CN117114981A - 超分网络参数调整方法、装置、设备、介质及程序产品 - Google Patents
超分网络参数调整方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN117114981A CN117114981A CN202210524706.2A CN202210524706A CN117114981A CN 117114981 A CN117114981 A CN 117114981A CN 202210524706 A CN202210524706 A CN 202210524706A CN 117114981 A CN117114981 A CN 117114981A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- resolution image
- feature information
- loss function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004913 activation Effects 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 101
- 238000005070 sampling Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种超分网络参数调整方法、装置、设备、介质及程序产品,本公开的特征提取器能够提取出精细准确的图像边缘和高频特征。该方法包括:通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,特征提取器包括至少一个卷积激活模块,卷积激活模块由卷积层和激活函数组成;基于第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,计算对比损失函数得到基于第一重建图像的第一对比损失函数值;基于第一对比损失函数值,调整超分网络的参数,以便通过调整后的超分网络对低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种超分网络参数调整方法、装置、电子设备、存储介质及程序产品。
背景技术
在计算机视觉任务中,图像超分辨率技术是指从一张低分辨率图像中恢复出一张高分辨率图像,当前通常是通过基于深度学习的超分网络实现图像超分辨率技术。
在通过超分网络实现图像超分辨率技术之前,通常先通过图像样本数据(低分辨率图像和高分辨率图像)以及对比损失函数对构建的超分网络进行训练,以得到效果较好(重建图像特征尽可能接近高分辨率图像特征,且重建图像特征尽可能远离低分辨率图像特征)的超分网络,具体地,先通过超分网络对低分辨图像进行重建得到重建图像,然后通过特征提取器分别提取出高分辨率图像的特征信息,重建图像的特征信息以及低分辨率图像的特征信息,再基于高分辨率图像的特征信息,重建图像的特征信息,低分辨率图像的特征信息,以及对比损失函数计算得到的对比损失函数值对超分网络的参数进行调整,以实现对超分网络的训练。
当前在对超分网络进行训练的过程中,通常采用了较为深层的特征提取器,然而较为深层的特征提取器提取的深层特征失去了精细准确的图像边缘和高频特征,无法正确调整超分网络的参数,因此通过超分网络重建得到的重建图像通常会产生较多的伪影,这些伪影不仅会导致重建图像失真,而且对重建图像的主观质量和客观指标峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)都有较大的影响。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种超分网络参数调整方法、装置、电子设备、存储介质及程序产品。
本公开实施例的第一方面,提供一种超分网络参数调整方法,该方法包括:通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成,第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,该高分辨率图像与该低分辨率图像为该超分网络的训练样本图像,该高分辨率图像与该低分辨率图像为不同分辨率下相同视觉内容的图像,该上采样图像为对该低分辨率图像进行上采样处理得到的图像,第一重建图像、该高分辨率图像与该上采样图像具有相同的分辨率;基于第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值;基于第一对比损失函数值,调整该超分网络的参数,以便通过该调整后的超分网络对该低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
可选地,该至少一个卷积激活模块中的每个卷积激活模块的卷积层相同。
可选地,该至少一个卷积激活模块串联连接。
可选地,该上采样处理为双三次插值处理。
可选地,该对比损失函数为第一差异项与第二差异项的比值,第一差异项用于表征第一重建图像与该高分辨率图像的差异,第二差异项用于表征该上采样图像与该高分辨率图像的差异。
可选地,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L1距离。
可选地,该对比损失函数为第三差异项与第四差异项的比值,第三差异项用于表征第一重建图像与该高分辨率图像的差异,第四差异项用于表征第一重建图像与该上采样图像的差异。
可选地,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L1距离。
本公开实施例的第二方面,提供一种超分网络参数调整装置,该装置包括:特征提取模块,计算模块和调整模块;该特征提取模块,用于通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成,第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,该高分辨率图像与该低分辨率图像为该超分网络的训练样本图像,该高分辨率图像与该低分辨率图像为不同分辨率下相同视觉内容的图像,该上采样图像为对该低分辨率图像进行上采样处理得到的图像,第一重建图像、该高分辨率图像与该上采样图像具有相同的分辨率;该计算模块,用于基于该特征提取模块提取的第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值;该调整模块,用于基于该计算模块得到的第一对比损失函数值,调整该超分网络的参数,以便通过该调整后的超分网络对该低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
可选地,该至少一个卷积激活模块中的每个卷积激活模块的卷积层相同。
可选地,该至少一个卷积激活模块串联连接。
可选地,该上采样处理为双三次插值处理。
可选地,该对比损失函数为第一差异项与第二差异项的比值,第一差异项用于表征第一重建图像与该高分辨率图像的差异,第二差异项用于表征该上采样图像与该高分辨率图像的差异。
可选地,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L1距离。
可选地,该对比损失函数为第三差异项与第四差异项的比值,第三差异项用于表征第一重建图像与该高分辨率图像的差异,第四差异项用于表征第一重建图像与该上采样图像的差异。
可选地,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L1距离。
本公开实施例的第三方面,提供一种电子设备,该电子设备包括处理器、存储器及存储在该存储器上并可在该处理器上运行的计算机程序,该计算机程序被该处理器执行时实现如第一方面所述的超分网络参数调整方法。
本公开实施例的第四方面,提供一种计算机可读存储介质,该计算机可读存储介质上存储计算机程序,该计算机程序被处理器执行时实现如第一方面所述的超分网络参数调整方法。
本公开实施例的第五方面,提供了一种计算机程序产品,其中,该计算机程序产品包括计算机程序,当该计算机程序产品在处理器上运行时,使得处理器执行该计算机程序,实现如第一方面所述的超分网络参数调整方法。
本公开实施例的第六方面,提供了一种芯片,该芯片包括处理器和通信接口,该通信接口和该处理器耦合,该处理器用于运行程序指令,实现如第一方面所述的超分网络参数调整方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:本公开实施例中,通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成;基于第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值;基于第一对比损失函数值,调整该超分网络的参数,基于调整后的超分网络对低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。由于该特征提取器包括至少一个卷积激活模块,该特征提取器中不存在改变分辨率的算子,因此特征提取器在对第一重建图像、高分辨率图像和上采样图像进行特征提取的过程中一直保持了高分辨率,没有做下采样,所以得到的第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息均没有特征损失,如此,可以提取出精细准确的图像边缘和高频特征,进而使得基于该特征提取器提取到的第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息得到的对比损失函数值,可以正确地调整超分网络的参数,进而通过调整后的超分网络重建得到的第二重建图像不会产生较多的伪影,也就不会因伪影导致第二重建图像失真,而且可以提升第二重建图像的主观质量和客观指标峰值信噪比。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种超分网络参数调整***的结构示意图;
图2为本公开实施例提供的一种超分网络参数调整方法的流程示意图;
图3为本公开实施例提供的一种特征提取器的结构示意图;
图4为本公开实施例提供的一种超分网络参数调整装置的结构框图;
图5为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
本公开的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
首先,图1为本公开实施例示出的一种可能的超分网络参数调整***。如图1所示,该超分网络参数调整***包括超分网络、上采样单元、特征提取器、对比损失函数值计算单元以及参数调整单元,该***还可以包括其他的单元,如其他损失函数单元,具体可以根据实际情况确定,此处不做限定。其中,超分网络用于对低分辨率图像进行重建,得到预设分辨率的重建图像,上采样单元用于对低分辨率图像进行上采样,得到预设分辨率的上采样图像,特征提取器用于分别提取重建图像的特征信息、高分辨率图像(高分辨率图像的分辨率为预设分辨率)的特征信息和上采样图像的特征信息,对比损失函数值计算单元用于基于重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,以及对比损失函数,计算对比损失函数值,然后参数调整单元用于基于对比损失函数值确定对超分网络的参数调整方案,并对超分网络的参数进行调整,以得到效果更好的超分网络。
本公开实施例中的电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)、个人计算机(personal computer,PC)等;本公开实施例不作具体限定。
本公开实施例提供的超分网络参数调整方法的执行主体可以为上述的电子设备,也可以为该电子设备中能够实现该超分网络参数调整方法的功能模块和/或功能实体,具体的可以根据实际使用需求确定,本公开实施例不作限定。
下面结合附图,通过具体的实施例及其应用场景对本公开实施例提供的超分网络参数调整方法进行详细地说明。
如图2所示,本公开实施例提供一种超分网络参数调整方法,该方法可以包括下述的步骤201至步骤203。
201、通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息。
其中,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成。
可选地,该特征提取器还可以包括其他不会改变分辨率的算子,具体可以根据实际情况确定,此处不做限定。
可选地,该特征提取器由至少一个卷积激活模块组成,每个卷积激活模块由一个卷积层和一个激活函数组成。
可选地,该特征提取器由至少一个卷积激活模块串联组成。
可选地,每个卷积激活模块由至少一个卷积层和至少一个激活函数组成,不同的卷积激活模块包括的卷积层数量可以相同,也可以不相同,不同的卷积激活模块包括的激活函数的数量可以相同,也可以不相同;具体可以根据实际情况确定,此处不做限定。
示例性地,如图3所示,该特征提取器由2个卷积激活模块串联组成,一个卷积激活模块由一个卷积层和一个激活模块组成,图中虚线框指示的部分为一个卷积激活模块。
本公开实施例中,由于该特征提取器包括至少一个卷积激活模块,该特征提取器中不存在改变分辨率的算子,例如conv_s2,max_pooling,avg_pooling等,因此特征提取器在对第一重建图像、高分辨率图像和上采样图像进行特征提取的过程中一直保持了高分辨率,没有做下采样,所以得到的第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息均没有特征损失,如此,可以提取出精细准确的图像边缘和高频特征,进而使得基于该特征提取器提取到的第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息得到的对比损失函数值,可以正确地调整超分网络的参数,进而通过调整后的超分网络重建得到的第二重建图像不会产生较多的伪影,也就不会因伪影导致第二重建图像失真,而且可以提升第二重建图像的主观质量和客观指标峰值信噪比。
可选地,至少一个卷积激活模块中的每个卷积激活模块的卷积层可以相同,该每个卷积激活模块的卷积层也可以不相同,具体可以根据实际情况确定,此处不做限定。
本公开实施例中,每个卷积激活模块的卷积层相同,可以使特征提取器的结构简单,便于进行特征提取,而且可以提取出精细准确的图像边缘和高频特征。
可选地,该每个卷积激活模块的卷积层相同,该每个卷积激活模块的卷积层的卷积核为3×3,通道数为64。如此,特征
可以理解,每个卷积层的卷积核也可以为其他值,通道数也可以为其他值,具体可以根据实际情况确定,此处不做限定。
本公开实施例中,该每个卷积激活模块的卷积层的卷积核为3×3,通道数为64,可以使特征提取器的结构简单,便于进行特征提取,而且可以提取出精细准确的图像边缘和高频特征。
其中,第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,该高分辨率图像与该低分辨率图像为该超分网络的训练样本图像,该高分辨率图像与该低分辨率图像为不同分辨率下相同视觉内容的图像,该上采样图像为对该低分辨率图像进行上采样处理得到的图像,第一重建图像、该高分辨率图像与该上采样图像具有相同的分辨率。
可以理解,第一重建图像为通过超分网络对低分辨率图像进行重建得到的预设分辨率的图像,该高分辨率图像为与该低分辨率图像对应的该预设分辨率的样本图像,该上采样图像为对该低分辨率图像进行上采样处理得到的该预设分辨率的图像。
可以理解,第一重建图像、高分辨率图像和上采样图像的分辨率均为预设分辨率,低分辨率图像的分辨率低于预设分辨率。
低分辨率图像和高分辨率图像的分辨率不同,但是展示的视觉内容(图像画面、图像内容)相同。
可选地,可以对本公开实施例中提供的特征提取器进行训练,也可以不对本公开实施例中提供的特征提取器进行训练,若不进行训练,特征提取器中的所有的权重采用随机初始化即可。
本公开实施例中,无需对特征提取器进行训练,所有的权重采用随机初始化即可,一方面该特征提取器能够提取出精细准确的图像边缘和高频特征,基于该高频特征提取器的对比损失函数能够在训练过程中提供更加精确的监督信息,正确有效的引导对超分网络的训练过程,极大的减少重建图像的伪影并提高重建图像质量;另一方面,该特征提取器无需训练,可以节约对特征提取器训练过程,提高超分网络的训练效率。
可选地,该上采样处理为双三次插值处理。
可选地,上采样处理也可以为最近邻插值、双线性插值、转置卷积等,具体可以根据实际情况确定,此处不做限定。
本公开实施例中,基于双三次插值处理得到的上采样图像通过低分辨率图像的本身内容提高图像的分辨率,并没有引入更多信息,如此通过特征提取器对上采样图像进行特征提取得到的特征信息更接近低分辨率图像的特征信息,如此可以计算得到比较准确地对比损失函数值,进而可以基于对比损失函数值正确地调整超分网络的参数,使得通过调整后的超分网络对该低分辨率图像进行重建得到的第二重建图像的特征更接近高分辨率图像的特征,同时更远离低分辨率图像的特征。
202、基于第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值。
可选地,该对比损失函数为第一差异项与第二差异项的比值,第一差异项用于表征第一重建图像与该高分辨率图像的差异,第二差异项用于表征该上采样图像与该高分辨率图像的差异。
可以理解,基于该对比损失函数计算得到的对比损失函数值越小,基于该超分网络得到的重建图像的效果越好,也就是重建图像的特征越接近高分辨率图像的特征,越远离低分辨率图像的特征。
本公开实施例中,该对比损失函数为第一差异项与第二差异项的比值,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
可选地,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L1距离。
其中,L1距离为曼哈顿距离(Manhattan Distance),即两个图像的特征信息中的对应像素点的像素值的差值的绝对值之和,公式为:
其中,dL1为图像1的特征信息与图像2的特征信息的L1距离,为图像1的特征信息中的第P个像素点的像素值,/>为图像2的特征信息中的第P个像素点的像素值,K为图像1的特征信息和图像2的特征信息中的像素点个数。
相应地,对比损失函数的公式为:
其中,anchor表示第一重建图像,φ(anchor)表示第一重建图像的特征信息,positive表示高分辨率图像,φ(positive)表示高分辨率图像的特征信息,negative表示上采样图像,φ(negative)表示上采样图像的特征信息;L1(φ(anchor),φ(positive))表示第一差异项,L1(φ(positive),φ(negative))表示第二差异项。
本公开实施例中,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L1距离,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
本公开实施例中,设计了一种高频特征提取器,以及上述对比损失函数,这种特征提取器能够提取出精细准确的高频特征,基于这种高频特征的上述对比损失函数能够在训练过程中提供更加精确的监督信息,正确有效的引导对超分网络的训练过程,极大的减少重建图像的伪影并提高重建图像质量。
可选地,第一差异项可以为第一重建图像的特征信息与该高分辨率图像的特征信息的L2距离;第二差异项可以为该上采样图像的特征信息与该高分辨率图像的特征信息的L2距离。
其中,L2距离为欧氏距离,即两个图像的特征信息中的对应像素点的像素值的差值的平方和再开根号,公式为:
其中,dL2为图像1的特征信息与图像2的特征信息的L2距离,为图像1的特征信息中的第P个像素点的像素值,/>为图像2的特征信息中的第P个像素点的像素值,K为图像1的特征信息和图像2的特征信息中的像素点个数。
相应地,对比损失函数的公式为:
其中,anchor表示第一重建图像,φ(anchor)表示第一重建图像的特征信息,positive表示高分辨率图像,φ(positive)表示高分辨率图像的特征信息,negative表示上采样图像,φ(negative)表示上采样图像的特征信息;L2(φ(anchor),φ(positive))表示第一差异项,L2(φ(positive),φ(negative))表示第二差异项。
本公开实施例中,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L2距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L2距离,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
可选地,第一差异项还可以为其他表征第一重建图像与该高分辨率图像的差异的公式,具体可以根据实际情况确定,此处不做限定。第二差异项还可以为其他表征该高分辨率图像与该低分辨率图像的差异的公式,具体可以根据实际情况确定,
可选地,该对比损失函数为第三差异项与第四差异项的比值,第三差异项用于表征第一重建图像与该高分辨率图像的差异,第四差异项用于表征第一重建图像与该上采样图像的差异。
可以理解,基于该对比损失函数计算得到的对比损失函数值越小,基于该超分网络得到的重建图像的效果越好,也就是重建图像的特征越接近高分辨率图像的特征,越远离低分辨率图像的特征。
本公开实施例中,该对比损失函数为第三差异项与第四差异项的比值,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
可选地,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L1距离。
其中,对L1距离的描述可以参考上述对L1距离的相关描述,此处不再赘述。
相应地,对比损失函数的公式为:
其中,anchor表示第一重建图像,φ(anchor)表示第一重建图像的特征信息,positive表示高分辨率图像,φ(positive)表示高分辨率图像的特征信息,negative表示上采样图像,φ(negative)表示上采样图像的特征信息;L1(φ(anchor),φ(positive))表示第三差异项,L1(φ(anchor),φ(negative))表示第四差异项。
本公开实施例中,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L1距离,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
可选地,第三差异项可以为第一重建图像的特征信息与该高分辨率图像的特征信息的L2距离;第四差异项可以为第一重建图像的特征信息与该上采样图像的特征信息的L2距离。
其中,对L2距离的描述可以参考上述对L2距离的相关描述,此处不再赘述。
相应地,对比损失函数的公式为:
其中,anchor表示第一重建图像,φ(anchor)表示第一重建图像的特征信息,positive表示高分辨率图像,φ(positive)表示高分辨率图像的特征信息,negative表示上采样图像,φ(negative)表示上采样图像的特征信息;L2(φ(anchor),φ(positive))表示第三差异项,L2(φ(anchor),φ(negative))表示第四差异项。
本公开实施例中,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L2距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L2距离,可以使对超分网络的训练过程更加稳定,重建图像的效果更好。
可选地,第三差异项还可以为其他表征第一重建图像与该高分辨率图像的差异的公式,具体可以根据实际情况确定,此处不做限定。第四差异项还可以为其他表征第一重建图像与该低分辨率图像的差异的公式,具体可以根据实际情况确定,
可选地,该对比损失函数还可以为其他地公式,具体可以根据实际情况确定,此处不做限定。
203、基于第一对比损失函数值,调整该超分网络的参数,以便通过该调整后的超分网络对该低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
其中,获得第二对比损失函数值的过程可以参考上述步骤201至步骤202中获得第一对比损失函数值的过程,此处不再赘述。
可以理解,基于第二重建图像的第二对比损失函数值小于第一对比损失函数值,从而第二重建图像与该高分辨率图像的差异,小于第一重建图像与该高分辨率图像的差异,且第二重建图像与低分辨率图像的差异,大于第一重建图像与低分辨率图像的差异,也就是说,相比于第一重建图像,第二重建图像的特征更接近高分辨率图像的特征,更远离低分辨率图像的特征。说明基于第一对比损失函数值对超分网络进行调整后,使得调整后的超分网络的重建图像效果更好。
可以理解,基于第二重建图像重新执行上述步骤201至步骤202(在执行过程中,用第二重建图像替换第一重建图像)得到的基于第二重建图像的对比损失函数值,若基于第二重建图像的对比损失函数值小于或等于预设阈值,则超分网络训练完成,否则重新执行上述步骤203,得到新的调整后的超分网络,然后重复执行上述步骤201至步骤203,直至得到的对比损失函数值小于或等于预设阈值,超分网络训练完成,否则继续训练。
图4为本公开实施例示出的一种超分网络参数调整装置的结构框图,如图4所示,包括:特征提取模块401,计算模块402和调整模块403;该特征提取模块401,用于通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成,第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,该高分辨率图像与该低分辨率图像为该超分网络的训练样本图像,该高分辨率图像与该低分辨率图像为不同分辨率下相同视觉内容的图像,该上采样图像为对该低分辨率图像进行上采样处理得到的图像,第一重建图像、该高分辨率图像与该上采样图像具有相同的分辨率;该计算模块402,用于基于该特征提取模块提取的第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值;该调整模块403,用于基于该计算模块得到的第一对比损失函数值,调整该超分网络的参数,以便通过该调整后的超分网络对该低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
可选地,该至少一个卷积激活模块中的每个卷积激活模块的卷积层相同。
可选地,该至少一个卷积激活模块串联连接。
可选地,该上采样处理为双三次插值处理。
可选地,该对比损失函数为第一差异项与第二差异项的比值,第一差异项用于表征第一重建图像与该高分辨率图像的差异,第二差异项用于表征该上采样图像与该高分辨率图像的差异。
可选地,第一差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第二差异项为该上采样图像的特征信息与该高分辨率图像的特征信息的L1距离。
可选地,该对比损失函数为第三差异项与第四差异项的比值,第三差异项用于表征第一重建图像与该高分辨率图像的差异,第四差异项用于表征第一重建图像与该上采样图像的差异。
可选地,第三差异项为第一重建图像的特征信息与该高分辨率图像的特征信息的L1距离;第四差异项为第一重建图像的特征信息与该上采样图像的特征信息的L1距离。
本公开实施例中,各模块可以实现上述方法实施例提供的超分网络参数调整方法,且能达到相同的技术效果,为避免重复,这里不再赘述。
图5为本公开实施例提供的一种电子设备的结构示意图,用于对实现本公开实施例中任意超分网络参数调整方法的电子设备进行示例性说明,不应理解为对本公开实施例的具体限定。
如图5所示,电子设备500可以包括处理器(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。处理器501、ROM 502以及RAM 503通过总线504彼此相连。输入/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器501执行时,可以执行本公开实施例提供的任意超分网络参数调整方法中限定的功能。
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、服务端可以利用诸如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:通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,该特征提取器包括至少一个卷积激活模块,该卷积激活模块由卷积层和激活函数组成,第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,该高分辨率图像与该低分辨率图像为该超分网络的训练样本图像,该高分辨率图像与该低分辨率图像为不同分辨率下相同视觉内容的图像,该上采样图像为对该低分辨率图像进行上采样处理得到的图像,第一重建图像、该高分辨率图像与该上采样图像具有相同的分辨率;基于第一重建图像的特征信息、该高分辨率图像的特征信息和该上采样图像的特征信息,计算对比损失函数,得到基于第一重建图像的第一对比损失函数值;基于第一对比损失函数值,调整该超分网络的参数,以便通过该调整后的超分网络对该低分辨率图像进行重建得到第二重建图像,且基于第二重建图像的第二对比损失函数值小于第一对比损失函数值。
在本公开实施例中,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计算机上执行、部分地在计算机上执行、作为一个独立的软件包执行、部分在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端上执行。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。
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,计算机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。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机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。计算机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。
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 (12)
1.一种超分网络参数调整方法,其特征在于,所述方法包括:
通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,所述特征提取器包括至少一个卷积激活模块,所述卷积激活模块由卷积层和激活函数组成,所述第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,所述高分辨率图像与所述低分辨率图像为所述超分网络的训练样本图像,所述高分辨率图像与所述低分辨率图像为不同分辨率下相同视觉内容的图像,所述上采样图像为对所述低分辨率图像进行上采样处理得到的图像,所述第一重建图像、所述高分辨率图像与所述上采样图像具有相同的分辨率;
基于所述第一重建图像的特征信息、所述高分辨率图像的特征信息和所述上采样图像的特征信息,计算对比损失函数,得到基于所述第一重建图像的第一对比损失函数值;
基于所述第一对比损失函数值,调整所述超分网络的参数,以便通过所述调整后的超分网络对所述低分辨率图像进行重建得到第二重建图像,且基于所述第二重建图像的第二对比损失函数值小于所述第一对比损失函数值。
2.根据权利要求1所述的方法,其特征在于,所述至少一个卷积激活模块中的每个卷积激活模块的卷积层相同。
3.根据权利要求2所述的方法,其特征在于,所述至少一个卷积激活模块串联连接。
4.根据权利要求1所述的方法,其特征在于,所述上采样处理为双三次插值处理。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述对比损失函数为第一差异项与第二差异项的比值,所述第一差异项用于表征所述第一重建图像与所述高分辨率图像的差异,所述第二差异项用于表征所述上采样图像与所述高分辨率图像的差异。
6.根据权利要求5所述的方法,其特征在于,所述第一差异项为所述第一重建图像的特征信息与所述高分辨率图像的特征信息的L1距离;
所述第二差异项为所述上采样图像的特征信息与所述高分辨率图像的特征信息的L1距离。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述对比损失函数为第三差异项与第四差异项的比值,所述第三差异项用于表征所述第一重建图像与所述高分辨率图像的差异,所述第四差异项用于表征所述第一重建图像与所述上采样图像的差异。
8.根据权利要求7所述的方法,其特征在于,所述第三差异项为所述第一重建图像的特征信息与所述高分辨率图像的特征信息的L1距离;
所述第四差异项为所述第一重建图像的特征信息与所述上采样图像的特征信息的L1距离。
9.一种超分网络参数调整装置,其特征在于,包括:特征提取模块,计算模块和调整模块;
所述特征提取模块,用于通过特征提取器分别提取第一重建图像的特征信息、高分辨率图像的特征信息和上采样图像的特征信息,所述特征提取器包括至少一个卷积激活模块,所述卷积激活模块由卷积层和激活函数组成,所述第一重建图像为通过超分网络对低分辨率图像进行重建得到的超分图像,所述高分辨率图像与所述低分辨率图像为所述超分网络的训练样本图像,所述高分辨率图像与所述低分辨率图像为不同分辨率下相同视觉内容的图像,所述上采样图像为对所述低分辨率图像进行上采样处理得到的图像,所述第一重建图像、所述高分辨率图像与所述上采样图像具有相同的分辨率;
所述计算模块,用于基于所述特征提取模块提取的所述第一重建图像的特征信息、所述高分辨率图像的特征信息和所述上采样图像的特征信息,计算对比损失函数,得到基于所述第一重建图像的第一对比损失函数值;
所述调整模块,用于基于所述计算模块得到的所述第一对比损失函数值,调整所述超分网络的参数,以便通过所述调整后的超分网络对所述低分辨率图像进行重建得到第二重建图像,且基于所述第二重建图像的第二对比损失函数值小于所述第一对比损失函数值。
10.一种电子设备,其特征在于,包括:存储器和处理器,存储器用于存储计算机程序;处理器用于在调用计算机程序时执行权利要求1至8中任一项所述的超分网络参数调整方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,计算机程序被处理器执行时实现权利要求1至8中任一项所述的超分网络参数调整方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的超分网络参数调整方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524706.2A CN117114981A (zh) | 2022-05-13 | 2022-05-13 | 超分网络参数调整方法、装置、设备、介质及程序产品 |
PCT/CN2023/093880 WO2023217270A1 (zh) | 2022-05-13 | 2023-05-12 | 图像超分方法、超分网络参数调整方法、相关装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524706.2A CN117114981A (zh) | 2022-05-13 | 2022-05-13 | 超分网络参数调整方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114981A true CN117114981A (zh) | 2023-11-24 |
Family
ID=88809749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524706.2A Pending CN117114981A (zh) | 2022-05-13 | 2022-05-13 | 超分网络参数调整方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114981A (zh) |
-
2022
- 2022-05-13 CN CN202210524706.2A patent/CN117114981A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163237B (zh) | 模型训练及图像处理方法、装置、介质、电子设备 | |
US20230206396A1 (en) | Image super-resolution reconstructing | |
WO2022105638A1 (zh) | 图像退化处理方法、装置、存储介质及电子设备 | |
CN111275721B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
WO2022227886A1 (zh) | 超分修复网络模型生成方法、图像超分修复方法及装置 | |
CN111935425B (zh) | 视频降噪方法、装置、电子设备及计算机可读介质 | |
US20220245764A1 (en) | Method for image super-resolution, device and storage medium | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN114494022B (zh) | 模型训练方法、超分辨率重建方法、装置、设备及介质 | |
CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN110310293B (zh) | 人体图像分割方法及设备 | |
CN111833269A (zh) | 视频降噪方法、装置、电子设备及计算机可读介质 | |
CN117196959B (zh) | 基于自注意力的红外图像超分辨率方法、装置及可读介质 | |
CN114066722B (zh) | 用于获取图像的方法、装置和电子设备 | |
WO2022252883A1 (zh) | 图像修复模型的训练方法及图像修复方法、装置及设备 | |
CN114972021A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN111815535B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN117114981A (zh) | 超分网络参数调整方法、装置、设备、介质及程序产品 | |
CN111798385B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
CN114742738A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN113592723A (zh) | 视频增强方法及装置、电子设备、存储介质 | |
CN115761248B (zh) | 图像处理方法、装置、设备及存储介质 | |
WO2023217270A1 (zh) | 图像超分方法、超分网络参数调整方法、相关装置及介质 |
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 |