一种训练图像质量预测模型制造技术

本申请实施例提供了一种训练图像质量预测模型

【技术实现步骤摘要】
一种训练图像质量预测模型、图像质量预测的方法及装置


[0001]本申请涉及图像质量检测
，具体而言，涉及一种训练图像质量预测模型
、
图像质量预测的方法及装置
。

技术介绍

[0002]由于图像质量评估在许多领域有其广泛的实用性，比如图像筛选
、
图像压缩
、
视频编解码和视频监控等，因此对高效
、
可靠质量评估的需求日益增加
。
[0003]目前，人工智能生成内容技术在图像生成领域取得了长足发展，然而通过当前出现的生成模型去生成图像，导致生成的图像质量参差不齐，在实际使用中为了耗费大量的人工对生成的大量图片进行挑选，通常通过训练相关图像模型的方法对生成图像的质量进行预测
。
然而，为了确保模型的准确度，在训练模型的过程中存在着训练数据量需求较大，人工标注数据成本较高的问题
。
[0004]因此，如何提供一种成本较低且准确率较高的训练图像质量预测模型的方法的技术方案成为亟需解决的技术问题
。

技术实现思路

[0005]本申请的一些实施例的目的在于提供一种训练图像质量预测模型
、
图像质量预测的方法及装置，通过本申请的实施例的技术方案可以降低数据标注成本的前提下实现对图像质量预测模型的训练，保证了后续图像质量预测的准确度
。
[0006]第一方面，本申请的一些实施例提供了一种训练图像质量预测模型的方法，包括：获取标注数据集，其中，所述标注数据集中包括：多个样本图像以及所述多个样本图像中每个样本图像对应的标注分值；利用标注数据集从多个图像质量公开模型中选择出最优图像质量模型；获取将所述每个样本图像输入到所述最优图像质量模型得到的所有输出分值；通过所述标注数据集和所述所有输出分值构建训练数据集；利用所述训练数据集对初始图像质量预测模型进行训练，获取目标图像质量预测模型，其中，所述初始图像质量预测模型包括：图像特征提取模块
、
结果特征提取模块
、
特征融合模块以及图像质量分数预测模块
。
[0007]本申请的一些实施例通过将获取标注数据集后从多个图像质量公开模型中获取最优图像质量模型的所有输出分值与标注数据集共同作为训练数据集，对初始图像质量预测模型进行训练得到目标图像质量预测模型
。
本申请的一些实施例可以降低数据标注成本的前提下构建满足要求的训练数据集，实现对图像质量预测模型的准确训练，保证了后续图像质量预测的准确度
。
[0008]在一些实施例，所述利用标注数据集从多个图像质量公开模型中选择出最优图像质量模型，包括：将所述每个样本图像分别输入至所述多个图像质量公开模型的每个图像质量公开模型中，得到所述每个图像质量公开模型输出结果；对所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值进行相似度计算，确定相似度值；将所述相似度值中的最大值对应的图像质量公开模型作为所述最优图像质量模型
。
[0009]本申请的一些实施例通过标注数据集可以从多个图像质量公开模型中选择出最优图像质量模型，为构建准确且丰富的训练数据集提供支持
。
[0010]在一些实施例，所述对所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值进行相似度计算，确定相似度值，包括：计算所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值之间的每个样本差值；将所述每个样本差值与预设阈值对比，确定所述每个图像质量公开模型的正样本图像数据和负样本图像数据；计算所述正样本图像数据在所述多个样本图像中的占比，得到所述相似度值
。
[0011]本申请的一些实施例通过将每个图像质量公开模型输出结果与其对应的标注分值进行计算和处理，得到相似度值，可以为选择最优图像质量模型提供准确的依据
。
[0012]在一些实施例，所述利用所述训练数据集对初始图像质量预测模型进行训练，获取目标图像质量预测模型，包括：将所述多个样本图像输入至所述图像特征提取模块，得到图像特征，并将所述所有输出分值输入至所述结果特征提取模块，得到结果嵌入特征；将所述图像特征和所述结果嵌入特征融合，获取目标融合特征；将所述目标融合特征输入至所述图像质量分数预测模块，得到预测分值；利用损失函数对所述预测分值和所述标注分值进行计算得到的损失值，对所述初始图像质量预测模型进行优化，确定所述目标图像质量预测模型
。
[0013]本申请的一些实施例通过多个样本图像和所有输出分值输入至对应的模块后，得到目标融合特征，之后通过目标融合特征可以对图像质量分数预测模块进行训练和优化，得到目标图像质量预测模型
。
本申请实施例可以在降低数据标注成本的前提下构建满足要求的训练数据集，实现对图像质量预测模型的准确训练
。
[0014]在一些实施例，所述将所述图像特征和所述结果嵌入特征融合，获取目标融合特征，包括：将所述图像特征经过设定尺寸卷积加权后的结果与所述结果嵌入特征经过设定尺寸卷积加权后的结果进行拼接计算，得到初步融合特征；对所述初步融合特征进行计算，确定图像索引特征矩阵
、
图像查询特征矩阵和图像内容特征矩阵；将所述图像索引特征矩阵的转置矩阵与所述图像查询特征矩阵点乘得到中间融合特征；对所述中间融合特征进行计算，得到注意力权重；将所述注意力权重与所述图像内容特征矩阵点乘得到所述目标融合特征
。
[0015]本申请的一些实施例通过对图像特征和结果嵌入特征进行计算和处理，得到目标融合特征，为图像质量分数预测模块的训练提供数据支持
。
[0016]在一些实施例，所述结果特征提取模块的节点数为目标值，其中，所述利用所述训练数据集对初始图像质量预测模型进行训练，获取目标图像质量预测模型，包括：循环执行如下操作，直至
i
＞
N
时结束输出
N
个待测试图像质量预测模型：利用所述训练数据集对所述初始图像质量预测模型进行训练，输出第
i
待测试图像质量预测模型，并令
i
＝
i+1
；利用测试数据集对所述
N
个待测试图像质量预测模型进行测试，得到
N
个测试结果；通过所述
N
个测试结果确定所述目标值；将所述目标值对应的待测试图像质量预测模型作为所述目标图像质量预测模型
。
[0017]本申请的一些实施例通过训练得到多个待测试图像质量预测模型，进而从中选择出目标图像质量预测模型，可以确保模型训练的准确度
。
[0018]在一些实施例，所述获取标注数据集，包括：获取采集到的所述每个样本图像的图
像风格分值
、
图像构图分值以及图像细节分值；将所述图像风格分值
、
所述图像构图分值以及所述图像细节分值分别与对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种训练图像质量预测模型的方法，其特征在于，包括：获取标注数据集，其中，所述标注数据集中包括：多个样本图像以及所述多个样本图像中每个样本图像对应的标注分值；利用标注数据集从多个图像质量公开模型中选择出最优图像质量模型；获取将所述每个样本图像输入到所述最优图像质量模型得到的所有输出分值；通过所述标注数据集和所述所有输出分值构建训练数据集；利用所述训练数据集对初始图像质量预测模型进行训练，获取目标图像质量预测模型，其中，所述初始图像质量预测模型包括：图像特征提取模块
、
结果特征提取模块
、
特征融合模块以及图像质量分数预测模块
。2.
如权利要求1所述的方法，其特征在于，所述利用标注数据集从多个图像质量公开模型中选择出最优图像质量模型，包括：将所述每个样本图像分别输入至所述多个图像质量公开模型的每个图像质量公开模型中，得到所述每个图像质量公开模型输出结果；对所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值进行相似度计算，确定相似度值；将所述相似度值中的最大值对应的图像质量公开模型作为所述最优图像质量模型
。3.
如权利要求2所述的方法，其特征在于，所述对所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值进行相似度计算，确定相似度值，包括：计算所述每个图像质量公开模型输出结果与所述每个样本图像对应的标注分值之间的每个样本差值；将所述每个样本差值与预设阈值对比，确定所述每个图像质量公开模型的正样本图像数据和负样本图像数据；计算所述正样本图像数据在所述多个样本图像中的占比，得到所述相似度值
。4.
如权利要求1所述的方法，其特征在于，所述利用所述训练数据集对初始图像质量预测模型进行训练，获取目标图像质量预测模型，包括：将所述多个样本图像输入至所述图像特征提取模块，得到图像特征，并将所述所有输出分值输入至所述结果特征提取模块，得到结果嵌入特征；将所述图像特征和所述结果嵌入特征融合，获取目标融合特征；将所述目标融合特征输入至所述图像质量分数预测模块，得到预测分值；利用损失函数对所述预测分值和所述标注分值进行计算得到的损失值，对所述初始图像质量预测模型进行优化，确定所述目标图像质量预测模型
。5.
如权利要求4所述的方法，其特征在于，所述将所述图像特征和所述结果嵌入特征融合，获取目标融合特征，包括：将所述图像特征经过设定尺寸卷积加权后的结果与所述结果嵌入特征经过设定尺寸卷积加权后的结果进行拼接计算，得到初步融合特征；对所述初步融合特征进行计算，确定图像索引特征矩阵
、
图像查询特征矩阵和图像内容特征矩阵；将所述图像索引特征矩阵的转置矩阵与所述图像查询特征矩阵点乘得到中间融合特征；
对所述中间融合特征进行计算，得到注意力权重；将所述注意力权重与所述图像内容特征矩阵点乘得到所述目标融合特征
...

【专利技术属性】
技术研发人员：张旭龙，胡少卿，于文韬，柴智，
申请(专利权)人：上海乐元素世界科技有限公司，
类型：发明
国别省市：