本申请的实施例提供了一种图像处理方法、装置、计算机可读介质及电子设备。该图像处理方法包括：获取待处理图像；将所述待处理图像输入至图像生成网络，所述图像生成网络是根据联合损失函数训练得到的，所述联合损失函数是根据所述图像生成网络的输出图像与期望生成的目标图像之间的损失值，以及所述输出图像与所述目标图像之间的真实性判别结果构建的；获取所述图像生成网络输出的针对所述待处理图像的修复图像。本申请实施例的技术方案能够对图像进行修复，增加了图像纹理和细节，使修复图像更加逼真，提高了图像修复效果。提高了图像修复效果。提高了图像修复效果。
【技术实现步骤摘要】
图像处理方法、装置、计算机可读介质及电子设备
[0001]本申请涉及计算机及通信
，具体而言，涉及一种图像处理方法、装置、计算机可读介质及电子设备。
技术介绍
[0002]随着人工智能在图像处理技术上的不断发展，计算机设备能够利用如机器学习技术，对图像或者视频进行个性化处理，如图像修复、图像增强、图像分割等，得到满足用户实际需求的图像处理结果。
[0003]在基于人工智能的图像处理技术中，图像修复是一个重要的研究方向，能够对图像的各种降质损失进行修复和增强。但是，相关技术在进行图像修复时无法达到较好的修复效果。
技术实现思路
[0004]本申请的实施例提供了一种图像处理方法、装置、计算机可读介质及电子设备，进而至少在一定程度上能够对图像进行修复，增加了图像纹理和细节，使修复图像更加逼真，提高了图像修复效果。
[0005]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0006]根据本申请实施例的一个方面，提供了一种图像处理方法，包括：获取待处理图像；将所述待处理图像输入至图像生成网络，所述图像生成网络是根据联合损失函数训练得到的，所述联合损失函数是根据所述图像生成网络的输出图像与期望生成的目标图像之间的损失值，以及所述输出图像与所述目标图像之间的真实性判别结果构建的；获取所述图像生成网络输出的针对所述待处理图像的修复图像。
[0007]根据本申请实施例的一个方面，提供了一种图像生成网络的训练方法，包括：获取多个图像对，各个图像对中包含有样本图像以及所述样本图像对应的降质图像；将所述样本图像对应的降质图像输入待训练网络，得到所述待训练网络输出的生成图像；根据所述生成图像与所述样本图像之间的损失值，以及对所述生成图像与所述样本图像之间的真实性判别结果，构建联合损失值；根据所述联合损失值调整所述待训练网络的参数，得到图像生成网络。
[0008]根据本申请实施例的一个方面，提供了一种图像处理装置，包括：第一获取单元，配置为获取待处理图像；第一输入单元，配置为将所述待处理图像输入至图像生成网络，所述图像生成网络是根据联合损失函数训练得到的，所述联合损失函数是根据所述图像生成网络的输出图像与期望生成的目标图像之间的损失值，以及对所述输出图像与所述目标图像之间的真实性判别结果构建的；第二获取单元，配置为获取所述图像生成网络输出的针对所述待处理图像的修复图像。
[0009]在本申请的一些实施例中，基于前述方案，所述图像处理装置还包括：第三获取单
元，配置为获取多个图像对，各个图像对中包含有样本图像以及所述样本图像对应的降质图像；第二输入单元，配置为将所述样本图像对应的降质图像输入待训练网络，得到所述待训练网络输出的生成图像；第一构建单元，配置为根据所述生成图像以及所述样本图像构建所述联合损失函数，并根据所述联合损失函数调整所述待训练网络的参数，得到所述图像生成网络。
[0010]在本申请的一些实施例中，基于前述方案，所述第一构建单元包括：输入子单元，配置为将所述生成图像以及所述样本图像输入至预训练的判别网络，根据所述判别网络的输出结果确定第一损失函数；计算子单元，配置为根据所述生成图像以及所述样本图像计算图像信息差，根据所述图像信息差构建第二损失函数；构建子单元，配置为根据所述第一损失函数和所述第二损失函数构建所述联合损失函数。
[0011]在本申请的一些实施例中，基于前述方案，所述输入子单元配置为：获取所述判别网络输出的多个真实性判别结果；对各个真实性判别结果进行对数运算，得到多个运算结果；根据所述多个运算结果的运算结果之和，得到所述第一损失函数。
[0012]在本申请的一些实施例中，基于前述方案，所述第三获取单元包括：获取子单元，配置为获取多个样本图像；降质处理子单元，配置为对各个样本图像进行图像降质处理，得到所述各个样本图像对应的降质图像；生成子单元，配置为根据所述各个样本图像以及所述各个样本图像对应的降质图像，生成所述图像对。
[0013]在本申请的一些实施例中，基于前述方案，所述降质处理子单元配置为对各个样本图像进行图像降质处理，包括以下至少一种：对所述各个样本图像进行模糊化处理，所述模糊化处理包括高斯模糊、运动模糊中的一种或多种；对所述各个样本图像进行下采样处理；对所述各个样本图像进行插值放大处理，所述插值放大处理包括双线性插值、双三次插值、最近邻插值中的一种或多种；对所述各个样本图像进行增加噪声处理；对所述各个样本图像进行压缩处理。
[0014]在本申请的一些实施例中，基于前述方案，所述获取子单元配置为：获取具有图像背景且图像尺寸满足预设尺寸的多个初始图像；根据各个初始图像的图像质量类别，从所述多个初始图像中筛选出图像质量高于设定值的图像质量类别的图像，以获得所述多个样本图像。
[0015]在本申请的一些实施例中，基于前述方案，所述图像处理装置还包括：第三输入单元，配置为将所述多个初始图像输入图像分类模型，所述图像分类模型中包含有特征提取层和全连接层；特征提取单元，配置为基于所述特征提取层对各个初始图像进行特征提取，得到所述各个初始图像对应的目标特征向量；处理单元，配置为通过所述全连接层对所述目标特征向量进行全连接处理，得到所述各个初始图像对应的图像质量类别。
[0016]在本申请的一些实施例中，基于前述方案，所述处理单元配置为：通过所述全连接层对所述目标特征向量进行全连接处理；对所述全连接层的输出进行归一化处理，得到所述各个初始图像对应各图像质量类别的预测概率；将所述预测概率中最大预测概率对应的图像质量类别，作为所述各个初始图像对应的图像质量类别。
[0017]在本申请的一些实施例中，基于前述方案，所述图像分类模型是通过如下方式训练得到的：获取包含有多个样本图像的训练样本集，所述样本图像携带有图像质量标注类别；将所述多个样本图像输入所述图像分类模型，得到所述图像分类模型输出的各个样本
图像对应的图像质量预测类别；基于所述图像质量标注类别以及所述图像质量预测类别，构建所述图像分类模型的目标损失函数；基于所述目标损失函数对所述图像分类模型进行训练，得到训练好的图像分类模型。
[0018]在本申请的一些实施例中，基于前述方案，基于所述图像质量标注类别以及所述图像质量预测类别，构建所述图像分类模型的目标损失函数，包括：获取所述各个样本图像对应的图像质量预测类别与所述各个样本图像对应的图像质量标注类别之间的差异；根据获取到的各个差异的差异和，构建所述图像分类模型的目标损失函数。
[0019]根据本申请实施例的一个方面，提供了一种图像生成网络的训练方法，包括：第四获取单元，配置为获取多个图像对，各个图像对中包含有样本图像以及所述样本图像对应的降质图像；第四输入单元，配置为将所述样本图像对应的降质图像输入待训练网络，得到所述待训练网络输出的生成图像；第二构建单元，配置为根据所述生成图像与所述样本图像之间的损失值，以及所述生成图像与所述样本图像之间的真实性判别结本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取待处理图像；将所述待处理图像输入至图像生成网络，所述图像生成网络是根据联合损失函数训练得到的，所述联合损失函数是根据所述图像生成网络的输出图像与期望生成的目标图像之间的损失值，以及所述输出图像与所述目标图像之间的真实性判别结果构建的；获取所述图像生成网络输出的针对所述待处理图像的修复图像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个图像对，各个图像对中包含有样本图像以及所述样本图像对应的降质图像；将所述样本图像对应的降质图像输入待训练网络，得到所述待训练网络输出的生成图像；根据所述生成图像以及所述样本图像构建所述联合损失函数，并根据所述联合损失函数调整所述待训练网络的参数，得到所述图像生成网络。3.根据权利要求2所述的方法，其特征在于，根据所述生成图像以及所述样本图像构建所述联合损失函数，包括：将所述生成图像以及所述样本图像输入至预训练的判别网络，根据所述判别网络的输出结果确定第一损失函数；根据所述生成图像以及所述样本图像计算图像信息差，根据所述图像信息差构建第二损失函数；根据所述第一损失函数和所述第二损失函数构建所述联合损失函数。4.根据权利要求3所述的方法，其特征在于，根据所述判别网络的输出结果确定第一损失函数，包括：获取所述判别网络输出的多个真实性判别结果；对各个真实性判别结果进行对数运算，得到多个运算结果；根据所述多个运算结果的运算结果之和，得到所述第一损失函数。5.根据权利要求2至4中任一项所述的方法，其特征在于，所述获取多个图像对，包括：获取多个样本图像；对各个样本图像进行图像降质处理，得到所述各个样本图像对应的降质图像；根据所述各个样本图像以及所述各个样本图像对应的降质图像，生成所述图像对。6.根据权利要求5所述的方法，其特征在于，对各个样本图像进行图像降质处理，包括以下至少一种：对所述各个样本图像进行模糊化处理，所述模糊化处理包括高斯模糊、运动模糊中的一种或多种；对所述各个样本图像进行下采样处理；对所述各个样本图像进行插值放大处理，所述插值放大处理包括双线性插值、双三次插值、最近邻插值中的一种或多种；对所述各个样本图像进行增加噪声处理；对所述各个样本图像进行压缩处理。7.根据权利要求5所述的方法，其特征在于，所述获取多个样本图像，包括：获取具有图像背景且图像尺寸满足预设尺寸的多个初始图像；
根据各个初始图像的图像质量类别，从所述多个初始图像中筛选出图像质量高于设定值的图像质量类别的图像，以获得所述多个样本图像。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：将所述多个初始图像输入图像分类模型，所述图像分类模型中包含有特征提取层和全连接层；基于所述特征提取层对各个初始图像进行特征提取，得到所述各个初始图像对应的目标特征向量；通过所述全连接层对所述目标特征...
【专利技术属性】
技术研发人员：刘恩雨，李松南，
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。