[發明專利]圖像重構方法、裝置、設備及存儲介質

在審

• 申請號: 202211180722.0
• 申請日: 2022-09-26
• 公開（公告）號: CN115713569A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 唐海川;咸曉雨;田寅;龔明;劉俊;紀紅蕾
• 申請（專利權）人: 中車工業研究院有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T3/40;G06V10/80;G06N3/0464;G06N3/084
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 張博

1.一種圖像重構方法，其特征在于，包括：

獲取待處理圖像；

將所述待處理圖像輸入至圖像重構模型，得到所述圖像重構模型輸出的目標重構圖像；

其中，所述圖像重構模型是基于原始圖像集以及所述原始圖像集中每一個原始圖像對應的壓縮圖像進行訓練得到，所述壓縮圖像是基于若干個品質因數參數對原始圖像進行量化壓縮得到；

所述圖像重構模型包括元卷積模塊，所述元卷積模塊的訓練參數是基于所述壓縮圖像以及所述品質因數參數對應的量化系數表信息進行元學習獲得。

2.根據權利要求1所述的圖像重構方法，其特征在于，所述圖像重構模型還包括特征提取模塊；所述將所述待處理圖像輸入至圖像重構模型，得到所述圖像重構模型輸出的目標重構圖像，包括：

將所述待處理圖像輸入至所述特征提取模塊，得到所述特征提取模塊輸出的特征提取結果；

將所述特征提取結果輸入至所述元卷積模塊，得到所述元卷積模塊輸出的目標重構圖像。

3.根據權利要求2所述的圖像重構方法，其特征在于，所述圖像重構模型是基于如下步驟訓練得到：

獲取若干張原始圖像；

基于不同的品質因數參數，分別對各所述原始圖像進行量化壓縮，得到各所述原始圖像對應的壓縮圖像；

基于各所述壓縮圖像以及各自對應的原始圖像，對待訓練重構模型進行迭代訓練，得到所述圖像重構模型。

4.根據權利要求3所述的圖像重構方法，其特征在于，在所述基于所述壓縮圖像集以及各自對應的原始圖像，對所述待訓練重構模型進行迭代訓練，得到所述圖像重構模型之前，包括：

在各所述壓縮圖像中選取任一品質因數參數對應的各目標壓縮圖像；

基于各所述目標壓縮圖像以及各自對應的原始圖像，對待訓練初始模型進行迭代訓練，得到目標初始模型；

將所述目標初始模型中初始特征提取模塊的參數進行特征遷移至所述待訓練重構模型中的特征提取模塊，其中，所述初始特征提取模塊和所述特征提取模塊的網絡結構相同。

5.根據權利要求3所述的圖像重構方法，其特征在于，所述待訓練重構模型還包括全連接層；所述基于各所述壓縮圖像以及各自對應的原始圖像，對待訓練重構模型進行迭代訓練，得到所述圖像重構模型，包括：

針對任意一個壓縮圖像，將所述壓縮圖像輸入至所述特征提取模塊，得到所述特征提取模塊輸出的訓練圖像特征；

將所述壓縮圖像中的各個像素點坐標以及所述壓縮圖像對應的品質因數參數的量化系數表信息輸入至所述全連接層，得到所述全連接層輸出的卷積參數，其中，所述卷積參數用于更新所述元卷積模塊的訓練參數；

將所述訓練圖像特征輸入至參數更新后的元卷積模塊，得到所述元卷積模塊輸出的第一訓練重構圖像；

基于所述第一訓練重構圖像和所述壓縮圖像對應的原始圖像，計算得到第一模型損失值；

基于每一次迭代得到的第一模型損失值，對所述待訓練重構模型進行參數更新，得到所述圖像重構模型。

6.根據權利要求5所述的圖像重構方法，其特征在于，所述特征提取模塊包括第一卷積層和至少一個卷積網絡；

所述至少一個卷積網絡依次連接；

所述第一卷積層的輸出端與所述至少一個卷積網絡中的第一個卷積網絡連接；

每一個所述卷積網絡包括依次連接的第二卷積層、激活函數、第三卷積層和特征融合層；

所述卷積網絡中的特征融合層用于將所述第一卷積層的輸出信號和所述第三卷積層的輸出信號進行融合。