The embodiment of the present application provides a model training method, a device and a photographic terminal, a method and a device for training a CNN model including a denoising model and a tone model. The method includes: wavelet decomposition of the short exposure image and the long exposure image in the acquired training data, obtaining the first low frequency sub-image and the first high frequency sub-image of the short exposure image, and the second low frequency sub-image and the second high frequency sub-image of the long exposure image. First denoising model instance and second denoising model instance are obtained by initializing the denoising model. The first denoising model is trained according to the first low frequency subgraph and the second low frequency subgraph, and the second denoising model is trained according to the first high frequency subgraph and the second high frequency subgraph. The first low frequency sub-image and the first high frequency sub-image processed by the denoising model are reconstructed by wavelet transform, and the color blending model is trained according to the reconstructed image and the long exposure image.
【技术实现步骤摘要】
模型训练方法、装置及拍照终端
本申请涉及图像处理
,具体而言,涉及一种模型训练方法、装置及拍照终端。
技术介绍
由于移动终端(如,手机)的硬件的固有特性,几乎所有移动终端在弱光环境下都存在拍照画质较低的问题。照片画质低主要表现在噪点数量多和颜色失真。在现有技术中,虽然可以通过延长快门时间(即,曝光时间)来提升画质,但过长的曝光时间容易出现抖动问题,从而导致拍摄的照片很模糊,这种情况必须要使用专业拍照的三脚架才能有所缓解。而对普通的移动终端用户而言,在拍照时需要使用专业的三脚架才能得到高画质的图片,非常不便。申请内容有鉴于此,本申请的目的包括提供一种模型训练方法、装置及拍照终端,以改善上述问题。为了达到上述目的,本申请实施例采用如下技术方案:本申请实施例提供一种模型训练方法,用于对包括去噪模型和调色模型的CNN模型进行训练,该方法包括:获取训练数据,该训练数据包括分别在短曝光和长曝光两种条件下对同一场景进行采集得到的短曝光图像和长曝光图像;对所述训练数据中的短曝光图像进行小波分解,得到第一低频子图和第一高频子图,对所述训练数据中的长曝光图像进行小波分解,得到第二低频子图和第二高频子图;对所述去噪模型进行初始化,得到第一去噪模型实例和第二去噪模型实例;将第一低频子图输入所述第一去噪模型实例得到去噪后的第一低频子图,并根据所述第二低频子图和所述去噪后的第一低频子图对所述第一去噪模型实例的各参数的值进行更新;将第一高频子图输入所述第二去噪模型实例得到去噪后的第一高频子图,并根据所述第二高频子图和所述去噪后的第一高频子图对所述第二去噪模型实例的各参数的值进行更 ...
【技术保护点】
1.一种模型训练方法,其特征在于,用于对包括去噪模型和调色模型的CNN模型进行训练,该方法包括:获取训练数据,该训练数据包括分别在短曝光和长曝光两种条件下对同一场景进行采集得到的短曝光图像和长曝光图像;对所述训练数据中的短曝光图像进行小波分解,得到第一低频子图和第一高频子图,对所述训练数据中的长曝光图像进行小波分解,得到第二低频子图和第二高频子图;对所述去噪模型进行初始化,得到第一去噪模型实例和第二去噪模型实例;将所述第一低频子图输入所述第一去噪模型实例得到去噪后的第一低频子图,并根据所述第二低频子图和所述去噪后的第一低频子图对所述第一去噪模型实例的各参数的值进行更新;将所述第一高频子图输入所述第二去噪模型实例得到去噪后的第一高频子图,并根据所述第二高频子图和所述去噪后的第一高频子图对所述第二去噪模型实例的各参数的值进行更新;对所述去噪后的第一低频子图和所述去噪后的第一高频子图进行小波重建,将重建得到的图像输入所述调色模型输出图像,并根据所述输出图像和所述长曝光图像对所述调色模型的各参数的值进行更新。
【技术特征摘要】
1.一种模型训练方法,其特征在于,用于对包括去噪模型和调色模型的CNN模型进行训练,该方法包括:获取训练数据,该训练数据包括分别在短曝光和长曝光两种条件下对同一场景进行采集得到的短曝光图像和长曝光图像;对所述训练数据中的短曝光图像进行小波分解,得到第一低频子图和第一高频子图,对所述训练数据中的长曝光图像进行小波分解,得到第二低频子图和第二高频子图;对所述去噪模型进行初始化,得到第一去噪模型实例和第二去噪模型实例;将所述第一低频子图输入所述第一去噪模型实例得到去噪后的第一低频子图,并根据所述第二低频子图和所述去噪后的第一低频子图对所述第一去噪模型实例的各参数的值进行更新;将所述第一高频子图输入所述第二去噪模型实例得到去噪后的第一高频子图,并根据所述第二高频子图和所述去噪后的第一高频子图对所述第二去噪模型实例的各参数的值进行更新;对所述去噪后的第一低频子图和所述去噪后的第一高频子图进行小波重建,将重建得到的图像输入所述调色模型输出图像,并根据所述输出图像和所述长曝光图像对所述调色模型的各参数的值进行更新。2.根据权利要求1所述的模型训练方法,其特征在于,根据所述第二低频子图和所述去噪后的第一低频子图对所述第一去噪模型实例的各参数的值进行更新的步骤,包括:根据所述第二低频子图、所述去噪后的第一低频子图、预设的损失函数及预设步长,计算所述第一去噪模型实例中每个参数当前的梯度下降值;当计算出的各个梯度下降值均小于预设的终止距离时,针对所述第一去噪模型实例中的每个参数,将该参数的值更新为该参数的当前值与该参数当前的梯度下降值之差。3.根据权利要求2所述的模型训练方法,其特征在于,根据所述第二高频子图和所述去噪后的第一高频子图对所述第二去噪模型实例的各参数的值进行更新的步骤,包括:根据所述第二高频子图、所述去噪后的第一高频子图、所述损失函数及所述预设步长计算所述第二去噪模型实例中每个参数当前的梯度下降值;当计算出的各个梯度下降值均小于所述终止距离时,针对所述第二去噪模型实例中的每个参数,将该参数的值更新为该参数的当前值与该参数当前的梯度下降值之差。4.根据权利要求2或3所述的模型训练方法,其特征在于,所述方法还包括:当计算出的所述第一去噪模型实例中各参数的梯度下降值为0时,停止更新所述第一去噪模型实例中的各参数的值;当计算出的所述第二去噪模型实例中各参数的梯度下降值为0时,停止更新所述第二去噪模型实例中的各参数的值。5.根据权利要求2或3所述的模型训练方法,其特征在于,根据所述输出图像和所述长曝光图像对所述调色模型的各参数的值的步骤,包括:根据所述输出图像、所述长曝光图像、所述损失函数及所述预设步长计算所述调色模...
【专利技术属性】
技术研发人员:周铭柯,李启东,李志阳,吕仰铭,张伟,
申请(专利权)人:厦门美图之家科技有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。