CN114418887B - 一种图像增强方法、装置、电子设备及存储介质 - Google Patents

一种图像增强方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114418887B
CN114418887B CN202210060864.7A CN202210060864A CN114418887B CN 114418887 B CN114418887 B CN 114418887B CN 202210060864 A CN202210060864 A CN 202210060864A CN 114418887 B CN114418887 B CN 114418887B
Authority
CN
China
Prior art keywords
image
current
renderer
current image
rendering
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.)
Active
Application number
CN202210060864.7A
Other languages
English (en)
Other versions
CN114418887A (zh
Inventor
李鑫
何栋梁
张琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210060864.7A priority Critical patent/CN114418887B/zh
Publication of CN114418887A publication Critical patent/CN114418887A/zh
Application granted granted Critical
Publication of CN114418887B publication Critical patent/CN114418887B/zh
Priority to JP2023003837A priority patent/JP2023105807A/ja
Priority to KR1020230005149A priority patent/KR20230112063A/ko
Priority to US18/155,901 priority patent/US20230230205A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20081—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像增强方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术。具体实现方案为：获取原始图像，并将原始图像作为当前图像；若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。本申请实施例可以在多维度上大范围地自适应增强图像，省时省力，效果明显，适用于各种应用场景。

Description

一种图像增强方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，进一步涉及计算机视觉和深度学习技术，尤其是一种图像增强方法、装置、电子设备及存储介质。
背景技术
平常拍摄照片或者录制视频的时候，经常由于光线、拍摄设备等原因，拍出的照片或者录制出的视频存在过曝/欠爆、色彩不够鲜艳等问题，目前解决图像/视频色彩不好的方法主要有以下两种：(1)通过调色师后期手动调节，比较常用的软件有Photoshop、Lightroom等。人工调色的缺点是明显的：费时费力，并且调的结果受限于调色师的水平，很难做到大批量快速调色并结果都满意。(2)目前有一些算法能解决低光照图像亮度增强的问题，或者是色调、饱和度增强的问题，但是很难做到在多维度上大范围地自适应增强图像，比如对于暗光图像，很少有算法能在多个维度上进行处理，现有算法仅仅只能解决特定场景下的问题。
发明内容
本公开提供了一种图像增强方法、装置、电子设备以及存储介质。
第一方面，本申请提供了一图像增强方法，所述方法包括：
获取原始图像，并将所述原始图像作为当前图像；
若所述当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；
将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像；将所述当前图像在所述当前渲染器对应的维度上增强的图像作为所述当前图像，重复执行上述操作，直到所述当前图像不满足所述增强条件。
第二方面，本申请提供了一图像增强装置，所述装置包括：获取模块、选取模块和增强模块；其中，
所述获取模块，用于获取原始图像，并将所述原始图像作为当前图像；
所述选取模块，用于若所述当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；
所述增强模块，用于将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像；将所述当前图像在所述当前渲染器对应的维度上增强的图像作为所述当前图像，重复执行上述操作，直到所述当前图像不满足所述增强条件。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的图像增强方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的图像增强方法。
第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的图像增强方法。
根据本申请的技术，解决了现有技术中采用人工调色的方式费时费力，并且调的结果受限于调色师的水平，很难做到大批量快速调色并结果都满意的技术问题，以及现有的算法很难做到多维度大范围地自适应调节，仅仅适用于特定场景的技术问题，采用本申请提供的技术方案，可以在多维度上大范围地自适应增强图像，省时省力，效果明显，适用于各种应用场景。
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是本申请实施例提供的图像增强方法的第一流程示意图；
图2是本申请实施例提供的图像增强方法的第二流程示意图；
图3是本申请实施例提供的预测网络的结构示意图；
图4是本申请实施例提供的渲染网络的结构示意图；
图5是本申请实施例提供的图像增强方法的第三流程示意图；
图6是本申请实施例提供的图像增强装置的结构示意图；
图7是用来实现本申请实施例的图像增强方法的电子设备的框图。
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。
实施例一
图1是本申请实施例提供的图像增强方法的第一流程示意图，该方法可以由图像增强装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，图像增强方法可以包括以下步骤：
S101、获取原始图像，并将原始图像作为当前图像。
在本步骤中，电子设备可以先获取原始图像；然后将该原始图像作为当前图像。本申请实施例中的图像可以是一张照片，也可以是一段视频中的一帧。
S102、若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器。
在本步骤中，若当前图像满足预先设置的增强条件，电子设备可以在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器。本申请实施例中的渲染器可以包括但不限于：曝光度渲染器、色调渲染器和饱和度渲染器。因此，需要先训练上述三个渲染器。以曝光度渲染器为例，首先，通过Lightroom软件将一批色彩好的图像按照三个维度分别调不同的值然后保存对应的图像，比如，对一张色彩好的图像I，按照不同的维度用软件渲染生成图像数据，每个维度生成正负50张图。以曝光为例，假设曝光度的范围是(-100，100)，那么，以2为步长，分别生成曝光度-100、-98、-96、…、96、98、100的图像；用生成的图像作为输出，原图像作为输入，调节的曝光度作为输入参数，这样就可以训练一个曝光度渲染器。
S103、将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。
在本步骤中，电子设备可以将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。具体地，电子设备可以先将当前图像输入至当前渲染器中的第一网络和第二网络；基于当前图像通过第一网络得到当前图像在当前渲染器中所对应的渲染值；然后将该渲染值传送至第二网络，基于该渲染值通过第二网络基于对当前图像进行渲染，得到当前图像在当前渲染器对应的维度上增强的图像。本申请实施例中的第一网络可以是预测网络(Operator Module)；第二网络可以是渲染网络(Render Network)。可选的是，在多个不同的渲染器中，预测网络可以是共用的。
本申请实施例提出的图像增强方法，先获取原始图像，并将原始图像作为当前图像；若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；然后将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；再将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。也就是说，本申请可以自适应地在多个渲染器中选取一个渲染器，使用该渲染器在其对应的维度上对当前图像进行渲染。而在现有的图像增强方法中，通过调色师后期手动调节，或者采用一些算法只能在各自的维度上增强，无法在多个维度上进行处理。因为本申请采用了预先训练好多个渲染器，以及通过多个渲染器逐个地对当前图像进行增强的技术手段，克服了现有技术中采用人工调色的方式费时费力，并且调的结果受限于调色师的水平，很难做到大批量快速调色并结果都满意的技术问题，以及现有的算法很难做到多维度大范围地自适应调节，仅仅适用于特定场景的技术问题，本申请提供的技术方案，可以在多维度上大范围地自适应增强图像，省时省力，效果明显，适用于各种应用场景；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的图像增强方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，图像增强方法可以包括以下步骤：
S201、获取原始图像，并将原始图像作为当前图像。
S202、若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器。
S203、将当前图像输入至当前渲染器中的第一网络和第二网络；基于当前图像通过第一网络得到当前图像在当前渲染器中所对应的渲染值。
在本步骤中，电子设备可以将当前图像输入至当前渲染器中的第一网络和第二网络；基于当前图像通过第一网络得到当前图像在当前渲染器中所对应的渲染值。具体地，电子设备可以先将当前图像输入至卷积神经网络，通过卷积神经网络对当前图像进行特征提取，得到当前图像对应的特征图；然后计算特征图在每个通道上的均值、方差和最大值；再基于该特征图在每个通道上的均值、方差和最大值预测出当前图像在当前渲染器中所对应的渲染值。为了提升速度，本申请可以先对当前图像进行下采样，然后对下采样图像用CNN的网络进行特征提取，然后对特征图的每个通道求均值、方差、最大值，然后拼接成一个新的特征过全连接层预测当前渲染器的渲染值(value值)，然后用这个值渲染当前图像得到新的图像，经过三个基本操作之后就能使得退化图像的色彩提升。
S204、将渲染值传送至第二网络，基于渲染值通过第二网络基于对当前图像进行渲染，得到当前图像在当前渲染器对应的维度上增强的图像；将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。
在本步骤中，电子设备可以将渲染值传送至第二网络，基于渲染值通过第二网络基于对当前图像进行渲染，得到当前图像在当前渲染器对应的维度上增强的图像；将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。具体地，电子设备可以先将当前图像输入至第二网络中的第一渲染单元，得到第一渲染单元输出的渲染结果；然后将第一渲染单元输出的渲染结果和渲染值输入至第二网络中的第二渲染单元，得到第二渲染单元输出的渲染结果，将第二渲染单元输出的渲染结果作为当前图像在当前渲染器对应的维度上增强的图像；其中，第一渲染单元包括：两个全连接层和一个激活函数；第二渲染单元包括：两个全连接层和两个激活函数。
图3是本申请实施例提供的预测网络的结构示意图。如图3所示，预测网络可以包括：卷积神经网络(CNN Feature Extractor)、均值计算单元(mean)、方差计算单元(std)、最大值计算单元(max)、拼接单元(Concat)和全连接层(FC)。具体地，先对当前图像进行下采样，然后对采样图像用卷积神经网络进行特征提取，然后对特征图的每个通道求均值、方差、最大值，然后拼接成一个新的特征过全连接层预测当前渲染器的渲染值(Value值)，然后用这个Value值渲染当前图像得到新的图像，经过三个基本操作之后就能使得退化图像的色彩提升。
图4是本申请实施例提供的渲染网络的结构示意图。如图4所示，渲染网络可以包括：第一渲染单元和第二渲染单元；其中，第一渲染单元包括：两个全连接层和一个激活函数；第二渲染单元包括：两个全连接层和两个激活函数。具体地，第一渲染单元的结构为：全连接层(FC)、激活函数(Leaky ReLU)、全连接层(FC)；第二渲染单元的结构为：激活函数(Leaky ReLU)、全连接层(FC)、激活函数(Leaky ReLU)、全连接层(FC)。
本申请实施例提出的图像增强方法，先获取原始图像，并将原始图像作为当前图像；若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；然后将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；再将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。也就是说，本申请可以自适应地在多个渲染器中选取一个渲染器，使用该渲染器在其对应的维度上对当前图像进行渲染。而在现有的图像增强方法中，通过调色师后期手动调节，或者采用一些算法只能在各自的维度上增强，无法在多个维度上进行处理。因为本申请采用了预先训练好多个渲染器，以及通过多个渲染器逐个地对当前图像进行增强的技术手段，克服了现有技术中采用人工调色的方式费时费力，并且调的结果受限于调色师的水平，很难做到大批量快速调色并结果都满意的技术问题，以及现有的算法很难做到多维度大范围地自适应调节，仅仅适用于特定场景的技术问题，本申请提供的技术方案，可以在多维度上大范围地自适应增强图像，省时省力，效果明显，适用于各种应用场景；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图5是本申请实施例提供的图像增强方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图5所示，图像增强方法可以包括以下步骤：
S501、获取原始图像，并将原始图像作为当前图像。
S502、若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器。
S503、对当前图像进行下采样，得到下采样图像。
在本步骤中，电子设备可以对当前图像进行下采样，得到下采样图像。例如，假设当前图像为一张1024×1024的图像，经过下采样后，可以得到一张256×256的图像。
S504、将下采样图像作为当前图像，将当前图像输入至卷积神经网络，通过卷积神经网络对当前图像进行特征提取，得到当前图像对应的特征图。
S505、计算特征图在每个通道上的均值、方差和最大值。
S506、基于特征图在每个通道上的均值、方差和最大值预测出当前图像在当前渲染器中所对应的渲染值。
S507、将渲染值传送至第二网络，基于渲染值通过第二网络基于对当前图像进行渲染，得到当前图像在当前渲染器对应的维度上增强的图像。
在本申请的具体实施例中，为了提升速度，先对当前图像进行下采样，然后对下采样图像用卷积神经网络进行特征提取，然后对特征图的每个通道求均值、方差、最大值，然后拼接成一个新的特征过全连接层预测当前渲染器的渲染值(Value值)，然后用这个Value值渲染当前图像得到新的图像，经过三个基本操作之后就能使得退化图像的色彩提升。
S508、将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。
本申请实施例提出的图像增强方法，先获取原始图像，并将原始图像作为当前图像；若当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；然后将当前图像输入至当前渲染器，通过当前渲染器输出当前图像在当前渲染器对应的维度上增强的图像；再将当前图像在当前渲染器对应的维度上增强的图像作为当前图像，重复执行上述操作，直到当前图像不满足增强条件。也就是说，本申请可以自适应地在多个渲染器中选取一个渲染器，使用该渲染器在其对应的维度上对当前图像进行渲染。而在现有的图像增强方法中，通过调色师后期手动调节，或者采用一些算法只能在各自的维度上增强，无法在多个维度上进行处理。因为本申请采用了预先训练好多个渲染器，以及通过多个渲染器逐个地对当前图像进行增强的技术手段，克服了现有技术中采用人工调色的方式费时费力，并且调的结果受限于调色师的水平，很难做到大批量快速调色并结果都满意的技术问题，以及现有的算法很难做到多维度大范围地自适应调节，仅仅适用于特定场景的技术问题，本申请提供的技术方案，可以在多维度上大范围地自适应增强图像，省时省力，效果明显，适用于各种应用场景；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图6是本申请实施例提供的图像增强装置的结构示意图。如图6所示，所述装置600包括：获取模块601、选取模块602和增强模块603；其中，
所述获取模块601，用于获取原始图像，并将所述原始图像作为当前图像；
所述选取模块602，用于若所述当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；
所述增强模块603，用于将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像；将所述当前图像在所述当前渲染器对应的维度上增强的图像作为所述当前图像，重复执行上述操作，直到所述当前图像不满足所述增强条件。
进一步的，所述增强模块603，具体用于将所述当前图像输入至所述当前渲染器中的第一网络和第二网络；基于所述当前图像通过所述第一网络得到所述当前图像在所述当前渲染器中所对应的渲染值；将所述渲染值传送至所述第二网络，基于所述渲染值通过所述第二网络基于对所述当前图像进行渲染，得到所述当前图像在所述当前渲染器对应的维度上增强的图像。
进一步的，所述增强模块603，具体用于将所述当前图像输入至卷积神经网络，通过所述卷积神经网络对所述当前图像进行特征提取，得到所述当前图像对应的特征图；计算所述特征图在每个通道上的均值、方差和最大值；基于所述特征图在每个通道上的均值、方差和最大值预测出当前图像在所述当前渲染器中所对应的渲染值。
进一步的，所述增强模块603，还用于对所述当前图像进行下采样，得到下采样图像；将所述下采样图像作为所述当前图像，执行将所述当前图像输入至卷积神经网络的操作。
进一步的，所述增强模块603，具体用于将所述当前图像输入至所述第二网络中的第一渲染单元，得到所述第一渲染单元输出的渲染结果；将所述第一渲染单元输出的渲染结果和所述渲染值输入至所述第二网络中的第二渲染单元，得到所述第二渲染单元输出的渲染结果，将所述第二渲染单元输出的渲染结果作为所述当前图像在所述当前渲染器对应的维度上增强的图像；其中，所述第一渲染单元包括：两个全连接层和一个激活函数；所述第二渲染单元包括：两个全连接层和两个激活函数。
进一步的，所述装置还包括：训练模块604(图中未示出)，用于若所述多个渲染器中的任意一个渲染器不满足与其对应的收敛条件，在所述任意一个渲染器对应的图像库中提取出一张图像作为当前图像；使用所述当前图像对所述任意一个渲染器进行训练，直到所述任意一个渲染器满足所述收敛条件。
上述图像增强装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的图像增强方法。
实施例五
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7示出了可以用来实施本公开的实施例的示例电子设备700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、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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如图像增强方法。例如，在一些实施例中，图像增强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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的图像增强方法的一个或多个步骤。备选地，在其他实施例中，计算单元701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增强方法。
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***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(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)、区块链网络和互联网。
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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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 (10)

1.一种图像增强方法，所述方法包括：
获取原始图像，并将所述原始图像作为当前图像；
若所述当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；
将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像；将所述当前图像在所述当前渲染器对应的维度上增强的图像作为所述当前图像，重复执行上述操作，直到所述当前图像不满足所述增强条件；
其中，将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像，包括：
将所述当前图像输入至所述当前渲染器中的第一网络和第二网络；基于所述当前图像通过所述第一网络得到所述当前图像在所述当前渲染器中所对应的渲染值；
将所述渲染值传送至所述第二网络，基于所述渲染值通过所述第二网络基于对所述当前图像进行渲染，得到所述当前图像在所述当前渲染器对应的维度上增强的图像；
其中，基于所述渲染值通过所述第二网络基于对所述当前图像进行渲染，得到所述当前图像在所述当前渲染器对应的维度上增强的图像，包括：
将所述当前图像输入至所述第二网络中的第一渲染单元，得到所述第一渲染单元输出的渲染结果；
将所述第一渲染单元输出的渲染结果和所述渲染值输入至所述第二网络中的第二渲染单元，得到所述第二渲染单元输出的渲染结果，将所述第二渲染单元输出的渲染结果作为所述当前图像在所述当前渲染器对应的维度上增强的图像；其中，所述第一渲染单元包括：两个全连接层和一个激活函数；所述第二渲染单元包括：两个全连接层和两个激活函数。
2.根据权利要求1所述的方法，其中，基于所述当前图像通过所述第一网络得到所述当前图像在所述当前渲染器中所对应的渲染值，包括：
将所述当前图像输入至卷积神经网络，通过所述卷积神经网络对所述当前图像进行特征提取，得到所述当前图像对应的特征图；
计算所述特征图在每个通道上的均值、方差和最大值；
基于所述特征图在每个通道上的均值、方差和最大值预测出当前图像在所述当前渲染器中所对应的渲染值。
3.根据权利要求2所述的方法，在将所述当前图像输入至卷积神经网络之前，所述方法还包括：
对所述当前图像进行下采样，得到下采样图像；将所述下采样图像作为所述当前图像，执行将所述当前图像输入至卷积神经网络的操作。
4.根据权利要求1所述的方法，所述方法还包括：
若所述多个渲染器中的任意一个渲染器不满足与其对应的收敛条件，在所述任意一个渲染器对应的图像库中提取出一张图像作为当前图像；使用所述当前图像对所述任意一个渲染器进行训练，直到所述任意一个渲染器满足所述收敛条件。
5.一种图像增强装置，所述装置包括：获取模块、选取模块和增强模块；其中，
所述获取模块，用于获取原始图像，并将所述原始图像作为当前图像；
所述选取模块，用于若所述当前图像满足预先设置的增强条件，在预先训练好的多个渲染器中选取一个渲染器作为当前渲染器；
所述增强模块，用于将所述当前图像输入至所述当前渲染器，通过所述当前渲染器输出所述当前图像在所述当前渲染器对应的维度上增强的图像；将所述当前图像在所述当前渲染器对应的维度上增强的图像作为所述当前图像，重复执行上述操作，直到所述当前图像不满足所述增强条件；
其中，所述增强模块，具体用于将所述当前图像输入至所述当前渲染器中的第一网络和第二网络；基于所述当前图像通过所述第一网络得到所述当前图像在所述当前渲染器中所对应的渲染值；将所述渲染值传送至所述第二网络，基于所述渲染值通过所述第二网络基于对所述当前图像进行渲染，得到所述当前图像在所述当前渲染器对应的维度上增强的图像；
所述增强模块，还具体用于将所述当前图像输入至所述第二网络中的第一渲染单元，得到所述第一渲染单元输出的渲染结果；将所述第一渲染单元输出的渲染结果和所述渲染值输入至所述第二网络中的第二渲染单元，得到所述第二渲染单元输出的渲染结果，将所述第二渲染单元输出的渲染结果作为所述当前图像在所述当前渲染器对应的维度上增强的图像；其中，所述第一渲染单元包括：两个全连接层和一个激活函数；所述第二渲染单元包括：两个全连接层和两个激活函数。
6.根据权利要求5所述的装置，所述增强模块，具体用于将所述当前图像输入至卷积神经网络，通过所述卷积神经网络对所述当前图像进行特征提取，得到所述当前图像对应的特征图；计算所述特征图在每个通道上的均值、方差和最大值；基于所述特征图在每个通道上的均值、方差和最大值预测出当前图像在所述当前渲染器中所对应的渲染值。
7.根据权利要求6所述的装置，所述增强模块，还用于对所述当前图像进行下采样，得到下采样图像；将所述下采样图像作为所述当前图像，执行将所述当前图像输入至卷积神经网络的操作。
8.根据权利要求5所述的装置，所述装置还包括：训练模块，用于若所述多个渲染器中的任意一个渲染器不满足与其对应的收敛条件，在所述任意一个渲染器对应的图像库中提取出一张图像作为当前图像；使用所述当前图像对所述任意一个渲染器进行训练，直到所述任意一个渲染器满足所述收敛条件。
9.一种电子设备，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1-4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1-4中任一项所述的方法。
CN202210060864.7A 2022-01-19 2022-01-19 一种图像增强方法、装置、电子设备及存储介质 Active CN114418887B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210060864.7A CN114418887B (zh) 2022-01-19 2022-01-19 一种图像增强方法、装置、电子设备及存储介质
JP2023003837A JP2023105807A (ja) 2022-01-19 2023-01-13 画像強調方法、装置、電子機器および記憶媒体
KR1020230005149A KR20230112063A (ko) 2022-01-19 2023-01-13 이미지 향상 방법, 장치, 전자 설비 및 저장 매체
US18/155,901 US20230230205A1 (en) 2022-01-19 2023-01-18 Image enhancement method and apparatus, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210060864.7A CN114418887B (zh) 2022-01-19 2022-01-19 一种图像增强方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114418887A CN114418887A (zh) 2022-04-29
CN114418887B true CN114418887B (zh) 2022-12-20

Family

ID=81274574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210060864.7A Active CN114418887B (zh) 2022-01-19 2022-01-19 一种图像增强方法、装置、电子设备及存储介质

Country Status (4)

Country Link
US (1) US20230230205A1 (zh)
JP (1) JP2023105807A (zh)
KR (1) KR20230112063A (zh)
CN (1) CN114418887B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102427547A (zh) * 2011-11-15 2012-04-25 清华大学 多视角立体渲染装置
CN103700385A (zh) * 2012-09-27 2014-04-02 深圳市快播科技有限公司 媒体播放器和播放方法、硬件加速下的视频的后处理方法
CN103810671A (zh) * 2012-11-15 2014-05-21 腾讯科技（深圳）有限公司 Rgb模式图像的色彩拉伸方法和***
CN107845074A (zh) * 2017-10-24 2018-03-27 维沃移动通信有限公司 一种图像渲染方法和移动终端
CN109218820A (zh) * 2018-11-14 2019-01-15 广州市百果园信息技术有限公司 一种视频渲染器及视频渲染方法
US11170476B1 (en) * 2020-10-15 2021-11-09 Aeva, Inc. Techniques for fast point cloud filtering using a series cascaded filter

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI517696B (zh) * 2012-05-28 2016-01-11 正文科技股份有限公司 呈現器與控制器與其管理方法
US10579908B2 (en) * 2017-12-15 2020-03-03 Google Llc Machine-learning based technique for fast image enhancement
CN113453073B (zh) * 2021-06-29 2023-01-06 北京百度网讯科技有限公司 一种图像渲染方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102427547A (zh) * 2011-11-15 2012-04-25 清华大学 多视角立体渲染装置
CN103700385A (zh) * 2012-09-27 2014-04-02 深圳市快播科技有限公司 媒体播放器和播放方法、硬件加速下的视频的后处理方法
CN103810671A (zh) * 2012-11-15 2014-05-21 腾讯科技（深圳）有限公司 Rgb模式图像的色彩拉伸方法和***
CN107845074A (zh) * 2017-10-24 2018-03-27 维沃移动通信有限公司 一种图像渲染方法和移动终端
CN109218820A (zh) * 2018-11-14 2019-01-15 广州市百果园信息技术有限公司 一种视频渲染器及视频渲染方法
US11170476B1 (en) * 2020-10-15 2021-11-09 Aeva, Inc. Techniques for fast point cloud filtering using a series cascaded filter

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
StyleMix: Separating Content and Style for Enhanced Data Augmentation;Minui Hong 等;《IEEE》;20211102;第1-9页 *
渲染器与Web服务器耦合实现远程体渲染的交互优化;高瞻等;《中国图象图形学报》;20170316(第03期);第117-126页 *
面向移动设备的可编程像素渲染器的设计;季健等;《计算机工程与应用》;20090321(第09期);第172-174页 *

Also Published As

Publication number Publication date
US20230230205A1 (en) 2023-07-20
JP2023105807A (ja) 2023-07-31
CN114418887A (zh) 2022-04-29
KR20230112063A (ko) 2023-07-26

Similar Documents

Publication Publication Date Title
CN112862877A (zh) 用于训练图像处理网络和图像处理的方法和装置
CN113436105A (zh) 模型训练和图像优化方法、装置、电子设备及存储介质
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN114781650B (zh) 一种数据处理方法、装置、设备以及存储介质
CN116721460A (zh) 手势识别方法、装置、电子设备以及存储介质
CN113780297B (zh) 图像处理方法、装置、设备以及存储介质
CN114120413A (zh) 模型训练方法、图像合成方法、装置、设备及程序产品
CN114332590A (zh) 联合感知模型训练、联合感知方法、装置、设备和介质
CN114549904A (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN113989174A (zh) 图像融合方法和图像融合模型的训练方法、装置
CN116402914B (zh) 用于确定风格化图像生成模型的方法、装置及产品
CN114418887B (zh) 一种图像增强方法、装置、电子设备及存储介质
CN115759209B (zh) 神经网络模型的量化方法、装置、电子设备及介质
CN116363429A (zh) 图像识别模型的训练方法、图像识别方法、装置及设备
CN114882313B (zh) 生成图像标注信息的方法、装置、电子设备及存储介质
CN115908687A (zh) 渲染网络的训练、渲染方法、装置及电子设备
CN112927319B (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN114037630A (zh) 一种模型训练及图像去雾方法、装置、设备及存储介质
CN114358198A (zh) 实例分割方法、装置及电子设备
CN113988294A (zh) 训练预测网络的方法、图像处理方法和装置
CN113327194A (zh) 图像风格迁移方法、装置、设备和存储介质
CN113542620B (zh) 一种特效处理方法、装置及电子设备
CN113283305B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112991206B (zh) 图像处理方法、装置、设备和存储介质
CN114219744B (zh) 图像生成方法、装置、设备及存储介质

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