视频增强网络训练方法、视频增强方法及相关装置制造方法及图纸

本发明专利技术实施例公开了一种视频增强网络训练方法、视频增强方法及相关装置，视频增强网络训练方法包括：获取训练用的第一视频帧和第二视频帧；构建视频增强网络；采用第一视频帧和第二视频帧训练视频增强网络；视频增强网络包括输入层、输出层以及位于输入层和输出层之间的若干稠密残差子网络，每个稠密残差子网络包括下采样层、上采样层以及位于上采样层和下采样层之间的若干卷积层，每个卷积层的输入特征为卷积层之前的所有层的输出特征之和，本发明专利技术实施例的视频增强网络包括若干稠密残差子网络，在每个稠密残差子网络中均包括下采样层，所有特征均在下采样下提取，能够同时兼顾视频增强质量和运行速度。视频增强质量和运行速度。视频增强质量和运行速度。

【技术实现步骤摘要】
视频增强网络训练方法、视频增强方法及相关装置


[0001]本专利技术实施例涉及视频处理
，尤其涉及一种视频增强网络训练方法、视频增强方法及相关装置。

技术介绍

[0002]随着视频编码技术的发展，视频成为人们获取信息的重要媒介，而视频质量高低对于视频观看体验具有至关重要的作用，由于视频数据量较大，视频压缩/编码对减少存储空间和传输带宽起着至关重要的作用。
[0003]视频压缩会导致压缩后的视频出现方块效应、模糊等各种失真，严重影响了人们的视频观看体验。为了提升压缩视频质量，神经网络被广泛用于视频质量提升。然而，为了实现较为满意的质量提升效果，多采用更复杂、更深的网络来提取图像特征，但复杂和深度较深的神经网络运行速度慢，而对于视频增强任务而言，网络运行速度也是非常重要的，运行速度过慢的神经网络限制了图像增强网络在视频质量增强任务上的应用。
[0004]综上所述，现有用于视频增强的神经网络存在无法兼顾视频增强质量和运行速度的问题。

技术实现思路

[0005]本专利技术实施例提供一种视频增强网络训练方法、视频增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频增强网络训练方法，其特征在于，包括：获取训练用的第一视频帧和第二视频帧，所述第二视频帧为所述第一视频帧增强处理后的视频帧；构建视频增强网络；采用所述第一视频帧和第二视频帧训练所述视频增强网络；其中，所述视频增强网络包括输入层、输出层以及位于所述输入层和所述输出层之间的若干稠密残差子网络，每个所述稠密残差子网络包括下采样层、上采样层以及位于所述下采样层和所述上采样层之间的若干卷积层，每个所述卷积层的输入特征为所述卷积层之前的所有层的输出特征之和。2.根据权利要求1所述的视频增强网络训练方法，其特征在于，所述构建视频增强网络，包括：构建若干依次连接的稠密残差子网络；在第一个稠密残差子网络之前连接输入层；在最后一个稠密残差子网络之后连接输出层以输出残差图；在所述输出层之后连接第一加法器，所述第一加法器用于将所述残差图的像素值和输入所述输入层的图像的像素值相加得到增强后的视频帧。3.根据权利要求2所述的视频增强网络训练方法，其特征在于，所述输入层和所述输出层为卷积层。4.根据权利要求2所述的视频增强网络训练方法，其特征在于，所述构建若干依次连接的稠密残差子网络，包括：针对每个稠密残差子网络，构建若干依次连接的卷积层，其中，每个卷积层的输出特征与所述卷积层之前的所有层的输出特征求和作为所述卷积层的下一个卷积层的输入特征；在第一个卷积层之前连接一个下采样层以及在最后一个卷积层之后连接一个上采样层；在所述上采样层之后连接第二加法器，所述第二加法器用于将所述上采样层的输出特征与所述下采样层的输入特征相加作为所述稠密残差子网络的输出特征。5.根据权利要求4所述的视频增强网络训练方法，其特征在于，所述上采样层通过预设的像素重排算法对最后一个卷积层的输出特征图进行像素重排，得到尺寸与所述下采样层的输入特征图相同的上采样特征图。6.根据权利要求1
‑
5任一项所述的视频增强网络训练方法，其特征在于，所述采用所述第一视频帧和第二视频帧训练所述视频增强网络，包括：对所述第一视频帧进行归一化处理得到归一化处理后的第一视频帧；将所述归一化处理后的第一视频帧输入所述视频增强网络的输入层以输出增强视频帧；采用所述增强视频帧和所述第二视频帧计算损失率；采用所述损失率对所述视频增强网络的参数进行调整得到训练好的视频增强网络。7.根据权利要求6所述的视频增强网络训练方法，其特征在于，所述对所述第一视频帧进行归一化处理得到归一化处理后的第一视频帧，包括：获取所述第一视频帧的像素位数；
计算所述像素位数对应的像素值作为所述第一视频帧的最大像素值；计...

【专利技术属性】
技术研发人员：崔同兵，黄志杰，
申请(专利权)人：广州安思创信息技术有限公司，
类型：发明
国别省市：