面向图像增强模型的损失函数构建方法技术

本发明专利技术公开了一种面向图像增强模型的损失函数构建方法

【技术实现步骤摘要】
面向图像增强模型的损失函数构建方法、存储介质及装置


[0001]本专利技术涉及图像处理领域，具体涉及一种面向图像增强模型的损失函数构建方法
、
存储介质及装置
。

技术介绍

[0002]图像处理在当前已取得了长远深刻的变革与发展，以高自动化智能化为代表的视觉任务被广泛提出与研究
。
在此背景下，面向户外场景多种气候环境下的图像增强技术，包括图像去噪
、
有雨图像去雨等，成为人工智能
、
智能驾驶领域中应用发展最为迅猛
、
应用最为广泛的技术之一，具有重要的研究和应用价值
。
图像增强技术在通过算法模型，对恶劣天气环境下拍摄到的图像进行处理，去除图像中的天气噪音，如雨水，雪花等，从而输出高质量的图像
。
[0003]然而，现阶段图像增强
的主流算法都是以有监督或半监督的方式进行模型训练与优化，而在监督学习中，损失函数的构建至关重要，直接影响到模型的工作性能
。
因此，如何进行损失函数的构建以提升图像增强模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向图像增强模型的损失函数构建方法，其特征在于，具体包括以下步骤：基于低质
‑
高质图像对生成多个初步低质图像，并在生成的初步低质图像中添加随机的
mask
，以生成多个低质图像；根据生成的低质图像
、
低质
‑
高质图像对中的高质图像，以及图像增强模型输出的图像结果，构建得到多个三元组并进行分组；对每组三元组均构建得到损失函数，通过构建的损失函数及当前损失函数对应的三元组对图像增强模型进行分阶段训练
。2.
如权利要求1所述的一种面向图像增强模型的损失函数构建方法，其特征在于：所述基于低质
‑
高质图像对生成多个初步低质图像，具体的生成方式为：其中，
ILP
i
表示生成的第
i
个初步低质图像，
i∈[1,n]
，
n
表示生成的初步低质图像的总个数，
Img
d
表示低质
‑
高质图像对中的低质图像，
Img
g
表示低质
‑
高质图像对中的高质图像；所述在生成的初步低质图像中添加随机的
mask
，以生成多个低质图像，具体的生成方式为：
ILM
i
＝
ILP
i
+RandomMask(p(i),s)
其中，
ILM
i
表示生成的第
i
个低质图像，
RandomMask(p(i),s)
表示在
ILP
i
中，以概率
p(i)
生成大小为
s
×
s
的
mask
，
q∈(0,1]
，
q
为控制
p(i)
尺度的超参数
。3.
如权利要求2所述的一种面向图像增强模型的损失函数构建方法，其特征在于，所述根据生成的低质图像
、
低质
‑
高质图像对中的高质图像，以及图像增强模型输出的图像结果，构建得到多个三元组并进行分组，具体步骤包括：根据生成的低质图像
ILM
i
、
低质
‑
高质图像对中的高质图像
Img
g
，以及图像增强模型输出的图像结果
Img
a
，构建得到
n
个三元组
{Img
a
,Img
g
,ILM
i
}
；将生成的
n
个三元组
{Img
a
,Img
g
,ILM
i
}
分为3组，分别为：组，分别为：组，分别为：
4.
如权利要求3所述的一种面向图像增强模型的损失函数构建方法，其特征在于，所述对每组三元组均构建得到损失函数，具体步骤包括：对分组后得到的3组三元组均对应进行损失函数构建，得到3个损失函数，其中，构建得到的损失函数为：
tL
i
(Img
a
,Img
g
,ILM
i
)
＝
max(M
i
+d(Img
a
,Img
g
)
‑
d(Img
a
,ILM
i
),0)
其中，
tL
i
表示损失函数，
M
i
表示中间参数，
M
o
Mo
表示控制边界大小的超参数，
d
是自定义的用于衡量两幅图像相似度的函数，
d
越大表示两幅图像越相似
。5.
如权利要求4所述的一种面向图像增强模型的损失函数构建方法，其特征在于，对于
d
的定...

【专利技术属性】
技术研发人员：朱玟谦，刘会凯，张澳，刘程，杨颖，
申请(专利权)人：岚图汽车科技有限公司，
类型：发明
国别省市：