的程序或者从存储装置808加载到随机访问存储器(Random Access Memory，RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的图像处理方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像处理方法。
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、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(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、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、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、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(Hyper Text 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：
获得待处理的原始图像；将原始图像输入第一图像处理模型；由第一图像处理模型处理原始图像以生成目标图像；其中，第一图像处理模型和第二图像处理模型在线交替训练生成，第一图像处理模型训练过程中的监督信息包括第二图像处理模型在训练过程中生成的至少部分图像，第一图像处理模型的模型规模小于第二图像处理模型的模型规模；输出目标图像。
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、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、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
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(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上(System on Chip，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、装置或设备使用或与指令执行、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、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。
根据本公开的一个或多个实施例，提供了一种图像处理方法，该方法包括：
获得待处理的原始图像；
将所述原始图像输入第一图像处理模型；
由所述第一图像处理模型处理所述原始图像以生成目标图像；
其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出所述目标图像。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述第二图像处理模型在训练过程中基于真标签数据对进行训练，且根据无标签样本生成伪标签图像，所述伪标签图像基于下述步骤生成：
在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，获取无标签样本作为所述第二图像处理模型的输入；
通过所述第二图像处理模型，根据所述无标签样本生成候选伪标签图像；
通过所述判别器对所述候选伪标签图像进行筛选，得到最终的伪标签图像。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，获取无标签样本作为所述第二图像处理模型的输入，包括：
每获取预设数量的真标签数据对，对所述第二图像处理模型和判别器进行对抗训练后，获取无标签样本作为所述第二图像处理模型的输入。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述通过所述判别器对所述候选伪标签图像进行筛选，包括：
通过所述判别器对所述候选伪标签图像进行真实性评估，得到评估结果；
根据预设评估标准以及所述评估结果，对所述候选伪标签图像进行筛选。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练，包括：
获取所述真标签数据对中的有标签样本，作为所述第二图像处理模型的输入；
通过所述第二图像处理模型，根据所述有标签样本生成第一图像；
获取所述真标签数据对中，与所述有标签样本对应的真标签图像；
通过所述判别器，判别所述第一图像与所述真标签图像是否为相同类型；
以所述判别器判别为相同类型为目标，对所述第二图像处理模型进行训练；
以所述判别器判别为不同类型为目标，对所述判别器进行训练。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，还包括：
根据所述第一图像与所述真标签图像，确定重建损失；
根据所述重建损失，对所述第二图像处理模型进行训练。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，当所述第一图像处理模型以所述伪标签图像为监督信息时，所述第一图像处理模型基于下述步骤训练：
获取所述伪标签图像对应的无标签样本，作为所述第一图像处理模型的输入；
通过所述第一图像处理模型，根据所述无标签样本生成第二图像；
根据所述伪标签图像和所述第二图像，确定蒸馏损失；
根据所述蒸馏损失，对所述第一图像处理模型进行训练。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，根据所述伪标签图像和所述第二图像，确定蒸馏损失，包括：
根据所述第二图像处理模型生成所述伪标签图像过程中的特征图像，以及所述第一图像处理模型生成所述第二图像过程中的特征图像，确定感知损失；
将所述感知损失作为蒸馏损失。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述感知损失包括下述至少一项：特征重建损失和样式重建损失。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述第一图像处理模型基于下述步骤训练，还包括：
根据所述第二图像确定的总变差损失；
相应的，所述根据所述蒸馏损失，对所述第一图像处理模型进行训练，包括：根据所述蒸馏损失和所述总变差损失，对所述第一图像处理模型进行训练。
根据本公开的一个或多个实施例，提供了一种图像处理方法，还包括：
在一些可选的实现方式中，所述第二图像处理模型在训练过程生成的图像，还包括：
所述第二图像处理模型根据所述真标签数据对中的有标签样本，生成的第一图像；
相应的，当所述第一图像处理模型以所述第一图像为监督信息时，所述第一图像处理模型基于下述步骤训练：
获取所述第一图像对应的有标签样本，作为所述第一图像处理模型的输入；
通过所述第一图像处理模型，根据所述有标签样本生成第三图像；
根据所述第一图像和所述第三图像，确定蒸馏损失；
根据所述蒸馏损失，对所述第一图像处理模型进行训练。
根据本公开的一个或多个实施例，所述第一图像处理模型应用于轻量化的终端设备。
根据本公开的一个或多个实施例，提供了一种图像处理装置，该装置包括：
图像获得模块，用于获得待处理的原始图像；
输入模块，用于将所述原始图像输入第一图像处理模型；
生成模块，用于由所述第一图像处理模型处理所述原始图像以生成目标图像；其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出模块，用于输出所述目标图像。
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 (14)
1.一种图像处理方法，其特征在于，包括：
获得待处理的原始图像；
将所述原始图像输入第一图像处理模型；
由所述第一图像处理模型处理所述原始图像以生成目标图像；
其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出所述目标图像；
所述第二图像处理模型在训练过程中基于真标签数据对进行训练，且根据无标签样本生成伪标签图像，所述伪标签图像基于下述步骤生成：
在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，获取无标签样本作为所述第二图像处理模型的输入；其中，所述无标签样本是在基于所述真标签数据对进行对抗训练的间隔获取的；
通过所述第二图像处理模型，根据所述无标签样本生成候选伪标签图像；
通过所述判别器对所述候选伪标签图像进行筛选，得到最终的伪标签图像。
2.根据权利要求1所述的方法，其特征在于，所述在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，获取无标签样本作为所述第二图像处理模型的输入，包括：
每获取预设数量的真标签数据对，在对所述第二图像处理模型和判别器进行对抗训练的间隔，获取无标签样本作为所述第二图像处理模型的输入。
3.根据权利要求1所述的方法，其特征在于，所述通过所述判别器对所述候选伪标签图像进行筛选，包括：
通过所述判别器对所述候选伪标签图像进行真实性评估，得到评估结果；
根据预设评估标准以及所述评估结果，对所述候选伪标签图像进行筛选。
4.根据权利要求1所述的方法，其特征在于，所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练，包括：
获取所述真标签数据对中的有标签样本，作为所述第二图像处理模型的输入；
通过所述第二图像处理模型，根据所述有标签样本生成第一图像；
获取所述真标签数据对中，与所述有标签样本对应的真标签图像；
通过所述判别器，判别所述第一图像与所述真标签图像是否为相同类型；
以所述判别器判别为相同类型为目标，对所述第二图像处理模型进行训练；
以所述判别器判别为不同类型为目标，对所述判别器进行训练。
5.根据权利要求4所述的方法，其特征在于，在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，还包括：
根据所述第一图像与所述真标签图像，确定重建损失；
根据所述重建损失，对所述第二图像处理模型进行训练。
6.根据权利要求1所述的方法，其特征在于，当所述第一图像处理模型以所述伪标签图像为监督信息时，所述第一图像处理模型基于下述步骤训练：
获取所述伪标签图像对应的无标签样本，作为所述第一图像处理模型的输入；
通过所述第一图像处理模型，根据所述无标签样本生成第二图像；
根据所述伪标签图像和所述第二图像，确定蒸馏损失；
根据所述蒸馏损失，对所述第一图像处理模型进行训练。
7.根据权利要求6所述的方法，其特征在于，根据所述伪标签图像和所述第二图像，确定蒸馏损失，包括：
根据所述第二图像处理模型生成所述伪标签图像过程中的特征图像，以及所述第一图像处理模型生成所述第二图像过程中的特征图像，确定感知损失；
将所述感知损失作为蒸馏损失。
8.根据权利要求7所述的方法，其特征在于，所述感知损失包括下述至少一项：特征重建损失和样式重建损失。
9.根据权利要求6所述的方法，其特征在于，所述第一图像处理模型基于下述步骤训练，还包括：
根据所述第二图像确定的总变差损失；
相应的，所述根据所述蒸馏损失，对所述第一图像处理模型进行训练，包括：根据所述蒸馏损失和所述总变差损失，对所述第一图像处理模型进行训练。
10.根据权利要求1所述的方法，其特征在于，所述第二图像处理模型在训练过程生成的图像，还包括：
所述第二图像处理模型根据真标签数据对中的有标签样本，生成的第一图像；
相应的，当所述第一图像处理模型以所述第一图像为监督信息时，所述第一图像处理模型基于下述步骤训练：
获取所述第一图像对应的有标签样本，作为所述第一图像处理模型的输入；
通过所述第一图像处理模型，根据所述有标签样本生成第三图像；
根据所述第一图像和所述第三图像，确定蒸馏损失；
根据所述蒸馏损失，对所述第一图像处理模型进行训练。
11.根据权利要求1所述的方法，其特征在于，所述第一图像处理模型应用于轻量化的终端设备。
12.一种图像处理装置，其特征在于，包括：
图像获得模块，用于获得待处理的原始图像；
输入模块，用于将所述原始图像输入第一图像处理模型；
生成模块，用于由所述第一图像处理模型处理所述原始图像以生成目标图像；其中，所述第一图像处理模型和第二图像处理模型在线交替训练生成，所述第一图像处理模型训练过程中的监督信息包括所述第二图像处理模型在训练过程中生成的至少部分图像，所述第一图像处理模型的模型规模小于所述第二图像处理模型的模型规模；
输出模块，用于输出所述目标图像；
所述第二图像处理模型在训练过程中基于真标签数据对进行训练，且根据无标签样本生成伪标签图像，
所述图像处理装置，还包括：
伪标签生成单元， 用于在所述第二图像处理模型和判别器基于所述真标签数据对进行对抗训练的过程中，获取无标签样本作为所述第二图像处理模型的输入；其中，所述无标签样本是在基于所述真标签数据对进行对抗训练的间隔获取的；
通过所述第二图像处理模型，根据所述无标签样本生成候选伪标签图像；
通过所述判别器对所述候选伪标签图像进行筛选，得到最终的伪标签图像。
13.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-11中任一所述的图像处理方法。
14.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11中任一所述的图像处理方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873377.2A CN115936980B (zh) | 2022-07-22 | 2022-07-22 | 一种图像处理方法、装置、电子设备及存储介质 |
| EP23842293.5A EP4439444A1 (en) | 2022-07-22 | 2023-07-18 | Image processing method and apparatus, electronic device, and storage medium |
| PCT/CN2023/107857 WO2024017230A1 (zh) | 2022-07-22 | 2023-07-18 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873377.2A CN115936980B (zh) | 2022-07-22 | 2022-07-22 | 一种图像处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936980A CN115936980A (zh) | 2023-04-07 |
| CN115936980B true CN115936980B (zh) | 2023-10-20 |
Family
ID=86651232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210873377.2A Active CN115936980B (zh) | 2022-07-22 | 2022-07-22 | 一种图像处理方法、装置、电子设备及存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4439444A1 (zh) |
| CN (1) | CN115936980B (zh) |
| WO (1) | WO2024017230A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936980B (zh) * | 2022-07-22 | 2023-10-20 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
| CN111832605A (zh) * | 2020-05-22 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 无监督图像分类模型的训练方法、装置和电子设备 |
| CN111898696A (zh) * | 2020-08-10 | 2020-11-06 | 腾讯云计算(长沙)有限责任公司 | 伪标签及标签预测模型的生成方法、装置、介质及设备 |
| CN113298152A (zh) * | 2021-05-26 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 模型训练方法、装置、终端设备及计算机可读存储介质 |
| CN113449851A (zh) * | 2021-07-15 | 2021-09-28 | 北京字跳网络技术有限公司 | 数据处理方法及设备 |
| CN113705709A (zh) * | 2021-09-02 | 2021-11-26 | 新疆信息产业有限责任公司 | 一种改进的半监督图像分类方法、设备及存储介质 |
| CN113920370A (zh) * | 2021-10-25 | 2022-01-11 | 上海商汤智能科技有限公司 | 模型训练方法、目标检测方法、装置、设备及存储介质 |
| CN114373128A (zh) * | 2021-12-30 | 2022-04-19 | 山东锋士信息技术有限公司 | 基于类别自适应伪标签生成的河湖四乱遥感监测方法 |
| CN114581732A (zh) * | 2022-03-04 | 2022-06-03 | 北京百度网讯科技有限公司 | 一种图像处理及模型训练方法、装置、设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034219B (zh) * | 2018-07-12 | 2021-08-24 | 上海商汤智能科技有限公司 | 图像的多标签类别预测方法及装置、电子设备和存储介质 |
| EP3767590A1 (en) * | 2019-07-19 | 2021-01-20 | Robert Bosch GmbH | Device and method for training a generative model |
| CN112785507A (zh) * | 2019-11-07 | 2021-05-11 | 上海耕岩智能科技有限公司 | 图像处理方法及装置、存储介质、终端 |
| CN114511743B (zh) * | 2022-01-29 | 2023-07-25 | 北京百度网讯科技有限公司 | 检测模型训练、目标检测方法、装置、设备、介质及产品 |
| CN114332135B (zh) * | 2022-03-10 | 2022-06-10 | 之江实验室 | 一种基于双模型交互学习的半监督医学图像分割方法及装置 |
| CN115936980B (zh) * | 2022-07-22 | 2023-10-20 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-22 CN CN202210873377.2A patent/CN115936980B/zh active Active
-
2023
- 2023-07-18 EP EP23842293.5A patent/EP4439444A1/en active Pending
- 2023-07-18 WO PCT/CN2023/107857 patent/WO2024017230A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
| CN111832605A (zh) * | 2020-05-22 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 无监督图像分类模型的训练方法、装置和电子设备 |
| CN111898696A (zh) * | 2020-08-10 | 2020-11-06 | 腾讯云计算(长沙)有限责任公司 | 伪标签及标签预测模型的生成方法、装置、介质及设备 |
| CN113298152A (zh) * | 2021-05-26 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 模型训练方法、装置、终端设备及计算机可读存储介质 |
| CN113449851A (zh) * | 2021-07-15 | 2021-09-28 | 北京字跳网络技术有限公司 | 数据处理方法及设备 |
| CN113705709A (zh) * | 2021-09-02 | 2021-11-26 | 新疆信息产业有限责任公司 | 一种改进的半监督图像分类方法、设备及存储介质 |
| CN113920370A (zh) * | 2021-10-25 | 2022-01-11 | 上海商汤智能科技有限公司 | 模型训练方法、目标检测方法、装置、设备及存储介质 |
| CN114373128A (zh) * | 2021-12-30 | 2022-04-19 | 山东锋士信息技术有限公司 | 基于类别自适应伪标签生成的河湖四乱遥感监测方法 |
| CN114581732A (zh) * | 2022-03-04 | 2022-06-03 | 北京百度网讯科技有限公司 | 一种图像处理及模型训练方法、装置、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Online multi-granularity distillation for gan compression;任玉羲;2021 IEEE/CVF International Conference on Computer Vision (ICCV);第2021卷;全文 * |
| 基于生成对抗网络的半监督遥感图像飞机检测;陈国炜;刘磊;郭嘉逸;潘宗序;胡文龙;;中国科学院大学学报(第04期);539-546 * |
| 生成对抗网络理论模型和应用综述;徐一峰;;金华职业技术学院学报(第03期);81-88 * |
| 陈国炜.基于生成对抗网络的半监督遥感图像飞机检测.中国科学院大学学报.2020,第37卷(第4期),539-546. * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4439444A1 (en) | 2024-10-02 |
| WO2024017230A1 (zh) | 2024-01-25 |
| CN115936980A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4195102A1 (en) | Image recognition method and apparatus, computing device and computer-readable storage medium | |
| CN112766189B (zh) | 深度伪造检测方法、装置、存储介质及电子设备 | |
| CN111402112B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111275784B (zh) | 生成图像的方法和装置 | |
| CN110021052A (zh) | 用于生成眼底图像生成模型的方法和装置 | |
| CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN113449851A (zh) | 数据处理方法及设备 | |
| CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN115936980B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN111046757A (zh) | 人脸画像生成模型的训练方法、装置及相关设备 | |
| CN116403063A (zh) | 基于多区域特征融合的无参考屏幕内容图像质量评估方法 | |
| CN110288532B (zh) | 生成全身图像的方法、装置、设备及计算机可读存储介质 | |
| CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
| CN117173609A (zh) | 基于多尺度特征和通道注意力的无参考屏幕视频质量评价方法及装置 | |
| CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
| CN118135058A (zh) | 图像生成方法和装置 | |
| CN113592765A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111797822A (zh) | 文字对象评价方法、装置和电子设备 | |
| CN114418835B (zh) | 图像处理方法、装置、设备及介质 | |
| CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
| CN116188254A (zh) | 基于傅里叶域的超分图像处理方法、装置、设备及介质 | |
| CN114022931A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN111260570A (zh) | 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法 | |
| CN117934478B (zh) | 缺陷检测方法、装置、设备及介质 |
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 |