[发明专利]网络模型的训练方法、图像处理方法及其相关设备

说明书

本申请提供了一种网络模型的训练方法、图像处理方法及其相关设备，涉及图像技术领域，该网络模型的训练方法包括：获取第一训练图像对；利用第一训练图像对，对初始生成器进行训练，得到中间生成器；获取第二训练图像对；利用第一训练图像对和第二训练图像对，对初始网络模型进行训练，得到第一目标网络模型。本申请利用深度学习的方法，通过联合进行去马赛克、降噪和超分，在将RAW域的图像转换为RGB域的图像的过程中，以实现降低噪声、减少鬼影、提升图像的清晰度的目的。

技术领域

本申请涉及图像处理领域，尤其涉及一种网络模型的训练方法、图像处理方法及其相关设备。

背景技术

随着电子设备的广泛使用，使用电子设备进行拍照已经成为人们生活中的一种日常行为方式。以电子设备为手机为例，随之出现了各种提升图像质量的技术，例如：去马赛克(demosaic)、降噪(denoise)、超分(super-resolution，SR)等。

现有技术中，针对手机获取的原始图像，即位于RAW域的图像，通常会先进行降噪和超分，然后进行去马赛克。但是，上述方案存在降噪能力差，处理后的图像具有鬼影(antific)等问题。因此，亟待一种新的图像处理方法，来有效提高获取的图像的质量。

发明内容

本申请提供一种网络模型的训练方法、图像处理方法及其相关设备，利用深度学习的方法，通过联合进行去马赛克、降噪和超分，在将RAW域的图像转换为RGB域的图像的过程中，以实现降低噪声、减少鬼影、提升图像的清晰度的目的。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种网络模型的训练方法，该方法包括：获取第一训练图像对，第一训练图像对包括彩色训练图像和与彩色训练图像对应的第二训练图像；利用第一训练图像对，对初始生成器进行训练，得到中间生成器；获取第二训练图像对，第二训练图像对包括第一原始图像和配准后的第二彩色图像；利用第一训练图像对和所述第二训练图像对，对初始网络模型进行训练，得到第一目标网络模型，其中，初始网络模型包括中间生成器和判别器。

本申请实施例提供了一种网络模型的训练方法，不仅构建了一个包括中间生成器和判别器的初始网络模型，还利用新的训练数据构成方法，生成接近真实数据的第二训练图像对，并利用第一训练图像对和第二训练图像对，来训练初始网络模型，从而可以得到能联合实现去马赛克、降噪、超分，以及从RAW域转换为RGB域，并且拟合能力强、处理效果好的第一目标网络模型。

在第一方面一种可能的实现方式中，获取第一训练图像对，包括：获取彩色训练图像；对彩色训练图像进行退化处理，得到位于RAW域的第一训练图像；对第一训练图像增加噪声，得到第二训练图像；将彩色训练图像和第二训练图像进行配对，得到一组第一训练图像对。在该实现方式中，通过将彩色训练图像退化成干净的拜尔格式图像，即，位于RAW域的第一训练图像，并在第一训练图像中增加噪声，以模仿真实处理过程中的输入图像，从而可以减小与真实数据之间误差，使得后续利用第一训练图像对训练模型时，可以提高模型的训练效果。

在第一方面一种可能的实现方式中，利用第一训练图像对，对初始生成器进行训练，得到中间生成器，包括：将第一训练图像对中的第二训练图像输入初始生成器进行处理，得到位于RGB域的第三训练图像；利用平均绝对误差公式，确定彩色训练图像和第三训练图像之间的第一平均绝对误差损失值；根据第一平均绝对误差损失值调整初始生成器，得到中间生成器。在该实现方式中，利用第一训练图像对中的第二训练图像和彩色训练图像对初始生成器进行训练，可以使得生成的中间生成器能够对位于RAW域的输入图像进行去马赛克和降噪处理，进而可以使得中间生成器在后续使用过程中，减少误差累积，降低鬼影出现。