基于图像处理的模型训练方法、装置、设备和介质制造方法及图纸

本申请涉及一种基于图像处理的模型训练方法、装置、设备和介质。所述方法包括：通过待训练的生成器模型生成与训练集样本图像数据对应的预测数据；根据生成器损失函数计算生成器损失值，根据判别器损失函数计算判别器损失值；根据生成器损失值和判别器损失值，分别利用反向传播反复交替优化待训练的生成器模型和待训练的判别器模型，当达到精度要求或者预设迭代次数后，保存待训练的生成器模型的生成器模型参数和待训练的判别器模型的判别器模型参数，得到训练好的生成器模型和判别器模型。采用本方法中训练好的模型，无需通过专业资源或复杂的调校技术，就能适应性地生成与实际拍摄情况相匹配的图像，节省了资源和时间成本，并保障了成像效果。

【技术实现步骤摘要】
基于图像处理的模型训练方法、装置、设备和介质
本申请涉及图像信号处理
，特别是涉及一种基于图像处理的模型训练方法、装置、设备和介质。
技术介绍
随着计算机技术的发展，智能手机以及相关智能手持终端设备等电子设备已经成为人们的电子必需品。其中，各电子设备中的图像信号处理技术决定了拍摄图像的质量好坏。现有的ISP(mageSignalProcessing，图像信号处理)方案是在电子设备中集成通用型的ISP芯片，并通过集成ISP芯片对电子设备中图像传感器输出的信号做后期处理，如降噪和HDR(High-DynamicRange，高动态范围图像)补正等处理，从而生成最终的图像。然而，采用现有的ISP方案时，不同的电子设备在使用同一款ISP芯片时，会得到与各自参数规格相应的成像效果，由于各电子设备的参数规格不同，因而各自得到的成像效果不同，也就是说，存在无法保障成像效果的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够保证成像效果的基于图像处理的模型训练方法、装置、设备和介质。一种基于图像处理的模型本文档来自技高网...

【技术保护点】
1.一种基于图像处理的模型训练方法，其特征在于，所述方法包括：/n获取训练集样本图像数据，并通过待训练的生成器模型对所述训练集样本图像数据进行处理，生成与所述训练集样本图像数据对应的预测数据；/n获取与所述训练集样本图像数据对应的标签数据；/n根据与所述待训练的生成器模型对应的生成器损失函数计算所述生成器损失值；/n将所述预测数据和所述标签数据输入至待训练的判别器模型，根据与所述待训练的判别器模型对应的判别器损失函数计算判别器损失值；所述判别器模型用于判断所述预测数据和所述标签数据的相似度；/n根据所述生成器损失值和所述判别器损失值，分别利用反向传播反复交替优化所述待训练的生成器模型和所述待训...

【技术特征摘要】
1.一种基于图像处理的模型训练方法，其特征在于，所述方法包括：
获取训练集样本图像数据，并通过待训练的生成器模型对所述训练集样本图像数据进行处理，生成与所述训练集样本图像数据对应的预测数据；
获取与所述训练集样本图像数据对应的标签数据；
根据与所述待训练的生成器模型对应的生成器损失函数计算所述生成器损失值；
将所述预测数据和所述标签数据输入至待训练的判别器模型，根据与所述待训练的判别器模型对应的判别器损失函数计算判别器损失值；所述判别器模型用于判断所述预测数据和所述标签数据的相似度；
根据所述生成器损失值和所述判别器损失值，分别利用反向传播反复交替优化所述待训练的生成器模型和所述待训练的判别器模型，当达到精度要求或者预设迭代次数后，保存所述待训练的生成器模型的生成器模型参数和所述待训练的判别器模型的判别器模型参数，得到训练好的生成器模型和判别器模型；所述训练好的生成器模型用于对图像处理设备采集的初始图像数据进行处理，以输出与所述初始图像数据对应的图像调校参数或输出与所述初始图像数据对应的目标图像；输出的图像调校参数用于指示所述图像处理设备生成与所述初始图像数据对应的目标图像。


2.根据权利要求1所述的方法，其特征在于，所述生成器模型参数和所述判别器模型参数通过以下步骤进行更新：
将所述标签数据输入至所述待训练的判别器模型中，通过所述判别器损失函数对所述判别器模型参数进行k次更新；
将所述训练集样本图像数据输入至所述待训练的生成器模型，并经所述判别器模型处理后根据所述生成器损失函数对所述生成器模型参数进行n次更新；
其中，所述生成器损失函数为：δG为所述生成器损失值，G(z)为所述预测数据和所述标签数据的误差值，和为误差权重；所述n为非零的自然数；所述判别器损失函数为：δD＝D(y)+D(z)，δD为所述判别器损失值，z表示所述生成器模型生成的所述预测数据，对应的D(z)为所述预测数据作为所述判别器模型的输入时对应的损失值，y表示所述标签数据，D(y)为所述标签数据作为所述判别器模型的输入时对应的损失值；所述k为非零的自然数。


3.根据权利要求1所述的方法，其特征在于，所述生成器模型包括调校参数生成模型和图像调校模型，其中，所述调校参数生成模型用于生成预测调校参数，所述图像调校模型用于根据所述预测调校参数和对应训练集样本图像数据生成样本测试图像，并将所述预测调校参数和/或所述样本测试图像作为所述预测数据；或，
所述生成器模型为图像生成模型，用于直接生成样本测试图像；其中，所述图像生成模型由图像特征提取网络和图像重建网络组成，所述图像特征提取网络最后层的输出作为所述图像重建网络的输入，且所述图像特征提取网络和所述图像重建网络中的部分特征层通过关联层连接实现特征关联，并将所述样本测试图像作为所述预测数据。


4.根据权利要求3所述的方法，其特征在于，所述生成器模型包括调校参数生成模型和图像调校模型，所述标签数据中包括标签图像，其中，所述调校参数生成模型用于生成预测调校参数，所述图像调校模型用于生成样本测试图像；所述生成器损失值包括图像调校模型损失值和调校参数生成模型损失值；
所述根据与所述待训练的生成器模型对应的生成器损失函数计算所述生成器损失值，包括：
通过生成的样本测试图像和对应的标签图像，根据图像调校模型损失函数计算图像调校模型损失值；
利用反向传播优化图像调校模型参数，并输出优化后的图像调...

【专利技术属性】
技术研发人员：张官兴，王赟，郭蔚，黄康莹，
申请(专利权)人：绍兴埃瓦科技有限公司，上海埃瓦智能科技有限公司，
类型：发明
国别省市：浙江;33