【技术实现步骤摘要】
模型训练、图像发送、图像处理方法及相关装置设备
本专利技术涉及计算机领域，尤其涉及一种模型训练方法、一种图像发送方法、一种图像处理方法、相关装置、设备和计算机可读存储介质。
技术介绍
在数位信号处理领域中，降采样，又作减采集，是一种多速率数字信号处理的技术或是降低信号采样率的过程，通常用于降低数据传输速率或者数据大小。例如，图像降采样具体可以指通过降采样算法或降采样模型，降低图像的分辨率，那么向图像接收端发送降采样得到的低分辨率图像，可以节省带宽，然后在图像接收端接收到该低分辨率图像后，可以采用超分辨率算法或超分辨率模型来提高图像的分辨率，也就是说恢复该低分辨率图像的细节，实现了在有限带宽下得到更高的画质，提高了用户体验。现有技术中，通过传统降采样模型把高分辨率图像的分辨率降低，降采样得到低分辨率图像之后，使用高分辨率图片与低分辨率图片来训练超分辨率模型。然而，传统降采样模型没有进行针对性的训练和优化，导致会出现不必要的图像细节的丢失，使得超分辨率模型无法更好的恢复原有图像的细节，超分辨率模型处理后的图像画质有所下降。
技术实现思路
本专利技术实施例提供了一种模型训练...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：将第一分辨率的训练图像输入第一卷积神经网络进行训练，得到第二分辨率的输出图像；所述第二分辨率低于所述第一分辨率；将所述第二分辨率的输出图像输入第二卷积神经网络进行训练，得到超分辨率图像；将第一损失值与第二损失值进行加权求和，得到第三损失值；所述第一损失值为所述第二分辨率的输出图像与第二分辨率的训练图像的损失值，所述第二损失值为所述超分辨率图像与所述第一分辨率的训练图像的损失值；根据所述第三损失值调整所述第一卷积神经网络和所述第二卷积神经网络的参数。
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：将第一分辨率的训练图像输入第一卷积神经网络进行训练，得到第二分辨率的输出图像；所述第二分辨率低于所述第一分辨率；将所述第二分辨率的输出图像输入第二卷积神经网络进行训练，得到超分辨率图像；将第一损失值与第二损失值进行加权求和，得到第三损失值；所述第一损失值为所述第二分辨率的输出图像与第二分辨率的训练图像的损失值，所述第二损失值为所述超分辨率图像与所述第一分辨率的训练图像的损失值；根据所述第三损失值调整所述第一卷积神经网络和所述第二卷积神经网络的参数。2.如权利要求1所述的方法，其特征在于，所述第一分辨率的训练图像包括第一分辨率的纯色图像。3.如权利要求1所述的方法，其特征在于，所述将第一损失值与第二损失值进行加权求和，得到第三损失值包括：通过公式L3＝W1L1+W2L2，计算得到第三损失值；其中，所述L1为所述第一损失值，所述L2为所述第二损失值，所述L3为所述第三损失值，所述W1为所述第一权重，所述W2为所述第二权重，所述W1小于所述W2。4.如权利要求1-3任一项所述的方法，其特征在于，所述第一卷积神经网络包括m个串联的卷积层；其中，所述第一卷积神经网络的第一个卷积层的步长为N，所述第一卷积神经网络的第二个至第m个卷积层的步长为1，第m个卷积层的输出通道数为1；所述m为正整数。5.如权利要求4所述的方法，其特征在于，所述第二卷积神经网络包括n个串联的卷积层和重塑层；其中，所述第二卷积神经网络的第n个卷积层的输出通道数为N2，所述第n个卷积层输出的图像输入所述重塑层进行拼接后输出所述超分辨率图像；所述n为正整数。6.一种图像发送方法，其特征在于，包括：将第一分辨率的待发送图像输入图像降采样模型，通过所述图像降采样模型降低所述待发送图像的分辨率，得到第二分辨率的待发送图像；将所述第二分辨率的待发送图像进行发送；其中，所述图像降采样模型为通过如权利要求1-5任一项所述的方法中训练完成后的第一卷积神经网络。7.一种图像处理方法，其特征在于，包括：接收第二分辨率的待处理图像；所述待处理图像为通过权利要求6所述的方法发送的...
【专利技术属性】
技术研发人员：陈法圣，
申请(专利权)人：腾讯科技深圳有限公司，
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。