一种图像处理模型的构建方法、装置及终端设备制造方法及图纸

本发明专利技术适用于图像处理技术领域，提供了一种图像处理模型的构建方法、装置及终端设备，通过配置基于残差模块的基模型的开始退化级别参数，并对配置好的基模型进行训练后，再将特征调节层添加至基模型中，生成自适应模型，再通过配置所述自适应模型的结束退化级别参数，并对配置好的自适应模型进行训练，然后对自适应模型中的特征调节层进行插值运算，以使得最终形成的图像处理模型能够实现从开始退化级别到结束退化级别之间任意退化级别的图像处理，从而实现了任意退化级别的图像复原任务，并实现了复原强度的连续可调性，而且由于未带入新的图像噪声，使得用户可以根据喜好调节特征调节层的调节系数以达到满意的图像处理效果，用户体验更好。

A Method, Device and Terminal Device of Image Processing Model

【技术实现步骤摘要】
一种图像处理模型的构建方法、装置及终端设备
本专利技术属于图像处理
，尤其涉及一种图像处理模型的构建方法、装置及终端设备。
技术介绍
现有的基于深度学习的图像复原技术，都是针对某个具体退化级别的图像复原训练一个单独的模型。如果使用退化级别不匹配的模型来复原退化图像，将会带来过度平滑或者过对锐化的效果，复原图像的质量较差，达不到用户的要求。在现实生活中，图像的退化级别是连续的，这样一来，为了解决退化图像的复原为题，传统的方法只能通过训练很多个针对不同退化级别的图像复原模型，或者是训练一个足够大的图像复原模型以解决大范围的退化程度的退化图像。然而这样的方式，会带来非常大的计算量且欠缺灵活性。
技术实现思路
有鉴于此，本专利技术实施例提供了一种图像处理模型的构建方法、装置及终端设备，以解决现有图像复原处理退化级别单一，在处理多种退化级别的退化图像时欠缺灵活性的问题。本专利技术实施例的第一方面提供了一种图像处理模型的构建方法，包括：配置基于残差模块的基模型的开始退化级别参数，并对配置好的基模型进行训练以调整所述基模型的网络参数，所述基模型包括卷积层、激活函数层、图像上采样层；将特征调节层添本文档来自技高网...

【技术保护点】
1.一种图像处理模型的构建方法，其特征在于，所述方法包括：配置基于残差模块的基模型的开始退化级别参数，并对配置好的基模型进行训练以调整所述基模型的网络参数，所述基模型包括卷积层、激活函数层、图像上采样层；将特征调节层添加至经训练好的基模型中，生成自适应模型，所述特征调节层由多个卷积核组成；配置所述自适应模型的结束退化级别参数，并对配置好的自适应模型进行训练以调整所述特征调节层的参数；对经训练好的自适应模型中的特征调节层进行插值运算，以使得最终形成的图像处理模型能够实现从开始退化级别到结束退化级别之间任意退化级别的图像处理。

【技术特征摘要】
1.一种图像处理模型的构建方法，其特征在于，所述方法包括：配置基于残差模块的基模型的开始退化级别参数，并对配置好的基模型进行训练以调整所述基模型的网络参数，所述基模型包括卷积层、激活函数层、图像上采样层；将特征调节层添加至经训练好的基模型中，生成自适应模型，所述特征调节层由多个卷积核组成；配置所述自适应模型的结束退化级别参数，并对配置好的自适应模型进行训练以调整所述特征调节层的参数；对经训练好的自适应模型中的特征调节层进行插值运算，以使得最终形成的图像处理模型能够实现从开始退化级别到结束退化级别之间任意退化级别的图像处理。2.如权利要求1所述的方法，其特征在于，所述将特征调节层添加至经训练好的基模型中，生成自适应模型的步骤，包括：将所述特征调节层放置在经训练好的基模型的所有卷积层之后，生成自适应模型。3.如权利要求1所述的方法，其特征在于，所述将特征调节层添加至经训练好的基模型中，生成自适应模型的步骤，包括：将所述特征调节层放置在经训练好的基模型的残差结构中的卷积层之后，生成自适应模型。4.如权利要求1所述的方法，其特征在于，所述开始退化级别参数和所述结束退化级别参数中均包括有：高斯噪声参数、JPEG压缩质量参数和双三次下采样参数。5.如权利要求1所述的方法，其特征在于，所述卷积核为深度级卷积核。6.如权利要求1至5任一所述的方法，其特征在于，所述将特征调节层添加至经训练好的基模型中，生成自适应模型的步骤，包括...

【专利技术属性】
技术研发人员：乔宇，何静雯，董超，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44