模型训练方法、超分辨率重建方法、装置、设备及介质制造方法及图纸

本申请公开了一种模型训练方法、超分辨率重建方法、装置、设备及介质，涉及人工智能领域，包括：获取对原始分辨率图像进行下采样得到的下采样图像，并对下采样图像进行特征提取以得到初始特征图；按照预设采样比率对初始特征图进行两次随机采样，分别得到第一特征图和第二特征图，基于第一特征图和第二特征图构建对比损失函数；利用预设上采样方法对初始特征图进行处理得到超分辨率图像，基于原始分辨率图像和超分辨率图像构建L1损失函数；基于对比损失函数和L1损失函数构建总损失函数，并利用总损失函数对原始超分辨率模型进行训练。本申请通过构建对比损失函数并结合L1损失函数对原始超分辨率模型进行训练，以提高模型的性能。能。能。

【技术实现步骤摘要】
模型训练方法、超分辨率重建方法、装置、设备及介质


[0001]本专利技术涉及人工智能技术，特别涉及一种模型训练方法、超分辨率重建方法、装置、设备及介质。

技术介绍

[0002]超分辨率（Super Resolution，即SR）是从给定的低分辨率(Low Resolution ，即LR)图像中恢复高分辨率(High Resolution，即HR)图像的过程，是计算机视觉的一个经典应用。通过软件或硬件的方法，从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像遥感、数字高清、显微成像、视频编码通信、视频复原和医学影像等领域都有重要的应用价值。而当前在使用超分辨率模型对图像进行重建，以得到相应的超分辨率图像时，仍存在图像质量较低、不清晰的问题。
[0003]综上，如何提高超分辨率模型的性能，以便利用该超分辨率模型对图像进行处理时，能得到更高质量的超分辨率图像是目前有待解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种模型训练方法、超分辨率重建方法、装置、设备及介质，能够提高超分辨率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超分辨率模型训练方法，其特征在于，包括获取对原始分辨率图像进行下采样后得到的下采样图像，并对所述下采样图像进行特征提取以得到初始特征图；按照预设采样比率对所述初始特征图进行两次随机采样，分别得到第一特征图和第二特征图，基于所述第一特征图和所述第二特征图构建对比损失函数；利用预设上采样方法对所述初始特征图进行处理得到超分辨率图像，基于所述原始分辨率图像和所述超分辨率图像构建L1损失函数；基于所述对比损失函数和所述L1损失函数构建总损失函数，并利用所述总损失函数对原始超分辨率模型进行训练，以得到训练后的超分辨率模型。2.根据权利要求1所述的超分辨率模型训练方法，其特征在于，所述利用所述总损失函数对原始超分辨率模型进行训练，以得到训练后的超分辨率模型之前，还包括：按照预设下采样倍数对若干数量张原始分辨率图像进行下采样，以得到相应的下采样图像；基于所述原始分辨率图像和所述下采样图像构造用于训练所述原始超分辨率模型的训练集，其中，所述训练集中的训练样本包含所述原始分辨率图像以及对应的所述下采样图像。3.根据权利要求2所述的超分辨率模型训练方法，其特征在于，所述利用所述总损失函数对原始超分辨率模型进行训练，以得到训练后的超分辨率模型，包括：确定预设迭代次数和预设优化器的超参数信息；其中，所述超参数信息包括学习率和批量大小；基于所述预设迭代次数和所述预设优化器并利用所述训练集和所述总损失函数对原始超分辨率模型进行训练，以得到训练后的超分辨率模型。4.根据权利要求1所述的超分辨率模型训练方法，其特征在于，所述基于所述第一特征图和所述第二特征图构建对比损失函数，包括：将所述第一特征图和所述第二特征图分别输入多层感知机网络，得到与所述第一特征图对应的第一输出值和与所述第二特征图对应的第二输出值；基于所述第一特征图和所述第二特征图以及所述第一输出值和所述第二输出值构建对比损失函数。5.根据权利要求1所述的超分辨率模型训练方法，其特征在于，所述利用预设上采样方法对所述初始特征图进行处理得到超...

【专利技术属性】
技术研发人员：张英杰，史宏志，温东超，赵健，崔星辰，尹云峰，葛沅，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：