[发明专利]图像处理模型的训练方法、图像处理方法、装置及设备

说明书

本公开提供了一种图像处理模型的训练方法，涉及深度学习领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体实现方案为：将第一图像的图像数据输入N级升采样单元中的第1级升采样单元，得到第i级升采样单元输出的第i级第二图像的图像数据；将第i级第二图像的图像数据输入N级降采样单元中的第N‑i级降采样单元，得到第N‑i级训练图像的图像数据；以及根据N级训练图像的图像数据和N级第二图像的图像数据，调整多个第一卷积层的卷积核参数和多个第二卷积层的卷积核参数。本公开还提供一种图像处理方法、一种图像处理模型的训练装置、一种图像处理装置、一种电子设备、一种非瞬时性计算机可读存储介质。

技术领域

本公开涉及深度学习技术领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体涉及一种图像处理模型的训练方法、图像处理方法、装置及设备。

背景技术

图像超分辨率处理以低分辨率的图像为输入，以有效的高质量的高分辨率图像为期望输出。图像超分辨率处理目前可以采用基于插值的实现方式、基于传统机器学习的实现方式、基于深度学习的实现方式。

发明内容

本公开提供了一种用于图像处理模型的训练方法、图像处理方法、装置及设备。

根据本公开的一方面，提供了一种图像处理模型的训练方法，上述方法包括：将第一图像的图像数据输入N级升采样单元中的第1级升采样单元，得到第i级升采样单元输出的第i级第二图像的图像数据，i＝2，......，N-1，其中N为大于1的整数，其中每级升采样单元包括多个第一卷积层；将上述第i级第二图像的图像数据输入N级降采样单元中的第N-i级降采样单元，得到第N-i级训练图像的图像数据，其中每级降采样单元包括多个第二卷积层；以及根据上述N级训练图像的图像数据和上述N级第二图像的图像数据，调整上述多个第一卷积层的卷积核参数和上述多个第二卷积层的卷积核参数。

根据本公开的另一方面，提供了一种图像处理方法，包括：获取待处理图像的图像数据；以及利用图像处理模型处理上述待处理图像的图像数据，得到超分辨图像的图像数据，其中，待处理图像的分辨率低于超分辨图像的分辨率；上述图像处理模型是利用本公开实施例提供的方法训练的。

根据本公开的另一方面，提供了一种图像处理模型的训练装置，上述装置包括：第一输入模块，用于将第一图像的图像数据输入N级升采样单元中的第1级升采样单元，得到第i级升采样单元输出的第i级第二图像的图像数据，i＝2，......，N-1，其中N为大于1的整数，其中每级升采样单元包括多个第一卷积层；第二输入模块，用于将上述第i级第二图像的图像数据输入上述N级降采样单元中的第N-i级降采样单元，得到第N-i级训练图像的图像数据，其中每级降采样单元包括多个第二卷积层；以及调整模块，用于根据上述N级训练图像的图像数据和上述N级第二图像的图像数据，调整上述多个第一卷积层的卷积核参数和上述多个第二卷积层的卷积核参数。

根据本公开的另一方面，提供了一种图像处理装置，包括：获取模块，用于获取待处理图像的图像数据；以及处理模块，用于利用图像处理模型处理上述待处理图像的图像数据，得到超分辨图像的图像数据，其中，待处理图像的分辨率低于超分辨图像的分辨率；其中，上述图像处理模型是利用本公开实施例提供的方法训练的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行本公开实施例提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现本公开实施例提供的方法。