[發明專利]網絡訓練方法、裝置、圖像處理方法及電子設備

有效

• 申請號: 201811529196.8
• 申請日: 2018-12-13
• 公開（公告）號: CN111325671B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 張毅偉;趙元;沈海峰
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06N3/094
• 分類號: G06N3/094;G06N3/0475;G06N3/0464;G06T5/00
• 代理公司: 北京超成律師事務所 11646
• 代理人: 鄧超

本發明涉及網絡訓練方法、裝置、圖像處理方法及電子設備。該方法應用于生成式對抗網絡，生成式對抗網絡包括：生成網絡和對抗網絡，該方法包括：獲取當前迭代訓練的樣本圖像；將樣本圖像輸入到生成網絡中，得到復原圖像；根據復原圖像以及樣本圖像對應的參考圖像確定表征樣本圖像的難易程度的自步學習參數；在下一次迭代訓練時，根據自步學習參數以及自步學習優化機制訓練對抗網絡和生成網絡。通過在訓練網絡中加入自步學習參數來調節訓練模式，在訓練初期讓模型優先自主學習簡單樣本，隨著訓練次數的增加，逐漸增加學習復雜樣本的優先度，這樣可以解決復雜樣本(質量很低的圖像)對生成網絡的擾動，增強模型的泛化能力和自主學習能力。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種網絡訓練方法、裝置、圖像處理方法及電子設備。

背景技術

圖像處理包括：圖像去噪、去模糊、去霧、去雨滴、低照度增強、邊界增強等。多年來，圖像處理技術一直是研究和應用領域的一個難點，由于現實場景的復雜多變，在應用中經常會遇到圖像降質問題，而相關圖像處理技術的單一性又限制了其在工程中的使用。多數情況下，傳統的圖像處理技術是針對多個單一問題進行處理后進行融合，其合理性不容置疑。但經過分析可以發現，各單一圖像處理問題之間并不是相互獨立的，例如在噪聲和模糊同時存在的情況下，優先去噪會造成圖像紋理信息的部分丟失，進而影響后續的去模糊過程，而優先去模糊不僅造成圖像復原不準確還會放大噪聲因素；又如低照度增強技術的處理并非僅僅是調節亮度信息的分布，研究和應用這一技術既要保證亮度信息的增強，又要保證噪聲信息的極大抑制。

傳統的圖像處理技術針對各單一問題進行退化建模，然后結合統計模型和圖像先驗信息進行復原操作。例如在圖像去噪中采用貝葉斯模型和噪聲假設來進行增強；在圖像去模糊中，采用最大后驗概率模型和重尾分布進行建模。以上這些模型都得到了很好的研究，但針對復雜場景其存在抗擾動能力差、泛華能力較弱等問題，因此，利用上述這些模型對圖像進行處理并不能達到很好的增強效果。

發明內容

鑒于此，本發明實施例在于提供一種網絡訓練方法、裝置、圖像處理方法及電子設備，以有效地改善上述問題。

本發明的實施例是這樣實現的：

第一方面，本發明實施例提供了一種網絡訓練方法，應用于生成式對抗網絡，所述生成式對抗網絡包括：生成網絡和對抗網絡，所述方法包括：獲取當前迭代訓練的樣本圖像；將所述樣本圖像輸入到所述生成網絡中，得到復原圖像；根據所述復原圖像以及所述樣本圖像對應的參考圖像確定表征所述樣本圖像的難易程度的自步學習參數；在下一次迭代訓練時，根據所述自步學習參數以及自步學習優化機制訓練所述對抗網絡和所述生成網絡，其中，訓練時，利用單獨交替迭代優化方法先優化所述對抗網絡，再優化所述生成網絡，每次迭代訓練時，更新所述自步學習參數，直至迭代結束。

本申請實施例中，通過在訓練網絡中加入自步學習參數來調節訓練模式，在訓練初期讓模型優先自主學習簡單樣本，隨著訓練次數的增加，逐漸增加學習復雜樣本的優先度，這樣可以解決復雜樣本(質量很低的圖像)對生成網絡的擾動，增強模型的泛化能力和自主學習能力，使其具備強魯棒性。

結合第一方面實施例的一種可能的實施方式，根據所述自步學習參數以及自步學習優化機制訓練所述對抗網絡和所述生成網絡，包括：通過如下公式訓練所述對抗網絡和所述生成網絡；其中，v∈[0,1]為所述自步學習參數，x、參考圖像和所述復原圖像，G、D分別為所述生成網絡和所述對抗網絡，x～p_r為所述參考圖像的統計分布，為所述復原圖像的統計分布，E(.)為期望，是調節所述自步學習參數的條件損失函數。

結合第一方面實施例的一種可能的實施方式，所述對抗網絡的優化公式如下：其中，為所述參考圖像與所述復原圖像的混合分布，為所述參考圖像和所述復原圖像的加權和，α為梯度正則項的參數，取值0－1。