CN116188255A - 基于gan网络的超分图像处理方法、装置、设备及介质 - Google Patents
基于gan网络的超分图像处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116188255A CN116188255A CN202111416020.3A CN202111416020A CN116188255A CN 116188255 A CN116188255 A CN 116188255A CN 202111416020 A CN202111416020 A CN 202111416020A CN 116188255 A CN116188255 A CN 116188255A
- Authority
- CN
- China
- Prior art keywords
- sample image
- loss function
- feature
- image
- network
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 19
- 230000006870 function Effects 0.000 claims abstract description 381
- 239000000523 sample Substances 0.000 claims abstract description 322
- 239000013074 reference sample Substances 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开实施例涉及一种基于GAN网络的超分图像处理方法、装置、设备及介质,其中该方法包括:获取与输入样本图像对应的正样本图像的第一特征,与参考样本图像对应的第三特征;根据第一特征和第三特征确定二元交叉熵BCE损失函数,提取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,并根据第四特征、第五特征和第六特征确定第二对比学习损失函数;根据BCE损失函数和第二对比学习损失函数训练生成模型的参数,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。由此,实现了在保证目标超分网络输出的目标超分图像的图像细节的丰富度的基础上,提升目标超分图像的纯净度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种基于GAN网络的超分图像处理方法、装置、设备及介质。
背景技术
图像的超分处理即对图像的分辨率进行放大,将一张低分辨率的图像得到一张高分辨率的超分图像,常被用于短视频帧等场景中进行画质增强。
相关技术中,采用超分网络对输入的低分辨率图像处理,以输出高分辨率的超分图像,主要采用基于生成式对抗网络(GAN,Generative Adversarial Networks)的训练框架训练超分网络,即利用一个额外的判别模块对网络生成的超分图像和真实高清图像进行判断,从而促使超分网络的进步。
然而,GAN网络在学习训练样本图像时,尤其是学习输入域比较广的训练样本图像,GAN网络会学习到从多种特征层面对超分图像和真实高清图像进行判断,从而导致一些较为复杂和罕见的噪声及伪像被引入进来,从而导致生成的超分图像包含较多的伪像和噪声。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种基于GAN网络的超分图像处理方法、装置、设备及介质,由此,解决现有技术中,GAN网络会将网络输出的超分图像和真实高清图像作为输入,进行判断,但如果输出的超分图像中存在一些很复杂的噪声或者罕见的伪像时,GAN网络中的判别器的特征提取层可能会选择性的忽略这些“离异点”,从而导致这些噪声和伪像被判别器所接受,引入超分图像中,使得生成的超分图像包含大量的伪像和噪声,从而图像质量不高的问题。
本公开实施例提供了一种基于GAN网络的超分图像处理方法,所述方法包括:获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
本公开实施例还提供了一种基于GAN网络的超分图像处理装置,所述装置包括:
第一获取模块,用于获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
第二获取模块,用于通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
确定模块,用于通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
第三获取模块,用于根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
本公开实施例还提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的基于GAN网络的超分图像处理方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,计算机程序用于执行如本公开实施例提供的基于GAN网络的超分图像处理方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的超分图像处理方案,获取正样本图像,负样本图像和参考样本图像,其中,正样本图像为输入样本图像对应的真值超分图像,负样本图像为对输入样本图像和正样本图像进行融合加噪处理的图像,参考样本图像为输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像,通过GAN网络判别模型提取与正样本图像对应的第一特征,以及与参考样本图像对应的第三特征,并对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定二元交叉熵BCE损失函数,通过预设网络提取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,并根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征,根据BCE损失函数和第二对比学习损失函数进行反向传播训练生成模型的参数,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。由此,基于损失函数对GAN网络的特征提取过程监督训练,提升判别模型对噪声和伪像的敏感度,降低了判别模型的判别和训练难度,实现了在保证目标超分网络输出的目标超分图像的图像细节的丰富度的基础上,提升目标超分图像的纯净度。
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为本公开实施例提供的一种基于GAN网络的超分图像处理方法的流程示意图;
图2为本公开实施例提供的一种负样本图像的获取场景示意图;
图3为本公开实施例提供的另一种负样本图像的获取场景示意图;
图4为本公开实施例提供的另一种基于GAN网络的超分图像处理方法的流程示意图;
图5为本公开实施例提供的一种超分图像处理场景示意图;
图6为本公开实施例提供的另一种基于GAN网络的超分图像处理方法的流程示意图;
图7为本公开实施例提供的另一种基于GAN网络的超分图像处理方法的流程示意图;
图8为本公开实施例提供的另一种超分图像处理场景示意图;
图9为本公开实施例提供的另一种超分图像处理场景示意图;
图10为本公开实施例提供的另一种超分图像处理场景示意图;
图11为本公开实施例提供的一种超分图像处理装置的结构示意图;
图12为本公开实施例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”。
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。
为了解决上述问题,本公开实施例提供了一种基于GAN网络的超分图像处理方法,在该方法中,将对比损失函数(Contrastive Learning Loss,CR loss)引入GAN网络判别模型的训练过程,通过对其特征提取过程进行监督,从而使得GAN网络判别模型部分更容易分辨网络输出的超分图像和真实高清图像。使得GAN网络判别模型对噪声和伪像更加敏感,同时也降低GAN网络的判别和训练难度,该方法可以应用在多种画质增强任务以及其GAN网络训练框架中。
下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种基于GAN网络的超分图像处理方法的流程示意图,该方法可以由基于GAN网络的超分图像处理装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101,获取正样本图像,负样本图像和参考样本图像,其中,正样本图像为输入样本图像对应的真值超分图像,负样本图像为对输入样本图像和正样本图像进行融合加噪处理的图像,参考样本图像为输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像。
在本实施例中,为了更好的模拟真实的图像降质过程,获取输入样本图像对应的真值超分图像作为正样本图像,该正样本图像为真实高清图像,并且获取输入样本图像经过待训练的GAN网络的生成模型降低画质处理后输出的图像作为参考样本图像,同时,还获取与输入样本图像对应的负样本图像,以保证在后续的训练过程中,除了考虑和正样本图像的距离之外,还考虑尽量远离负样本图像,进一步提升训练的效果。
需要说明的是,在不同的应用场景中,获取负样本图像的方式不同,示例如下:
在本公开的一个实施例中,由于输入样本图像和输出的参考样本图像和正样本图像的尺寸不一样,因此,对输入样本图像进行上采样处理,获取与正样本图像尺寸相同的候选样本图像,进而,根据候选样本图像和正样本图像生成负样本图像,由此,融合正样本图像生成负样本图像,使得负样本图像略微接近正样本图像,从而提高训练难度,避免过快收敛。
在本实施例中,参照图2,可以确定与候选样本图像对应的第一权重,比如,该第一权重可以为0.5等,以及确定与正样本图像对应的第二权重比如是0.5等,其中,第一权重和第二权重之和为1。
对候选样本图像和第一权重的第一乘积结果,以及根据正样本图像和第二权重的第二乘积结果求和,获取融合图像,进一步的在获取融合图像后,对融合图像加入随机高斯噪声生成负样本图像,以提升负样本图像的真实性,保证训练效果。比如,可以引入随机高斯噪声对融合图像加权求和得到负样本图像等。
在本公开的另一个实施例中,参照图3,基于预设的下采样分辨率对正样本图像下采样得到下采样样本图像,下采样本图像和输入样本图像的尺寸一致,进而,融合下采样样本图像和输入样本图像得到融合图像,对融合图像上采样得到对应尺寸的图像为负样本图像,使得负样本图像略微接近正样本图像,从而提高训练难度,避免过快收敛,当然,在本实施例中,也可以融合图像上采样得到对应尺寸的图像后,加入随机高斯噪声生成负样本图像,以提升负样本图像的真实性,保证训练效果。
步骤102,通过GAN网络判别模型提取与正样本图像对应的第一特征,以及与参考样本图像对应的第三特征,并对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定二元交叉熵BCE损失函数。
在本实施例中,为了进一步提升GAN网络判别模型的性能,基于二分类用的交叉熵损失函数(Binary Cross Entropy Loss,BCE)对第一分数和第二分数进行对抗式训练,从而保证超分结果和正样本图像的更加接近。
在本实施例中,根据判别模型对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数,以及与参考样本图像对应的第二分数。
在本实施例中,在本实施例中,基于GAN网络进行对抗训练时,根据判别模型对第一特征和第二特征分别进行判别处理,获取与正样本图像对应的第一分数,以及与参考样本图像对应的第二分数。
进而,根据第一分数和第二分数确定BCE损失函数。
在本实施例中,通过二分类用的交叉熵损失函数BCE损失函数对第一分数和第二分数进行对抗式训练,从而保证超分结果和正样本图像的高频结果更加接近。
步骤103,通过预设网络提取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,并根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征。
在本实施例中,将正样本图像,负样本图像,和参考样本图像输入至预先训练好的VGG网络,获取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征。
在本实施例中,将正样本图像,负样本图像,和参考样本图像输入至深度卷积神经网络VGG网络进行特征提取,获取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,以便于基于特征维度进行超分网络的训练。
根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征。
在本实施例中,为了对超分网络进行训练,根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征,即使得参考样本图像和正样本图像在特征层面上接近的同时与负样本图像远离,从而避免了一些伪像和噪声的引入。
由此,无需引入大量假样本图像进行生成对抗学习,仅仅基于正负样本在特征维度的损失值的计算,进行超分网络的训练,相对传统的基于生成式对抗网络(GAN,Generative Adversarial Networks)来说,GAN网络容易引入伪像和噪声是因为其使用的对抗损失函数只强调网络的输出与训练集的真值(正样本图像)接近,但没有考虑其与负样本图像的距离,从而引入伪像和噪声,本实施例中,不但让网络的输出与真值(正样本图像)接近的同时,也与一些存在瑕疵的负样本拉开距离,降低了引入的伪像和噪声。
需要说明的是,在不同的应用场景中,根据第四特征、第五特征和第六特征确定第二对比学习损失函数的方式不同,示例如下:
在本公开的一个实施例中,如图4所示,根据第四特征、第五特征和第六特征确定第二对比学习损失函数,包括:
步骤401,根据第四特征和第六特征确定第四损失函数。
在本实施例中,基于正样本图像对应的第六特征和参考样本图像对应的第三特征确定第四损失函数,其中,该第四损失函数代表了参考样本图像与正样本图像之间的距离。
其中,第四损失函数的计算方式可以基于任意计算损失值的算法得到,比如,可以基于L1损失函数计算,L1损失函数即平均绝对误差(Mean Absolute Error,MAE),用于计算第四特征和第六特征之间距离的平均值;
又比如,可以基于L2损失函数计算,L2损失函数即为均方误差(Mean SquareError,MSE),用于计算第四特征和第六特征之间差值平方的平均值。
步骤402,根据第五特征和第六特征确定第五损失函数。
在本实施例中,根据负样本图像对应的第五特征和参考样本图像对应的第六特征确定第五损失函数,其中,该第五损失函数代表了参考样本图像与负样本图像之间的距离。
其中,第五损失函数的计算方式可以基于任意计算损失值的算法得到,比如,可以基于L1损失函数计算,L1损失函数即平均绝对误差(Mean Absolute Error,MAE),用于计算第五特征和第六特征之间距离的平均值以获取第五损失函数;
又比如,可以基于L2损失函数计算第二损失函数,L2损失函数即为均方误差(MeanSquare Error,MSE),用于计算第五特征和第六特征之间差值平方的平均值作为第二损失函数以获取第五损失函数。
步骤403,根据第四损失函数和第五损失函数确定第二对比学习损失函数。
在本实施例中,根据第四损失函数和第五损失函数确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征。
需要说明的是,在不同的应用场景中,根据第四损失函数和第五损失函数确定第二对比学习损失函数的方式不同,示例如下:
在本公开的一个实施例中,计算第四损失函数和第五损失函数之间的比值,获取第二对比学习损失函数,其中,第四损失函数为表示第四特征和第六特征之间平均绝对误差的L1损失函数;第五损失函数为表示第五特征和第六特征之间平均绝对误差的L1损失函数。
即在本实施例中,当第四特征为φ+第五特征为φ-第六特征为φ时,则对应的第四损失函数为L1(φ,φ+),第五损失函数为L1(φ,φ-),则对应的第二对比学习损失函数为下述公式(1),其中,CR为第二对比学习损失函数:
在本公开的另一个实施例中,计算第四损失函数和第五损失函数的损失函数之和,计算第四损失函数和损失函数之和的比值作为第二对比学习函数,由此,基于比值确定参考样本图像和正样本图像的距离,以及参考样本图像和负样本图像之间的损失对比关系。
步骤104,根据BCE损失函数和第二对比学习损失函数进行反向传播训练生成模型的参数,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。
在本实施例中,结合BCE损失函数和第二对比学习损失函数进行反向传播训练生成模型的参数,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。
从而,在本实施例中,在保证训练目标超分网络时,参考样本图像和正样本在高频信息层面上接近,且基于对抗训练进一步强化了参考样本图像和正样本在特征层面上接近程度。
举例而言,如图5所示,当样本图像为风景图像,第一特征为第三特征为FD,第一分数为D+,第二分数为D,BCE损失函数为BCE(D+,D),第四特征为φ+第五特征为φ-第六特征为φ,第四损失函数为L1(φ,φ+),第五损失函数为L1(φ,φ-),根据第四损失函数和第五损失函数确定对应的第二对比学习损失函数为CR(φ-,φ,φ+),输入样本图像为LR,且正样本图像为GT,负样本图像为Neg,参考样本图像为SR,则参照图5,根据判别模型对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数,以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定BCE损失函数,结合BCE损失函数和第二对比学习损失函数对GAN网络的生成模型进行训练,获取目标超分网络。基于两个损失函数训练GAN网络的生成模型,以保证超分结果(目标超分图像)和正样本图像进一步保持一致性,基于多个损失函数训练GAN网络的生成模型,以保证超分结果(目标超分图像)和正样本图像在高频信息上进一步保持一致性的同时,避免伪像和噪声的引入,提升了超分图像的细节纯净度。
综上,本公开实施例的基于GAN网络的超分图像处理方法,根据判别模型对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数,以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定BCE损失函数,将正样本图像,负样本图像,和参考样本图像输入至预先训练好的VGG网络,获取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,进而,根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征,根据BCE损失函数和第二对比学习损失函数对GAN网络的生成模型进行训练,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。由此,结合输入样本图像分别和正样本图像和负样本图像的距离,在特征层面的损失值训练得到目标超分网络,在保证目标超分网络输出的目标超分图像的图像细节的丰富度的基础上,进一步提升目标超分图像的纯净度。
在实际应用中,为了进一步使得参考样本和正样本在特征层面上接近的同时与负样本远离,从而避免一些伪像和噪声的引入,还可结合GAN网络判别模型对模型进行特征层面的训练。
如图6所示,该方法还包括:
步骤601,通过GAN网络判别模型提取与负样本图像对应的第二特征,根据第一特征、第二特征和第三特征确定第一对比学习损失函数,其中,第一对比学习损失函数用于使参考样本图像的特征接近与负样本图像的特征,并且远离正样本图像的特征。
在本实施例中,将正样本图像,负样本图像,和参考样本图像输入至GAN网络判别模型进行特征提取,获取与正样本图像对应的第一特征,与负样本图像对应的第二特征,以及与参考样本图像对应的第三特征。
在本实施例中,将正样本图像,负样本图像,和参考样本图像输入至GAN网络判别模型进行特征提取,获取与正样本图像对应的第一特征,与负样本图像对应的第二特征,以及与参考样本图像对应的第三特征,以便于基于特征维度进行超分网络的训练。
进而,根据第一特征、第二特征和第三特征确定第一对比学习损失函数,其中,第一对比学习损失函数用于使参考样本图像的特征接近与负样本图像的特征,并且远离正样本图像的特征。
在本实施例中,为了对超分网络进行训练,根据第一特征、第二特征和第三特征确定第一对比学习损失函数,其中,第一对比学习损失函数用于使参考样本图像的特征接近与负样本图像的特征,并且远离正样本图像的特征,也就是更加强调对噪声和伪像的关注度,使得参考样本图像远离正样本特征,降低判别模型对复杂噪声和罕见伪像“选择性”忽略的概率。
需要说明的是,在不同的应用场景中,根据第一特征、第二特征和第三特征确定第一对比学习损失函数的方式不同,示例如下:
在本公开的一个实施例中,如图7所示,根据第一特征、第二特征和第三特征确定第一对比学习损失函数,包括:
步骤701,根据第二特征和第三特征确定第一损失函数。
在本实施例中,基于负样本图像对应的第一特征和参考样本图像对应的第三特征确定第一损失函数,其中,该第一损失函数代表了参考样本图像与负样本图像之间的距离。
其中,第一损失函数的计算方式可以基于任意计算损失值的算法得到,比如,可以基于L1损失函数计算,L1损失函数即平均绝对误差(Mean Absolute Error,MAE),用于计算第二特征和第三特征之间距离的平均值;
又比如,可以基于L2损失函数计算,L2损失函数即为均方误差(Mean SquareError,MSE),用于计算第二特征和第三特征之间差值平方的平均值。
步骤702,根据第一特征和第三特征确定第二损失函数。
在本实施例中,基于正样本图像对应的第一特征和参考样本图像对应的第三特征确定第二损失函数,其中,该第一损失函数代表了参考样本图像与正样本图像之间的距离。
其中,第二损失函数的计算方式可以基于任意计算损失值的算法得到,比如,可以基于L1损失函数计算,L1损失函数即平均绝对误差(Mean Absolute Error,MAE),用于计算第一特征和第三特征之间距离的平均值;
又比如,可以基于L2损失函数计算第二损失函数,L2损失函数即为均方误差(MeanSquare Error,MSE),用于计算第一特征和第三特征之间差值平方的平均值作为第二损失函数。
步骤703,根据第一损失函数和第二损失函数确定第一对比学习损失函数。
在本实施例中,根据第一损失函数和第二损失函数确定对比学习损失函数,其中,对比学习损失函数用于使参考样本图像的特征远离正样本图像的特征,并且接近负样本图像的特征。
需要说明的是,在不同的应用场景中,根据第一损失函数和第二损失函数确定对比学习损失函数的方式不同,示例如下:
在本公开的一个实施例中,计算第一损失函数和第二损失函数之间的比值,获取第一对比学习损失函数,其中,第一损失函数为表示第二特征和第三特征之间平均绝对误差的L1损失函数;第二损失函数为表示第一特征和第三特征之间平均绝对误差的L1损失函数。
即在本实施例中,当第一特征为第二特征为/>第三特征为FD时,则对应的第一损失函数为L1(FD,/>),第二损失函数为L1(FD,/>),则对应的第一对比学习损失函数为下述公式(2),其中,CR为第一对比学习损失函数:
在本公开的另一个实施例中,计算第一损失函数和第二损失函数的损失函数之和,计算第一损失函数和损失函数之和的比值作为对比学习函数,由此,基于比值确定参考样本图像和正样本图像的距离,以及参考样本图像和负样本图像之间的损失对比关系。
步骤602,根据BCE损失函数、第一对比学习损失函数和第二对比学习损失函数进行反向传播训练生成模型的参数,获取目标超分网络。
在本实施例中,根据BCE损失函数和第一对比学习损失函数和第二对比学习损失函数对GAN网络的生成模型进行训练,获取目标超分网络。
在本实施例中,根据BCE损失函数、第一对比学习损失函数和第二对比学习损失函数对GAN网络的生成模型进行训练,即根据BCE损失函数、第一对比学习损失函数和和第二对比学习损失函数的损失值调整GAN网络的生成模型的网络参数,直至BCE损失函数的损失值小于预设的损失阈值,第一对比学习损失函数的损失值也小于对应的损失阈值,以及第二对比学习损失函数的损失值也小于对应的损失阈值,以获取训练完成后的目标超分网络。
从而,在本实施例中,在保证训练目标超分网络时,参考样本图像和正样本在高频信息层面上接近,且基于对抗训练进一步强化了参考样本图像和正样本在特征层面上接近程度。
举例而言,如图8所示,当样本图像为风景图像,第一特征为第三特征为FD,第一分数为D+,第二分数为D,BCE损失函数为BCE(D+,D),第一对比学习损失函数为第二对比学习损失函数为CR(φ-,φ,φ+),输入样本图像为LR,且正样本图像为GT,参考样本图像为SR,则参照图8,根据判别模型对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数,以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定BCE损失函数,结合BCE损失函数、第一对比学习损失函数、和第二对比学习损失函数对GAN网络的生成模型进行训练,获取目标超分网络。基于两个损失函数训练GAN网络的生成模型,以保证超分结果(目标超分图像)和正样本图像进一步保持一致性,以及基于第一对比学习损失函数对GAN网络的特征提取过程监督训练,提升判别模型对噪声和伪像的敏感度。
在本公开的实施例中,在训练GAN网络的生成模型时,还可根据参考样本图像和正样本图像确定第三损失函数,比如,根据参考样本图像和正样本图像确定表示平均绝对误差的L1损失函数确定第三损失函数,又比如,根据参考样本图像和正样本图像确定表示差值平方的平均值的L2损失函数确定第三损失函数,进而,根据BCE损失函数、第三损失函数、第一对比学习损失函数和第二对比学习损失函数对GAN网络的生成模型进行训练,即根据BCE损失函数、第三损失函数、第一对比学习损失函数和第二对比学习损失函数调整GAN网络的生成模型的网络参数,直至第三损失函数的损失值小于预设的损失阈值,BCE损失函数的损失值小于预设的损失阈值,第一对比学习损失函数的损失值小于对应的损失阈值,以及和第二对比学习损失函数的损失值小于对应的损失阈值,以获取训练完成后的目标超分网络。
举例而言,如图9所示,以图8所示的场景为例,还根据参考样本图像和正样本图像确定第三损失函数L1(GT,SR),基于第三损失函数、第一对比学习函数、BCE损失函数和第二对比学习函数共同训练GAN网络的生成模型,基于多个损失函数训练GAN网络的生成模型,以保证超分结果(目标超分图像)和正样本图像在高频信息上进一步保持一致性的同时,避免伪像和噪声的引入,提升了超分图像的细节纯净度。
从而,在本实施例中,在保证训练目标超分网络时,参考样本图像和正样本在特征层面上接近的同时与负样本图像远离,从而避免了一些伪像和噪声的引入,还进一步基于参考样本图像和正样本图像的第三损失函数训练,强化了参考样本图像和正样本在特征层面上接近程度。且基于第一对比学习损失函数对判别模型的特征提取过程进行监督,使得判别模型对噪声和伪像更加敏感,提升了基于目标超分网络生成目标超分图像的纯净度。
当然,在本公开的一个实施例中,哈可以基于第一对比学习函数单独训练目标超分网络。
在本实施例中,根据第一对比学习损失函数对GAN网络的生成模型进行训练,比如,预先设置第一对比学习损失函数对应的预设阈值,当第一对比学习损失函数的损失值大于预设阈值时,修正GAN网络的生成模型的网络参数,直至该第一对比学习损失函数的损失值不大于预设阈值时,获取到对应的目标超分网络,从而,目标超分网络在训练过程中,通过添加针对判别模型的特征提取部分的CR loss,从而训练完成的目标超分模型可以在较低质量的图像上超分效果显著提升,噪声抑制和细节生成都有了明显提升。由此,基于目标超分网络对测试图像进行超分处理获取目标超分图像,在提升图像的细节丰富度的基础上,纯净度较高。
举例而言,如图10所示,当样本图像为风景图像,第一特征为第二特征为/>第三特征为FD,第一对比学习损失函数为/>输入样本图像为LR,且正样本图像为GT,负样本图像为Neg,参考样本图像为SR,则参照图10,根据第一特征、第二特征和所述第三特征确定第一对比学习损失函数,其中,第一对比学习损失函数用于使参考样本图像的特征接近与负样本图像的特征,并且远离正样本图像的特征。
由此,将正样本图像,负样本图像和参考样本图像送入GAN网络的特征提取部分,同时对三者特征求CR loss,使得GAN在特征提取时,倾向于将SR参考样本图像的特征与负样本图像接近,也就是更加强调GAN对噪声和伪像的关注度,并使得参考样本图像的特征与正样本图像远离,降低GAN网络对复杂噪声和罕见伪像‘选择性’忽略的概率。由于有针对GAN特征部分的CR loss的存在,后续的GAN判别模块可以更容易的区分超分图像特征和真实高清图像特征,从而降低GAN网络在复杂数据集的训练难度。
综上,本公开实施例的基于GAN网络的超分图像处理方法,在基于第一对比学习损失函数对判别模型的特征提取过程进行监督,使得判别模型对噪声和伪像更加敏感的基础上,在保证训练目标超分网络时,参考样本图像和正样本在特征层面上接近的同时与负样本图像远离,从而避免了一些伪像和噪声的引入,还进一步基于参考样本图像和正样本图像的第三损失函数训练,强化了参考样本图像和正样本在特征层面上接近程度。
为了实现上述实施例,本公开还提出了一种基于GAN网络的超分图像处理装置。图11为本公开实施例提供的一种基于GAN网络的超分图像处理装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图11所示,该装置包括:第一获取模块1110、第二获取模块1120、确定模块1130和第三获取模块1140,其中,
第一获取模块1110,用于获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
第二获取模块1120,用于通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
确定模块1130,用于通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
第三获取模块1140,用于根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
本公开实施例所提供的基于GAN网络的超分图像处理装置可执行本公开任意实施例所提供的基于GAN网络的超分图像处理方法,具备执行方法相应的功能模块和有益效果。
为了实现上述实施例,本公开还提出一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述实施例中的基于GAN网络的超分图像处理方法
图12为本公开实施例提供的一种电子设备的结构示意图。
下面具体参考图12,其示出了适于用来实现本公开实施例中的电子设备1300的结构示意图。本公开实施例中的电子设备1300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12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12所示,电子设备1300可以包括处理装置(例如中央处理器、图形处理器等)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储装置1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有电子设备1300操作所需的各种程序和数据。处理装置1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
通常,以下装置可以连接至I/O接口1305: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1306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1307;包括例如磁带、硬盘等的存储装置1308;以及通信装置1309。通信装置1309可以允许电子设备1300与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1300,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1309从网络上被下载和安装,或者从存储装置1308被安装,或者从ROM 1302被安装。在该计算机程序被处理装置1301执行时,执行本公开实施例的基于GAN网络的超分图像处理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:获取正样本图像,负样本图像和参考样本图像,其中,正样本图像为输入样本图像对应的真值超分图像,负样本图像为对输入样本图像和正样本图像进行融合加噪处理的图像,参考样本图像为输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像,通过GAN网络判别模型提取与正样本图像对应的第一特征,以及与参考样本图像对应的第三特征,并对第一特征和第三特征分别进行判别处理,获取与正样本图像对应的第一分数以及与参考样本图像对应的第二分数,根据第一分数和第二分数确定二元交叉熵BCE损失函数,通过预设网络提取与正样本图像对应的第四特征,与负样本图像对应的第五特征,以及与参考样本图像对应的第六特征,并根据第四特征、第五特征和第六特征确定第二对比学习损失函数,其中,第二对比学习损失函数用于使参考样本图像的特征接近正样本图像的特征,并且远离负样本图像的特征,根据BCE损失函数和第二对比学习损失函数进行反向传播训练生成模型的参数,获取目标超分网络,以根据目标超分网络对测试图像进行超分处理获取目标超分图像。
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。
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。
根据本公开的一个或多个实施例,本公开提供了一种基于GAN网络的超分图像处理方法,包括:
获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,所述负样本图像的生成过程包括:
对所述输入样本图像进行上采样处理,获取与所述正样本图像尺寸相同的候选样本图像;
确定与所述候选样本图像对应的第一权重,以及确定与所述正样本图像对应的第二权重;
对所述候选样本图像和所述第一权重的第一乘积结果,以及根据所述正样本图像和所述第二权重的第二乘积结果求和,获取融合图像;
对所述融合图像加入随机高斯噪声生成所述负样本图像。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,
所述根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,包括:
根据所述第四特征和所述第六特征确定第四损失函数;
根据所述第五特征和所述第六特征确定第五损失函数;
根据所述第四损失函数和所述第五损失函数确定所述第二对比学习损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,
所述根据所述第四损失函数和所述第五损失函数确定所述第二对比学习损失函数,包括:
计算所述第四损失函数和所述第五损失函数之间的比值,获取所述第二对比学习损失函数,其中,所述第四损失函数为表示所述第四特征和所述第六特征之间平均绝对误差的L1损失函数;所述第五损失函数为表示所述第五特征和所述第六特征之间平均绝对误差的L1损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,还包括:
还包括:
通过所述GAN网络判别模型提取与所述负样本图像对应的第二特征,根据所述第一特征、所述第二特征和所述第三特征确定第一对比学习损失函数,其中,所述第一对比学习损失函数用于使所述参考样本图像的特征接近与所述负样本图像的特征,并且远离所述正样本图像的特征;
所述根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,包括:
根据所述BCE损失函数、所述第一对比学习损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,
所述根据所述第一特征、所述第二特征和所述第三特征确定第一对比学习损失函数,包括:
根据所述第二特征和所述第三特征确定第一损失函数;
根据所述第一特征和所述第三特征确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,还包括:
所述根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数,包括:
计算所述第一损失函数和所述第二损失函数之间的比值,获取所述第一对比学习损失函数,其中,所述第一损失函数为表示所述第二特征和所述第三特征之间平均绝对误差的L1损失函数;所述第二损失函数为表示所述第一特征和所述第三特征之间平均绝对误差的L1损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理方法中,
还包括:
根据所述参考样本图像和所述正样本图像确定第三损失函数;
所述根据所述BCE损失函数、所述第一对比学习损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,包括:
根据所述BCE损失函数、所述第三损失函数、所述第二对比学习损失函数和所述第一对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。根据本公开的一个或多个实施例,本公开提供了一种基于GAN网络的超分图像处理装置,包括:
第一获取模块,用于获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
第二获取模块,用于通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
确定模块,用于通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
第三获取模块,用于根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,所述第一获取模块,具体用于:
对所述输入样本图像进行上采样处理,获取与所述正样本图像尺寸相同的候选样本图像;
确定与所述候选样本图像对应的第一权重,以及确定与所述正样本图像对应的第二权重;
对所述候选样本图像和所述第一权重的第一乘积结果,以及根据所述正样本图像和所述第二权重的第二乘积结果求和,获取融合图像;
对所述融合图像加入随机高斯噪声生成所述负样本图像。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,所述确定模块,具体用于:
根据所述第二特征和所述第三特征确定第一损失函数;
根据所述第一特征和所述第三特征确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,还包括:
第一损失函数确定模块,用于根据所述第四特征和所述第六特征确定第四损失函数;
第二损失函数确定模块,用于根据所述第五特征和所述第六特征确定第五损失函数;
第三损失函数确定模块,用于根据所述第四损失函数和所述第五损失函数确定所述第二对比学习损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,所述第三损失函数确定模块,具体用于:
计算所述第四损失函数和所述第五损失函数之间的比值,获取所述第二对比学习损失函数,其中,所述第四损失函数为表示所述第四特征和所述第六特征之间平均绝对误差的L1损失函数;所述第五损失函数为表示所述第五特征和所述第六特征之间平均绝对误差的L1损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,还包括:
提取模块,用于通过所述GAN网络判别模型提取与所述负样本图像对应的第二特征,根据所述第一特征、所述第二特征和所述第三特征确定第一对比学习损失函数,其中,所述第一对比学习损失函数用于使所述参考样本图像的特征接近与所述负样本图像的特征,并且远离所述正样本图像的特征;
所述第三获取模块,具体用于:
根据所述BCE损失函数、所述第一对比学习损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,所述提取模块,具体用于:
根据所述第二特征和所述第三特征确定第一损失函数;
根据所述第一特征和所述第三特征确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,所述提取模块,具体用于:
计算所述第一损失函数和所述第二损失函数之间的比值,获取所述第一对比学习损失函数,其中,所述第一损失函数为表示所述第二特征和所述第三特征之间平均绝对误差的L1损失函数;所述第二损失函数为表示所述第一特征和所述第三特征之间平均绝对误差的L1损失函数。
根据本公开的一个或多个实施例,本公开提供的基于GAN网络的超分图像处理装置中,还包括:
第四损失函数确定模块,用于根据所述参考样本图像和所述正样本图像确定第三损失函数;
所述第三获取模块,具体用于根据所述BCE损失函数、所述第三损失函数、所述第二对比学习损失函数和所述第一对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开提供的任一所述的基于GAN网络的超分图像处理方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开提供的任一所述的基于GAN网络的超分图像处理方法。
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 (11)
1.一种基于GAN网络的超分图像处理方法,其特征在于,包括:
获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
2.根据权利要求1所述的方法,其特征在于,所述负样本图像的生成过程包括:
对所述输入样本图像进行上采样处理,获取与所述正样本图像尺寸相同的候选样本图像;
确定与所述候选样本图像对应的第一权重,以及确定与所述正样本图像对应的第二权重;
对所述候选样本图像和所述第一权重的第一乘积结果,以及根据所述正样本图像和所述第二权重的第二乘积结果求和,获取融合图像;
对所述融合图像加入随机高斯噪声生成所述负样本图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,包括:
根据所述第四特征和所述第六特征确定第四损失函数;
根据所述第五特征和所述第六特征确定第五损失函数;
根据所述第四损失函数和所述第五损失函数确定所述第二对比学习损失函数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第四损失函数和所述第五损失函数确定所述第二对比学习损失函数,包括:
计算所述第四损失函数和所述第五损失函数之间的比值,获取所述第二对比学习损失函数,其中,所述第四损失函数为表示所述第四特征和所述第六特征之间平均绝对误差的L1损失函数;所述第五损失函数为表示所述第五特征和所述第六特征之间平均绝对误差的L1损失函数。
5.根据权利要求1所述的方法,其特征在于,还包括:
通过所述GAN网络判别模型提取与所述负样本图像对应的第二特征,根据所述第一特征、所述第二特征和所述第三特征确定第一对比学习损失函数,其中,所述第一对比学习损失函数用于使所述参考样本图像的特征接近与所述负样本图像的特征,并且远离所述正样本图像的特征;
所述根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,包括:
根据所述BCE损失函数、所述第一对比学习损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一特征、所述第二特征和所述第三特征确定第一对比学习损失函数,包括:
根据所述第二特征和所述第三特征确定第一损失函数;
根据所述第一特征和所述第三特征确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一损失函数和所述第二损失函数确定所述第一对比学习损失函数,包括:
计算所述第一损失函数和所述第二损失函数之间的比值,获取所述第一对比学习损失函数,其中,所述第一损失函数为表示所述第二特征和所述第三特征之间平均绝对误差的L1损失函数;所述第二损失函数为表示所述第一特征和所述第三特征之间平均绝对误差的L1损失函数。
8.根据权利要求5所述的方法,其特征在于,还包括:
根据所述参考样本图像和所述正样本图像确定第三损失函数;
所述根据所述BCE损失函数、所述第一对比学习损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,包括:
根据所述BCE损失函数、所述第三损失函数、所述第二对比学习损失函数和所述第一对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络。
9.一种基于GAN网络的超分图像处理装置,其特征在于,包括:
第一获取模块,用于获取正样本图像,负样本图像和参考样本图像,其中,所述正样本图像为输入样本图像对应的真值超分图像,所述负样本图像为对所述输入样本图像和所述正样本图像进行融合加噪处理的图像,所述参考样本图像为所述输入样本图像经过待训练的生成式对抗GAN网络的生成模型降低画质处理后输出的图像;
第二获取模块,用于通过所述GAN网络判别模型提取与所述正样本图像对应的第一特征,以及与所述参考样本图像对应的第三特征,并对所述第一特征和所述第三特征分别进行判别处理,获取与所述正样本图像对应的第一分数以及与所述参考样本图像对应的第二分数,根据所述第一分数和所述第二分数确定二元交叉熵BCE损失函数;
确定模块,用于通过预设网络提取与所述正样本图像对应的第四特征,与所述负样本图像对应的第五特征,以及与所述参考样本图像对应的第六特征,并根据所述第四特征、所述第五特征和所述第六特征确定第二对比学习损失函数,其中,所述第二对比学习损失函数用于使所述参考样本图像的特征接近所述正样本图像的特征,并且远离所述负样本图像的特征;
第三获取模块,用于根据所述BCE损失函数和所述第二对比学习损失函数进行反向传播训练所述生成模型的参数,获取目标超分网络,以根据所述目标超分网络对测试图像进行超分处理获取目标超分图像。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8中任一所述的基于GAN网络的超分图像处理方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-8中任一所述的基于GAN网络的超分图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416020.3A CN116188255A (zh) | 2021-11-25 | 2021-11-25 | 基于gan网络的超分图像处理方法、装置、设备及介质 |
PCT/CN2022/134230 WO2023093828A1 (zh) | 2021-11-25 | 2022-11-25 | 基于gan网络的超分图像处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416020.3A CN116188255A (zh) | 2021-11-25 | 2021-11-25 | 基于gan网络的超分图像处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188255A true CN116188255A (zh) | 2023-05-30 |
Family
ID=86438788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111416020.3A Pending CN116188255A (zh) | 2021-11-25 | 2021-11-25 | 基于gan网络的超分图像处理方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116188255A (zh) |
WO (1) | WO2023093828A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122826B (zh) * | 2017-05-08 | 2019-04-23 | 京东方科技集团股份有限公司 | 用于卷积神经网络的处理方法和系统、和存储介质 |
CN109345456B (zh) * | 2018-09-30 | 2021-01-19 | 京东方科技集团股份有限公司 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
US11748851B2 (en) * | 2019-03-25 | 2023-09-05 | Korea Advanced Institute Of Science And Technology | Method of replacing missing image data by using neural network and apparatus thereof |
CN109993698A (zh) * | 2019-03-29 | 2019-07-09 | 西安工程大学 | 一种基于生成对抗网络的单幅图像超分辨纹理增强方法 |
CN110222758B (zh) * | 2019-05-31 | 2024-04-23 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及存储介质 |
-
2021
- 2021-11-25 CN CN202111416020.3A patent/CN116188255A/zh active Pending
-
2022
- 2022-11-25 WO PCT/CN2022/134230 patent/WO2023093828A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023093828A1 (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402112B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN111402113B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN114898177A (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
CN112418054B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
WO2023093481A1 (zh) | 基于傅里叶域的超分图像处理方法、装置、设备及介质 | |
CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
US20240037713A1 (en) | System, devices and/or processes for image anti-aliasing | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111369429B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN116188255A (zh) | 基于gan网络的超分图像处理方法、装置、设备及介质 | |
CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 |
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 |