[發明專利]超分網絡模型的訓練方法、裝置和電子設備

在審

• 申請號: 202110713803.1
• 申請日: 2021-06-25
• 公開（公告）號: CN113313633A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 宋苗
• 申請（專利權）人: 西安紫光展銳科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06K9/62;G06N20/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 朱穎;臧建明

本申請提供了一種超分網絡模型的訓練方法、裝置和電子設備，可以先獲取多個樣本圖像對；針對各樣本圖像對，將樣本圖像對中的初始樣本圖像輸入至初始超分網絡模型，得到第二樣本圖像；并分別對第二樣本圖像和樣本圖像對中的第一樣本圖像進行至少一個尺度的下采樣處理，得到第一樣本圖像對應的第三樣本圖像，和第二樣本圖像對應的第四樣本圖像；再結合第三樣本圖像和第四樣本圖像，共同對初始超分網絡模型進行訓練，這樣既可以改進輕量級的初始超分網絡模型的增強性能，又不引入額外的網絡參數，得到輕量級的目標超分網絡模型，且該目標超分網絡模型可以較好地恢復出高分辨率圖像，實現對低分辨率圖像的增強，從而提高了高分辨率圖像的重建質量。

技術領域

本申請涉及數據處理技術領域，尤其涉及一種超分網絡模型的訓練方法、裝置和電子設備。

背景技術

圖像超分辨率指從一張低分辨率圖像恢復出高分辨率的圖像。圖像的分辨率越高，其提供的圖像信息越豐富。尤其是在軍事偵察，醫學診斷等領域中，相比于低分辨率的圖像，高分辨率的圖像的顯得尤為重要。

超分網絡模型可以用于恢復出低分辨率圖像對應的高分辨率圖像。但是，較大網絡結構的超分網絡模型需要學習更多的參數，易造成對訓練數據集的過擬合；而且，層數多的網絡需要更多的計算資源，其計算量呈平方增長。而較小網絡結構的超分網絡模型并不能充分地學習到低分辨率圖像到高分辨圖像的映射關系，因此，現有的較小網絡結構的超分網絡模型無法很好地恢復出低分辨率圖像對應的高分辨率圖像。

因此，如何訓練新的輕量級超分網絡模型，且該新的輕量級超分網絡模型可以較好地恢復出低分辨率圖像對應的高分辨率圖像，是本領域技術人員亟待解決的問題。

發明內容

本申請實施例提供了一種超分網絡模型的訓練方法、裝置和電子設備，可以訓練得到輕量級超分網絡模型，且該輕量級超分網絡模型可以較好地恢復出低分辨率圖像對應的高分辨率圖像，從而提高了高分辨率圖像的重建質量。

第一方面，本申請實施例提供了一種超分網絡模型的訓練方法，該超分網絡模型的訓練方法可以包括：

獲取多個樣本圖像對；其中，各樣本圖像對均包括一個第一樣本圖像，以及所述第一樣本圖像對應的初始樣本圖像，且所述第一樣本圖像為所述初始樣本圖像超分處理后的圖像。

針對所述各樣本圖像對，將所述樣本圖像對的初始樣本圖像輸入至初始超分網絡模型，得到所述初始樣本圖像對應的第二樣本圖像；并分別對所述第一樣本圖像和所述第二樣本圖像進行至少一個尺度的下采樣處理，得到所述第一樣本圖像對應的第三樣本圖像，以及所述第二樣本圖像對應的第四樣本圖像；其中，所述第二樣本圖像的超分倍數與所述第一樣本圖像的超分倍數相同。

根據所述各樣本圖像對的第一樣本圖像、以及對應的第二樣本圖像、第三樣本圖像、和第四樣本圖像，對所述初始超分網絡模型進行訓練，得到目標超分網絡模型。

在一種可能的實現方式中，所述根據所述各樣本圖像對的第一樣本圖像、以及對應的第二樣本圖像、第三樣本圖像、和第四樣本圖像，對所述初始超分網絡模型進行訓練，得到目標超分網絡模型，包括：

針對所述各樣本圖像對，根據所述樣本圖像對的第一樣本圖像、以及對應的第二樣本圖像、第三樣本圖像、和第四樣本圖像，確定所述樣本圖像對對應的損失函數。

根據所述各樣本圖像對對應的損失函數，對所述初始超分網絡模型進行訓練，得到目標超分網絡模型。

在一種可能的實現方式中，所述根據所述樣本圖像對的第一樣本圖像、以及對應的第二樣本圖像、第三樣本圖像、以及第四樣本圖像，確定所述樣本圖像對對應的損失函數，包括：

根據所述第一樣本圖像和所述第二樣本圖像，確定第一損失函數，并根據所述第三樣本圖像和第四樣本圖像，確定第二損失函數。

根據所述第一損失函數和所述第二損失函數，確定所述樣本圖像對對應的損失函數。