CN113205495A - 图像质量评价及模型训练方法、装置、设备和存储介质 - Google Patents
图像质量评价及模型训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113205495A CN113205495A CN202110471056.5A CN202110471056A CN113205495A CN 113205495 A CN113205495 A CN 113205495A CN 202110471056 A CN202110471056 A CN 202110471056A CN 113205495 A CN113205495 A CN 113205495A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- fused
- score
- output
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 24
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种图像质量评价及模型训练方法、装置、设备和存储介质,涉及人工智能技术领域,具体涉及计算机视觉、深度学习等技术领域。图像质量评价方法包括:采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。本公开可以提高图像质量评价效果。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉、深度学习等技术领域,尤其涉及一种图像质量评价及模型训练方法、装置、设备和存储介质。
背景技术
图像质量评价(Image quality assessment,IQA)可以采用图像质量评价模型对图像进行处理,以得到质量分数。具体地,可以采用图像质量评价模型提取图像的图像特征,对图像特征进行融合,以得到融合特征,基于融合特征进行图像质量评价。
相关技术中,图像特征融合时是对图像特征进行直接的向量拼接。
发明内容
本公开提供了一种图像质量评价及模型训练方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种图像质量评价方法,包括:采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
根据本公开的另一方面,提供了一种图像质量评价模型的训练方法,所述图像质量评价模型包括:特征提取网络和分数确定网络,所述方法包括:采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数;基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
根据本公开的另一方面,提供了一种图像质量评价装置,包括:提取模块,用于采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;确定模块,用于采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
根据本公开的另一方面,提供了一种图像质量评价模型的训练装置,所述图像质量评价模型包括:特征提取网络和分数确定网络,所述装置包括:提取模块,用于采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;确定模块,用于采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数;训练模块,用于基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
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如上述任一方面的任一项所述的方法。
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,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
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,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案,可以提高图像质量评价效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是根据本公开第七实施例的示意图;
图8是根据本公开第八实施例的示意图;
图9是根据本公开第九实施例的示意图;
图10是用来实现本公开实施例的图像质量评价及模型训练方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
IQA的目的是使得采用图像质量评价模型得到的评价结果与主观质量评价保持一致,即,主观评价质量好的图像其IQA的质量分数也应该越高。采用模型进行质量评价时,可以通过对多个图像特征进行融合,基于融合特征进行质量评价。相关技术中,在融合时,可以分别将各个图像特征转换为向量,再对各个图像特征对应的向量进行直接拼接。但是,这种方式忽略了各个图像特征之间的空间位置关系,影响图像质量评价效果。
为了提高图像质量评价效果,本公开示出如下的实施例。
图1是根据本公开第一实施例的示意图。本实施例提供一种图像质量评价方法,该方法包括:
101、采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述融合特征进行空间对齐处理,以得到所述每个图像的融合特征。
102、采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
在进行图像质量评价时,可以采用图像质量评价模型进行。如图2所示,图像质量评价模型可以包括特征提取网络201和分数确定网络202。图像质量评价可以包括基于参考图像的图像质量评价,采用基于参考图像的图像质量评价时,图像质量评价模型的输入包括:参考图像和待评价图像,输出为待评价图像的质量分数。质量分数用于评价待评价图像相对于参考图像的质量好坏。参考图像可以基于具体的应用场景确定,比如,图像质量评价可以用于图像压缩、图像编解码等场景,以图像压缩为例,参考图像可以为压缩前的图像,待评价图像为压缩后的图像,通过确定压缩后的图像的质量分数,可以评价压缩效果,比如,压缩后的图像的质量分数较高,则压缩效果较好。
特征提取网络可以为深度卷积神经网络(Deep Convolutional Neural Network,DCNN),其骨干网络(backbone)比如为Resnet50。
如图3所示,特征提取网络可以包括骨干网络301和融合模块302。骨干网络301用于提取输入的图像的图像特征,骨干网络包括多个卷积层,每个卷积层可以输出对应层的图像特征,从而可以提取出不同层的图像特征。可以根据设定选择部分层的图像特征作为待融合特征,骨干网络的最后一层输出的图像特征可以作为输出特征。融合模块302用于对待融合特征进行融合处理,以得到融合特征,具体的融合处理的方式为对待融合特征进行空间对齐处理。
特征提取网络分别对待评价图像和参考图像进行处理,为了方便理解,图2中示出了两个特征提取网络,分别对待评价图像和参考图像进行处理,这两个特征提取网络共享参数。即,在实施时,可以在不同时刻分别将待评价图像和参考图像输入到同一个特征提取网络中,以获取待评价图像和参考图像分别对应的融合特征和输出特征。
如图3所示,以特征提取网络处理待评价图像为例,以基于块的图像处理为例,可以将待评价图像分为多个图像块,特征提取网络的输入为图像块,用Am表示,其中m是块的索引,输出为对应的融合特征和输出特征,融合特征用表示,输出特征用表示。
进一步地,融合模块302可以采用特征金字塔网络(Feature Pyramid Network,FPN)对待融合特征进行空间对齐处理,以得到融合特征。
如图4所示,待融合特征包括多个特征图(feature map),每个特征图的大小不同,层越深,即距离输入的图像越远的层,对应层的图像特征(或称为特征图)的尺寸越小。按照层从浅到深的顺序,对应的层可以称为从底层到顶层,在采用FPN处理时,可以对顶层的特征图进行1*1卷积,实现平滑处理,再通过上采样,将顶层的特征图转换为与顶层的下一层的特征图的大小相同,再将同样大小的转换后的顶层的特征图与顶层的下一层的特征图进行对应通道拼接,即图中对应元素相加,这样逐层处理,实现了不同层的特征图的空间对齐处理。比如,图4中以待融合特征包括3个特征图为例,从底层到顶层分别用C1~C3表示,对应的平滑处理后的特征分别用P1~P3表示,则通过逐层上采样和拼接,可以得到融合特征。
通过FPN的处理,获得的融合特征保留大量的底层的纹理信息,也保留顶层的语义信息,并且最大限度的实现了空间位置对齐,从而提高图像质量评价效果。另外,通过对图像特征进行融合,可以降低运算的参数量,提高图像质量评价效率。
假设参考图像对应的融合特征和输出特征称为第一融合特征和第一输出特征,待评价图像对应的融合特征和输出特征称为第二融合特征和第二输出特征,则经过特征提取网络的处理,可以获得第一融合特征、第二融合特征、第一输出特征和第二输出特征。之后,可以将这些特征输入到分数确定网络中,以得到待评价图像的质量分数。
具体可以包括:确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;采用第一转换网络,将所述第一差分特征转换为分数特征;采用第二转换网络,将所述第二差分特征转换为权重特征;基于所述分数特征和所述权重特征,确定所述待评价图像的质量分数。
如图5所示,分数确定网络可以包括:差分确定模块501、特征转换网络502和分数确定模块503。差分确定模块501用于确定第一差分特征和第二差分特征,第一差分特征为第一融合特征和第二融合特征的差分特征,第二差分特征为第一输出特征和第二输出特征的差分特征,差分特征是相应的两个特征之间的差,第一差分特征表示为第二差分特征表示为特征转换网络502用于将第一差分特征转换为分数特征,将第二差分特征转换为权重特征。特征转换网络可以具体包括两个全连接网络(full connection),图5中用FC1和FC2表示,分别将第一差分特征转换为分数特征,以及将第二差分特征转换为权重特征,分数特征可以用表示,权重特征可以用表示。分数确定模块503用于基于分数特征和权重特征确定待评价图像的质量分数。比如,分数确定模块503可以采用如下的计算公式,确定质量分数sA:
通过分数确定网络的上述处理,可以确定出待评价图像的质量分数。
本实施例中,通过对待融合特征进行空间对齐处理,可以考虑不同的待融合特征之间的空间位置关系,提高图像质量评价效果。
图6是本公开第六实施例的示意图,本实施例提供一种图像质量评价模型的训练方法,所述图像质量评价模型包括:特征提取网络和分数确定网络,该方法包括:
601、采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征。
602、采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数。
603、基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
其中,对待融合特征进行空间对齐处理,以及确定失真图像的预测分数,可以类似图像质量评价时的处理流程。
具体地,所述对所述待融合特征进行空间对齐处理,可以包括:采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
通过FPN的处理,获得的融合特征保留大量的底层的纹理信息,也保留顶层的语义信息,并且最大限度的实现了空间位置对齐,从而提高图像质量评价效果。另外,通过对图像特征进行融合,可以降低运算的参数量,提高图像质量评价模型的训练效率。
所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述失真图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述第二输出特征为所述失真图像对应的输出特征,所述基于所述融合特征和所述输出特征确定所述失真图像的预测分数,可以包括:确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;采用所述分数确定网络中的第一转换网络,将所述第一差分特征转换为分数特征;采用所述分数确定网络中的第二转换网络,将所述第二差分特征转换为权重特征;基于所述分数特征和所述权重特征,确定所述失真图像的预测分数。
通过分数确定网络的上述处理,可以确定出失真图像的预测分数。
与图像质量评价不同的是,在模型训练时,样本图像对为两对,并且还包括概率确定模块。
如图7所示,模型训练时,训练***包括:图像质量评价模型701和概率确定模块702。图像质量评价模型701中的三个特征提取网络共享参数,两个分数确定网络共享参数。图像质量评价模型为两组,每组对应一对样本图像对。图7中只示出了对应第一失真图像和参考图像的图像质量评价模型,对应第二失真图像和参考图像的图像质量评价模型类似。
具体地,可以先获得样本组,样本组为多组,每组样本组为三元组,每组样本组包括:参考图像、第一失真图像和第二失真图像,其中,第一失真图像和第二失真图像是采用两种不同的失真处理方式,对参考图像进行失真处理后得到的。获得三元的样本组后,可以组成两对样本图像对,假设两对样本图像对分别称为第一样本图像对和第二样本图像对,则第一样本图像对包括参考图像和第一失真图像,第二样本图像对包括上述的参考图像和第二失真图像。
如图7所示,对应每对样本图像对,经过图像质量评价模型的特征提取网络和分数确定网络后,可以得到每对样本图像对中的失真图像的预测分数,假设第一失真图像用A表示,第二失真图像用B表示,则对应的预测分数可以分别称为第一预测分数和第二预测分数,表示为sA和sB。
获得第一预测分数和第二预测分数后,可以将这两个预测分数输入到概率确定模块中,概率确定模块对这两个预测分数进行处理,输出为预测偏好概率。预测偏好概率用h(sA,sB)表示,h(*)函数的具体形式可以根据需要选择,比如为如下的计算公式:
偏好概率用于表明第一失真图像A相对于第二失真图像B的偏好,偏好概率越小,则表明第一失真图像A越接近参考图像。
为了区分,偏好概率可以分为预测偏好概率和真实偏好概率,预测偏好概率是指训练时,基于上述的两个预测分数得到的偏好概率。真实偏好概率是指基于两个失真图像的真实分数计算的偏好概率,其中,由于失真图像为样本图像,可以对该样本图像进行人工标注等处理,确定失真图像的真实分数。在获取真实分数后,可以基于上述的h(*)计算真实偏好概率。
在获得预测偏好概率和真实偏好概率后,可以基于这两个偏好概率确定损失函数,并基于损失函数训练图像质量评价模型。
其中,损失函数可以为如下形式:
基于损失函数训练模型时,训练目标可以是最小化上述的损失函数,即,图像质量评价模型的最终参数表示为:
上述公式中,f(*)是图像质量评价模型对应的函数,θ是图像质量评价模型的参数,θ是最终参数,i是样本图像索引,T是样本总数,Ai和Bi分别是第一失真图像和第二失真图像,Ri是参考图像,pAB,i是真实偏好概率,h(*)是预测偏好概率。
通过基于预测偏好概率和真实偏好概率确定损失函数,可以提高模型训练的稳健性。
一些实施例中,在训练过程中可以采用课程学习的思想,即可以将所述样本组分为多种类别的样本组,不同类别的样本组对应的难易程度不同,所述难以程度基于分数差值的绝对值确定,所述分数差值为所述第一失真图像的真实分数与所述第二失真图像的真实分数的差值;相应地,训练时,按照所述难易程度从易到难的顺序,依此基于对应类别的样本组对应的损失函数,训练所述特征提取网络和所述分数确定网络。
以多种类别分为三种,按照难易程度从易到难的顺序,对应的样本组可以称为容易样本组、一般样本组和困难样本组。上述三种类别的样本组的难易程度基于分数差值的绝对值确定,比如,可以预设第一阈值和第二阈值,第一阈值大于第二阈值,将分数差值的绝对值大于第一阈值的样本组作为容易样本组,将分数差值的绝对值小于第二阈值的样本组作为困难样本组,其余为一般样本组,第一阈值比如为0.5,第二阈值比如为0.1。
比如,一组样本组表示为<A1,B1,R1>,另一种样本组表示为<A2,B2,R2>,另一种样本组表示为<A3,B3,R3>,如果A1的真实分数与B1的真实分数的差值的绝对值大于0.5,如果A2的真实分数与B2的真实分数的差值的绝对值小于0.1,如果A3的真实分数与B3的真实分数的差值的绝对值在0.1和0.5之间,则<A1,B1,R1>对应的样本组为容易样本组,<A2,B2,R2>对应的样本组为困难样本组,<A3,B3,R3>对应的样本组为一般样本组。
在训练过程中,可以先采用容易样本组不断调整模型的参数,比如调整了32轮后,再采用一般样本组继续调整模型的参数,再达到32轮后,再采用困难样本组继续调整模型的参数,直至达到训练结束条件,训练结束条件为预设的,比如为达到预测的训练次数,或者损失函数收敛等。将达到训练结束条件时的模型参数作为最终参数。
在图像质量评价阶段,可以采用具有该最终参数模型,对待评价图像进行图像质量评价。
通过将课程学习思想引入模型训练过程中,可以加速模型收敛,保证模型逐步收敛到一个最优空间。
一些实施例中,由于已有图像对的数量有限,可以对已有图像对进行数据增强,以得到扩展图像对,之后,可以将已有图像对和/或扩展图像对作为上述的样本图像对。
即,该方法还可以包括:获取已有图像对,所述已有图像对包括:已有参考图像和已有失真图像;对所述已有参考图像和所述已有失真图像,进行相同位置的随机擦除处理,以得到扩展图像对;基于所述已有图像对和所述扩展图像对构建所述样本图像对。
比如,已有图像对包括失真图像A和参考图像R,表示为<A,R>,则可以对失真图像A和参考图像R进行相同的随机位置擦除处理,比如,将失真图像A的某一区域D中的元素替换为0,并将参考图像R中的与区域D位置相应的区域中的元素也替换为0,假设处理后的图像分别表示为A’和R’,则A’和R’组成扩展图像对,表示为<A’,R’>。之后,可以由多组的<A,R>、<A’,R’>组成样本图像对。
通过对已有图像对进行相同的随机位置擦除处理,得到扩展图像对,可以扩展样本图像对的数量,提升训练效果。
本实施例中,通过对待融合特征进行空间对齐处理,可以考虑不同的待融合特征之间的空间位置关系,提高图像质量评价模型的训练效果。
图8是本公开第八实施例的示意图,本实施例提供一种图像质量评价装置,该装置800包括:提取模块801和确定模块802。
提取模块801用于采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;确定模块802用于采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
一些实施例中,所述提取模块801具体用于:采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
一些实施例中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述待评价图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述第二输出特征为所述待评价图像对应的输出特征,所述确定模块802具体用于:确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;采用第一转换网络,将所述第一差分特征转换为分数特征;采用第二转换网络,将所述第二差分特征转换为权重特征;基于所述分数特征和所述权重特征,确定所述待评价图像的质量分数。
本公开实施例中,通过对待融合特征进行空间对齐处理,可以考虑不同的待融合特征之间的空间位置关系,提高图像质量评价效果。
图9是本公开第九实施例的示意图,本实施例提供一种图像质量评价模型的训练装置,所述图像质量评价模型包括:特征提取网络和分数确定网络,该装置900包括:提取模块901、确定模块902和训练模块903。
提取模块901用于采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;确定模块902用于采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数;
训练模块903用于基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
一些实施例中,所述提取模块901具体用于:采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
一些实施例中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述失真图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述确定模块902具体用于:确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;采用所述分数确定网络中的第一转换网络,将所述第一差分特征转换为分数特征;采用所述分数确定网络中的第二转换网络,将所述第二差分特征转换为权重特征;基于所述分数特征和所述权重特征,确定所述失真图像的预测分数。
一些实施例中,所述样本图像对包括两个样本图像对,所述两个样本图像对包括相同的参考图像和不同的两个失真图像,所述预测分数包括分别对应所述两个失真图像的第一预测分数和第二预测分数,所述训练模块903具体用于:基于所述第一预测分数和所述第二预测分数,确定预测偏好概率;基于所述预测偏好概率和真实偏好概率,确定损失函数。
一些实施例中,所述样本图像对通过样本组构建,所述样本组为多组,每组样本组包括:参考图像、第一失真图像和第二失真图像,所述装置还包括:分组模块,用于将所述样本组分为多种类别的样本组,不同类别的样本组对应的难易程度不同,所述难以程度基于分数差值的绝对值确定,所述分数差值为所述第一失真图像的真实分数与所述第二失真图像的真实分数的差值;所述训练模块903具体用于:按照所述难易程度从易到难的顺序,依此基于对应类别的样本组对应的损失函数,训练所述特征提取网络和所述分数确定网络。
一些实施例中,该装置还包括:获取模块、扩展模块和构建模块。获取模块用于获取已有图像对,所述已有图像对包括:已有参考图像和已有失真图像;扩展模块用于对所述已有参考图像和所述已有失真图像,进行相同的随机位置擦除处理,以得到扩展图像对;构建模块用于基于所述已有图像对和所述扩展图像对构建所述样本图像对。
本公开实施例中,通过对待融合特征进行空间对齐处理,可以考虑不同的待融合特征之间的空间位置关系,提高图像质量评价模型的训练效果。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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、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,个人数字助理、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/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如图像质量评价方法或图像质量评价模型的训练方法。例如,在一些实施例中,图像质量评价方法或图像质量评价模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的图像质量评价方法或图像质量评价模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像质量评价方法或图像质量评价模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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(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(LAN)、广域网(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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种图像质量评价方法,包括:
采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;
采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
2.根据权利要求1所述的方法,其中,所述对所述待融合特征进行空间对齐处理,包括:
采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
3.根据权利要求1或2所述的方法,其中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述待评价图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述第二输出特征为所述待评价图像对应的输出特征,所述基于所述融合特征和所述输出特征确定所述待评价图像的质量分数,包括:
确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;
确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;
采用第一转换网络,将所述第一差分特征转换为分数特征;
采用第二转换网络,将所述第二差分特征转换为权重特征;
基于所述分数特征和所述权重特征,确定所述待评价图像的质量分数。
4.一种图像质量评价模型的训练方法,所述图像质量评价模型包括:特征提取网络和分数确定网络,所述方法包括:
采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;
采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数;
基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
5.根据权利要求4所述的方法,其中,所述对所述待融合特征进行空间对齐处理,包括:
采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
6.根据权利要求4所述的方法,其中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述失真图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述第二输出特征为所述失真图像对应的输出特征,所述基于所述融合特征和所述输出特征确定所述失真图像的预测分数,包括:
确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;
确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;
采用所述分数确定网络中的第一转换网络,将所述第一差分特征转换为分数特征;
采用所述分数确定网络中的第二转换网络,将所述第二差分特征转换为权重特征;
基于所述分数特征和所述权重特征,确定所述失真图像的预测分数。
7.根据权利要求4所述的方法,其中,所述样本图像对包括两个样本图像对,所述两个样本图像对包括相同的参考图像和不同的两个失真图像,所述预测分数包括分别对应所述两个失真图像的第一预测分数和第二预测分数,所述基于所述预测分数确定损失函数,包括:
基于所述第一预测分数和所述第二预测分数,确定预测偏好概率;
基于所述预测偏好概率和真实偏好概率,确定损失函数。
8.根据权利要求4-7任一项所述的方法,其中,所述样本图像对通过样本组构建,所述样本组为多组,每组样本组包括:参考图像、第一失真图像和第二失真图像,所述方法还包括:
将所述样本组分为多种类别的样本组,不同类别的样本组对应的难易程度不同,所述难以程度基于分数差值的绝对值确定,所述分数差值为所述第一失真图像的真实分数与所述第二失真图像的真实分数的差值;
所述基于所述损失函数训练所述特征提取网络和所述分数确定网络,包括:
按照所述难易程度从易到难的顺序,依此基于对应类别的样本组对应的损失函数,训练所述特征提取网络和所述分数确定网络。
9.根据权利要求4-7任一项所述的方法,其中,还包括:
获取已有图像对,所述已有图像对包括:已有参考图像和已有失真图像;
对所述已有参考图像和所述已有失真图像,进行相同的随机位置擦除处理,以得到扩展图像对;
基于所述已有图像对和所述扩展图像对构建所述样本图像对。
10.一种图像质量评价装置,包括:
提取模块,用于采用图像质量评价模型中的特征提取网络,提取图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述图像对包括:参考图像和待评价图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;
确定模块,用于采用所述图像质量评价模型中的分数确定网络,基于所述融合特征和所述输出特征确定所述待评价图像的质量分数。
11.根据权利要求10所述的装置,其中,所述提取模块具体用于:
采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
12.根据权利要求10或11所述的装置,其中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述待评价图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述第二输出特征为所述待评价图像对应的输出特征,所述确定模块具体用于:
确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;
确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;
采用第一转换网络,将所述第一差分特征转换为分数特征;
采用第二转换网络,将所述第二差分特征转换为权重特征;
基于所述分数特征和所述权重特征,确定所述待评价图像的质量分数。
13.一种图像质量评价模型的训练装置,所述图像质量评价模型包括:特征提取网络和分数确定网络,所述装置包括:
提取模块,用于采用所述特征提取网络,提取样本图像对中每个图像的图像特征,所述图像特征包括待融合特征和输出特征,所述样本图像对包括参考图像和失真图像,并对所述待融合特征进行空间对齐处理,以得到所述每个图像的融合特征;
确定模块,用于采用所述分数确定网络,基于所述融合特征和所述输出特征确定所述失真图像的预测分数;
训练模块,用于基于所述预测分数确定损失函数,并基于所述损失函数训练所述特征提取网络和所述分数确定网络。
14.根据权利要求13所述的装置,其中,所述提取模块具体用于:
采用特征金字塔网络,对所述待融合特征进行空间对齐处理。
15.根据权利要求13所述的装置,其中,所述融合特征包括第一融合特征和第二融合特征,所述第一融合特征为所述参考图像对应的融合特征,所述第二融合特征为所述失真图像对应的融合特征,所述输出特征包括第一输出特征和第二输出特征,所述第一输出特征为所述参考图像对应的输出特征,所述确定模块具体用于:
确定所述第一融合特征与所述第二融合特征的差分特征,以得到第一差分特征;
确定所述第一输出特征与所述第二输出特征的差分特征,以得到第二差分特征;
采用所述分数确定网络中的第一转换网络,将所述第一差分特征转换为分数特征;
采用所述分数确定网络中的第二转换网络,将所述第二差分特征转换为权重特征;
基于所述分数特征和所述权重特征,确定所述失真图像的预测分数。
16.根据权利要求13所述的装置,其中,所述样本图像对包括两个样本图像对,所述两个样本图像对包括相同的参考图像和不同的两个失真图像,所述预测分数包括分别对应所述两个失真图像的第一预测分数和第二预测分数,所述训练模块具体用于:
基于所述第一预测分数和所述第二预测分数,确定预测偏好概率;
基于所述预测偏好概率和真实偏好概率,确定损失函数。
17.根据权利要求13-16任一项所述的装置,其中,所述样本图像对通过样本组构建,所述样本组为多组,每组样本组包括:参考图像、第一失真图像和第二失真图像,所述装置还包括:
分组模块,用于将所述样本组分为多种类别的样本组,不同类别的样本组对应的难易程度不同,所述难以程度基于分数差值的绝对值确定,所述分数差值为所述第一失真图像的真实分数与所述第二失真图像的真实分数的差值;
所述训练模块具体用于:
按照所述难易程度从易到难的顺序,依此基于对应类别的样本组对应的损失函数,训练所述特征提取网络和所述分数确定网络。
18.根据权利要求13-16任一项所述的装置,其中,还包括:
获取模块,用于获取已有图像对,所述已有图像对包括:已有参考图像和已有失真图像;
扩展模块,用于对所述已有参考图像和所述已有失真图像,进行相同的随机位置擦除处理,以得到扩展图像对;
构建模块,用于基于所述已有图像对和所述扩展图像对构建所述样本图像对。
19.一种电子设备,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1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471056.5A CN113205495B (zh) | 2021-04-28 | 2021-04-28 | 图像质量评价及模型训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471056.5A CN113205495B (zh) | 2021-04-28 | 2021-04-28 | 图像质量评价及模型训练方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205495A true CN113205495A (zh) | 2021-08-03 |
CN113205495B CN113205495B (zh) | 2023-08-22 |
Family
ID=77027775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110471056.5A Active CN113205495B (zh) | 2021-04-28 | 2021-04-28 | 图像质量评价及模型训练方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205495B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674276A (zh) * | 2021-10-21 | 2021-11-19 | 北京金山云网络技术有限公司 | 图像质量差异评分方法、装置、存储介质以及电子设备 |
CN113705587A (zh) * | 2021-09-30 | 2021-11-26 | 北京金山云网络技术有限公司 | 图像质量评分方法、装置、存储介质以及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
US20200160559A1 (en) * | 2018-11-16 | 2020-05-21 | Uatc, Llc | Multi-Task Multi-Sensor Fusion for Three-Dimensional Object Detection |
-
2021
- 2021-04-28 CN CN202110471056.5A patent/CN113205495B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
US20200160559A1 (en) * | 2018-11-16 | 2020-05-21 | Uatc, Llc | Multi-Task Multi-Sensor Fusion for Three-Dimensional Object Detection |
Non-Patent Citations (1)
Title |
---|
胡晋滨;柴雄力;邵枫;: "基于伪参考图像深层特征相似性的盲图像质量评价", 光电子・激光, no. 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705587A (zh) * | 2021-09-30 | 2021-11-26 | 北京金山云网络技术有限公司 | 图像质量评分方法、装置、存储介质以及电子设备 |
CN113674276A (zh) * | 2021-10-21 | 2021-11-19 | 北京金山云网络技术有限公司 | 图像质量差异评分方法、装置、存储介质以及电子设备 |
CN113674276B (zh) * | 2021-10-21 | 2022-03-08 | 北京金山云网络技术有限公司 | 图像质量差异评分方法、装置、存储介质以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113205495B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113379627B (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
CN113205495B (zh) | 图像质量评价及模型训练方法、装置、设备和存储介质 | |
CN114445831A (zh) | 一种图文预训练方法、装置、设备以及存储介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN112862877A (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN114186632A (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
US20230047748A1 (en) | Method of fusing image, and method of training image fusion model | |
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN114549904B (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113379877A (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
CN114241350B (zh) | 视频编码测试序列确定方法、相关装置及计算机程序产品 | |
CN113033408B (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
CN114359993A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
CN113361535A (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN114187318B (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
CN114758130B (zh) | 图像处理及模型训练方法、装置、设备和存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN104391887B (zh) | 一种基于网络结构优化的节点属性划分朋友圈的方法 |
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 |