【技术实现步骤摘要】
模型训练方法、超分辨率感知方法及相关装置
[0001]本申请涉及深度学习
，尤其涉及模型训练方法、超分辨率感知方法及相关装置。
技术介绍
[0002]超分辨率(Super
‑
Resolution)即通过硬件或软件的方法提高原有图像的分辨率，超分辨率重建即通过一系列低分辨率的图像来得到一幅高分辨率的图像。
[0003]现有技术CN110111251A公开了一种结合深度监督自编码和感知迭代反投影的图像超分辨率重建方法，包括以下步骤：训练步骤，接收复杂退化条件下的训练图像对训练深度自编码器，将训练完成后的深度自编码器中的编码器的深度卷积神经网络作为学习复杂图像退化模型；重建步骤，将深度自编码器中的编码部分作为迭代反投影算法中的退化模型，使用双三次插值图像作为超分辨率图像迭代初始值，计算超分辨率图像退化后图像与观测图像在特征空间中的感知损失，并用感知损失迭代更新超分辨率图像，直至损失低于阈值后输出当前超分辨率图像作为最终的重建图像。
[0004]然而，上述方法在超分辨率重建过程中模型的稳定性较
【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，所述模型训练方法包括：获取训练数据集，所述训练数据集中的每个训练数据包括一个低分辨率的训练图像和所述训练图像对应的高分辨率图像；针对至少一个训练图像，对所述训练图像进行数据增广，得到所述训练图像对应的增广图像作为新的训练图像并存储至所述训练数据集；基于所述训练图像对应的高分辨率图像，获取所述新的训练图像对应的高分辨率图像；利用所述训练数据集，使用adam优化器训练预设深度神经网络，得到超分辨率感知模型，所述预设深度神经网络采用RCAN网络。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述训练图像对应的高分辨率图像，获取所述新的训练图像对应的高分辨率图像，包括：获取所述训练图像对应的数据增广类型；基于所述训练图像对应的高分辨率图像和数据增广类型，得到所述新的训练图像对应的高分辨率图像。3.根据权利要求1所述的模型训练方法，其特征在于，所述预设深度神经网络包括浅特征提取模块、深度特征提取模块、上采样模块和重建模块；所述利用所述训练数据集，使用adam优化器训练预设深度神经网络，得到超分辨率感知模型，包括：将各所述训练图像输入所述浅特征提取模块，得到各所述训练图像对应的浅特征；将各所述训练图像对应的浅特征输入所述深度特征提取模块，得到各所述训练图像对应的深度特征；将各所述训练图像对应的深度特征输入所述上采样模块，得到各所述训练图像对应的上采样特征图；将各所述训练图像对应的上采样特征图输入所述重建模块，得到各所述训练图像对应的重建图像；基于各所述训练图像对应的重建图像和各所述训练图像对应的高分辨率图像，使用adam优化器对所述预设深度神经网络进行训练，得到超分辨率感知模型。4.根据权利要求3所述的模型训练方法，其特征在于，所述深度特征提取模块包括G个残差组，G是大于1的整数；所述将各所述训练图像对应的浅特征输入所述深度特征提取模块，得到各所述训练图像对应的深度特征，包括：将各所述训练图像对应的第i
‑
1深度中间信息输入第i个残差组，得到各所述训练图像对应的第i深度中间信息，以各所述训练图像对应的浅特征作为各所述训练图像对应的第0深度中间信息，i的取值分别是不大于G的每个正整数；将各所述训练图像对应的第G深度中间信息输入第二卷积层，得到各所述训练图像对应的深度卷积中间信息；利用各所述训练图像对应的浅特征和各所述训练图像对应的深度卷积中间信息，获取各所述训练图像对应的深度特征。5.根据权利要求4所述的模型训练方法，其特征在于，每个残差组均包括B个残差块，B
是大于1的整数；所述将各所述训练图像对应的第i
‑
1深度中间信息输入第i个残差组，得到各所述训练图像对应的第i深度中间信息，包括：将各所述训练图像对应的第i个残差组的第j
‑
1残差注意信息输入第i个残差组的第j个残差块，得到各所述训练图像对应的第i个残差组的第j残差注意信息，以各所述训练图像对应的第i
‑
1深度中间信息作为各所述训练图像对应的第i个残差组的第0残差注意信息，j的取值分别是不大于B的每个正整数；将各所述训练图像对应...
【专利技术属性】
技术研发人员：陈海波，罗志鹏，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。