CN116958857A - 一种模型的训练方法、视频处理方法、装置、介质及设备 - Google Patents

一种模型的训练方法、视频处理方法、装置、介质及设备 Download PDF

Info

Publication number
CN116958857A
CN116958857A CN202310520054.XA CN202310520054A CN116958857A CN 116958857 A CN116958857 A CN 116958857A CN 202310520054 A CN202310520054 A CN 202310520054A CN 116958857 A CN116958857 A CN 116958857A
Authority
CN
China
Prior art keywords
video
processing
image
video frame
model
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.)
Pending
Application number
CN202310520054.XA
Other languages
English (en)
Inventor
张墨琪
邓伟辉
梁汉帮
李小成
傅德良
王震
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202310520054.XA priority Critical patent/CN116958857A/zh
Publication of CN116958857A publication Critical patent/CN116958857A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例提供了一种模型的训练方法、视频处理方法、装置、介质及设备。其中训练方法包括：获取样本视频，对样本视频中的视频帧进行至少一种策略的处理，得到视频帧的至少一个处理图像；根据视频帧的至少一个处理图像确定所述视频帧的处理标签；基于样本视频和样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。通过基于多个处理方式形成至少一种策略，对于样本视频中的每一视频帧，可通过多种策略对视频帧进行处理后，筛选得到适合于每一视频帧的处理标签。通过样本视频和样本视频中视频帧的处理标签可训练得到具有对视频中视频帧进行自适应处理功能的视频处理模型，以提高视频处理的准确性。

Description

一种模型的训练方法、视频处理方法、装置、介质及设备
技术领域
本公开实施例涉及视频处理技术，尤其涉及一种模型的训练方法、视频处理方法、装置、介质及设备。
背景技术
现在随着科技的发展，信息的传递方式越来越多的是以图片、视频等流媒体的方式。视频在拍摄、上传、储存和下发的传输过程中，都会存在一些信息的损失，包括拍摄时环境和设备造成的损失、信号传输时的传输损失等。同时，服务端和客户端都会使用不同的编解码器，对视频进行编解码处理，这也会带来视频质量的损失。
针对上述视频质量损失，需采取一些视频画质恢复和质量增强的操作，这些操作可统称为视频的预处理/后处理。
预处理/后处理的实现方式可包括多种处理方式，选择多种处理方式的一种或多种可实现预处理/后处理。但是由于不同视频之间存在差异性，以及同一视频中不同的视频帧也存在差异性，导致采用特定的处理方式无法适用差异化的视频。
发明内容
本公开提供一种模型的训练方法、视频处理方法、装置、介质及设备，以训练得到适用于对差异化的视频帧进行处理的视频处理模型。
第一方面，本公开实施例提供了一种视频处理模型的训练方法，包括：
获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
第二方面，本公开实施例还提供了一种视频处理方法，包括：
获取待处理视频，通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频，其中，所述视频处理模型基于本公开任意实施例提供的视频处理模型的训练方法训练得到。
第三方面，本公开实施例还提供了一种视频处理模型的训练装置，包括：
样本视频预处理模块，用于获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
处理标签确定模块，用于根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
模型训练模块，用于基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
第四方面，本公开实施例还提供了一种视频处理装置，其特征在于，包括：
视频获取模块，用于获取待处理视频；
视频处理模块，用于通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频。其中，所述视频处理模型基于本公开任意实施例提供的视频处理模型的训练方法训练得到。
第五方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，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如本公开实施例提供的视频处理模型的训练方法，和/或，视频处理方法。
第六方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本公开实施例提供的视频处理模型的训练方法，和/或，视频处理方法。
本公开实施例，通过基于多个处理方式形成多种策略，对于样本视频中的每一视频帧，可通过多种策略对视频帧进行处理后，筛选得到适合于每一视频帧的处理标签。通过样本视频和样本视频中视频帧的处理标签可训练得到具有对视频中视频帧进行自适应处理功能的视频处理模型，通过该视频处理模型可对视频中的视频帧进行差异化的自适应处理，以提高视频处理的准确性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种视频处理模型的训练方法的流程示意图；
图2是本公开实施例提供的视频帧处理标签的示意图；
图3为本公开实施例提供的一种目标处理标签的示意图；
图4是本公开实施例提供的视频帧的处理过程示意图；
图5为本公开实施例提供的一种视频处理方法的流程示意图；
图6为本公开实施例所提供的一种视频处理模型的训练装置的结构示意图；
图7为本公开实施例提供的一种视频处理方法的流程示意图；
图8是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
对图像的处理方式包括但不限于去噪处理、人像增强处理、纹理增强处理、锐化处理、压缩处理、去压缩处理、滤波处理等。对视频进行预处理/后处理，一般是通过选择上述处理方式中的一项或多项对视频进行处理，或者，通过预训练模型对视频进行处理，其中，视频中包括多个视频帧，各视频帧的处理方式相同。例如，预训练模型可以是压缩模型、降噪模型等。由于视频中视频帧与视频帧之间存在差异性，例如在光线、噪声、场景等方面存在不同，导致对视频进行逐帧的处理时，存在时序不一致的问题，例如可体现在处理后的视频帧之间存在闪烁问题，即视频帧之间的亮度、色度、对比度的一项或多项存在差异。
针对上述技术问题，本公开实施例提供了一种视频处理模型的训练方法，以训练得到具有自适应处理功能的视频处理模型，通过视频处理模型可对视频中的多个视频帧实现自适应处理，以提高处理后不同视频帧之间时域一致性。参见图1，图1为本公开实施例所提供的一种视频处理模型的训练方法的流程示意图，本公开实施例适用于训练得到一视频处理模型，以对视频中差异化的视频帧进行适用性处理的情形，该方法可以由视频处理模型的训练装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。如图1所示，所述方法包括：
S110、获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像。
S120、根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签。
S130、基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
本公开实施例中，预先创建一算法池，算法池中包括多个图像处理算法，示例性的，算法池中算法包括但不限于去噪算法、人像增强算法、纹理增强算法、锐化算法、压缩算法、去压缩算法、滤波算法等。上述任意算法可对应一种图像处理方式。
通过上述算法池中的多个算法可形成至少一种策略，用于对样本视频中的视频帧进行图像处理。其中，任一策略中包括至少一项的图像处理方式，每一图像处理算法可以是对应一标识，例如可以是序号标识或者字符串标识等，相应的，每一策略中可包括一个或多个处理方式标识。可选的，遍历算法池中的多个算法，通过算法组合的方式形成多种策略，便于对每一视频帧进行处理的情况下进行调用。通过基于算法池中的多个图像处理算法随机组合得到多种策略，提高了对视频帧进行处理的策略全面性，便于后续在全面性的多种策略中确定每一视频帧的差异性目标策略。可以理解的是，针对于视频的预处理和后处理，可配置不同的算法池，算法池中的处理算法可存在部分重叠，相应的，通过本实施例提供的方法训练得到视频预处理模型和视频后处理模型，以在不同情况下对视频进行处理。
本实施例中，针对于样本视频中的每一视频帧，基于上述多种策略分别进行图像处理，以确定适合于每一视频帧的目标策略，并基于该目标策略形成每一视频帧的处理标签。示例性的，基于上述算法池可确定m种策略，样本视频中包括第一视频帧，该第一视频帧为样本视频中的任一视频帧。基于m种策略对样本视频中的第一视频帧分别进行图像处理，得到第一视频帧的m个处理图像。具体的，对第一视频帧进行处理可以包括：确定一策略，基于该策略中的处理方式标识从算法池中调用对应的处理算法，基于调用的处理算法对第一视频帧进行处理。可以理解的是策略中包括的处理方式标识可以是至少一个，在处理方式标识为两个或两个以上的情况下，多个处理方式标识可基于预先设置的调用顺序依次调用。
在对样本视频中的每一视频帧分别进行至少一种策略的处理后，确定每一视频帧的处理标签，其中，每一视频帧的处理标签基于适用于每一视频帧的目标策略生成。相应的，对于样本视频中任一的第一视频帧，经每一策略对第一视频帧处理后得到一个处理图像，相应的，经至少一种策略分别处理后，可得到至少一个处理图像。基于至少一个处理图像得到适用于第一视频帧的目标策略，以得到第一视频帧的处理标签。其中，目标策略可以是通过对至少一个处理图像进行质量评估确定。
可选的，根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签，包括：对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据；根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签。处理图像的质量数据可表征处理图像的图像质量，质量数据越大，表明处理图像的图像质量越高，相应的，对第一视频帧进行处理以得到该处理图像的策略与第一视频帧的适配度越高；质量数据越小，表明处理图像的图像质量越差，相应的，对第一视频帧进行处理以得到该处理图像的策略与第一视频帧的适配度越低。
处理图像的质量数据为经过对处理图像进行质量评估得到的，其中，质量评估方式可以是：基于预先训练的图像评估模型分别对所述处理图像进行质量评估，得到所述至少一个处理图像的质量数据。其中，图像评估模型为预先训练的端到端模型，具有对处理图像进行质量评估的功能。
图像评估模型可以是根据样本图像和样本图像的质量打分进行迭代训练得到的，此处对图像评估模型的具体结构不作限定，此处的质量打分可以是基于画质的打分，还可以是基于画质和图像数据量的打分，该质量打分可根据质量判定条件确定。可以理解的是，预处理和后处理的图像质量要求不同的情况下，可训练得到不同的图像评估模型，以在视频预处理模型或视频后处理模型的训练过程中，对处理图像分别进行质量评估。
将第一视频帧的处理图像输入至图像评估模型中，得到该图像评估模型输出的质量数据，该质量数据可以是位于0-1之间的数值。
可选的，质量评估方式还可以是：确定所述处理图像的图像画质数据和图像尺寸数据，基于所述图像画质数据和所述图像尺寸数据得到所述处理图像的质量数据。其中，处理图像的图像画质数据用于表征处理图像的画面质量，可通过预先训练的图像画质评估模型预测得到，例如将处理图像输入至图像画质评估模型，得到处理图像的图像画质数据。图像尺寸数据可以是基于处理图像的图像大小确定，可选的，图像尺寸数据可以是处理图像的数据量大小。图像画质数据影响处理图像的展示效果，图像尺寸数据越大处理图像的展示效果越好，图像尺寸数据影响处理图像的传输效果，图像尺寸数据越大，处理图像的传输消耗越大，同时传输时长越大。
通过每一处理图像的图像画质数据和图像尺寸数据综合得到该处理图像的质量数据。示例性的，可以是将图像画质数据和图像尺寸数据进行加权处理，得到处理图像的质量数据，其中，图像画质数据和图像尺寸数据的权重可以是预先设置的。可以理解的是，在预处理和后处理的不同阶段，可设置图像画质数据和图像尺寸数据的不同权重。例如，该处理图像的质量数据可通过如下公式计算得到：Imagescore＝w1·Imagequality+w2·Imagesize，其中，Imagequality为图像画质数据，Imagesize为图像尺寸数据，w1和w2分别为图像画质数据和图像尺寸数据的权重。
在上述实施例的基础上，根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：确定最大质量数据的处理图像，基于所述最大质量数据的处理图像的策略生成视频帧的处理标签。对于样本视频中的第一视频帧，在第一视频帧的至少一个处理图像中筛选目标处理图像，具体的，基于处理图像的质量数据进行处理图像的筛选，将最大质量数据的处理图像确定为第一视频帧的目标处理图像。将对第一视频帧进行处理以得到目标处理图像的策略确定为第一视频帧的目标策略，并基于该目标策略得到第一视频帧的处理标签，具体的，可以是基于目标策略中包括的处理方式标识生成处理标签，处理标签中可以包括一个或多个处理方式标识。示例性的，目标策略中包括降噪标识和人像增强处理标识，相应的，处理标签中可以包括降噪标识和人像增强处理标识。
示例性的，参见图2，图2是本公开实施例提供的视频帧处理标签的示意图。针对于样本视频，以样本视频包括视频帧1、视频帧2和视频帧3为例，对于视频帧1，在算法池中确定包括一个或多个处理方式的策略，基于多种策略分别对视频帧1进行处理，得到至少一个处理图像。示例性的，策略1可以包括去噪处理，策略2可以包括纹理增强处理，策略3可以包括人像增强处理，策略4可以包括去噪处理和纹理增强处理，策略5可以包括去噪处理和人像增强处理，策略6可以包括纹理增强处理和人像增强处理，等等。相应的，经每一策略对视频帧1进行处理后均得到一个处理图像，对处理图像进行质量评估，得到每一处理图像的质量数据，筛选最大质量数据对应的策略，以生成视频帧1的处理标签，其中，处理后的视频帧1为最大质量数据的处理图像。图2中，对于视频帧1，最大质量数据的处理图像为经策略1处理得到的处理图像，相应的，基于策略1中的处理方式(去噪方式)得到视频帧1的处理标签。同理，对于视频帧2，最大质量数据的处理图像为经策略2理得到的处理图像，相应的，基于策略2中的处理方式(纹理增强处理)得到视频帧2的处理标签。对于视频帧3，最大质量数据的处理图像为经策略4理得到的处理图像，相应的，基于策略4中的处理方式(去噪方式和纹理增强处理)得到视频帧3的处理标签。
本实施例中，通过对样本图像中视频帧经过不同的策略进行处理后，对得到的至少一个处理图像进行质量评估后得到适合于该视频帧的处理标签，不同视频帧之间处理标签可以不同，实现了根据视频帧的差异性确定适合于各个视频帧的处理标签，为后续训练得到能够对视频中视频帧进行差异性处理的视频处理模型提供训练样本和样本标签。
在上述实施例的基础上，样本视频中多个连续的视频帧可以是处于同一场景中，同一场景中的视频帧的光线、噪声等差异性小，如果同一场景中的视频帧采样不同的处理方式会导致同一场景的视频帧在处理后存在闪烁的问题。针对上述问题，为了避免同一场景中的视频帧设置不同的处理标签，在得到视频帧的处理标签后，基于视频帧的场景信息对视频帧的处理标签进行更新，以统一具体相同场景信息的多个视频帧的处理标签。
对所述样本视频中的视频帧进行场景分类，得到所述视频帧的场景信息。可选的，基于场景分类器对样本视频中的视频帧进行处理，得到样本视频中每一视频帧的场景信息，场景类型包括但不限于人像场景、美食场景、黄昏场景、黑夜场景、景色场景等，相应的，场景信息可用于区分上述场景类型即可，例如可以是场景标识。场景分类器可以是诸如机器学习模型，可预先训练得到。
可选的，对视频帧进行场景分类，通过确定当前视频帧与前一视频帧的场景是否相同，如果相同则设置与前一视频帧相同的场景信息，如不相同可设置一新的场景信息，该场景信息不同于已设置场景信息即可。示例性的，随机设置样本视频中首个视频帧的场景信息，例如可以设置首个视频帧的场景信息为1，对于第二视频帧，第二视频帧为非首个视频帧中的任一帧，可通过确定第二视频帧与前一视频帧的场景是否相同的方式确定第二视频帧的场景信息。
通过确定视频帧的场景信息，可统一相同场景信息的视频帧的处理标签，尤其是将视频帧序列号连续的一组相同场景信息的视频帧，更新为相同的处理标签。
可选的，根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：对于任一视频帧，基于所述视频帧的处理图像的质量数据确定所述视频帧的初始处理标签；对于同一场景信息的多个视频帧，基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签，并将所述目标处理标签更新所述多个视频帧的初始处理标签。
其中，初始处理标签可以基于最大质量数据确定的处理标签，此处不再赘述。对于同一场景信息的多个视频帧，基于多个视频帧的初始处理标签确定该场景信息中多个视频帧的统一处理标签，即目标处理标签，并将同一场景信息的多个视频帧的初始处理标签均更新为目标处理标签，实现基于场景信息设置视频帧的处理标签，避免处理后视频帧之间的闪烁问题。
可选的，在同一场景信息的多个视频帧中，确定多个视频帧的初始处理标签中每一初始处理标签的标签重复次数，将最大标签重复次数的初始处理标签确定为目标处理标签。为了避免在初始处理标签确定过程中误差和偶然情况，并适用于大部分视频帧的处理需求，将最大标签重复次数的初始处理标签确定为目标处理标签，能够兼顾同一场景信息下大部分视频帧的处理需求以及同一场景信息下视频帧处理标签的统一性。
参见图3，图3为本公开实施例提供的一种目标处理标签的示意图。其中，视频帧1、视频帧2和视频帧n为同一场景信息下的多个视频帧，其中，视频帧1的初始处理标签为去噪标签、视频帧2的初始处理标签为去噪标签、视频帧n的初始处理标签为包括去压缩和纹理增强处理的标签。根据各个初始处理标签的重复次数，即初始处理标签的众数确定目标处理标签，图3中去噪标签的重复次数大于其他处理标签的重复次数，相应的，目标处理标签为去噪标签。据此将视频帧1、视频帧2和视频帧n的初始处理标签均更新为去噪标签，完成同一场景信息下多个视频帧的处理标签的统一。
在上述实施例的基础上，将样本视频中的多个视频帧和每一视频帧的处理标签作为样本数据，训练得到具有对视频中视频帧进行自适应处理功能的视频处理模型，以满足对视频中视频帧的差异化处理。
可选的，视频处理模型的训练过程包括：迭代执行如下训练过程，在满足训练结束条件的情况下，得到训练好的视频处理模型：将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像；基于所述视频帧的处理标签对所述视频帧进行图像处理，得到第二处理图像；基于所述第一处理图像和所述第二处理图像生成第一损失函数，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节。
可基于样本视频中的任一视频帧执行上述迭代过程，此处可通过第一视频帧表征样本视频中的任一视频帧。在任一轮次的训练过程中，对于第一视频帧，通过待训练的视频处理模型处理得到第一处理图像，基于第一视频帧的处理标签从算法池中调用处理算法对第一视频帧进行图像处理，得到第二处理图像，通过第一处理图像和第二处理图像可得到第一损失函数。示例性的，第一损失函数可以是其中，outputij为第一处理图像中的像素点数据，labelij为第二处理图像中的像素点数据，m和n分别为第一处理图像和第二处理图像的横纵像素点数量。
在上述实施例的基础上，为了提高损失函数的准确性，进一步提高视频处理模型的训练效率，在确定第一损失函数的继续上还包括：分别确定所述第一处理视频帧和所述视频帧的图像画质数据，得到所述第一处理视频帧和所述视频帧的图像画质数据得到第二损失函数；相应的，基于所述第一损失函数和所述第二损失函数得到目标损失函数，基于所述目标损失函数对所述待训练的视频处理模型进行参数调节。其中，第一处理视频帧和视频帧的图像画质数据可以是基于画质评估模型处理得到。相应的，第二损失函数可基于第一处理视频帧和视频帧的图像画质数据差值确定。
相应的，目标损失函数可以是第一损失函数与第二损失函数的和，或者，目标损失函数可以基于第一损失函数与第二损失函数加权处理得到。示例性的，目标损失函数为L＝Lmse+Lpreceptual，Lpreceptual为第二损失函数。
通过确定的损失函数对视频处理图像的模型参数进行调节，示例性的，可以是基于梯度下降法对模型参数进行调节，此处不作限定。迭代执行上述训练过程，在满足训练结束条件的情况下，可得到训练好的视频训练模型。
在上述实施例的基础上，由于视频帧之间具有时序性，视频帧之间的时序性可对视频帧的处理提供一定的参考信息。可选的，将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像，包括：确定所述视频帧的上下文视频帧，将所述视频帧和所述上下文视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像。
其中，上下文视频帧为当前视频帧的相邻视频帧，包括位于当前视频帧之前的相邻视频帧和位于当前视频帧之后的相邻视频帧，此处对上下文视频帧的数量不作限定，示例性的，上下文视频帧的数量可以是2或4等，即位于当前视频帧之前的相邻视频帧和位于当前视频帧之后的相邻视频帧的视频帧数量分别为1或2。其中，对于首帧视频帧或尾帧视频帧等不具有上下文视频帧或者上下文视频帧不全的情况，可复制当前视频帧补全上下文视频帧。
通过将上下文视频帧和当前视频帧进行叠加处理，作为视频处理模型的输入，使得在模型的处理过程中可参考视频帧之间的时序关系，提高视频处理模型的处理准确性。
示例性的，参见图4，图4是本公开实施例提供的视频帧的处理过程示意图。图4中，每一图像帧的维度为<c,h,w>，模型输入的维度为<5c,h,w>，模型输出的维度为<c,h,w>。
本公开实施例的技术方案，通过基于多个处理方式形成多种策略，对于样本视频中的每一视频帧，可通过多种策略对视频帧进行处理后，筛选得到适合于每一视频帧的处理标签。通过样本视频和样本视频中视频帧的处理标签可训练得到具有对视频中视频帧进行自适应处理功能的视频处理模型，通过该视频处理模型可对视频中的视频帧进行差异化的自适应处理，以提高视频处理的准确性。
图5为本公开实施例提供的一种视频处理方法的流程示意图，本公开实施例适用于通过预训练的视频处理模型对视频中多个视频帧分别进行自适应处理的情形，该方法可以由视频处理装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。如图5所示，所述方法包括：
S210、获取待处理视频。
S220、通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频。
其中，对待处理模型处理过程可以是：对于待处理视频中的第三视频帧，第三视频帧为待处理视频中的任一视频帧，确定该第三视频帧的上下文视频帧，基于第三视频帧和上下文视频帧的时序关系对第三视频帧和上下文视频帧进行叠加处理，得到叠加视频帧，将叠加视频帧输入到视频处理模型中，得到处理后的第三视频帧，多个处理后的第三视频帧形成处理后的视频。
本公开实施例中的视频处理模型为具有视频帧自适应处理功能的模型，对于每一视频帧可采用该视频帧适合的处理方式进行处理，实现对差异性的视频帧进行差异化处理，提高视频处理的准确性，避免单一处理方式对待处理视频中多个视频帧进行处理导致的时域不一致的问题。
图6为本公开实施例所提供的一种视频处理模型的训练装置结构示意图，如图6所示，所述装置包括：样本视频预处理模块310、处理标签确定模块320以及模型训练模块330。
样本视频预处理模块310，用于获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
处理标签确定模块320，用于根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
模型训练模块330，用于基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
在上述实施例的基础上，可选的，所述任一策略中包括至少一项的图像处理方式。
在上述实施例的基础上，可选的，处理标签确定模块320用于：
对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据；
根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签。
可选的，处理标签确定模块320还用于：
基于预先训练的图像评估模型分别对所述处理图像进行质量评估，得到所述至少一个处理图像的质量数据；或者，
确定所述处理图像的图像画质数据和图像尺寸数据，基于所述图像画质数据和所述图像尺寸数据得到所述处理图像的质量数据。
可选的，处理标签确定模块320还用于：
确定最大质量数据的处理图像，基于所述最大质量数据的处理图像的策略生成视频帧的处理标签。
在上述实施例的基础上，该装置还包括：
场景分类模块，用于对所述样本视频中的视频帧进行场景分类，得到所述视频帧的场景信息；
处理标签确定模块320还用于：对于任一视频帧，基于所述视频帧的处理图像的质量数据确定所述视频帧的初始处理标签；对于同一场景信息的多个视频帧，基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签，并将所述目标处理标签更新所述多个视频帧的初始处理标签。
可选的，处理标签确定模块320还用于：确定多个视频帧的初始处理标签中每一初始处理标签的标签重复次数，将最大标签重复次数的初始处理标签确定为目标处理标签。
在上述实施例的基础上，可选的，模型训练模块330用于：
迭代执行如下训练过程，在满足训练结束条件的情况下，得到训练好的视频处理模型：
将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像；
基于所述视频帧的处理标签对所述视频帧进行图像处理，得到第二处理图像；
基于所述第一处理图像和所述第二处理图像生成第一损失函数，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节。
可选的，模型训练模块330还用于：
分别确定所述第一处理视频帧和所述视频帧的图像画质数据，得到所述第一处理视频帧和所述视频帧的图像画质数据得到第二损失函数；
基于所述第一损失函数和所述第二损失函数得到目标损失函数，基于所述目标损失函数对所述待训练的视频处理模型进行参数调节。
可选的，模型训练模块330还用于：
确定所述视频帧的上下文视频帧，将所述视频帧和所述上下文视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像。
本公开实施例所提供的视频处理模型的训练装置可执行本公开任意实施例所提供的视频处理模型的训练方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图7是本公开实施例提供的一种图像处理装置的结构示意图。该图像处理装置包括：
视频获取模块410，用于获取待处理视频；
视频处理模块420，用于通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频。
本公开实施例所提供的视频处理装置可执行本公开任意实施例所提供的视频处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图8为本公开实施例所提供的一种电子设备的结构示意图。下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的XX方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视频处理模型的训练方法，和/或，视频处理方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理视频，通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频。其中，所述视频处理模型基于本公开实施例提供的视频处理模型的训练方法训练得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，【示例一】提供了一种视频处理模型的训练方法，包括：
获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
根据本公开的一个或多个实施例，【示例二】提供了示例一的视频处理模型的训练方法，还包括：任一所述策略中包括至少一项的图像处理方式。
根据本公开的一个或多个实施例，【示例三】提供了示例一的视频处理模型的训练方法，还包括：
所述根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签，包括：
对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据；
根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签。
根据本公开的一个或多个实施例，【示例四】提供了示例一的视频处理模型的训练方法，还包括：
所述对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据，包括：基于预先训练的图像评估模型分别对所述处理图像进行质量评估，得到所述至少一个处理图像的质量数据；或者，确定所述处理图像的图像画质数据和图像尺寸数据，基于所述图像画质数据和所述图像尺寸数据得到所述处理图像的质量数据。
根据本公开的一个或多个实施例，【示例五】提供了示例一的视频处理模型的训练方法，还包括：
根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：确定最大质量数据的处理图像，基于所述最大质量数据的处理图像的策略生成视频帧的处理标签。
根据本公开的一个或多个实施例，【示例六】提供了示例一的视频处理模型的训练方法，还包括：
所述方法还包括：对所述样本视频中的视频帧进行场景分类，得到所述视频帧的场景信息；
所述根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：对于任一视频帧，基于所述视频帧的处理图像的质量数据确定所述视频帧的初始处理标签；对于同一场景信息的多个视频帧，基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签，并将所述目标处理标签更新所述多个视频帧的初始处理标签。
根据本公开的一个或多个实施例，【示例七】提供了示例一的视频处理模型的训练方法，还包括：
所述基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签包括：确定多个视频帧的初始处理标签中每一初始处理标签的标签重复次数，将最大标签重复次数的初始处理标签确定为目标处理标签。
根据本公开的一个或多个实施例，【示例八】提供了示例一的视频处理模型的训练方法，还包括：
所述基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型，包括：迭代执行如下训练过程，在满足训练结束条件的情况下，得到训练好的视频处理模型：将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像；基于所述视频帧的处理标签对所述视频帧进行图像处理，得到第二处理图像；基于所述第一处理图像和所述第二处理图像生成第一损失函数，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节。
根据本公开的一个或多个实施例，【示例九】提供了示例一的视频处理模型的训练方法，还包括：
所述方法还包括：分别确定所述第一处理视频帧和所述视频帧的图像画质数据，得到所述第一处理视频帧和所述视频帧的图像画质数据得到第二损失函数；
相应的，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节，包括：基于所述第一损失函数和所述第二损失函数得到目标损失函数，基于所述目标损失函数对所述待训练的视频处理模型进行参数调节。
根据本公开的一个或多个实施例，【示例十】提供了示例一的视频处理模型的训练方法，还包括：
所述将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像，包括：确定所述视频帧的上下文视频帧，将所述视频帧和所述上下文视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像。
根据本公开的一个或多个实施例，【示例十一】提供了一种视频处理方法，包括：
获取待处理视频，通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频。其中，所述视频处理模型基于本公开实施例提供的视频处理模型的训练方法训练得到。
根据本公开的一个或多个实施例，【示例十二】提供了一种视频处理模型的训练装置，还包括：
样本视频预处理模块，用于获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
处理标签确定模块，用于根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
模型训练模块，用于基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
根据本公开的一个或多个实施例，【示例十三】提供了一种视频处理装置，包括：
视频获取模块，用于获取待处理视频；
视频处理模块，用于通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频；其中，所述视频处理模型基于本公开实施例提供的视频处理模型的训练方法训练得到。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (15)

1.一种视频处理模型的训练方法，其特征在于，包括：
获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
2.根据权利要求1所述的方法，其特征在于，任一所述策略中包括至少一项的图像处理方式。
3.根据权利要求1所述的方法，其特征在于，所述根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签，包括：
对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据；
根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签。
4.根据权利要求3所述的方法，其特征在于，所述对所述至少一个处理图像进行质量评估，得到所述至少一个处理图像的质量数据，包括：
基于预先训练的图像评估模型分别对所述处理图像进行质量评估，得到所述处理图像的质量数据；或者，
确定所述处理图像的图像画质数据和图像尺寸数据，基于所述图像画质数据和所述图像尺寸数据得到所述处理图像的质量数据。
5.根据权利要求3所述的方法，其特征在于，根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：
确定最大质量数据的处理图像，基于所述最大质量数据的处理图像的策略生成视频帧的处理标签。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述样本视频中的视频帧进行场景分类，得到所述视频帧的场景信息；
所述根据所述至少一个处理图像的质量数据确定所述视频帧的处理标签，包括：
对于任一视频帧，基于所述视频帧的处理图像的质量数据确定所述视频帧的初始处理标签；
对于同一场景信息的多个视频帧，基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签，并将所述目标处理标签更新所述多个视频帧的初始处理标签。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多个视频帧的初始处理标签确定适用于所述场景信息的目标处理标签包括：
确定多个视频帧的初始处理标签中每一初始处理标签的标签重复次数，将最大标签重复次数的初始处理标签确定为目标处理标签。
8.根据权利要求1所述的方法，其特征在于，所述基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型，包括：
迭代执行如下训练过程，在满足训练结束条件的情况下，得到训练好的视频处理模型：
将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像；
基于所述视频帧的处理标签对所述视频帧进行图像处理，得到第二处理图像；
基于所述第一处理图像和所述第二处理图像生成第一损失函数，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
分别确定所述第一处理视频帧和所述视频帧的图像画质数据，得到所述第一处理视频帧和所述视频帧的图像画质数据得到第二损失函数；
相应的，基于所述第一损失函数对所述待训练的视频处理模型进行参数调节，包括：
基于所述第一损失函数和所述第二损失函数得到目标损失函数，基于所述目标损失函数对所述待训练的视频处理模型进行参数调节。
10.根据权利要求8所述的方法，其特征在于，所述将所述视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像，包括：
确定所述视频帧的上下文视频帧，将所述视频帧和所述上下文视频帧输入至所述待训练的视频处理模型中，得到所述视频帧的第一处理图像。
11.一种视频处理方法，其特征在于，包括：
获取待处理视频，通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频，其中，所述视频处理模型基于权利要求1-10任一所述的视频处理模型的训练方法训练得到。
12.一种视频处理模型的训练装置，其特征在于，包括：
样本视频预处理模块，用于获取样本视频，对所述样本视频中的视频帧进行至少一种策略的处理，得到所述视频帧的至少一个处理图像；
处理标签确定模块，用于根据所述视频帧的至少一个处理图像确定所述视频帧的处理标签；
模型训练模块，用于基于所述样本视频和所述样本视频中视频帧的处理标签对待训练的视频处理模型进行迭代训练，得到训练好的视频处理模型。
13.一种视频处理装置，其特征在于，包括：
视频获取模块，用于获取待处理视频；
视频处理模块，用于通过预先训练得到视频处理模型对所述待处理视频中的多个视频帧分别进行处理，得到处理后的视频；其中，所述视频处理模型基于权利要求1-10任一所述的视频处理模型的训练方法训练得到。
14.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，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如权利要求1-10中任一所述的视频处理模型的训练方法，和/或，权利要求11所述的视频处理方法。
15.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的视频处理模型的训练方法，和/或，权利要求11所述的视频处理方法。
CN202310520054.XA 2023-05-09 2023-05-09 一种模型的训练方法、视频处理方法、装置、介质及设备 Pending CN116958857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310520054.XA CN116958857A (zh) 2023-05-09 2023-05-09 一种模型的训练方法、视频处理方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310520054.XA CN116958857A (zh) 2023-05-09 2023-05-09 一种模型的训练方法、视频处理方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN116958857A true CN116958857A (zh) 2023-10-27

Family

ID=88445071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310520054.XA Pending CN116958857A (zh) 2023-05-09 2023-05-09 一种模型的训练方法、视频处理方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN116958857A (zh)

Similar Documents

Publication Publication Date Title
CN112419151B (zh) 图像退化处理方法、装置、存储介质及电子设备
CN112351222B (zh) 图像特效处理方法、装置、电子设备和计算机可读存储介质
CN111459364B (zh) 图标更新方法、装置和电子设备
CN112800276B (zh) 视频封面确定方法、装置、介质及设备
CN115346278A (zh) 图像检测方法、装置、可读介质及电子设备
CN113132795A (zh) 图像处理方法及装置
CN112396676A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN113038176B (zh) 视频抽帧方法、装置和电子设备
CN112465940B (zh) 图像渲染方法、装置、电子设备及存储介质
CN110399802B (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN110809166B (zh) 视频数据处理方法、装置和电子设备
CN111402159B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112351221B (zh) 图像特效处理方法、装置、电子设备和计算机可读存储介质
CN110689478B (zh) 图像风格化处理方法、装置、电子设备及可读介质
CN116596748A (zh) 图像风格化处理方法、装置、设备、存储介质和程序产品
CN116958857A (zh) 一种模型的训练方法、视频处理方法、装置、介质及设备
CN112312200A (zh) 视频封面生成方法、装置和电子设备
CN110363717B (zh) 一种处理面部图像的方法、装置、介质和电子设备
CN113066166A (zh) 图像处理方法、装置和电子设备
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN112418233A (zh) 图像处理方法、装置、可读介质及电子设备
CN113099101A (zh) 摄像参数调节方法、装置及电子设备
CN110599437A (zh) 用于处理视频的方法和装置
CN112488943B (zh) 模型训练和图像去雾方法、装置、设备
CN114827482B (zh) 图像亮度的调整方法、装置、电子设备及介质

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