【技术实现步骤摘要】
图像超分辨率模型训练方法、装置和计算机可读存储介质
[0001]本专利技术实施例涉及但不限于计算机视觉
，特别是涉及一种图像超分辨率模型训练方法、装置和计算机可读存储介质。
技术介绍
[0002]目前提升图像超分辨率还有许多可以优化的空间，比如初始化方法，现有的算法初始化网络参数时大部分使用的是均匀分布、正交初始化等，然而，这些初始化方法大部分考虑的是激活函数的性质或者特殊的网络结构，对于比如循环神经网络的收敛问题，与训练数据没有关联，因此，无法为图像超分辨率模型提供好的模型参数作为初始起点，导致训练效果不佳。同时，损失函数的设计也直接决定了图像超分辨率模型的性能，但是，现有的损失函数是多个损失函数的线性叠加，线性参数一般使用的是“暴力试值”的方法，该方法不能达到一个最优组合，从而导致图像超分辨率模型效果不好。
技术实现思路
[0003]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0004]本专利技术实施例提供了一种图像超分辨率模型训练方法、装置和计算机可读存储...
【技术保护点】
【技术特征摘要】
1.一种图像超分辨率模型训练方法，其特征在于，包括：获取低分辨率图像及其对应的真实高分辨率图像构成训练集；输入所述训练集中的所述低分辨率图像及其对应的所述真实高分辨率图像至预设的编码
‑
解码模型，以确定模型参数；根据所述模型参数初始化图像超分辨率模型；将所述训练集中的所述低分辨率图像输入至所述图像超分辨率模型，得到超分辨率图像；确定所述真实高分辨率图像和所述超分辨率图像之间的信息熵损失；根据所述信息熵损失和预设损失函数结合损失系数构造总损失函数，所述损失系数用于表征占比所述总损失函数的权重值；基于所述总损失函数，对所述图像超分辨率模型进行模型训练，得到训练完成的所述图像超分辨率模型。2.根据权利要求1所述的方法，其特征在于，所述确定所述真实高分辨率图像和所述超分辨率图像之间的信息熵损失，包括：根据所述真实高分辨率图像计算得到第一信息熵；根据所述超分辨率图像计算得到第二信息熵；对所述第一信息熵和所述第二信息熵之差取绝对值得到信息熵差。3.根据权利要求2所述的方法，其特征在于，所述损失系数包括第一权重系数和第二权重系数，所述根据所述信息熵损失和预设损失函数结合损失系数构造总损失函数，包括：基于多任务学习确定所述预设损失函数对应的所述第一权重系数和所述信息熵差对应的所述第二权重系数；根据所述预设损失函数、所述第一权重系数、所述信息熵差和所述第二权重系数构造所述总损失函数。4.根据权利要求3所述的方法，其特征在于，所述根据所述预设损失函数、所述第一权重系数、所述信息熵差和所述第二权重系数构造所述总损失函数，包括：根据所述预设损失函数与所述第一权重...
【专利技术属性】
技术研发人员：易自尧，徐科，杨维，孔德辉，宋剑军，
申请(专利权)人：深圳市中兴微电子技术有限公司，
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。