[發明專利]圖像處理方法、深度學習模型的訓練方法、裝置

在審

• 申請號: 202211263864.3
• 申請日: 2022-10-14
• 公開（公告）號: CN115578261A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 袁葦航
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 劉凡凡

本公開提供了一種圖像處理方法、深度學習模型的訓練方法、圖像處理裝置、深度學習模型的訓練裝置、設備、存儲介質以及程序產品，涉及人工智能技術領域，尤其涉及計算機視覺、增強現實、虛擬現實、深度學習等技術領域。圖像處理方法的具體實現方案為：確定低分辨率圖像的初始圖像特征，初始圖像特征具有目標通道數目；對初始圖像特征執行至少一次殘差特征蒸餾處理，得到目標殘差特征，其中，殘差特征蒸餾處理包括：以第一支路和第二支路交叉的形式，分別對第一支路的輸入數據和第二支路的輸入數據進行融合和基礎殘差特征蒸餾處理；根據目標殘差特征和初始圖像特征，確定映射特征；以及根據映射特征，得到與低分辨率圖像對應的高分辨率圖像。

技術領域

本公開涉及人工智能技術領域，尤其涉及計算機視覺、增強現實、虛擬現實、深度學習等技術領域，具體涉及一種圖像處理方法、深度學習模型的訓練方法、圖像處理裝置、深度學習模型的訓練裝置、設備、存儲介質以及程序產品。

背景技術

圖像處理是人工智能技術的一個重要分支，超分辨率則是圖像處理的一個重要研究方向，如何準確、快速地將低分辨率圖像轉換為高分辨率圖像成為亟待解決的技術問題。

發明內容

本公開提供了一種圖像處理方法、深度學習模型的訓練方法、圖像處理裝置、深度學習模型的訓練裝置、設備、存儲介質以及程序產品。

根據本公開的一方面，提供了一種圖像處理方法，包括：確定低分辨率圖像的初始圖像特征，初始圖像特征具有目標通道數目；對初始圖像特征執行至少一次殘差特征蒸餾處理，得到目標殘差特征，其中，殘差特征蒸餾處理包括：以第一支路和第二支路交叉的形式，分別對第一支路的輸入數據和第二支路的輸入數據進行融合和基礎殘差特征蒸餾處理；根據目標殘差特征和初始圖像特征，確定映射特征；以及根據映射特征，得到與低分辨率圖像對應的高分辨率圖像。

根據本公開的另一方面，提供了一種深度學習模型的訓練方法，深度學習模型包括至少一個殘差特征蒸餾網絡；深度學習模型的訓練方法包括：根據初始超分模型的至少一個殘差特征蒸餾網絡對低分辨率樣本進行特征提取，得到目標殘差特征，其中，殘差特征蒸餾網絡構造成以第一支路和第二支路交叉的形式融合第一支路和第二支路的輸入數據，第一支路和第二支路分別包括用于進行基礎殘差特征蒸餾處理的基礎殘差特征蒸餾模塊；根據目標殘差特征和低分辨率樣本，確定映射特征；根據映射特征和低分辨率樣本對應的高分辨率樣本，確定模型反饋數據；根據模型反饋數據，調整初始超分模型的參數，得到目標超分模型。

根據本公開的另一方面，提供了一種圖像處理裝置，包括：初始圖像特征確定模塊、至少一個殘差特征蒸餾處理網絡、映射特征第一確定模塊、高分辨率圖像確定模塊。初始圖像特征確定模塊，用于確定低分辨率圖像的初始圖像特征，初始圖像特征具有目標通道數目；至少一個殘差特征蒸餾處理網絡，用于對初始圖像特征執行至少一次殘差特征蒸餾處理，得到目標殘差特征，其中，殘差特征蒸餾處理網絡用于以第一支路和第二支路交叉的形式，分別對第一支路的輸入數據和第二支路的輸入數據進行融合和基礎殘差特征蒸餾處理；映射特征第一確定模塊，用于根據目標殘差特征和初始圖像特征，確定映射特征；高分辨率圖像確定模塊，用于根據映射特征，得到與低分辨率圖像對應的高分辨率圖像。

根據本公開的另一方面，提供了一種深度學習模型的訓練裝置，深度學習模型包括至少一個殘差特征蒸餾網絡；深度學習模型的訓練裝置包括：目標殘差特征確定模塊、映射特征第二確定模塊、模型反饋數據確定模塊以及目標超分模型確定模塊。目標殘差特征確定模塊，用于根據初始超分模型的至少一個殘差特征蒸餾網絡對低分辨率樣本進行特征提取，得到目標殘差特征，其中，殘差特征蒸餾網絡構造成以第一支路和第二支路交叉的形式融合第一支路和第二支路的輸入數據，第一支路和第二支路分別包括用于進行基礎殘差特征蒸餾處理的基礎殘差特征蒸餾模塊；映射特征第二確定模塊，用于根據目標殘差特征和低分辨率樣本，確定映射特征；模型反饋數據確定模塊，用于根據映射特征和低分辨率樣本對應的高分辨率樣本，確定模型反饋數據；目標超分模型確定模塊，用于根據模型反饋數據，調整初始超分模型的參數，得到目標超分模型。