CN110648293A - 图像修复方法、装置及电子设备 - Google Patents
图像修复方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110648293A CN110648293A CN201910891323.7A CN201910891323A CN110648293A CN 110648293 A CN110648293 A CN 110648293A CN 201910891323 A CN201910891323 A CN 201910891323A CN 110648293 A CN110648293 A CN 110648293A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hidden layer
- convolutional neural
- image
- dimensional hidden
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 165
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 26
- 238000010606 normalization Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请公开了图像修复方法及装置，涉及计算机技术领域，尤其涉及图像处理。具体实现方案为：采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；采用所述第一卷积神经网络的解码层对所述第一高维隐层向量进行解码，获得第二高维隐层向量；将所述第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对所述第三高维隐层向量进行解码，获得第四高维隐层向量；所述第三高维隐层向量为所述第二卷积神经网络的编码层对所述待修复图像进行编码获得的；根据所述第四高维隐层向量，获得修复的图像。本申请实施例能够提高图像修复的准确性。
Description
技术领域
本申请涉及一种计算机技术领域，尤其涉及一种图像处理领域，提供一种图像修复方法、装置及电子设备。
背景技术
图像修复是一种在缺块的图片中合成语义正确、看起来真实的内容的技术。图像修复技术应用广泛，常常可用于去除图片中不需要的物体、修复图像中受损的部分。
随着计算机技术的发展，图像修复在各个领域的需求也越来越多，然而目前的图像修复技术，修复效果有限，常常难以满足用户对图像修复效果的需求。
发明内容
为了解决现有技术中的至少一个问题，本申请提供一种图像修复方法及装置。
第一方面，本申请实施例提供一种图像修复方法，包括：
采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；
采用第一卷积神经网络的解码层对第一高维隐层向量进行解码，获得第二高维隐层向量；
将第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对第三高维隐层向量进行解码，获得第四高维隐层向量；第三高维隐层向量为第二卷积神经网络的编码层对待修复图像进行编码获得的；
根据第四高维隐层向量，获得修复的图像。
本申请实施例中，采用两个卷积神经网络对待修复图像进行修复，采用其中一个卷积神经网络解码图像时输出的高维隐层向量，指导另一个卷积神经网络的图像掩膜解码，能够在多个阶段、基于多个尺度进行图像的修复，改善图像修复效果。
在一种实施方式中，采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量之前，还包括：
采用第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；
采用第一卷积神经网络的解码层对第五高维隐层向量进行解码，获得第六高维隐层向量；
将第六高维隐层向量加入第七高维隐层向量中，采用第二卷积神经网络的解码层对第七高维隐层向量进行解码，获得第八高维隐层向量；第七高维隐层向量为卷积神经网络的编码层对样本图像进行编码获得的；
根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络；第一训练图像根据第六高维隐层向量获得，第二训练图像根据第八高维隐层向量获得。
在本申请实施例中，训练阶段对第一卷积神经网络和第二卷积神经网络同时进行训练，能够同时提高第一卷积神经网络的参考信息的有效性和第二卷积神经网络的修复图像的修复效果。
在一种实施方式中，根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络，包括：
根据第一训练图像和参考图像获得第一损失值；根据第二训练图像和参考图像获得第二损失值；
将第一损失值和第二损失值相加，获得第三损失值；
根据第三损失值优化第一卷积神经网络和第二卷积神经网络。
在本申请实施例中，考虑到第一卷积神经网络和第二卷积神经网络修复图像时的输入数据略有差异，二者修复图像的效果也有所不同。在优化时结合两者的修复效果同对第一卷积神经网络和第二卷积神经网络进行优化，不仅能够提高第二卷积神经网络修复图像的效果，还能够提高第一卷积神经网络修复图像的效果，从多个维度改善图像修复效果。
在一种实施方式中，第一卷积神经网络为U-Net卷积神经网络，第二卷积神经网络为U-Net卷积神经网络。
采用U-Net卷积神经网络对图像进行修复，模型能够在训练过程中学习到图像中的语义信息，对于结构化较强的图像，如人脸、场景、物体等内容类别的图像的修复，能够取得较好的效果。
第二方面，本申请提供一种图像修复装置，包括：
第一编码模块：用于采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；
第一解码模块：用于采用第一卷积神经网络的解码层对第一高维隐层向量进行解码，获得第二高维隐层向量；
第二解码模块：用于将第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对第三高维隐层向量进行解码，获得第四高维隐层向量；第三高维隐层向量为第二卷积神经网络的编码层对待修复图像进行编码获得的；
修复执行模块：用于根据第四高维隐层向量，获得修复的图像。
在一种实施方式中，装置还包括：
第二编码模块：用于采用第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；
第三解码模块：用于采用第一卷积神经网络的解码层对第五高维隐层向量进行解码，获得第六高维隐层向量；
第四解码模块：用于将第六高维隐层向量加入第七高维隐层向量中，采用第二卷积神经网络的解码层对第七高维隐层向量进行解码，获得第八高维隐层向量；第七高维隐层向量为卷积神经网络的编码层对样本图像进行编码获得的；
优化模块：用于根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络；第一训练图像根据第六高维隐层向量获得，第二训练图像根据第八高维隐层向量获得。
在一种实施方式中，优化模块包括：
第一损失值计算单元：用于根据第一训练图像和参考图像获得第一损失值；
第二损失值计算单元：用于根据第二训练图像和参考图像获得第二损失值；
第三损失值计算单元：用于将第一损失值和第二损失值相加，获得第三损失值；
第三损失值利用单元：用于根据第三损失值优化第一卷积神经网络和第二卷积神经网络。
在一种实施方式中，第一卷积神经网络为U-Net卷积神经网络，第二卷积神经网络为U-Net卷积神经网络。
上述申请中的一个实施例具有如下优点或有益效果：能够提高图像修复效果。因为采用双卷积神经网络进行图像修复的技术手段，所以克服了现有技术中图像修复维度少的技术问题，进而达到改善图像修复效果的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的图像修复方法示意图；
图2是根据本申请第二实施例的图像修复方法示意图；
图3是根据本申请第三实施例的图像修复装置示意图；
图4是根据本申请第四实施例的图像修复装置示意图；
图5是根据本申请第五实施例的图像修复模型架构示意图；
图6是用来实现本申请实施例的图像修复方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请实施例首先提供一种图像修复方法，如图1所示，包括：
步骤S11：采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量。
步骤S12：采用第一卷积神经网络的解码层对第一高维隐层向量进行解码，获得第二高维隐层向量。
步骤S13：将第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对第三高维隐层向量进行解码，获得第四高维隐层向量；第三高维隐层向量为第二卷积神经网络的编码层对待修复图像进行编码获得的。
步骤S14：根据第四高维隐层向量，获得修复的图像。
本申请实施例中，采用两个卷积神经网络对待修复图像进行修复，采用其中一个卷积神经网络解码图像时输出的高维隐层向量，指导另一个卷积神经网络的图像掩膜解码，能够在多个阶段、基于多个尺度进行图像的修复，改善图像修复效果。
在本申请实施例中，第一卷积神经网络的结构可以和第二卷积神经网络相同。
在本申请实施例中，第一卷积神经网络可以包括多个编码层和解码层，第一卷积神经网络的每个编码层都各自对应输出第一高维隐层向量，第一卷积神经网络的每个解码层都各自对应输出第二高维隐层向量。第二卷积神经网络可以包括多个编码层和解码层，第二卷积神经网络的每个编码层都各自对应输出对应的第三高维隐层向量，第二卷积神经网络的每个解码层都各自对应输出对应的第四高维隐层向量。
在本申请实施例中，将第二高维隐层向量加入第三高维隐层向量中，可以是指，将第二高维隐层向量将第二卷积神经网络对待修复图像进行编码获得的第三高维隐层向量一起作为解码时的输入量。
在本申请实施例中，根据第四高维隐层向量获得修复的图像，可以是指，对于第二卷积神经网络的最后一个解码层，其输出的第四高维向量为修复的图像。
在一种实施方式中，采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量之前，如图2所示，还包括：
步骤S21：采用第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量。
步骤S22：采用第一卷积神经网络的解码层对第五高维隐层向量进行解码，获得第六高维隐层向量。
步骤S23：将第六高维隐层向量加入第七高维隐层向量中，采用第二卷积神经网络的解码层对第七高维隐层向量进行解码，获得第八高维隐层向量。第七高维隐层向量是第二卷积神经网络对样本图像进行编码获得的。
步骤S24：根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络；第一训练图像根据第六高维隐层向量获得，第二训练图像根据第八高维隐层向量获得。
在本申请实施例中，训练阶段对第一卷积神经网络和第二卷积神经网络同时进行训练，能够同时提高第一卷积神经网络的参考信息的有效性和第二卷积神经网络的修复图像的修复效果。
在本申请实施例中，第一训练图像、第二训练图像分别可以为第一卷积神经网络对样本图像进行修复后的图像和第二卷积神经网络对样本图像进行修复后的图像。参考图像可以为样本图像未缺损的标准图像。在实际操作中，可以对参考图像进行缺损操作，使其部分缺损，将得到的图像作为样本图像。
在一种实施方式中，根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络，包括：
根据第一训练图像和参考图像获得第一损失值；根据第二训练图像和参考图像获得第二损失值；
将第一损失值和第二损失值相加，获得第三损失值；
根据第三损失值优化第一卷积神经网络和第二卷积神经网络。
在本申请实施例中，考虑到第一卷积神经网络和第二卷积神经网络修复图像时的输入数据略有差异，二者修复图像的效果也有所不同。在优化时结合两者的修复效果同对第一卷积神经网络和第二卷积神经网络进行优化，不仅能够提高第二卷积神经网络修复图像的效果，还能够提高第一卷积神经网络修复图像的效果，从多个维度改善图像修复效果。
在本申请实施例中，根据第三损失值优化第一卷积神经网络和第二卷积神经网络可以是指利用第三损失值优化第一卷积神经网络，以及利用第三损失值优化第二卷积神经网络。
在一种实施方式中，第一卷积神经网络为U-Net卷积神经网络，第二卷积神经网络为U-Net卷积神经网络。
采用U-Net卷积神经网络对图像进行修复，模型能够在训练过程中学习到图像中的语义信息，对于结构化较强的图像，如人脸、场景、物体等内容类别的图像的修复，能够取得较好的效果。
在本申请实施例中，第一卷积神经网络的规格与第二卷积神经网络相同。
在本申请实施例中，将待修复图像输入第一卷积神经网络进行编码，获得第一高维隐层向量，包括：
在目标编码层对目标图像掩模进行部分卷积操作，得到第一结果；
在目标编码层对第一结果进行批量归一化操作，得到第二结果；
其中，目标编码层为第一卷积神经网络的一层。当目标编码层为第一卷积神经网络的第一个编码层时，目标图像掩膜为待修复图像的图像掩膜；当目标编码层为第一卷积神经网络的第一个编码层之后的编码层时，目标图像掩膜为上一个编码层作为目标编码层时的第二结果；第一高维隐层向量包括第一结果和第二结果。
在本申请实施例中，通过对待修复图像进行部分卷积操作和批量归一化操作，能够得到待修复图像的高维隐层向量，能够在操作过程中减少缺损像素的个数，最终实现图像修复的效果。
在本申请实施例中，卷积神经网络中包括多个编码层，按照数据传输的方向，待修复图像的图像掩膜数据依次输入第一个编码层、第二个编码层......直到最后一个编码层。在每个编码层中，对待处理的图像数据进行部分卷积操作和批量归一化操作，部分卷积操作的结果一方面输出到编码层的下一个操作单元进行批量归一化操作，另一方面还要输出到对应的解码层。当待修复图像输入卷积神经网络的第一个编码层时，第一个编码层作为目标编码层，对待修复图像的图像掩膜进行部分卷积操作，得到的高维隐层向量为第一结果，第一结果一方面发送到最后一个解码层，另一方面在编码层中进行批量归一化操作处理，得到的高维隐层向量作为第二结果，输出给第二个编码层。第二个编码层作为目标编码层，对第一编码层输出的第二结果对应的图像掩膜进行部分卷积操作，得到第二个编码层的第一结果，一方面输出给第m-1个解码层，另一方面在第二编码层中进行批量归一化操作，得到第二个编码层的第二结构。......如此类推，直到最后一个编码层。其中，m为解码层的数量。m也可以为编码层的数量。
在本申请实施例中，采用第一卷积神经网络的解码层对第一高维隐层向量进行解码，获得第二高维隐层向量，包括：
对目标解码层上一解码层的第三结果、目标解码层对应的编码层的第一结果进行批量归一化操作，得到第四结果；
对进行上采样和部分卷积操作，得到目标解码层的第三结果；
其中，目标解码层为第一卷积神经网络的第n个解码层，对应编码层为第m-n+1个编码层，m为解码层的层数。第二高维隐层向量包括上述第三结果和第四结果。
在本申请实施例中，对第一高维隐层向量和内容类别依次进行批量归一化操作、上采样和部分卷积操作，能够在每一层操作过程中减少缺损像素的个数，最终实现图像修复的效果。
在本申请实施例中，按照数据传输方向排序，当目标解码层为第一卷积神经网络的第一个解码层时，由于目标解码层此时不存在上一解码层，因此不存在目标解码层上一解码层的第三结果。且这种情况下目标解码层对应的编码层为第m个编码层，即最后一个编码层。将最后一个编码层输出的第一结果进行批量归一化操作，得到第四结果。然后对第四结果进行上采样和部分卷积操作，得到第一个解码层的第三结果。
对于第二个解码层，与之对应的编码层为第m-1个编码层。将第一个解码层的第三结果、目标解码层对应的编码层的第一结果第二个解码层中进行批量归一化操作，得到第四结果。继续对第四结果进行上采样和卷积操作，得到第m-1个编码层的第三结果。
按照上述操作依次类推，直到最后一个解码层。根据最后一个解码层的第三结果得到修复的图像。
在本申请实施例中，将第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对第三高维隐层向量进行解码，获得第四高维隐层向量，包括：
将第二高维隐层向量中的第三结果加入相应解码层的第三高维隐层向量的第三结果中。例如，将第一卷积神经网络第一个解码层的第三结果、第二卷积神经网络最后一个编码层的第一结果，在第二卷积神经网络第一个解码层中进行批量归一化操作，得到第二卷积神经网络第一个解码层的第四结果。在第二卷积神经网络的第一个解码层中对第四结果进行上采样和部分卷积操作，得到第一卷积神经网络的第一个解码层的第三结果。将第一卷积神经网络第二个解码层的第三结果、第二卷积神经网络第m-1个编码层的第一结果和第二卷积神经网络第一个解码层的第三结果，在第二卷积神经网络第二个解码层中进行批量归一化操作，得到第二卷积神经网络第二个解码层的第四结果。在第二卷积神经网络的第二个解码层中进行上采样和部分卷积操作，得到第二卷积神经网络的第二个解码层的第三结果。......如此类推，直至第二卷积神经网络的最后一个解码层。m为解码层的数量。第四高维隐层向量包括第三结果和第四结果。第三高维隐层向量的获取方式与第一高维隐层向量类似。
本申请实施例还提供一种图像修复装置，如图3所示，包括：
第一编码模块31：用于采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；
第一解码模块32：用于采用第一卷积神经网络的解码层对第一高维隐层向量进行解码，获得第二高维隐层向量；
第二解码模块33：用于将第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对第三高维隐层向量进行解码，获得第四高维隐层向量；第三高维隐层向量为第二卷积神经网络的编码层对待修复图像进行编码获得的；
修复执行模块34：用于根据第四高维隐层向量，获得修复的图像。
根据图4所示，装置还包括：
第二编码模块41：用于采用第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；
第三解码模块42：用于采用第一卷积神经网络的解码层对第五高维隐层向量进行解码，获得第六高维隐层向量；
第四解码模块43：用于将第六高维隐层向量加入第七高维隐层向量中，采用第二卷积神经网络的解码层对第七高维隐层向量进行解码，获得第八高维隐层向量；第七高维隐层向量为卷积神经网络的编码层对样本图像进行编码获得的；
优化模块44：用于根据第一训练图像、第二训练图像和参考图像优化第一卷积神经网络和第二卷积神经网络；第一训练图像根据第六高维隐层向量获得，第二训练图像根据第八高维隐层向量获得。
在一种实施方式中，优化模块包括：
第一损失值计算单元：用于根据第一训练图像和参考图像获得第一损失值；
第二损失值计算单元：用于根据第二训练图像和参考图像获得第二损失值；
第三损失值计算单元：用于将第一损失值和第二损失值相加，获得第三损失值；
第三损失值利用单元：用于根据第三损失值优化第一卷积神经网络和第二卷积神经网络。
在一种实施方式中，第一卷积神经网络为U-Net卷积神经网络，第二卷积神经网络为U-Net卷积神经网络。
本申请一种示例所提供的双U-Net卷积神经网络结构如图5所示，包括两个U-Net卷积神经网络，分别为第一U-Net卷积神经网络51和第二U-Net卷积神经网络52。从第一U-Net卷积神经网络51的输入端分别输入缺损的待修复图像，待修复图像的图像(Image)掩膜(Mask)在第一U-Net卷积神经网络51的编码层分别经过部分卷积操作(Pconv，PartialConvolutions)和批量归一化(bn，batch normalization)操作，输出第一高维隐层向量。第一高维隐层向量在解码层经过解码经过上采样和部分卷积操作，得到第二高维隐层向量。根据第一U-Net卷积神经网络51最后一个编码层输出的高维隐层向量，能够获得经过第一U-Net修复的图像。在训练阶段，可以根据第一U-Net卷积神经网络修复的图像和待修复图像参考的完整图像计算第一损失值。
从第二U-Net卷积神经网络52的输入端输入缺损的待修复图像，待修复图像的图像掩膜在第二U-Net卷积神经网络52分别经过Pconv操作和bn操作，输出第三高维隐层向量。在解码阶段，对于第二U-Net卷积神经网络的目标解码层，将第二U-Net卷积神经网络52对应的编码层输出的第三高维隐层向量、第二U-Net卷积神经网络52中上一层解码层输出的第四高维隐层向量、在第一U-Net卷积神经网络51中对应的解码层输出的第二高维隐层向量一起进行批量归一化操作，对得到的图像掩膜进行上采样和部分卷积操作，得到新的第四高维隐层向量，输入下一个解码层，当解码层为U-Net卷积神经网络的最后一个解码层时，根据最后一个解码层最终批量归一化操作输出的高维隐层向量获得修复后的图像。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的图像修复方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的图像修复方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像修复方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像修复方法对应的程序指令/模块(例如，附图3所示的第一编码模块31、第一解码模块32、第二解码模块33、修复执行模块34)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像修复方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据图像修复电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至图像修复电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像修复方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与图像修复电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、发光二极管(LightEmitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide AreaNetwork，WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，采用两个卷积神经网络对待修复图像进行修复，采用其中一个卷积神经网络解码图像时输出的高维隐层向量，指导另一个卷积神经网络的图像掩膜解码，能够在多个阶段、基于多个尺度进行图像的修复，改善图像修复效果。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种图像修复方法，其特征在于，包括：
采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；
采用所述第一卷积神经网络的解码层对所述第一高维隐层向量进行解码，获得第二高维隐层向量；
将所述第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对所述第三高维隐层向量进行解码，获得第四高维隐层向量；所述第三高维隐层向量为所述第二卷积神经网络的编码层对所述待修复图像进行编码获得的；
根据所述第四高维隐层向量，获得修复的图像。
2.根据权利要求1所述的方法，其特征在于，采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量之前，还包括：
采用所述第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；
采用所述第一卷积神经网络的解码层对所述第五高维隐层向量进行解码，获得第六高维隐层向量；
将所述第六高维隐层向量加入第七高维隐层向量中，采用所述第二卷积神经网络的解码层对所述第七高维隐层向量进行解码，获得第八高维隐层向量；所述第七高维隐层向量为所述卷积神经网络的编码层对样本图像进行编码获得的；
根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络；所述第一训练图像根据所述第六高维隐层向量获得，所述第二训练图像根据第八高维隐层向量获得。
3.根据权利要求2所述的方法，其特征在于，根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络，包括：
根据所述第一训练图像和所述参考图像获得第一损失值；根据所述第二训练图像和所述参考图像获得第二损失值；
将所述第一损失值和所述第二损失值相加，获得第三损失值；
根据所述第三损失值优化所述第一卷积神经网络和所述第二卷积神经网络。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述第一卷积神经网络为U-Net卷积神经网络，所述第二卷积神经网络为U-Net卷积神经网络。
5.一种图像修复装置，其特征在于，包括：
第一编码模块：用于采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；
第一解码模块：用于采用所述第一卷积神经网络的解码层对所述第一高维隐层向量进行解码，获得第二高维隐层向量；
第二解码模块：用于将所述第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对所述第三高维隐层向量进行解码，获得第四高维隐层向量；所述第三高维隐层向量为所述第二卷积神经网络的编码层对所述待修复图像进行编码获得的；
修复执行模块：用于根据所述第四高维隐层向量，获得修复的图像。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第二编码模块：用于采用所述第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；
第三解码模块：用于采用所述第一卷积神经网络的解码层对所述第五高维隐层向量进行解码，获得第六高维隐层向量；
第四解码模块：用于将所述第六高维隐层向量加入第七高维隐层向量中，采用所述第二卷积神经网络的解码层对所述第七高维隐层向量进行解码，获得第八高维隐层向量；所述第七高维隐层向量为所述卷积神经网络的编码层对样本图像进行编码获得的；
优化模块：用于根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络；所述第一训练图像根据所述第六高维隐层向量获得，所述第二训练图像根据第八高维隐层向量获得。
7.根据权利要求6所述的装置，其特征在于，所述优化模块包括：
第一损失值计算单元：用于根据所述第一训练图像和所述参考图像获得第一损失值；
第二损失值计算单元：用于根据所述第二训练图像和所述参考图像获得第二损失值；
第三损失值计算单元：用于将所述第一损失值和所述第二损失值相加，获得第三损失值；
第三损失值利用单元：用于根据所述第三损失值优化所述第一卷积神经网络和所述第二卷积神经网络。
8.根据权利要求5-7中任意一项所述的装置，其特征在于，所述第一卷积神经网络为U-Net卷积神经网络，所述第二卷积神经网络为U-Net卷积神经网络。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910891323.7A CN110648293B (zh) | 2019-09-19 | 2019-09-19 | 图像修复方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910891323.7A CN110648293B (zh) | 2019-09-19 | 2019-09-19 | 图像修复方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110648293A true CN110648293A (zh) | 2020-01-03 |
| CN110648293B CN110648293B (zh) | 2022-06-24 |
Family
ID=68992192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910891323.7A Active CN110648293B (zh) | 2019-09-19 | 2019-09-19 | 图像修复方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648293B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768466A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像填充方法、装置、设备及存储介质 |
| CN112258404A (zh) * | 2020-10-15 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN113298734A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种基于混合空洞卷积的图像修复方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876864A (zh) * | 2017-11-03 | 2018-11-23 | 北京旷视科技有限公司 | 图像编码、解码方法、装置、电子设备及计算机可读介质 |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
| WO2019025298A1 (en) * | 2017-07-31 | 2019-02-07 | Institut Pasteur | METHOD, DEVICE AND COMPUTER PROGRAM FOR IMPROVING THE RECONSTRUCTION OF VERY HIGH RESOLUTION DENSED IMAGES FROM LIMITED-LIFE DIFFRACTION IMAGES ACQUIRED BY MONOMOLECULAR LOCATION MICROSCOPY |
| CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及*** |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN110059796A (zh) * | 2018-01-19 | 2019-07-26 | 杭州海康威视数字技术股份有限公司 | 卷积神经网络的生成方法及装置 |
| US20190266701A1 (en) * | 2019-03-14 | 2019-08-29 | Intel Corporation | Generating gaze corrected images using bidirectionally trained network |
| WO2019169403A1 (en) * | 2018-03-02 | 2019-09-06 | The Medical College Of Wisconsin, Inc. | Neural network classification of osteolysis and synovitis near metal implants |
-
2019
- 2019-09-19 CN CN201910891323.7A patent/CN110648293B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019025298A1 (en) * | 2017-07-31 | 2019-02-07 | Institut Pasteur | METHOD, DEVICE AND COMPUTER PROGRAM FOR IMPROVING THE RECONSTRUCTION OF VERY HIGH RESOLUTION DENSED IMAGES FROM LIMITED-LIFE DIFFRACTION IMAGES ACQUIRED BY MONOMOLECULAR LOCATION MICROSCOPY |
| CN108876864A (zh) * | 2017-11-03 | 2018-11-23 | 北京旷视科技有限公司 | 图像编码、解码方法、装置、电子设备及计算机可读介质 |
| CN110059796A (zh) * | 2018-01-19 | 2019-07-26 | 杭州海康威视数字技术股份有限公司 | 卷积神经网络的生成方法及装置 |
| WO2019169403A1 (en) * | 2018-03-02 | 2019-09-06 | The Medical College Of Wisconsin, Inc. | Neural network classification of osteolysis and synovitis near metal implants |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
| CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及*** |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
| US20190266701A1 (en) * | 2019-03-14 | 2019-08-29 | Intel Corporation | Generating gaze corrected images using bidirectionally trained network |
Non-Patent Citations (2)
| Title |
|---|
| HONGYU LIU 等: "Coherent Semantic Attention for Image Inpainting", 《HTTPS://ARXIV.ORG/ABS/1905.12384》 * |
| JIAHUI YU 等: "Generative Image Inpainting with Contextual Attention", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768466A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像填充方法、装置、设备及存储介质 |
| CN111768466B (zh) * | 2020-06-30 | 2024-01-12 | 北京百度网讯科技有限公司 | 图像填充方法、装置、设备及存储介质 |
| CN112258404A (zh) * | 2020-10-15 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN113298734A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种基于混合空洞卷积的图像修复方法及*** |
| CN113298734B (zh) * | 2021-06-22 | 2022-05-06 | 云南大学 | 一种基于混合空洞卷积的图像修复方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110648293B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648294B (zh) | 图像修复方法、装置及电子设备 | |
| CN110648293B (zh) | 图像修复方法、装置及电子设备 | |
| CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
| CN111078865B (zh) | 文本标题生成方法和装置 | |
| CN111832701B (zh) | 模型的蒸馏方法、装置、电子设备及存储介质 | |
| CN111242874B (zh) | 图像修复的方法、装置、电子设备和存储介质 | |
| CN111709878A (zh) | 人脸超分辨率实现方法、装置、电子设备及存储介质 | |
| CN111242306A (zh) | 量子主成分分析的方法、装置、电子设备以及计算机可读存储介质 | |
| CN110767212B (zh) | 一种语音处理方法、装置和电子设备 | |
| CN111783948A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
| CN110806865A (zh) | 动画生成方法、装置、设备及计算机可读存储介质 | |
| US11983849B2 (en) | Image filling method and apparatus, device, and storage medium | |
| CN112528669A (zh) | 多语言模型的训练方法、装置、电子设备和可读存储介质 | |
| CN111767833A (zh) | 模型生成方法、装置、电子设备及存储介质 | |
| CN111694889A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN111950293A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| CN112308051A (zh) | 文本框检测方法、装置、电子设备和计算机存储介质 | |
| CN112560499A (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| JP7235817B2 (ja) | 機械翻訳モデルのトレーニング方法、装置及び電子機器 | |
| US20210312240A1 (en) | Header Model For Instance Segmentation, Instance Segmentation Model, Image Segmentation Method and Apparatus | |
| CN111079450B (zh) | 基于顺句驱动的语言转换方法和装置 | |
| CN111753759A (zh) | 模型生成方法、装置、电子设备及存储介质 | |
| CN112529986A (zh) | 图文相关性的计算模型建立方法、计算方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |