图像恢复方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本申请提供了一种基于人工智能的图像恢复方法、装置、电子设备及计算机可读存储介质；方法包括：获取待恢复图像；对所述待恢复图像进行退化去除处理，得到对应所述待恢复图像的隐码特征以及至少两个不同尺度的空间特征；对所述隐码特征进行基于至少两个隐码网络的映射处理，得到与所述至少两个隐码网络一一对应的至少两个隐码；基于所述至少两个不同尺度的空间特征，对对应所述至少两个隐码的先验特征进行调制处理，得到对应所述待恢复图像的恢复图像。通过本申请，能够提高图像恢复的真实度和可信度。和可信度。和可信度。

【技术实现步骤摘要】
图像恢复方法、装置、电子设备及计算机可读存储介质


[0001]本申请涉及人工智能技术，尤其涉及一种基于人工智能的图像恢复方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。
[0003]相关技术中图像修复的目的是基于低质量的图像恢复出高质量的图像，低质量图像可以是经过未知退化处理的图像，例如，低分辨率，噪声、模糊、压缩伪影等等，当应用到现实场景时，由于低质量的待恢复图像是经过复杂的退化处理得到的，且低质量的待恢复图像中包括多样化的内容，使得图像的修复过程变得更加复杂，相关技术中暂无有效的方法能够基于低质量图像恢复出具有真实度以及可信度的高质量图像。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的图像恢复方法、装置、电子设备及计算机可读存储介质，能够提高图像恢复的真实度和可信度。
[0005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像恢复方法，其特征在于，包括：获取待恢复图像；对所述待恢复图像进行退化去除处理，得到对应所述待恢复图像的隐码特征以及至少两个不同尺度的空间特征；对所述隐码特征进行基于至少两个隐码网络的映射处理，得到与所述至少两个隐码网络一一对应的至少两个隐码；基于所述至少两个不同尺度的空间特征，对对应所述至少两个隐码的先验特征进行调制处理，得到对应所述待恢复图像的恢复图像。2.根据权利要求1所述的方法，其特征在于，所述退化去除处理是通过所述退化去除网络执行的；所述退化去除网络包括N个级联的下采样网络、一个卷积网络、以及M个级联的上采样网络，其中，N为大于或者等于2的整数，M与N相等；所述对所述待恢复图像进行退化去除处理，得到对应所述待恢复图像的隐码特征以及至少两个不同尺度的空间特征，包括：通过所述N个级联的下采样网络对所述待恢复图像进行下采样处理，得到下采样处理结果；通过所述卷积网络对所述下采样处理结果进行卷积处理，得到对应所述待恢复图像的隐码特征；通过所述M个级联的上采样网络对所述隐码特征进行上采样处理，得到对应所述待恢复图像的M个不同尺度的空间特征。3.根据权利要求2所述的方法，其特征在于，通过所述N个级联的下采样网络对所述待恢复图像进行下采样处理，得到下采样处理结果，包括：通过N个级联的下采样网络中的第n下采样网络，对所述第n下采样网络的输入进行下采样处理，并将所述第n下采样网络输出的第n下采样处理结果传输到第n+1下采样网络以继续进行下采样处理，得到对应所述第n+1下采样处理结果；其中，n为取值从1开始递增的整数变量，n的取值范围为1≤n<N，当n取值为1时，所述第n下采样网络的输入为所述待恢复图像，当n取值为2≤n<N时，所述第n下采样网络的输入为第n
‑
1下采样网络输出的第n
‑
1下采样处理结果。4.根据权利要求2所述的方法，所述通过所述M个级联的上采样网络对所述隐码特征进行上采样处理，得到对应所述待恢复图像的M个不同尺度的空间特征，包括：通过M个级联的上采样网络中的第m上采样网络，对所述第m上采样网络的输入进行上采样处理，得到对应所述第m上采样网络的空间特征，将对应所述第m上采样网络的空间特征传输到第m+1上采样网络以继续进行上采样处理，得到对应所述第m+1上采样网络的空间特征；其中，m为取值从1开始递增的整数变量，m的取值范围为1≤m≤M
‑
1，当m取值为1时，所述第m采样网络的输入为所述隐码特征，当m取值为2≤m<M时，所述第m上采样网络的输入为第m
‑
1上采样网络输出的第m
‑
1上采样处理结果。5.根据权利要求4所述的方法，其特征在于，所述通过M个级联的上采样网络中的第m上采样网络，对所述第m上采样网络的输入进行上采样处理，得到对应所述第m上采样网络的空间特征之前，所述方法还包括：
当m取值为1，将第M下采样网络的输出与所述卷积网络的输出进行拼接处理，并将拼接处理结果作为所述第m上采样网络的输入，以替代将所述卷积网络的输出作为所述第m上采样网络的输入；当m取值为2≤m<M时，将第M+1
‑
m下采样网络的输出与所述第m
‑
1上采样网络的输出进行拼接处理，并将拼接处理结果作为所述第m上采样网络的输入，以替代将对应第m
‑
1上采样网络的空间特征作为第m上采样网络的输入。6.根据权利要求1所述的方法，其特征在于，所述隐码网络包括共享卷积层、共享线性层以及非共享线性层；所述对所述隐码特征进行基于至少两个隐码网络的映射处理，得到与所述至少两个隐码网络一一对应的至少两个隐码，包括：通过所述隐码网络的共享卷积层对所述隐码特征进行特征提取处理，得到对应所述隐码特征的共享特征提取结果；通过所述隐码网络的共享线性层对所述共享特征提取结果进行线性变换处理，得到对应所述隐码特征的共享处理结果；通过所述隐码网络的非共享线性层对所述共享处理结果进行线性变换处理，得到对应所述隐码网络的隐码。7.根据权利要求1所述的方法，其特征在于，所述调制处理是通过图像恢复网络实现的，所述图像恢复网络包括R个中间网络以及一个尾部网络；所述R个中间网络位于所述图像恢复网络的输入侧，所述尾部网络位于所述图像恢复网络的输出侧；其中，R为大于或等于1的整数；所述基于所述至少两个不同尺度的空间特征，对对应所述至少两个隐码的先验特征进行调制处理，得到对应所述待恢复图像的恢复图像，包括：通过所述图像恢复网络的R个中间网络，对所述R个中间网络的对应隐码的先验特征进行基于对应空间特征的调制处理，得到与所述R个中间网络一一对应的R个中间特征；通过所述图像恢复网络的尾部网络，对相邻的中间网络输出的中间特征进行对应隐码以及对应空间特征的调制处理，得到对应所述待恢复图像的恢复图像。8.根据权...

【专利技术属性】
技术研发人员：王鑫涛，李昱，张宏伦，单瀛，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：