[發明專利]圖像增強模型訓練方法、裝置、電子設備及可讀存儲介質

有效

• 申請號: 201810821282.X
• 申請日: 2018-07-24
• 公開（公告）號: CN109102483B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 周銘柯;李志陽;張偉;李啟東;呂仰銘
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 唐維虎

1.一種圖像增強模型訓練方法，其特征在于，應用于電子設備，所述電子設備包括Unet卷積神經網絡、縮減網絡及融合網絡，所述方法包括：

將初始圖像輸入所述Unet卷積神經網絡；

從所述Unet卷積神經網絡中提取所述初始圖像經過卷積處理后的高層抽象局部特征；

基于所述縮減網絡縮小高層抽象局部特征對應特征圖像的尺寸，得到所述初始圖像的高層抽象全局特征；

基于所述融合網絡將所述初始圖像的高層抽象局部特征與高層抽象全局特征進行融合，得到所述初始圖像的高層抽象綜合特征；

將所述高層抽象綜合特征在所述Unet卷積神經網絡中進行反卷積處理，得到輸出圖像；

基于所述輸出圖像和目標圖像，及預設的損失函數方案對所述Unet卷積神經網絡進行訓練，得到訓練后的圖像增強模型，其中，所述目標圖像為預先對所述初步圖像進行明暗和飽和度調節得到的。

2.如權利要求1所述的方法，其特征在于，所述基于所述輸出圖像和目標圖像，及預設的損失函數方案對所述Unet卷積神經網絡進行訓練，以得到訓練后的圖像增強模型，包括：

基于所述輸出圖像和目標圖像，及預設權重比例的L1_loss損失函數和Vgg_loss損失函數對所述Unet卷積神經網絡進行訓練，得到模型參數，完成圖像增強模型的訓練。

3.如權利要求2所述的方法，其特征在于，所述方法還包括

接收輸入的待增強圖像；

采用訓練好的所述圖像增強模型對所述待增強圖像進行圖像增強，得到增強后的圖像。

4.一種圖像增強模型訓練裝置，其特征在于，應用于電子設備，所述電子設備包括Unet卷積神經網絡、縮減網絡及融合網絡，所述裝置包括：

輸入模塊，用于將初始圖像輸入所述Unet卷積神經網絡；

提取模塊，用于從所述Unet卷積神經網絡中提取所述初始圖像經過卷積處理后的高層抽象局部特征；

縮減處理模塊，用于基于所述縮減網絡縮小高層抽象局部特征對應特征圖像的尺寸，得到所述初始圖像的高層抽象全局特征；

融合模塊，用于基于所述融合網絡將所述初始圖像的高層抽象局部特征與高層抽象全局特征進行融合，得到所述初始圖像的高層抽象綜合特征；

反卷積處理模塊，用于將所述高層抽象綜合特征在所述Unet卷積神經網絡中進行反卷積處理，得到輸出圖像；

訓練模塊，用于基于所述輸出圖像和目標圖像，及預設的損失函數方案對所述Unet卷積神經網絡進行訓練，得到訓練后的圖像增強模型，其中，所述目標圖像為預先對所述初步圖像進行明暗和飽和度調節得到的。

5.如權利要求4所述的裝置，其特征在于，所述訓練模塊具體用于：

基于所述輸出圖像和目標圖像，及預設權重比例的L1_loss損失函數和Vgg_loss損失函數對所述Unet卷積神經網絡進行訓練，得到模型參數，完成圖像增強模型的訓練。

6.如權利要求5所述的裝置，其特征在于，所述裝置還包括：

接收模塊，用于接收輸入的待增強圖像；

圖像增強模塊，用于采用訓練好的所述圖像增強模型對所述待增強圖像進行圖像增強，得到增強后的圖像。

7.一種電子設備，所述電子設備包括處理器及存儲有若干計算機指令的非易失性存儲器，其特征在于，所述計算機指令被所述處理器執行時，所述電子設備執行權利要求1-3中任意一項所述的圖像增強模型訓練方法。

8.一種可讀存儲介質，所述可讀存儲介質包括計算機程序，其特征在于：

所述計算機程序運行時控制所述可讀存儲介質所在電子設備執行權利要求1-3中任意一項所述的圖像增強模型訓練方法。