图像恢复方法和设备技术

公开了图像恢复方法和设备。所述方法包括接收输入图像和指示多个候选图像效果中之的第一图像效果的第一任务向量，基于源神经网络的任务无关架构从输入图像提取由候选图像效果共享的共同特征，以及基于源神经网络的任务特定架构和第一任务向量将共同特征恢复为与第一图像效果相对应的第一恢复图像。第一图像效果相对应的第一恢复图像。第一图像效果相对应的第一恢复图像。

【技术实现步骤摘要】
图像恢复方法和设备
[0001]本申请要求在韩国知识产权局于2021年1月26日提交的第10
‑
2021
‑
0010638号韩国专利申请和于2021年3月17日提交的第10
‑
2021
‑
0034480号韩国专利申请的权益，上述申请的全部公开内容出于所有目的通过引用合并于此。


[0002]以下描述涉及图像恢复方法和设备。

技术介绍

[0003]图像恢复是指用于将劣化的质量的图像恢复为改善的质量的图像的技术。可以使用基于深度学习的神经网络来执行图像恢复。神经网络可以基于深度学习被训练，然后通过映射彼此处于非线性关系的输入数据和输出数据来执行推断以用于期望的目的。生成映射的这种训练的能力可以被称为神经网络的学习能力。为了专用目的(诸如，图像恢复)训练的神经网络可以具有泛化能力，以响应于尚未训练的输入模式生成相对准确的输出。

技术实现思路

[0004]提供本
技术实现思路
从而以简化的形式介绍将在下面的具体实施方式中进一步被描述的构思的选择。本
技术实现思路
不旨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像恢复方法，包括：接收输入图像和指示多个候选图像效果之中的第一图像效果的第一任务向量；基于源神经网络的任务无关架构，从输入图像提取由所述多个候选图像效果共享的共同特征；以及基于源神经网络的任务特定架构和第一任务向量，将所述共同特征恢复为与第一图像效果相对应的第一恢复图像。2.如权利要求1所述的图像恢复方法，其中，恢复的步骤包括：通过将第一任务向量应用于任务特定架构来确定第一任务特定网络；以及基于第一任务特定网络将所述共同特征恢复为第一恢复图像。3.如权利要求2所述的图像恢复方法，其中，恢复的步骤包括：基于第一任务特定网络从所述共同特征提取特定于第一图像效果的第一特定特征；以及基于第一任务特定网络将第一特定特征恢复为与第一图像效果相对应的第一恢复图像。4.如权利要求2所述的图像恢复方法，其中，确定第一任务特定网络的步骤包括：使用架构控制网络生成与第一任务向量相对应的第一通道选择信息；以及通过基于第一通道选择信息移除任务特定架构的多个通道的至少一部分来确定第一任务特定网络。5.如权利要求4所述的图像恢复方法，其中，生成第一通道选择信息的步骤包括：通过经由架构控制网络处理第一任务向量来生成第一实向量；以及通过经由转换函数将第一实向量的每个实元素转换为真或假来生成第一通道选择信息。6.如权利要求1所述的图像恢复方法，其中，提取的步骤包括：通过将共享参数应用于任务无关架构来确定任务无关网络；以及基于任务无关网络从输入图像提取所述共同特征。7.如权利要求1所述的图像恢复方法，还包括：接收与所述多个候选图像效果之中的第二图像效果相对应的第二任务向量；以及基于任务特定架构和第二任务向量，将所述共同特征恢复为与第二图像效果相对应的第二恢复图像，其中，所述共同特征被重新用于恢复第二恢复图像的步骤。8.如权利要求1至7中的任意一项所述的图像恢复方法，其中，第一任务向量包括第一图像效果的每个效果类型的控制水平。9.一种训练方法，包括：接收包括第一训练输入图像、指示多个候选图像效果之中的第一图像效果的第一任务向量、以及与第一图像效果相对应的第一训练目标图像的第一训练数据集；基于源神经网络的任务无关架构，从第一训练输入图像提取由所述多个候选图像效果共享的共同特征；基于源神经网络的任务特定架构和第一任务向量将共同特征恢复为第一恢复图像；以及
基于第一训练目标图像与第一恢复图像之间的差异以及与提取共同特征的步骤和恢复第一恢复图像的步骤相关联的计算量来更新源神经网络。10.如权利要求9所述的训练方法，其中，更新源神经网络的步骤包括：更新源神经网络，使得任务无关架构中包括的层的数量增加并且所述计算量减少。11.如权利要求9或10所述的训练方法，其中，第一任务向量包括第一图像效果...

【专利技术属性】
技术研发人员：权基南，金熙元，李炅武，李炯旭，
申请(专利权)人：首尔大学校产学协力团，
类型：发明
国别省市：