基于Transformer增量递补的图像处理方法技术

本发明专利技术涉及一种基于Transformer增量递补的图像处理方法，利用Transformer模型对原始图像做递进式图像生成以得到多个迭代式图像，一旦最后一个迭代步骤生成的迭代图像被检测判断为不满足预设图像质量检测要求，将该最后一个迭代步骤的前一个迭代步骤作为目标迭代步骤，且将该最后一个迭代步骤生成的迭代图像作为目标迭代步骤的前一个迭代步骤的替换后迭代图像，再利用Transformer模型对该替换后迭代图像做递进式生成，直到经多次迭代生成后，最后一个迭代步骤生成的迭代式图像满足预设图像质量检测要求。如此，在利用Transformer模型对迭代图像做递进式生成过程中，充分利用各迭代图像对应迭代步骤之间的位置关联关系，确保生成迭代图像的图像质量，提升图像清晰度等图像细节。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，尤其涉及一种基于transformer增量递补的图像处理方法。

技术介绍

1、transformer模型作为一种基于自注意力机制的深度学习模型，其通过引入自注意力机制和多头注意力机制，能够对序列数据进行并行处理，准确学习到描述词中长距离的关联关系，以显著提高自然语言处理任务的性能,提高计算效率。当然，transformer模型还通过位置编码解决无法利用位置信息的问题，并通过残差连接和层标准化技术简化模型并加速训练。当前，transformer模型已经被广泛地应用到自然语言翻译、文本生成、语音识别和图像处理等领域。

2、在图像处理领域，transformer模型的核心是自注意力机制，这种机制能够捕捉输入序列中不同位置之间的依赖关系。当处理图像数据时，transformer模型能够识别并理解图像中不同部分之间的联系，从而更准确地解释和预测图像内容。相比传统的循环神经网络(rnn)和卷积神经网络(cnn)，transformer模型具有更强的并行计算能力，这使得transformer模型在处理大规模数据时更加高效，适用于处本文档来自技高网...

【技术保护点】

1.基于Transformer增量递补的图像处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于Transformer增量递补的图像处理方法，其特征在于，所述预设图像质量检测要求为图像清晰度要求或者图像风格要求。

3.根据权利要求1所述的基于Transformer增量递补的图像处理方法，其特征在于，在步骤2，中，利用DKD损失和ER校准策略对迭代图像做图像质量检测判断，以检测出所有满足图像要求的迭代图像，且由检测出的所有迭代图像形成高质量图像集合。

4.根据权利要求3所述的基于Transformer增量递补的图像处理方法，其特征在于，利用...

【技术特征摘要】

1.基于transformer增量递补的图像处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于transformer增量递补的图像处理方法，其特征在于，所述预设图像质量检测要求为图像清晰度要求或者图像风格要求。

3.根据权利要求1所述的基于transformer增量递补的图像处理方法，其特征在于，在步骤2，中，利用dkd损失和er校准策略对迭代图像做图像质量检测判断，以检测出所有满足图像要求的迭代图像，且由检测出的所有迭代图像形成高质量图像集合。

4.根据权利要求3所述的基于transformer增量递补的图像处理方法，其特征在于，利用多模态模型分别处理所述高...

【专利技术属性】
技术研发人员：徐少勇，黄培建，吴石松，马旭文，
申请(专利权)人：宁波广慧传媒科技有限公司，
类型：发明
国别省市：