生成图像超分数据集的方法、图像超分模型及训练方法技术

一种生成图像超分数据集方法、图像超分模型及训练方法，所述生成图像超分数据集方法包括步骤：S101：构建高分辨率图像集；S102：对所有高分辨率图像HR1进行图像盲退化处理，获得LR1

【技术实现步骤摘要】
生成图像超分数据集的方法、图像超分模型及训练方法


[0001]本专利技术涉及图像超分领域，具体涉及生成图像超分数据集的方法、模型训练方法、图像超分模型。

技术介绍

[0002]图像超分（SR）是将低分辨率输入恢复为高分辨率（HR）输出，提升显示质量的技术。图像超分分为云超分和端侧超分，云超分是在服务器上进行图像超分，端侧超分是在终端设备上进行图像超分。真实世界造成图像质量降低的原因是多种多样的，因此使用特定的退化方式生成的数据集，在处理真实图片时往往效果不佳。为了处理各种原因造成的低分辨率图像的超分任务，提升超分模型的泛化能力，需要使用不同退化方式模拟出不同的低分辨率图像对超分模型进行训练。但对于安装在端侧的超分模型，由于端侧的硬件限制，端侧超分的模型结构通常比云超分模型的结构简单，因此在使用上述的低分辨率图像和对应的高分辨率图像作为训练集进行训练时，存在模型训练效果不佳，学习速度慢等问题。
[0003]专利文献CN112488924A一种图像超分辨率模型训练方法，包括：获取低分辨率图像及其对应的真实高分辨率图像和真实可见光图像构成训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成图像超分数据集的方法，其特征在于：包括步骤：S101：构建高分辨率图像集；S102：对所述高分辨率图像集的高分辨率图像HR1进行图像盲退化处理，获得对应的低分辨率图像LR1，获得LR1
‑
HR1数据对；对所述高分辨率图像集的所有所述高分辨率图像HR1进行上述操作，获得LR1
‑ꢀ
HR1数据集；S103：使用所述LR1
‑ꢀ
HR1数据集对第一模型进行训练，训练完成后获得所述第一模型的模型参数并保存；所述第一模型为图像超分模型；S104：构建低分辨率图像集；S105：将所述低分辨率图像集中的低分辨率图像LR2输入带有所述模型参数的所述第一模型，获得超分辨率图像SR2，从而获得LR2
‑
SR2数据对；对所述低分辨率图像集所有的低分辨率图像LR2进行上述操作，获得LR2
‑
SR2数据集。2.如权利要求1所述的方法，其特征在于：所述步骤S103包括：S1031： 将低分辨率图像LR1输入所述第一模型，所述第一模型输出超分辨率图像SR1；S1032：使用高分辨率图像HR1和超分辨率图像SR1计算损失函数；S1033：当所述损失函数小于第一预设阈值时，保存模型参数；S1034：对所述LR1
‑ꢀ
HR1数据集的每个LR1
‑ꢀ
HR1数据对重复步骤S1031~ S1033，完成后获得所述第一模型的所述模型参数。3.如权利要求1所述的方法，其特征在于：所述图像盲退化处理是按照随机选择方法，对所述高分辨率图像HR1，选择执行以下任意一项或多项操作：模糊操作：按照随机选择方法，选择高斯模糊、Sinc滤波器模糊中1项或2项进行操作；缩放操作：按照随机选择方法，选择双线性插值、双三次插值、区域插值的1项或多项进行操作；叠加噪声操作：按照随机选择方法，选择高斯噪声、泊松噪声中1项或2项进行操作；图片压缩操作：对图像进行压缩，所述压缩的压缩因子为30%
‑
95%；所述图像盲退化处理执行1次，或，所述图像盲退化处理迭代执行2次。4.如权利要求3所述的方法，其特征在于：所述随机选择方法为，对所有选项随机给出0~1之间的随机分值，当选项的所述随机分值小于第二预设阈值时，不进行该项操作；对所有大于等于所述第二预设阈值的随机分值进行归一化作为对应选项的权重，执行所述随机分值大于等于所述第二预设阈值的选项对应的操作，将所有选项执行结果按照所述权重，进行加权计算后得到输出结果。5.如权利要求1所述的方法，其特征在于：在所述步骤S103中，所述第一模型包括：ESRGAN模型、SwinIR模型、HAT模型；使用所述LR1
‑ꢀ
HR1数据集对ESRGAN模型、Sw...

【专利技术属性】
技术研发人员：郭建君，
申请(专利权)人：北京蔚领时代科技有限公司，
类型：发明
国别省市：