[發明專利]模型訓練、圖像增強方法和裝置、電子設備及存儲介質

在審

• 申請號: 202010733232.3
• 申請日: 2020-07-27
• 公開（公告）號: CN111861931A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 魯方波;汪賢;樊鴻飛;蔡媛
• 申請（專利權）人: 北京金山云網絡技術有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 李莎

1.一種圖像增強模型訓練方法，其特征在于，包括：

對第一圖像和第二圖像分別進行金字塔分解處理，得到多級第一子帶圖像和多級第二子帶圖像，其中，該第一圖像和該第二圖像基于相同圖像內容形成，且具有不同的圖像細節；

基于每一級第一子帶圖像與第二子帶圖像之間的圖像損失值和預設的多個權重系數，計算得到圖像損失總值，其中，在所述多個權重系數中至少存在兩個不同的權重系數；

基于所述圖像損失總值對目標神經網絡進行參數更新處理，得到圖像增強模型，其中，該圖像增強模型用于對目標圖像的細節進行增強處理。

2.根據權利要求1所述的圖像增強模型訓練方法，其特征在于，所述基于每一級第一子帶圖像與第二子帶圖像之間的圖像損失值和預設的多個權重系數，計算得到圖像損失總值的步驟，包括：

針對每一級第一子帶圖像和第二子帶圖像，確定該級第一子帶圖像和第二子帶圖像之間的圖像損失值，得到多級圖像損失值；

基于多級所述圖像損失值和預設的多級層級權重系數，得到圖像損失總值，其中，多級所述層級權重系數中至少存在兩級不同的層級權重系數。

3.根據權利要求2所述的圖像增強模型訓練方法，其特征在于，所述基于多級所述圖像損失值和預設的多級層級權重系數，得到圖像損失總值的步驟，包括：

針對每一級所述圖像損失值，獲得該級圖像損失值對應的層級權重系數，其中，每一級所述圖像損失值對應的層級權重系數不同；

基于多級所述層級權重系數和多級所述圖像損失值，進行加權求和計算處理，得到圖像損失總值。

4.根據權利要求3所述的圖像增強模型訓練方法，其特征在于，所述針對每一級所述圖像損失值，獲得該級圖像損失值對應的層級權重系數的步驟，包括：

針對每一級所述圖像損失值，獲得該級圖像損失值對應的子帶圖像所屬的金字塔層級；

針對每一級所述圖像損失值，基于該級圖像損失值對應的金字塔層級和預設的對應函數關系，確定該級圖像損失值的層級權重系數，其中，在該對應函數關系中，所述層級權重系數隨著所述金字塔層級的增加而減小。

5.根據權利要求4所述的圖像增強模型訓練方法，其特征在于，所述對應函數關系，包括：

WO＝2^1-i；

其中，WO為所述層級權重系數，i為所述金字塔層級。

6.根據權利要求2-5任意一項所述的圖像增強模型訓練方法，其特征在于，每一級所述第一子帶圖像包括第一細節子帶圖像和第一近似子帶圖像，每一級所述第二子帶圖像包括第二細節子帶圖像和第二近似子帶圖像；

所述針對每一級第一子帶圖像和第二子帶圖像，確定該級第一子帶圖像和第二子帶圖像之間的圖像損失值的步驟，包括：

針對每一級第一細節子帶圖像和第二細節子帶圖像，確定該級第一細節子帶圖像和第二細節子帶圖像之間的細節損失值，其中，所述第一細節子帶圖像和所述第二細節子帶圖像分別基于對所述第一圖像和所述第二圖像進行拉普拉斯金字塔分解處理得到；

針對每一級第一近似子帶圖像和第二近似子帶圖像，確定該級第一近似子帶圖像和第二近似子帶圖像之間的近似損失值，其中，所述第一近似子帶圖像和所述第二近似子帶圖像分別基于對所述第一圖像和所述第二圖像進行高斯金字塔分解處理得到；

針對每一級第一子帶圖像和第二子帶圖像，基于該級第一子帶圖像和第二子帶圖像之間的細節損失值和近似損失值，得到該級第一子帶圖像和第二子帶圖像之間的圖像損失值。

7.根據權利要求6所述的圖像增強模型訓練方法，其特征在于，所述針對每一級第一子帶圖像和第二子帶圖像，基于該級第一子帶圖像和第二子帶圖像之間的細節損失值和近似損失值，得到該級第一子帶圖像和第二子帶圖像之間的圖像損失值的步驟，包括：

針對每一級第一子帶圖像和第二子帶圖像之間的細節損失值和近似損失值，分別獲得對應的細節權重系數和近似權重系數；

針對每一級第一子帶圖像和第二子帶圖像，基于對應的細節損失值、近似損失、細節權重系數、近似權重系數，加權計算得到該級第一子帶圖像和第二子帶圖像之間的圖像損失值。