[發明專利]一種對抗生成網絡構建方法及裝置、圖像重構方法及裝置

有效

• 申請號: 201811332629.0
• 申請日: 2018-11-09
• 公開（公告）號: CN109544450B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 陸輝;談鴻韜;劉樹惠
• 申請（專利權）人: 武漢烽火眾智數字技術有限責任公司
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 程殿軍

本發明提供了一種對抗生成網絡構建方法及裝置、圖像重構方法及裝置，對抗生成網絡構建方法包括：對于各訓練樣本，將該訓練樣本中的低分辨率圖像輸入至初始先驗評估網絡，得到第一先驗特征圖；將低分辨率圖像和第一先驗特征圖進行圖像融合，得到初始圖像；將初始圖像輸入至初始生成網絡，得到目標圖像；將目標圖像和高分辨率圖像輸入至初始判別網絡，得到該訓練樣本的評價值；根據每一訓練樣本的評價值判斷是否調整模型參數；若判定調整，用所獲得的模型優化參數更新各網絡，返回執行將低分辨率圖像輸入至初始先驗評估網絡；否則，用初始先驗評估網絡和初始生成網絡組成對抗生成網絡。應用本發明實施例，提高了網絡精度。

技術領域

本發明涉及圖像處理領域，尤其涉及一種對抗生成網絡構建方法及裝置、圖像重構方法及裝置。

背景技術

圖像作為人們獲取信息的主要來源之一，受到了越來越廣泛的關注。近年來，基于圖像的應用呈現爆發式增長，相較于低分辨率圖像，高分辨率圖像具有更高的像素密度、更豐富的細節信息，更能滿足實際應用需求。為了將低分辨率圖像轉換為高分辨率圖像，圖像重構技術應運而生。圖像重構技術能在不改變硬件條件的前提下，突破圖像分辨率的限制，將成像質量較差的低分辨率圖像重構為具有較高辨識度的高分辨率圖像。

目前，應用最廣的圖像重構技術是基于深度學習的超分辨率重建技術，例如基于卷積神經網絡及對抗生成網絡的圖像重構方法，但是由于網絡結構不夠全面、網絡精度較低，導致提取的圖像特征信息不夠豐富，所以仍存在圖像質量提升不顯著，多樣性不足，不自然的問題，故所使用的對抗生成網絡精度的高低成為影響重構圖像質量優劣的重要因素。

因此有必要設計一種新的對抗生成網絡構建方法，以克服上述問題。

發明內容

本發明的目的在于克服現有技術之缺陷，提供了一種對抗生成網絡構建方法及裝置、圖像重構方法及裝置，以實現提高網絡精度。

本發明是這樣實現的：

第一方面，本發明提供一種對抗生成網絡構建方法，所述方法包括：

獲得訓練集，并加載預設的初始先驗評估網絡、預設的初始生成網絡以及預設的初始判別網絡，其中，所述訓練集包括多個訓練樣本，每一訓練樣本包括低分辨率圖像和該低分辨率圖像對應的高分辨率圖像；

對于訓練集中的每一訓練樣本，將該訓練樣本中的低分辨率圖像輸入至所述初始先驗評估網絡，得到該訓練樣本的第一先驗特征圖；將該低分辨率圖像和該第一先驗特征圖進行圖像融合，得到該訓練樣本的初始圖像；將該初始圖像輸入至所述初始生成網絡，得到該訓練樣本的目標圖像；將該目標圖像和該訓練樣本中的高分辨率圖像輸入至所述初始判別網絡，得到該訓練樣本的評價值；其中，該訓練樣本的第一先驗特征圖由所述初始先驗評估網絡提取該訓練樣本中的低分辨率圖像的人臉關鍵特征點和人臉輪廓特征所得；

在獲得每一訓練樣本的評價值后，根據所得的各評價值，判斷是否調整模型參數；

若判定調整模型參數，則用模型優化算法對預設的損失函數進行優化，得到模型優化參數，用所得的模型優化參數分別更新所述初始先驗評估網絡、所述初始生成網絡和所述初始判別網絡，返回執行將該訓練樣本中的低分辨率圖像輸入至所述初始先驗評估網絡的步驟；

若判定不調整模型參數，則用所述初始先驗評估網絡和所述初始生成網絡組成對抗生成網絡。

可選的，所述預設的初始先驗評估網絡為卷積神經網絡，所述預設的初始生成網絡為殘差網絡，所述預設的初始判別網絡為全卷積網絡。

可選的，在獲得訓練集之后，所述方法還包括：

將所述訓練集中的每一低分辨率圖像裁剪至第一預設尺寸；

將該訓練樣本中的低分辨率圖像輸入至所述初始先驗評估網絡，包括：