数据处理方法、装置、设备、可读存储介质及程序产品制造方法及图纸

本申请实施例提出了一种数据处理方法、装置、设备、可读存储介质及程序产品，可应用于云技术、人工智能、图像超分处理等领域或场景，该方法包括：利用初始超分模型对样本图像进行超分处理，得到预测超分图像；根据预测超分图像和参考超分图像训练初始超分模型，得到第一超分模型；对第一超分模型中的待处理模块进行重参数化处理，生成第二超分模型；第二超分模型用于生成待处理图像的目标超分图像，待处理模块为初始超分模型中的模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或全部模块；第二超分模型的参数量小于第一超分模型的参数量，该方法可以提高超分模型的模型容量，并提高通过超分模型得到的超分图像的质量。量。量。

【技术实现步骤摘要】
数据处理方法、装置、设备、可读存储介质及程序产品


[0001]本申请涉及计算机
，具体涉及数据处理方法、数据处理装置、计算机设备、计算机可读存储介质以及计算机程序产品。

技术介绍

[0002]图像超分处理是计算机视觉研究领域的重要方向之一，其目的是从低分辨率图像中恢复出高分辨率图像。近年来，随着深度学习技术的发展，许多基于复杂超分模型的图像超分方法被提出，并展现出了良好的性能。但是，由于终端设备的计算能力有限，使得复杂超分模型并不能较好的配置在终端设备上，因而通常是在终端设备上配置结构简单的超分模型，这使得终端设备上的超分模型的模型容量较低，进而导致通过超分模型得到的超分图像的质量较差。因此，如何提高超分模型的模型容量，并提高通过超分模型得到的超分图像的质量，是目前亟需解决的问题。

技术实现思路

[0003]本申请提供了一种数据处理方法、装置、设备、可读存储介质及程序产品，可以提高超分模型的模型容量，并提高通过超分模型得到的超分图像的质量。
[0004]第一方面，本申请提供了一种数据处理方法，该方法包括：
[0005]利用初始超分模型对样本图像进行超分处理，得到预测超分图像；
[0006]根据上述预测超分图像以及上述样本图像对应的参考超分图像对上述初始超分模型进行模型调参，得到第一超分模型；
[0007]对上述第一超分模型中的待处理模块进行重参数化处理，生成第二超分模型，上述第二超分模型用于生成待处理图像的目标超分图像；
[0008]其中，上述初始超分模型包括特征粗加工网络、特征细加工网络以及特征融合网络，上述待处理模块为上述模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或者全部模块；上述第二超分模型的参数量小于上述第一超分模型的参数量。
[0009]第二方面，本申请提供了另一种数据处理方法，该方法包括：
[0010]获取待处理图像；
[0011]利用第二超分模型对上述待处理图像进行超分处理，得到目标超分图像；
[0012]其中，上述第二超分模型是对第一超分模型中的待处理模块进行重参数化处理生成的，上述第一超分模型是利用样本图像对初始超分模型进行模型训练得到的，上述初始超分模型包括特征粗加工网络、特征细加工网络以及特征融合网络，上述待处理模块为在对上述初始超分模型进行模型训练时通过模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或者全部模块；上述第二超分模型的参数量小于上述第一超分模型的参数量。
[0013]第三方面，本申请提供了一种数据处理装置，该装置包括：
[0014]超分处理模块，用于利用初始超分模型对样本图像进行超分处理，得到预测超分
图像；
[0015]训练模块，用于根据上述预测超分图像以及上述样本图像对应的参考超分图像对上述初始超分模型进行模型调参，得到第一超分模型；
[0016]重参数化模块，用于对上述第一超分模型中的待处理模块进行重参数化处理，生成第二超分模型，上述第二超分模型用于生成待处理图像的目标超分图像；
[0017]其中，上述初始超分模型包括特征粗加工网络、特征细加工网络以及特征融合网络，上述待处理模块为上述模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或者全部模块；上述第二超分模型的参数量小于上述第一超分模型的参数量。
[0018]第四方面，本申请提供了另一种数据处理装置，该装置包括：
[0019]超分处理模块，用于获取待处理图像；
[0020]上述超分处理模块，还用于利用第二超分模型对上述待处理图像进行超分处理，得到目标超分图像；
[0021]其中，上述第二超分模型是对第一超分模型中的待处理模块进行重参数化处理生成的，上述第一超分模型是利用样本图像对初始超分模型进行模型训练得到的，上述初始超分模型包括特征粗加工网络、特征细加工网络以及特征融合网络，上述待处理模块为在对上述初始超分模型进行模型训练时通过模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或者全部模块；上述第二超分模型的参数量小于上述第一超分模型的参数量。
[0022]第五方面，本申请提供了一种计算机设备，包括：处理器、存储装置和通信接口，上述处理器、上述通信接口和上述存储装置相互连接，其中，上述存储装置存储有可执行程序代码，上述处理器用于调用上述可执行程序代码，用以实现上述的数据处理方法。
[0023]第六方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序包括程序指令，上述程序指令被处理器执行，用以实现如上述的数据处理方法。
[0024]第七方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序或计算机指令，上述计算机程序或计算机指令被处理器执行，用以实现上述的数据处理方法。
[0025]本申请实施例首先利用初始超分模型对样本图像进行超分处理，得到预测超分图像；然后根据预测超分图像和参考超分图像对初始超分模型进行模型调参，得到第一超分模型，使得第一超分模型具有更高的模型精度和更优的超分效果；再对第一超分模型中的待处理模块进行重参数化处理，生成第二超分模型，使得可以利用参数量更少的第二超分模型表示参数量更大的第一超分模型，将第二超分模型应用于终端设备进行图像超分任务，保证了第二超分模型与第一超分模型具有相同的处理效果。相比于在终端设备上配置结构简单的超分模型来说，本申请实施例中的方法使得终端设备可以配置原始模型容量更大的超分模型，提高了终端设备上的超分模型的模型容量，并提高通过超分模型得到的超分图像的质量，同时提高了终端设备上的计算资源利用率。
附图说明
[0026]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用
的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1是本申请一个示例性实施例提供的一种数据处理系统的架构示意图；
[0028]图2是本申请一个示例性实施例提供的一种数据处理方法的流程示意图；
[0029]图3是本申请一个示例性实施例提供的另一种数据处理方法的流程示意图；
[0030]图4A是本申请一个示例性实施例提供的一种第一超分模型的结构示意图；
[0031]图4B是本申请一个示例性实施例提供的一种特征粗加工模块以及重参数化过程的示意图；
[0032]图4C是本申请一个示例性实施例提供的一种第一加工子模块以及重参数化过程的示意图；
[0033]图4D是本申请一个示例性实施例提供的一种第二加工子模块以及重参数化过程的示意图；
[0034]图4E是本申请一个示例性实施例提供的一种第三加工子模块的结构示意图；
[0035]图5是本申请一个示例性实施例提供的另一种数据处理方法的流程示意图；
[0036]图6是本申请一个示例性实施例提供的一种数据处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：利用初始超分模型对样本图像进行超分处理，得到预测超分图像；根据所述预测超分图像以及所述样本图像对应的参考超分图像对所述初始超分模型进行模型调参，得到第一超分模型；对所述第一超分模型中的待处理模块进行重参数化处理，生成第二超分模型，所述第二超分模型用于生成待处理图像的目标超分图像；其中，所述初始超分模型包括特征粗加工网络、特征细加工网络以及特征融合网络，所述待处理模块为所述模型调参后的特征粗加工网络以及特征细加工网络中的部分模块或者全部模块；所述第二超分模型的参数量小于所述第一超分模型的参数量。2.根据权利要求1所述的方法，其特征在于，所述利用初始超分模型对样本图像进行超分处理，得到预测超分图像，包括：利用初始超分模型中的所述特征粗加工网络对样本图像进行特征重建处理，得到第一特征图；利用所述初始超分模型中的所述特征细加工网络对所述第一特征图进行特征重建处理，得到第二特征图；利用所述初始超分模型中的所述特征融合网络，对所述第二特征图进行反卷积处理，得到第三特征图，以及对所述样本图像进行上采样处理，得到第四特征图，并对所述第三特征图和所述第四特征图进行特征融合处理，得到预测超分图像。3.根据权利要求2所述的方法，其特征在于，所述特征粗加工网络包括特征粗加工模块，所述特征细加工网络包括一个或多个特征细加工模块，各个所述特征细加工模块包括第一细加工模块以及第二细加工模块，所述第一细加工模块的输出与所述第二细加工模块的输入相连接，所述第一细加工模块包括第一加工子模块和第二加工子模块，所述第二细加工模块包括所述第一加工子模块和第三加工子模块，所述特征融合网络包括反卷积模块、上采样模块、以及加和模块，所述反卷积模块用于进行所述反卷积处理，所述上采样模块用于进行所述上采样处理，所述加和模块用于进行所述特征融合处理；所述待处理模块为所述模型调参后的特征粗加工模块、第一细加工模块中包括的第一加工子模块以及第二加工子模块、第二细加工模块中包括的第一加工子模块。4.根据权利要求3所述的方法，其特征在于，所述特征粗加工模块包括第一卷积层、第二卷积层以及加和模块，所述第一卷积层包括多个第一尺寸的卷积核，所述第二卷积层包括多个第二尺寸的卷积核；其中，所述利用初始超分模型中的所述特征粗加工网络对样本图像进行特征重建处理，得到第一特征图，包括：利用所述特征粗加工网络中的所述特征粗加工模块包括的所述第一卷积层、所述第二卷积层分别对样本图像进行特征重建处理，得到第一输出数据以及第二输出数据；通过所述加和模块对所述第一输出数据、所述第二输出数据以及所述样本图像进行加和处理，得到第一特征图。5.根据权利要求3所述的方法，其特征在于，所述特征细加工网络包括一个特征细加工模块；所述利用所述初始超分模型中的所述特征细加工网络对所述第一特征图进行特征重建处理，得到第二特征图，包括：
利用所述第一特征细加工网络中的所述第一加工子模块对所述第一特征图进行特征重建处理，得到第一中间数据；利用所述第一特征细加工网络中的所述第二加工子模块对所述第一中间数据进行特征重建处理，得到中间特征图；利用所述第二特征细加工网络中的所述第一加工子模块对所述中间特征图进行特征重建处理，得到第二中间数据；利用所述第二特征细加工网络中的所述第三加工子模块对所述第二中间数据进行特征重建处理，得到第二特征图。6.根据权利要求5所述的方法，其特征在于，所述第一加工子模块包括第三卷积层、第四卷积层、第五卷积层以及加和模块，所述第三卷积层包括第三尺寸的深度卷积核，所述第四卷积层包括多个第四尺寸的深度卷积核，所述第五卷积层包括多个第五尺寸的深度卷积核；其中，所述利用所述第一特征细加工网络中的所述第一加工子模块对所述第一特征图进行特征重建处理，得到第一中间数据，包括：利用所述第一加工子模块中的所述第三卷积层、所述第四卷积层、所述第五卷积层分别对所述第一特征图进行特征重建处理，得到第三输出数据、第四输出数据以及第五输出数据；通过所述加和模块对所述第三输出数据、所述第四输出数据、所述第五输出数据以及所述第一特征图进行加和处理，得到第一中间数据。7.根据权利要求5所述的方法，其特征在于，所述第二加工子模块包括第六...

【专利技术属性】
技术研发人员：贺思颖，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：