本申请公开了一种模型训练方法和装置、电子设备和可读存储介质，属于拍摄设备技术领域。其中，模型训练方法包括：将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；基于第一训练掩膜、第二训练掩膜和参考训练掩膜对第一训练网络进行训练，以及基于第一训练掩膜、第二训练掩膜、参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练；在第一训练网络和第二训练网络同时收敛的情况下，得到目标训练网络；第一训练掩膜为第一目标对象对应的掩膜，第二训练掩膜为第二目标对象对应的掩膜，第一目标对象和第二目标对象为参考高动态范围图像中不同的对象，目标训练网络用于将高动态范围图像处理为低动态范围图像。低动态范围图像。低动态范围图像。
【技术实现步骤摘要】
模型训练方法和装置、电子设备和可读存储介质
[0001]本申请属于拍摄设备
，具体涉及一种模型训练方法、模型训练装置、电子设备和可读存储介质。
技术介绍
[0002]在相关技术中，高动态范围成像技术是用于捕获拍摄场景中所有亮度区间信息的技术，为了确保电子设备的显示屏幕能够准确对图像进行显示，需要通过色调映射将高动态范围图像压缩到低动态范围。
[0003]目前通过色调映射得到的低动态范围图像的图像质量较差，难以满足用户对图像质量的要求，因此需要提供一种能够得到高质量图像的方法。
技术实现思路
[0004]本申请实施例的目的是提供一种模型训练方法和装置、电子设备和可读存储介质，能够解决用户难以得到质量较高的图像的问题。
[0005]第一方面，本申请实施例提供了一种模型训练方法，包括：
[0006]将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；
[0007]基于第一训练掩膜、第二训练掩膜和参考训练掩膜对第一训练网络进行训练，以及基于第一训练掩膜、第二训练掩膜、参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练；
[0008]在第一训练网络和第二训练网络同时收敛的情况下，得到目标训练网络；
[0009]其中，第一训练掩膜为第一目标对象对应的掩膜，第二训练掩膜为第二目标对象对应的掩膜，第一目标对象和第二目标对象为参考高动态范围图像中不同的对象，目标训练网络用于将高动态范围图像处理为低动态范围图像。
[0010]第二方面，本申请实施例提供了一种模型训练装置，包括：
[0011]输入模块，将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；
[0012]训练模块，基于第一训练掩膜、第二训练掩膜和参考训练掩膜对第一训练网络进行训练，以及基于第一训练掩膜、第二训练掩膜、参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练；
[0013]生成模块，在第一训练网络和第二训练网络同时收敛的情况下，得到目标训练网络；
[0014]其中，第一训练掩膜为第一目标对象对应的掩膜，第二训练掩膜为第二目标对象对应的掩膜，第一目标对象和第二目标对象为参考高动态范围图像中不同的对象，目标训练网络用于将高动态范围图像处理为低动态范围图像。
[0015]第三方面，本申请实施例提供了一种电子设备，包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面中的方法的
步骤。
[0016]第四方面，本申请实施例提供了一种可读存储介质，该可读存储介质上存储程序或指令，该程序或指令被处理器执行时实现如第一方面的方法的步骤。
[0017]第五方面，本申请实施例提供了一种芯片，该芯片包括处理器和通信接口，该通信接口和该处理器耦合，该处理器用于运行程序或指令，实现如第一方面的方法的步骤。
[0018]第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面的方法。
[0019]在本申请实施例中，将第一训练掩膜和第二训练掩膜作为训练集的一部分，即通过语义分割的结果作为自适应色调映射算法的先验输入，促使该神经网络更好地学习到全局的语义信息，对亮度和对比度的调整更为精细。因此，通过在训练集中增加第一训练掩膜和第二训练掩膜，训练得到第二训练网络可以对图像进行精细调整，第二训练网络可以将高动态范围图像色调映射为高质量的低动态范围，有利于满足用户对图像质量的要求。
[0020]基于第一训练掩膜和第二训练掩膜的语义分割任务和自适应色调映射算法合并到一个神经网络中，充分利用了神经网络强大的计算能力。基于神经网络的色调映射算法具有参数量大，表达能力强和可自适应调节的特点，因此，训练得到的目标训练网络对高动态范围图像进行处理，能够有利于得到高质量的低动态范围图像。
[0021]在针对第二训练网络进行训练时，也采用有监督的学习方式，通过第一训练掩膜、第二训练掩膜和参考训练掩膜生成的训练集对第二训练网络进行训练，使得第二训练网络可以准确的分离出第一训练掩膜和第二训练掩膜。
[0022]训练第一训练网络和第二训练网络具有联动性，整个过程完整统一。两个训练网络的训练作为整体进行，输入为原始数据，输出即为最后结果，即整个训练过程为end to end。利用训练得到两个训练网络，可以进一步提高经过色调映射得到的低动态范围图像的质量。
附图说明
[0023]图1是根据本申请实施例的模型训练方法的流程图；
[0024]图2是根据本申请实施例的模型训练的训练过程示意图；
[0025]图3是本申请实施例中模型训练装置的示意框图；
[0026]图4是本申请实施例中电子设备的示意框图；
[0027]图5是本申请实施例的一种电子设备的硬件结构示意图。
具体实施方式
[0028]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
[0029]本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可
以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0030]下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的进行详细地说明。
[0031]结合图1和图2所示，在本申请的一些实施例中，提出了一种模型训练方法，包括：
[0032]步骤102，将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；
[0033]步骤104，基于第一训练掩膜、第二训练掩膜和参考训练掩膜对第一训练网络进行训练，以及基于第一训练掩膜、第二训练掩膜、参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练；
[0034]步骤106，在第一训练网络和第二训练网络同时收敛的情况下，得到目标训练网络。
[0035]第一训练掩膜为第一目标对象对应的掩膜，第二训练掩膜为第二目标对象对应的掩膜，第一目标对象和第二目标对象为参考高动态范围图像中不同的对象，目标训练网络用于将高动态范围图像处理为低动态范围图像。
[0036]参考高动态范围图像经过色调映射后可以得到参考低动态范围图像，参考高动态范围图像和参考低动态范围图像作为神经网络训练所需的数据对。
[0037]参考高动态范围图像中包括第本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；基于所述第一训练掩膜、所述第二训练掩膜和参考训练掩膜对所述第一训练网络进行训练，以及基于所述第一训练掩膜、所述第二训练掩膜、所述参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练；在所述第一训练网络和所述第二训练网络同时收敛的情况下，得到目标训练网络；其中，所述第一训练掩膜为第一目标对象对应的掩膜，所述第二训练掩膜为第二目标对象对应的掩膜，所述第一目标对象和所述第二目标对象为所述参考高动态范围图像中不同的对象，所述目标训练网络用于将高动态范围图像处理为低动态范围图像。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述第一训练掩膜、所述第二训练掩膜、所述参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练之前，还包括：对所述参考低动态范围图像进行色彩调整；所述基于所述第一训练掩膜、所述第二训练掩膜、所述参考高动态范围图像和参考低动态范围图像对第二训练网络进行训练，包括：基于所述第一训练掩膜、所述第二训练掩膜、所述参考高动态范围图像和调整后的参考低动态范围图像对第二训练网络进行训练。3.根据权利要求1或2所述的模型训练方法，其特征在于，所述将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜，包括：将所述参考高动态范围图像输入所述第一训练网络；基于所述第一训练网络对所述参考高动态范围图像进行图像分割处理，得到第一目标图像和第二目标图像；对所述第一目标图像和所述第二目标图像分别进行图像处理，得到所述第一训练掩膜和所述第二训练掩膜。4.根据权利要求1或2所述的模型训练方法，其特征在于，所述第一训练掩膜为人像训练掩膜，所述第二训练掩膜为天空训练掩膜。5.一种模型训练装置，其特征在于，包括：输入模块，用于将参考高动态范围图像输入第一训练网络，得到第一训练掩膜和第二训练掩膜；训练模块，用于基于所述第...
【专利技术属性】
技术研发人员：泮婕，陈欣，
申请(专利权)人：维沃移动通信有限公司，
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。