一种基于双层优化权重重分配的图像复原监督学习方法技术

一种基于双层优化权重重分配的图像复原监督学习方法，包括内循环图像复原优化网络与外循环权重重分配优化网络；获取降质样本和相应的真值样本；固定外循环权重重分配优化网络参数，降质样本输入至内循环图像复原优化网络计算其损失函数，对内循环图像复原网络参数进行更新优化；将降质样本分别输入至更新前后的内循环图像复原网络计算外循环奖励，用于计算外循环权重重分配网路的损失函数并更新优化外循环权重重分配网络参数；输出最终优化后的内循环图像复原优化网络。该发明专利技术能够显著地提高监督图像复原算法的性能，有效地解决图像降质过程中退化分布不均匀所导致局部图像复原不理想的问题以生成色调更自然的复原后图像。不理想的问题以生成色调更自然的复原后图像。不理想的问题以生成色调更自然的复原后图像。

【技术实现步骤摘要】
一种基于双层优化权重重分配的图像复原监督学习方法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种图像复原监督学习框架及方法。

技术介绍

[0002]近几年以来，图像复原掀起了图像处理领域广泛地研究与讨论。降质退化的图像损失了大量的图像细节并且颜色畸变严重，这一现象极大地降低图像质量并对后续高级的视觉任务，例如，图像分割、图像检测、目标跟踪等，产生重要的影响。特别是在自动驾驶、城市监控等应用领域，雾天天气、雨雪天气以及环境噪声会造成极大的干扰，甚至造成现有技术的失效。因此，如何有效地复原降质退化的图像尤为关键。
[0003]在实际生活中，图像降质退化的原因多种多样，从而衍生出各类的图像复原子任务，例如：图像去雾、图像去水、图像去雨、图像去模糊、图像去反射等等。基于不同的子任务，研究员们根据不同降质过程的本质设计了针对性的各类退化模型加性模型、乘性模型、指数模型以及对数模型。图像复原各类子任务的发展历程大致相同，大致均可分为传统基于先验的图像复原方法与基于监督学习的深度网络图像复原方法两大类，以下我们以图像去雾为例，介绍图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双层优化权重重分配的图像复原监督学习方法，其特征在于：包括内循环图像复原优化网络与外循环权重重分配优化网络；获取降质样本和相应的真值样本；固定外循环权重重分配优化网络参数，降质样本输入至所述内循环图像复原优化网络进行真值估计，通过将去退化估计图像与真值样本对比计算内循环图像复原优化网络损失函数，对内循环图像复原优化网络参数进行更新优化；降质样本分别输入至更新前后的内循环图像复原优化网络进行真值估计，通过将更新前后的去退化估计图像与真值样本对比，计算外循环权重重分配优化网络损失函数和外循环奖励，固定更新后内循环图像复原优化网络参数，通过外循环损失函数对外循环权重重分配优化网络参数进行更新优化，作为所述外循环权重重分配优化网络参数；判断是否到达迭代次数，若否则继续重复执行内循环图像复原优化网络与外循环权重重分配优化网络的交替优化；若是，则输出最终更新优化后的内循环图像复原优化网络。2.根据权利要求1所述的一种基于双层优化权重重分配的图像复原监督学习方法，其特征在于：所述内循环图像复原优化网络参数进行更新优化具体包括，将降质样本直接送入内循环图像复原优化网络中，同时将降质样本和真值样本合并后送入外循环权重重分配网络；获取每个合并后样本对应的学习权重；对每个合并后样本的学习权重与损失函数做点积操作，得到内循环优化的最终损失函数。3.根据权利要求2所述的一种基于双层优化权重重分配的图像复原监督学习方法，其特征在于：所述内循环图像复原优化网络参数进行更新优化的过程中，从训练集中剪裁出降质样本和相应的真值样本输入至所述内循环图像复原优化网络。4.根据权利要求2所述的一种基于双层优化权重重分配的图像复原监督学习方法，其特征在于：所述内循环图像复原优化网络采用监督图像复原网络模型。5.根据权利要求1所述的一种基于双层优化权重重分配的图像复原监督学习方法，其特征在于：所述外循环权重重分配优化网络参数进行更新优化的过程中，分别从训练集与验证集剪裁出降质样本和相应的真值样本；...

【专利技术属性】
技术研发人员：邓岳，蒋星宇，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：