一种图像修复模型的训练方法和计算机设备技术

本申请涉及一种图像修复模型的训练方法和计算机设备，所述方法包括：将训练数据中的修复图像和掩膜输入生成网络，得到生成图像，将生成图像和所述原始图像输入已训练的合成噪声网络，得到第一图像和第二图像，其中，第一图像为生成图像对应的噪声图像，第二图像为原始图像对应的噪声图像；根据掩膜、第一图像、第二图像、生成图像和修复图像对生成网络的参数进行调整，并继续执行将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。通过本发明专利技术训练完成后的图像修复模型根据修复图像得到的生成图像，具有原始图像的噪声特性，并且相较于修复图像，生成图像的质量未降低。

A training method and computer equipment for image restoration model

【技术实现步骤摘要】
一种图像修复模型的训练方法和计算机设备
本申请涉及图片处理
，特别是涉及一种图像修复模型的训练方法和计算机设备。
技术介绍
图像修复是一种图像编辑技术，旨在用替代内容修复图像中缺失或损坏的区域，结合现代深度学习先进方法，修复效果能达到视觉上不留下痕迹，图像修复的应用广泛，例如在刑侦领域，盗贼在犯罪时，时常掩盖部分面部，图像修复技术可以根据露出的部分面部恢复完整的面部。基于深度学习的图像修复方法，是基于卷积神经网络结构，通常由完成修复过程的完成网络和具有提高视觉质量功能的对抗鉴别器组成，深度修复方法根据目标函数在大量数据集中学习，不仅可以推断图像结构并产生更多精细的细节，还可以创建新颖的对象。现有的图像修复技术，利用深度学习使图像修复任务有较大的提升与突破，但是得到的修复图像与原始图像的内容有很多不一致的痕迹，检测器可以分辨出修复图像和原始图像。因此，现有技术有待改进。
技术实现思路
本专利技术所要解决的技术问题是，提供一种图像修复模型的训练方法和计算机设备，以实现通过图像修复模型得到的修复图像具有原始图像的痕迹，使得检测器无法分辨修复图像和原始图像。一方面，本专利技术实施例提供了一种图像修复模型的训练方法，包括：将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像，其中，所述训练数据包括多组训练图像组，每一训练图像组包括修复图像、修复图像对应的掩膜和修复图像对应的原始图像；将所述生成图像和所述原始图像输入已训练的合成噪声网络，通过所述合成噪声网络得到第一图像和第二图像，其中，所述第一图像为所述生成图像对应的噪声图像，所述第二图像为所述原始图像对应的噪声图像；根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像对所述生成网络的参数进行调整，并继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。作为进一步的改进技术方案，所述根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述原始图像对所述生成网络的参数进行调整，包括：根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像，计算生成网络损失值；根据所述生成网络损失值调整所述生成网络的参数。作为进一步的改进技术方案，所述根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像，计算生成网络损失值，包括：根据所述掩膜、所述生成图像和修复图像计算第一损失值；根据所述掩膜、所述第一图像和第二图像计算第二损失值；根据第一损失值和所述第二损失值，计算生成网络损失值。作为进一步的改进技术方案，所述继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型，包括：继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至训练次数达到第一预设训练次数；在第一预设训练次数中获取满足第一预设条件第一目标训练次数；将所述第一目标训练次数对应的参数作为已训练的生成网络的参数，以得到已训练的图像修复模型。作为进一步的改进技术方案，所述将训练数据中的修复图像和掩膜输入生成网络之前包括：将所述修复图像和所述原始图像输入合成噪声网络，通过所述合成噪声网络得到第三图像和第四图像，其中，所述第三图像为修复图像对应的噪声图像，所述第四图像为所述原始图像对应的噪声图像；根据所述修复图像、所述原始图像、所述第三图像和所述第四图像对所述合成噪声网络的参数进行调整，并继续执行所述将所述修复图像和所述原始图像输入合成噪声网络的步骤，直至满足第二预设条件，以得到已训练的合成噪声网络。作为进一步的改进技术方案，所述根据所述修复图像、所述原始图像、所述第三图像和所述第四图像对所述合成噪声网络的参数进行调整，包括：根据所述修复图像、所述原始图像、所述第三图像和所述第四图像，计算合成噪声网络损失值；根据所述合成噪声网络损失值调整所述合成噪声网络的参数。作为进一步的改进技术方案，所述合成噪声网络损失值包括第一噪声损失值和第二噪声损失值，所述根据所述修复图像、所述原始图像、所述第三图像和所述第四图像，计算合成噪声网络损失值，包括：利用滤波器方法计算所述修复图像对应的第一真实噪声图像，以及计算所述原始图像对应的第二真实噪声图像；根据所述第一真实噪声图像和所述第三图像，计算修复图像对应的第一噪声损失值；根据所述第二真实噪声图像和所述第四图像，计算原始图像对应的第二噪声损失值。第二方面，本专利技术实施例提供了一种图像修复方法，所述方法包括：获取待处理图像，其中，所述待处理图像为修复待修复图像后得到的图像；根据所述待处理图像得到待处理掩膜；将所述待处理图像和所述待处理掩膜输入已训练的图像修复模型，通过所述已训练的图像修复模型得到结果图像，其中，所述已训练的图像修复模型为一种图像修复模型的训练方法中的图像修复模型。第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像，其中，所述训练数据包括多组训练图像组，每一训练图像组包括修复图像、修复图像对应的掩膜和修复图像对应的原始图像；将所述生成图像和所述原始图像输入已训练的合成噪声网络，通过所述合成噪声网络得到第一图像和第二图像，其中，所述第一图像为所述生成图像对应的噪声图像，所述第二图像为所述原始图像对应的噪声图像；根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像对所述生成网络的参数进行调整，并继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像，其中，所述训练数据包括多组训练图像组，每一训练图像组包括修复图像、修复图像对应的掩膜和修复图像对应的原始图像；将所述生成图像和所述原始图像输入已训练的合成噪声网络，通过所述合成噪声网络得到第一图像和第二图像，其中，所述第一图像为所述生成图像对应的噪声图像，所述第二图像为所述原始图像对应的噪声图像；根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像对所述生成网络的参数进行调整，并继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。与现有技术相比，本专利技术实施例具有以下优点：根据本专利技术实施方式提供的训练方法，将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像本文档来自技高网...

【技术保护点】
1.一种图像修复模型的训练方法，其特征在于，所述方法包括：/n将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像，其中，所述训练数据包括多组训练图像组，每一训练图像组包括修复图像、修复图像对应的掩膜和修复图像对应的原始图像；/n将所述生成图像和所述原始图像输入已训练的合成噪声网络，通过所述合成噪声网络得到第一图像和第二图像，其中，所述第一图像为所述生成图像对应的噪声图像，所述第二图像为所述原始图像对应的噪声图像；/n根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像对所述生成网络的参数进行调整，并继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。/n

【技术特征摘要】
1.一种图像修复模型的训练方法，其特征在于，所述方法包括：
将训练数据中的修复图像和掩膜输入生成网络，通过所述生成网络得到生成图像，其中，所述训练数据包括多组训练图像组，每一训练图像组包括修复图像、修复图像对应的掩膜和修复图像对应的原始图像；
将所述生成图像和所述原始图像输入已训练的合成噪声网络，通过所述合成噪声网络得到第一图像和第二图像，其中，所述第一图像为所述生成图像对应的噪声图像，所述第二图像为所述原始图像对应的噪声图像；
根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像对所述生成网络的参数进行调整，并继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述原始图像对所述生成网络的参数进行调整，包括：
根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像，计算生成网络损失值；
根据所述生成网络损失值调整所述生成网络的参数。


3.根据权利要求2所述的方法，其特征在于，所述根据所述掩膜、所述第一图像、所述第二图像、所述生成图像和所述修复图像，计算生成网络损失值，包括：
根据所述掩膜、所述生成图像和修复图像计算第一损失值；
根据所述掩膜、所述第一图像和第二图像计算第二损失值；
根据第一损失值和所述第二损失值，计算生成网络损失值。


4.根据权利要求3所述的方法，其特征在于，所述继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至满足第一预设条件，以得到已训练的图像修复模型，包括：
继续执行所述将训练数据中的修复图像和掩膜输入生成网络的步骤，直至训练次数达到第一预设训练次数；
在第一预设训练次数中获取满足第一预设条件第一目标训练次数；
将所述第一目标训练次数对应的参数作为已训练的生成网络的参数，以得到已训练的图像修复模型。


5.根据权利要求1至4所述的方法，其特征在于，所述将训练数据中的修复图像和掩膜输入生成网络之前包括：

【专利技术属性】
技术研发人员：郑博伟，李斌，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44