模型训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种模型训练方法、装置、计算机设备和存储介质。所述方法包括：利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型，将高分辨率图像样本输入目标生成式对抗模型的生成器，得到第二低分辨率图像样本，对第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本，基于目标低分辨率图像样本和高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。使用本方法能够提高目标超分辨率模型输出的高分辨率图像的质量。图像的质量。图像的质量。

【技术实现步骤摘要】
模型训练方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种模型训练方法、装置、计算机设备和存储介质。

技术介绍

[0002]图像超分辨率(Super Resolution，SR)技术是指从低分辨率(Low Resolution，LR)图像重建出相应的高分辨率(High Resolution，HR)图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
[0003]目前的图像超分辨率算法为：获取HR图像，然后对HR图像进行下采样以得到与HR图像对应的LR图像，将HR图像和该LR图像作为一个图像对，输入到预先构建的SR模型进行训练，得到训练后的SR模型，之后通过训练后的SR模型对需要重建的低分辨率图像进行重建。
[0004]然而，对HR图像进行下采样导致得到的LR图像比较干净，导致SR模型学习的目标变为：“干净”的LR图像到“脏”的HR图像的映射，因此，采用训练后的SR模型对现实场景中的LR图像进行重建后，得到的HR图像的质量较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够得到较高质量的高分辨率图像的模型训练方法、装置、计算机设备和存储介质。
[0006]一种模型训练方法，该方法包括：
[0007]利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型；
[0008]将高分辨率图像样本输入所述目标生成式对抗模型的生成器，得到第二低分辨率图像样本；
[0009]对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本；
[0010]基于所述目标低分辨率图像样本和所述高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。
[0011]一种模型训练装置，所述装置包括：
[0012]第一训练模块，用于利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型；
[0013]第一获得模块，用于将高分辨率图像样本输入所述目标生成式对抗模型的生成器，得到第二低分辨率图像样本；
[0014]第二获得模块，用于对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本；
[0015]第二训练模块，用于基于所述目标低分辨率图像样本和所述高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。
[0016]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：
[0017]利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型；
[0018]将高分辨率图像样本输入所述目标生成式对抗模型的生成器，得到第二低分辨率图像样本；
[0019]对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本；
[0020]基于所述目标低分辨率图像样本和所述高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。
[0021]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0022]利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型；
[0023]将高分辨率图像样本输入所述目标生成式对抗模型的生成器，得到第二低分辨率图像样本；
[0024]对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本；
[0025]基于所述目标低分辨率图像样本和所述高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。
[0026]上述模型训练方法、装置、计算机设备和存储介质，利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型，将高分辨率图像样本输入目标生成式对抗模型的生成器，得到第二低分辨率图像样本，对第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本，基于目标低分辨率图像样本和高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。由于将生成器生成的第二低分辨图像样本进行了质量退化处理，使得到的目标低分辨率图像样本更接近现实场景中的低分辨率图像，进而使基于目标低分辨率图像样本和高分辨率图像样本，训练得到的目标超分辨率模型能够将“脏”的低分辨率图像重新构建为高分辨率图像，提高了高分辨率图像的质量。
附图说明
[0027]图1是本申请实施例提供的一种模型训练方法的流程示意图；
[0028]图2是本申请实施例提供的一种目标低分辨率图像样本获得的流程示意图；
[0029]图3是本申请实施例提供的一种噪声获取方法的流程示意图；
[0030]图4是本申请实施例提供的另一种目标低分辨率图像样本获得的流程示意图；
[0031]图5是本申请实施例提供的一种生成式对抗模型训练的流程示意图；
[0032]图6是本申请实施例提供的一种概率获得的流程示意图；
[0033]图7是本申请实施例提供的一种超分辨率模型的结构示意图；
[0034]图8是本申请实施例提供的另一种超分辨率模型的结构示意图；
[0035]图9是本申请实施例提供的一种多重信息蒸馏层的结构示意图；
[0036]图10是本申请实施例提供的一种模型训练装置的结构示意图；
[0037]图11为一个实施例中计算机设备的内部结构图。
具体实施方式
[0038]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0039]参照图1，图1是本申请实施例提供的一种模型训练方法的流程示意图，本申请实施例涉及训练超分辨率模型的过程。该方法的执行主体可以是计算机设备，该方法包括如下步骤：
[0040]S101、利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型。
[0041]本实施例中，可以采用插值方法对初始高分辨率图像样本进行下采样，得到第一低分辨率图像样本。插值方法包括最邻近采样法、二次插值法、双三次卷积法等。
[0042]其中，初始高分辨率图像样本可以为DIV2K数据集中的图像，DIV2K数据集包括1000张2K分辨率的高分辨率图像，可采用DIV2K数据集中的800张图像作为训练数据，100张图像作为验证数据，100张图像作为测试数据。
[0043]本实施例中，利用第一低分辨率图像样本，训练生成式对抗模型时，生成器可以用来对第一低分辨率图像进行降采样及模糊过程，以对第一低分辨率图像进行质量退化，判别器用来使质量退化后的第一低分辨率图像保持与第一低分辨率图像样本相同的分布。
[0044]S102、将高分辨率图像样本输入目标生成式对抗模型的生成器，得到第二低分辨率图像样本。
[0045]本实施例中，高分辨率图像样本可以包括DIV2K数据集中的图像以及Flickr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型；将高分辨率图像样本输入所述目标生成式对抗模型的生成器，得到第二低分辨率图像样本；对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本；基于所述目标低分辨率图像样本和所述高分辨率图像样本，训练超分辨率模型，得到目标超分辨率模型。2.根据权利要求1所述的方法，其特征在于，所述对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本，包括：获取所述第一低分辨率图像样本中的噪声；将所述噪声添加到所述第二低分辨率图像样本，得到所述目标低分辨率图像样本。3.根据权利要求2所述的方法，其特征在于，所述获取所述第一低分辨率图像样本中的噪声，包括：从所述第一低分辨率图像样本中裁剪出部分区域；确定所述部分区域的像素值的均值；根据所述第一低分辨率图像样本中各像素的像素值与所述均值的差值，获取所述第一低分辨率图像样本中的噪声。4.根据权利要求1所述的方法，其特征在于，所述对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本，包括：获取目标压缩率，其中，所述目标压缩率是预设压缩率范围内的任一数值；根据所述目标压缩率以及所述第二低分辨率图像样本所占用的存储资源的大小，对所述第二低分辨率图像样本进行质量退化处理，得到目标低分辨率图像样本。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述高分辨率图像样本进行锐化处理，得到锐化处理后的高分辨率图像样本；所述基于所述目标低分辨率图像样本以及所述高分辨率图像样本，训练预设的超分辨率模型，得到目标超分辨率模型，包括：基于所述目标低分辨率图像样本以及锐化处理后的高分辨率图像样本，训练所述超分辨率模型，得到目标超分辨率模型。6.根据权利要求1所述的方法，其特征在于，所述利用第一低分辨率图像样本，训练生成式对抗模型，得到目标生成式对抗模型，包括：将所述第一低分辨率图像样本输入所述生成式对抗模型的生成器，得到第三低分辨率图像样本；从所述第一低分辨率图像样本中裁剪出第一图像块，并从所述第三低分辨率图像样本中裁剪出第二图像块；将所述第一图像块以及所述第二图像块分别输入所述生成式对抗模型的判别器，得到第一概率以及第二概率；根据所述第一概率和所述第二概率，训练所述生成式对抗模型，得到所述目标生成式对抗模型；其中，所述第一概率是所述第一图像块属于所述第一低分辨率图像样本的概率，所述
第二概率是所述第二图像块属于所述第...

【专利技术属性】
技术研发人员：黄晨荃，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：