【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种图像处理模型的训练与图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、随着图像处理技术的不断发展，深度学习的神经网络模型已成为主流的图像处理技术。
2、然而，在手机等移动终端摄影的情况下，神经网络模型需要部署在端侧运行，由于模型推理耗时、参数量等限制，模型的学习能力有限，因而在处理深度信息复杂的图像数据时，难以恢复出自然的细节。
技术实现思路
1、本申请实施例提供了一种图像处理模型的训练与图像处理方法、装置、电子设备、计算机可读存储介质，能够通过目标生成器模型，保留图像数据的复杂光影、景深等复杂深度信息。
2、第一方面，本申请提供了一种图像处理模型的训练方法，所述方法包括：
3、基于待训练生成器模型，对初始图像数据进行超分处理，得到超分图像数据；所述超分图像数据的分辨率大于所述初始图像数据的分辨率；
4、根据所述超分图像数据与所述初始图像数据之间的深度差异，确定所述待训练生成器
【技术保护点】
1.一种图像处理模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述超分图像数据与所述初始图像数据之间的深度差异，确定所述待训练生成器模型的深度损失，包括：
3.根据权利要求2所述的方法，其特征在于，所述多个尺度的初始深度特征包括初始像素深度特征和初始区域深度特征，所述多个尺度的超分深度特征包括超分像素深度特征和超分区域深度特征；
4.根据权利要求3所述的方法，其特征在于，所述初始像素深度特征与所述超分像素深度特征，是通过深度估计网络检测的；所述深度估计网络的权重是固定的，或者，所述深度...
【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述超分图像数据与所述初始图像数据之间的深度差异，确定所述待训练生成器模型的深度损失，包括：
3.根据权利要求2所述的方法，其特征在于，所述多个尺度的初始深度特征包括初始像素深度特征和初始区域深度特征，所述多个尺度的超分深度特征包括超分像素深度特征和超分区域深度特征；
4.根据权利要求3所述的方法，其特征在于，所述初始像素深度特征与所述超分像素深度特征，是通过深度估计网络检测的；所述深度估计网络的权重是固定的，或者，所述深度估计网络的权重是可更新的。
5.根据权利要求3所述的方法，其特征在于，所述初始区域深度特征包括初始局部深度特征，所述超分区域深度特征包括超分局部深度特征；
6.根据权利要求3所述的方法，其特征在于，所述初始区域深度特征包括初始全局深度特征，所述超分区域深度特征包括超分全局深度特征；
7.根据权利要求3所述的方法，其特征在于，所述对所述初始图像数据进行深度检测，得到所述初始像素深度特征，包括：
8.根据权利要求2所述的方法，其特征在于，所述多个尺度的初始深度特征包括初始像素深度特征和初始局部深度特征，所述多个尺度的超分深度特征包括超分像素深度特征和超分局部深度特征，各个所述尺度的深度损失包括像素深度损失和局部深度损失；
9.根据权利要求2所述的方法，其特征在于，所述多个尺度的初始深度特征包括初始全局深度特征，所述多个尺度的超分深度特征包括超分全局深度特征，...
【专利技术属性】
技术研发人员：周玮，武超雄，
申请(专利权)人：OPPO广东移动通信有限公司，
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。