【技术实现步骤摘要】
图像降噪模型的训练方法、装置、设备及存储介质
[0001]本申请实施例涉及图像处理和机器学习
，特别涉及一种图像降噪模型的训练方法、装置、设备及存储介质。
技术介绍
[0002]医学影像技术在现代医疗中被广泛使用。有时，对于获取到的原始医学影像，还需要做进一步处理。
[0003]在相关技术中，成对的样本图像是指从相同或相近的角度，针对同一个人的相同人体部位拍摄/生成的两张体素图像，为了减少或去除图像中的噪声，利用CNN(Convolutional Neural Networks，卷积神经网络)模型学习成对的带噪图像和无噪图像的映射关系；再采用训练后的CNN模型对带噪图像进行降噪处理。
[0004]在上述相关技术中，由于临床医学中很难获取数量足够的成对图像样本来训练CNN模型，导致模型学习效果不佳、降噪性能较差。
技术实现思路
[0005]本申请实施例提供了一种图像降噪模型的训练方法、装置、设备及存储介质，能够提升图像降噪模型的降噪性能。所述技术方案如下：
[0006]根据本申请实...
【技术保护点】
【技术特征摘要】
1.一种图像降噪模型的训练方法，其特征在于，所述方法包括：获取至少一个带噪样本图像和至少一个无噪样本图像；将所述带噪样本图像的噪声特征，添加至所述无噪样本图像中，生成所述无噪样本图像对应的加噪图像；采用所述图像降噪模型对所述加噪图像进行降噪处理，生成所述加噪图像对应的降噪图像；基于所述无噪样本图像和所述加噪图像对应的降噪图像，计算所述图像降噪模型的训练损失；根据所述训练损失对所述图像降噪模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述图像降噪模型的训练系统包括：所述图像降噪模型、图像生成模型和噪声提取网络；其中，所述图像降噪模型包括第一编码网络和第一解码网络，所述图像生成模型包括第二编码网络和第二解码网络；所述将所述带噪样本图像的噪声特征，添加至所述无噪样本图像中，生成所述无噪样本图像对应的加噪图像，包括：通过所述第二编码网络提取所述带噪样本图像的第二特征图，所述带噪样本图像的第二特征图中包含所述噪声特征；通过所述噪声提取网络从所述带噪样本图像的第二特征图中，解耦得到所述噪声特征；通过所述第一编码网络提取所述无噪样本图像的第一特征图；通过所述第二解码网络根据所述无噪样本图像的第一特征图和所述噪声特征，生成所述无噪样本图像对应的加噪图像。3.根据权利要求2所述的方法，其特征在于，所述通过所述噪声提取网络从所述带噪样本图像的第二特征图中，解耦得到所述噪声特征，包括：构建初始的噪声特征矩阵，所述初始的噪声特征矩阵为所述带噪样本图像的第二特征图的展开矩阵；通过所述噪声提取网络对所述噪声特征矩阵进行多轮迭代更新处理，得到更新后的噪声特征矩阵；其中，每一轮迭代更新处理包括以下至少一项：归一化处理、自学习处理、线性投影处理；基于所述更新后的噪声特征矩阵，得到所述噪声特征。4.根据权利要求2所述的方法，其特征在于，所述通过所述第二解码网络根据所述无噪样本图像的第一特征图和所述噪声特征，生成所述无噪样本图像对应的加噪图像，包括：对所述无噪样本图像的第一特征图和所述噪声特征进行融合处理，生成融合特征图；通过所述第二解码网络对所述融合特征图进行解码处理，生成所述无噪样本图像对应的加噪图像。5.根据权利要求2所述的方法，其特征在于，所述训练损失包括第一对比损失和/或第二对比损失，所述第一对比损失用于衡量所述带噪样本图像与所述带噪样本图像对应的降噪图像之间的局部相似度，所述第二对比损失用于衡量所述无噪样本图像与所述加噪图像之间的局部相似度；所述方法还包括：在所述训练损失包括所述第一对比损失的情况下，通过所述第一编码网络提取所述带
噪样本图像的第一特征图；通过所述第一解码网络对所述带噪样本图像的第一特征图进行解码处理，生成所述带噪样本图像对应的降噪图像；通过所述第一编码网络提取所述带噪样本图像对应的降噪图像的第一特征图；基于所述带噪样本图像的第一特征图和所述带噪样本图像对应的降噪图像的第一特征图，计算所述第一对比损失；在所述训练损失包括所述第二对比损失的情况下，通过所述第一编码网络提取所述加噪图像的第一特征图；基于...
【专利技术属性】
技术研发人员：何楠君，李悦翔，林一，马锴，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
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。