图像生成方法及装置制造方法及图纸

本发明专利技术提供一种图像生成方法及装置，该方法包括：获取目标分辨率图像；将所述目标分辨率图像输入至预先训练好的渐进式生成对抗网络模型的生成器，输出目标结果；其中，所述渐进式生成网络模型是基于目标分辨率图像样本和经过不同倍数的降采样预处理后的原始分辨率图像样本进行训练得到。本发明专利技术能够实现低分辨率图像转化为超高清图像，使得渐进式生成网络对抗模型的训练过程更稳定，效率更高。效率更高。效率更高。

【技术实现步骤摘要】
图像生成方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种图像生成方法及装置。

技术介绍

[0002]图像超分辨率用于指示基于一张低分辨率图像恢复得到相应的高分辨率图像，广泛应用于医疗摄影、监控、安防或计算机视觉和图像处理领域。因此，图像超分辨率具有重要的研究意义。
[0003]目前，相关技术中公开一种融合互信息的深度神经网络的图像超分辨率方法，将图像数据库中的图像数据进行预处理，对预处理后的图像数据进行模型训练，通过模型训练得到深度神经网络模型，基于训练好的深度神经网络模型，对测试数据集中的低分辨率图像进行超分辨率处理，得到高分辨率图像，该方案拟合映射函数的难度过大，造成模型训练不稳定，且输入图像和输出图像的分辨率差异较大，导致训练时间过长。
[0004]综上，相关技术中将低分辨率图像转换为超高清图像，拟合映射函数的难度过大，造成模型训练过程不稳定，且训练时间过长。

技术实现思路

[0005]本专利技术提供一种图像生成方法及装置，用以解决相关技术中将低分辨率图像转换为超高清图像，拟合映射函数的难度过大，造成模型训练过程不稳定，且训练时间过长的技术问题。
[0006]第一方面，本专利技术提供一种图像生成方法，包括：
[0007]获取目标分辨率图像；
[0008]将所述目标分辨率图像输入至预先训练好的渐进式生成对抗网络模型的生成器，输出目标结果；
[0009]其中，所述渐进式生成网络模型是基于目标分辨率图像样本和经过不同倍数的降采样预处理后的原始分辨率图像样本进行训练得到。
[0010]在一个实施例中，所述渐进式生成对抗网络模型的训练过程，包括：
[0011]对原始分辨率图像样本进行不同倍数的降采样预处理，得到第一训练样本集，所述第一训练样本集包括n个分辨率的预处理图像；
[0012]构建第i个生成对抗网络模型，其中
[0013]将所述目标分辨率图像样本输入至第i个生成对抗网络模型的生成器进行训练，输出第i个分辨率图像；
[0014]计算所述第i个分辨率图像和所述第一训练样本集中的第i个分辨率的预处理图像之间的损失，获得所述第i个生成对抗网络模型的生成器的损失结果，基于所述第i个生成对抗网络模型的生成器的损失结果利用随机梯度下降算法更新所述第i个生成对抗网络模型的生成器的网络参数；
[0015]将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗
网络模型的判别器进行判别，得到所述第i个生成对抗网络模型的判别器的加权总损失值，基于所述第i个生成对抗网络模型的判别器的加权总损失值利用随机梯度下降算法更新所述第i个生成对抗网络模型的判别器的网络参数；
[0016]在所述第i个生成对抗网络模型的生成器的损失结果和所述第i个生成对抗网络模型的判别器的加权总损失值均维持在预设阈值范围内并保持一段时间的情况下，获得训练完成的渐进式生成对抗网络模型。
[0017]在一个实施例中，所述图像生成方法，还包括：
[0018]在所述第i个生成对抗网络模型的生成器的损失结果和所述第i个生成对抗网络模型的判别器的加权总损失值未达到预设阈值范围的情况下，对所述第i个生成对抗网络模型的生成器进行增加网络层数处理，得到第i+1个生成对抗网络模型；
[0019]将所述目标分辨率图像样本和所述第一训练样本集的第i+1个分辨率的预处理图像输入至所述第i+1个生成对抗网络模型进行训练；
[0020]其中，所述第i+1个生成对抗网络模型的训练过程与所述第i个生成对抗网络模型的训练过程相同。
[0021]在一个实施例中，所述将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗网络模型的判别器进行判别，得到所述第i个生成对抗网络模型的判别器的加权总损失值，包括：
[0022]将所述第i个分辨率图像和所述第i个分辨率的预处理图像分别输入至预设卷积神经网络模型，输出所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图；
[0023]将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗网络模型的判别器进行判别，基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图得到所述第i个分辨率的预处理图像的加权损失值；
[0024]基于平滑因子和所述第i个分辨率的预处理图像的加权损失值计算所述第i个生成对抗网络模型的判别器的加权总损失值。
[0025]在一个实施例中，所述基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图得到所述第i个分辨率的预处理图像的加权损失值，包括：
[0026]基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图，利用公式(1)得到所述第i个分辨率的预处理图像的加权损失值：
[0027][0028]其中，l
i
表示所述第i个分辨率的预处理图像的加权损失值，λ1和λ2分别表示权重系数，其中λ1∈[0,1]，λ2∈[0,1]，λ1≠λ2且λ1+λ2＝1，w表示所述第i个分辨率的预处理图像的宽度，h表示所述第i个分辨率的预处理图像的宽度，j表示所述第i个分辨率的预处理图像的像素序号，n表示所述第i个分辨率的预处理图像的像素总数，m和f均为参数，x
i,j
表示所述第i个分辨率的预处理图像对应的深层特征图中第j个像素的像素值，y
i,j
表示所述第i个分辨率图像对应的深层特征图中第j个像素的像素值，g表示所述第i个分辨率的预处理
图像对应的深层特征图的宽度，d表示所述第i个分辨率的预处理图像对应的深层特征图的高度，k表示所述第i个分辨率的预处理图像对应的深层特征图的像素序号，u表示所述第i个分辨率的预处理图像对应的深层特征图的像素总数，x
i,k
表示所述第i个分辨率的预处理图像对应的深层特征图中第k个像素的像素值，y
i,k
表示所述第i个分辨率图像对应的深层特征图中第k个像素的像素值。
[0029]在一个实施例中，所述基于平滑因子和所述第i个分辨率的预处理图像的加权损失值计算所述第i个生成对抗网络模型的判别器的加权总损失值，包括：
[0030]基于平滑因子和所述第i个分辨率的预处理图像的加权损失值，利用公式(2)计算所述第i个生成对抗网络模型的判别器的加权总损失值：
[0031]L
i
＝αL
i
‑1+(1
‑
α)l
i
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0032]其中，L
i
表示所述第i个生成对抗网络模型的判别器的加权总损失值，L
i
‑1表示第i
‑
1个生成对抗网络模型的判别器的加权损失值，l
i
表示第i个分辨率的预处理图像的加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像生成方法，其特征在于，包括：获取目标分辨率图像；将所述目标分辨率图像输入至预先训练好的渐进式生成对抗网络模型的生成器，输出目标结果；其中，所述渐进式生成网络模型是基于目标分辨率图像样本和经过不同倍数的降采样预处理后的原始分辨率图像样本进行训练得到。2.根据权利要求1所述的图像生成方法，其特征在于，所述渐进式生成对抗网络模型的训练过程，包括：对原始分辨率图像样本进行不同倍数的降采样预处理，得到第一训练样本集，所述第一训练样本集包括n个分辨率的预处理图像；构建第i个生成对抗网络模型，其中将所述目标分辨率图像样本输入至第i个生成对抗网络模型的生成器进行训练，输出第i个分辨率图像；计算所述第i个分辨率图像和所述第一训练样本集中的第i个分辨率的预处理图像之间的损失，获得所述第i个生成对抗网络模型的生成器的损失结果，基于所述第i个生成对抗网络模型的生成器的损失结果利用随机梯度下降算法更新所述第i个生成对抗网络模型的生成器的网络参数；将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗网络模型的判别器进行判别，得到所述第i个生成对抗网络模型的判别器的加权总损失值，基于所述第i个生成对抗网络模型的判别器的加权总损失值利用随机梯度下降算法更新所述第i个生成对抗网络模型的判别器的网络参数；在所述第i个生成对抗网络模型的生成器的损失结果和所述第i个生成对抗网络模型的判别器的加权总损失值均维持在预设阈值范围内并保持一段时间的情况下，获得训练完成的渐进式生成对抗网络模型。3.根据权利要求2所述的图像生成方法，其特征在于，还包括：在所述第i个生成对抗网络模型的生成器的损失结果和所述第i个生成对抗网络模型的判别器的加权总损失值未达到预设阈值范围的情况下，对所述第i个生成对抗网络模型的生成器进行增加网络层数处理，得到第i+1个生成对抗网络模型；将所述目标分辨率图像样本和所述第一训练样本集的第i+1个分辨率的预处理图像输入至所述第i+1个生成对抗网络模型进行训练；其中，所述第i+1个生成对抗网络模型的训练过程与所述第i个生成对抗网络模型的训练过程相同。4.根据权利要求2所述的图像生成方法，其特征在于，所述将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗网络模型的判别器进行判别，得到所述第i个生成对抗网络模型的判别器的加权总损失值，包括：将所述第i个分辨率图像和所述第i个分辨率的预处理图像分别输入至预设卷积神经网络模型，输出所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图；将所述第i个分辨率图像和所述第i个分辨率的预处理图像输入至第i个生成对抗网络
模型的判别器进行判别，基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图得到所述第i个分辨率的预处理图像的加权损失值；基于平滑因子和所述第i个分辨率的预处理图像的加权损失值计算所述第i个生成对抗网络模型的判别器的加权总损失值。5.根据权利要求4所述的图像生成方法，其特征在于，所述基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图得到所述第i个分辨率的预处理图像的加权损失值，包括：基于所述第i个分辨率图像对应的深层特征图和所述第i个分辨率的预处理图像对应的深层特征图，利用公式(1)得到所述第i个分辨率的预处理图像的加权损失值：其中，l
i

【专利技术属性】
技术研发人员：刘泉，
申请(专利权)人：中移雄安信息通信科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：