[發明專利]模型訓練方法、超分辨率感知方法及相關裝置

在審

• 申請號: 202110915752.0
• 申請日: 2021-08-10
• 公開（公告）號: CN113807395A
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 陳海波;羅志鵬
• 申請（專利權）人: 深延科技（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 蘇州領躍知識產權代理有限公司 32370
• 代理人: 王寧

本申請提供了一種模型訓練方法、超分辨率感知方法及相關裝置，所述模型訓練方法包括：獲取訓練數據集，所述訓練數據集中的每個訓練數據包括一個低分辨率的訓練圖像和所述訓練圖像對應的高分辨率圖像；針對至少一個訓練圖像，對所述訓練圖像進行數據增廣，得到所述訓練圖像對應的增廣圖像作為新的訓練圖像并存儲至所述訓練數據集；基于所述訓練圖像對應的高分辨率圖像，獲取所述新的訓練圖像對應的高分辨率圖像；利用所述訓練數據集，使用adam優化器訓練預設深度神經網絡，得到超分辨率感知模型，所述預設深度神經網絡采用RCAN網絡。本申請訓練得到的超分辨率感知模型更為穩定且準確率較高。

技術領域

本申請涉及深度學習技術領域，尤其涉及模型訓練方法、超分辨率感知方法及相關裝置。

背景技術

超分辨率(Super-Resolution)即通過硬件或軟件的方法提高原有圖像的分辨率，超分辨率重建即通過一系列低分辨率的圖像來得到一幅高分辨率的圖像。

現有技術CN110111251A公開了一種結合深度監督自編碼和感知迭代反投影的圖像超分辨率重建方法，包括以下步驟：訓練步驟，接收復雜退化條件下的訓練圖像對訓練深度自編碼器，將訓練完成后的深度自編碼器中的編碼器的深度卷積神經網絡作為學習復雜圖像退化模型；重建步驟，將深度自編碼器中的編碼部分作為迭代反投影算法中的退化模型，使用雙三次插值圖像作為超分辨率圖像迭代初始值，計算超分辨率圖像退化后圖像與觀測圖像在特征空間中的感知損失，并用感知損失迭代更新超分辨率圖像，直至損失低于閾值后輸出當前超分辨率圖像作為最終的重建圖像。

然而，上述方法在超分辨率重建過程中模型的穩定性較差，準確率較低。

發明內容

本申請的目的在于提供模型訓練方法、超分辨率感知方法及相關裝置，使訓練得到的超分辨率感知模型更為穩定且準確率較高。

本申請的目的采用以下技術方案實現：

第一方面，本申請提供了一種模型訓練方法，所述模型訓練方法包括：獲取訓練數據集，所述訓練數據集中的每個訓練數據包括一個低分辨率的訓練圖像和所述訓練圖像對應的高分辨率圖像；針對至少一個訓練圖像，對所述訓練圖像進行數據增廣，得到所述訓練圖像對應的增廣圖像作為新的訓練圖像并存儲至所述訓練數據集；基于所述訓練圖像對應的高分辨率圖像，獲取所述新的訓練圖像對應的高分辨率圖像；利用所述訓練數據集，使用adam優化器訓練預設深度神經網絡，得到超分辨率感知模型，所述預設深度神經網絡采用RCAN網絡。該技術方案的有益效果在于，通過對訓練圖像進行數據增廣，可以使訓練數據集盡可能的多樣化，使訓練得到的超分辨率感知模型具有較強的泛化能力，使用adam優化器訓練預設深度神經網絡，可以使訓練過程更高效，并且梯度相對平滑、穩定，并且，預設深度神經網絡采用的是RCAN網絡，可以構建非常深的可訓練網絡并獲得較好的圖像SR(ImageSuper Resolution，圖像超分辨率)性能，綜上所述，利用該方法訓練得到的超分辨率感知模型更為穩定且準確率較高。

在一些可選的實施例中，所述基于所述訓練圖像對應的高分辨率圖像，獲取所述新的訓練圖像對應的高分辨率圖像，包括：獲取所述訓練圖像對應的數據增廣類型；基于所述訓練圖像對應的高分辨率圖像和數據增廣類型，得到所述新的訓練圖像對應的高分辨率圖像。該技術方案的有益效果在于，根據訓練圖像對應的數據增廣類型，可以對訓練圖像對應的高分辨率圖像執行相應的操作，得到新的訓練圖像對應的高分辨率圖像。