【技术实现步骤摘要】
本申请涉及计算机，具体涉及一种模型生成方法、装置、计算机设备及计算机可读存储介质。
技术介绍
1、随着深度学习技术的发展，涌现出了大量的画质改善方案。对于画质类任务而言，由于画质的好坏存在过多的主观性，导致数据标注的难度极大，因此，现有画质类任务(如图像超分、降噪)通常采用人工合成的方式构建训练数据集，并基于构建出的训练数据集生成图像复原模型。为了增强模型的泛化性，现有方法需要采用非常大的退化空间构建训练数据集，导致现有模型生成方法无法应用于小容量模型。
2、因此，现有技术还有待改进和发展。
技术实现思路
1、本申请实施例提供一种模型生成方法、装置、计算机设备及计算机可读存储介质，旨在解决现有模型生成方法无法应用于小容量模型的问题。
2、本专利技术解决问题所采用的技术方案如下：
3、一方面，本申请提供一种模型生成方法，包括：
4、获取多张第一图像及多张第二图像；第二图像的分辨率大于第一图像的分辨率；
5、基于多张第一图像及预先训练的退化预测模型，确定多张第一图像的第一数据集；
6、基于第一数据集及多张第二图像，构建训练数据集；
7、基于训练数据集对预设的第一网络模型进行训练，生成目标模型。
8、在本申请一些实施方案中，基于多张第一图像及预先训练的退化预测模型，确定多张第一图像的第一数据集，包括：
9、将多张第一图像输入预先训练的退化预测模型，通过退化预测模型输出每张第一图像的
10、基于第一退化参数信息，确定多张第一图像的第一数据集。
11、在本申请一些实施方案中，基于多张第一图像及预先训练的退化预测模型，确定多张第一图像的第一数据集之前，方法还包括：
12、对获取的多张第三图像分别进行退化处理，得到每张第三图像的第一退化图像及第一退化图像的第二退化参数信息；其中，第二退化参数信息为将每张第三图像退化为第一退化图像所采用的退化参数信息；
13、基于多张第三图像、第一退化图像及第二退化参数信息对预设的第二网络模型进行训练，得到预先训练的退化预测模型。
14、在本申请一些实施方案中，基于多张第三图像、第一退化图像及第二退化参数信息对预设的第二网络模型进行训练，得到预先训练的退化预测模型，包括：
15、将第一退化图像输入预设的第二网络模型，通过第二网络模型输出第一退化图像的预测退化参数信息；
16、将第一退化图像及预测退化参数信息输入预设的第三网络模型，通过第三网络模型输出第一退化图像的第一复原图像；
17、基于第二退化参数信息、预测退化参数信息、第二网络模型的损失函数、多张第三图像、第一复原图像及第三网络模型的损失函数对第二网络模型进行训练，得到预先训练的退化预测模型。
18、在本申请一些实施方案中，基于第一数据集及多张第二图像，构建训练数据集，包括：
19、基于第一数据集对多张第二图像进行退化处理，得到每张第二图像的第二退化图像及第二退化图像的第三退化参数信息；其中，第三退化参数信息为将每张第二图像退化为第二退化图像所采用的退化参数信息；
20、基于多张第二图像、第二退化图像及第三退化参数信息，构建训练数据集。
21、在本申请一些实施方案中，基于训练数据集对预设的第一网络模型进行训练，生成目标模型，包括：
22、将第二退化图像及第三退化参数信息输入预设的第一网络模型，通过第一网络模型输出第二退化图像的第二复原图像；
23、基于第二复原图像、多张第二图像及第一网络模型的损失函数对第一网络模型进行训练，生成目标模型。
24、在本申请一些实施方案中，第一网络模型包括依次级联的第一特征提取模块、特征增强模块、特征调制模块、第二特征提取模块、特征融合模块及重建模块；
25、将第二退化图像及第三退化参数信息输入预设的第一网络模型，通过第一网络模型输出第二退化图像的第二复原图像，包括：
26、将第二退化图像输入第一特征提取模块，通过第一特征提取模块对第二退化图像进行特征提取，得到第一特征图；
27、将第一特征图输入特征增强模块，通过特征增强模块对第一特征图进行特征增强，得到第二特征图；
28、将第二特征图及第三退化参数信息输入特征调制模块，通过特征调制模块基于第三退化参数信息对第二特征图进行特征调制，得到调制特征图；
29、将调制特征图输入第二特征提取模块，通过第二特征提取模块对调制特征图进行特征提取，得到第三特征图；
30、将第三特征图及第一特征图输入特征融合模块，通过特征融合模块对第三特征图和第一特征图进行特征融合，得到融合特征图；
31、将融合特征图输入重建模块，通过重建模块输出第二退化图像的第二复原图像。
32、第二方面，本专利技术实施例还提供一种模型生成装置，包括：
33、图像获取单元，用于获取多张第一图像及多张第二图像；第二图像的分辨率大于第一图像的分辨率；
34、第一确定单元，用于基于多张第一图像及预先训练的退化预测模型，确定多张第一图像的第一数据集；
35、数据构建单元，用于基于第一数据集及多张第二图像，构建训练数据集；
36、模型生成单元，用于基于训练数据集对预设的第一网络模型进行训练，生成目标模型。
37、第三方面，本申请还提供一种计算机设备，计算机设备包括：
38、一个或多个处理器；
39、存储器；以及
40、一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现第一方面中任一项的模型生成方法。
41、第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行第一方面中任一项的模型生成方法中的步骤。
42、本专利技术的有益效果：基于多张第一图像及预先训练的退化预测模型确定第一数据集，并基于第一数据集构建训练数据集，由于真实场景的退化空间的约束，无需采用非常大的退化空间即可构建出覆盖真实场景的训练数据集，使得模型生成方法可以应用于小容量模型，并且由于构建的训练数据集覆盖真实场景，基于训练数据集生成目标模型在真实场景具有更佳的泛化性。
本文档来自技高网...【技术保护点】
1.一种模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多张所述第一图像及预先训练的退化预测模型，确定多张所述第一图像的第一数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于多张所述第一图像及预先训练的退化预测模型，确定多张所述第一图像的第一数据集之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述基于多张所述第三图像、所述第一退化图像及所述第二退化参数信息对预设的第二网络模型进行训练，得到预先训练的退化预测模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集及多张所述第二图像，构建训练数据集，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述训练数据集对预设的第一网络模型进行训练，生成目标模型，包括：
7.根据权利要求6所述的方法，其特征在于，所述第一网络模型包括依次级联的第一特征提取模块、特征增强模块、特征调制模块、第二特征提取模块、特征融合模块及重建模块；
8.一种模型生成装置，其特征
9.一种计算机设备，其特征在于，所述计算机设备包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的模型生成方法中的步骤。
...【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多张所述第一图像及预先训练的退化预测模型，确定多张所述第一图像的第一数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于多张所述第一图像及预先训练的退化预测模型，确定多张所述第一图像的第一数据集之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述基于多张所述第三图像、所述第一退化图像及所述第二退化参数信息对预设的第二网络模型进行训练，得到预先训练的退化预测模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集及多张所述...
【专利技术属性】
技术研发人员：王树朋，刘阳兴，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
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。