The embodiment of the present invention discloses a multitask image reconstruction method, device, device and medium. The method includes acquiring image training sample set and training the image training sample set into multi-task image reconstruction model. In the model, at least two branches of residual learning network are set up in series, and all the output results of the branches are incorporated into the loss function of the network, which improves the defect of the existing technology in expressing different degradation models by the same residual signal, and improves the effect of image reconstruction in composite scenes by adapting the network structure to the degradation model. By means of low-level parameter sharing, the network size is reduced and the network performance is improved.
【技术实现步骤摘要】
一种多任务图像重建方法、装置、设备和介质
本专利技术实施例涉及神经网络技术,尤其涉及一种多任务图像重建方法、装置、设备和介质。
技术介绍
图像处理包括多个方面,典型的如图像去噪、超分辨率处理、和压缩去块处理等。图像去噪,是计算机视觉和图像处理的一个经典且根本的问题,是解决很多相关问题的预处理必备过程。超分辨率是图像处理领域中重要的研究之一,它指利用一副或者多幅低分辨率图像,通过相应的算法来获得一幅清晰的高分辨率图像。高分辨率意味着图像具有高像素密度,可以提供更多的细节。随着对图像处理领域研究的深入,对图像处理提出了越来越高的要求。现有技术中,典型的多任务图像重建方案是在图像处理的过程中同时实施多种图像处理手段,例如可同时对输入图像进行去噪处理、去块处理、以及超分辨率处理。通常可采用神经网络模型来实现图像的多任务处理。典型的可参考DnCNN(DenoiseConvolutionalNeuralNetwork,去噪卷积神经网络)模型,DnCNN网络由三个大部分组成:第一部分:Conv(卷积层)+ReLu(激活函数),第二部分:BN(batchnormalization,归一化)+ReLu(激活函数),第三部分:Conv(卷积层)+ReLu(激活函数)。多任务图像重建模型的训练方式,例如可以是确定多个低分辨率图像,在低分辨率图像中人为加入像素块(block)、噪声(noise),低分辨率图像通过与目标高质量标签图像进行端到端的映射,对多任务图像重建模型进行训练。多任务图像重建模型通常是通过同一个网络模型来学习残差信号的,但是由于多任务处理残差信号的方式不同,所以 ...
【技术保护点】
1.一种多任务图像重建方法,其特征在于,包括:获取图像训练样本集,其中,每个图像训练样本的源图像包括至少两种训练元素,且至少两种训练元素的残差数据与源图像数据的叠加方式不相同;将所述图像训练样本集输入多任务图像重建模型,以进行模型训练,其中,所述重建模型至少包括串联的至少两个残差学习网络分支,每个残差学习网络输出的残差数据与源图像数据的叠加方式与对应的训练元素相同;所述重建模型的损失函数包括分别与各残差学习网络输出结果对应的子函数。
【技术特征摘要】
1.一种多任务图像重建方法,其特征在于,包括:获取图像训练样本集,其中,每个图像训练样本的源图像包括至少两种训练元素,且至少两种训练元素的残差数据与源图像数据的叠加方式不相同;将所述图像训练样本集输入多任务图像重建模型,以进行模型训练,其中,所述重建模型至少包括串联的至少两个残差学习网络分支,每个残差学习网络输出的残差数据与源图像数据的叠加方式与对应的训练元素相同;所述重建模型的损失函数包括分别与各残差学习网络输出结果对应的子函数。2.根据权利要求1所述的方法,其特征在于,至少两种训练元素的残差数据与源图像数据的叠加方式包括两种,一种叠加方式为线性相减,另一种叠加方式为线性相加,两个残差学习网络分支分别为求差残差学习网络分支和求和残差学习网络分支。3.根据权利要求2所述的方法,其特征在于,采用线性相减叠加方式的训练元素包括去除噪声,采用线性相加叠加方式的训练元素包括去除块和超分辨率处理。4.根据权利要求2或3所述的方法,其特征在于,所述重建模型包括:第一卷积层,用于对源图像数据进行卷积处理并输出第一卷积数据;求差残差学习网络分支,包括相连的残差学习网络与求差计算元件,所述残差学习网络的输入端与第一卷积层的一个输出端相连,用于对第一卷积数据进行残差学习处理,输出第一残差数据;所述求差计算元件还与第一卷积层相连,用于将第一卷积数据和第一残差数据进行求差处理,以输出求差处理数据;求和残差学习网络分支,包括相连的残差学习网络与求和计算元件,所述残差学习网络的输入端与求差计算元件的输出端相连,用于对求差处理数据进行残差学习处理,输出第二残差数据;所述求和计算元件还与第一卷积层相连,用于将第一卷积数据和第二残差数据进行求和处理,以输出求和处理数据;两个第二卷积层,分别与求和计算元件和求差计算元件的输出端相连,对输入数据进行卷积计算,分别输出求和残差学习图像数据与求差残差学习图像数据。5.根据权利要求4所述的方法,其特征在于,所述损失函数如下:其中,m...
【专利技术属性】
技术研发人员:邹超洋,
申请(专利权)人:广州视源电子科技股份有限公司,
类型:发明
国别省市:广东,44
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。