[发明专利]一种多任务图像重建方法、装置、设备和介质

权利要求书

1.一种多任务图像重建方法，其特征在于，包括：

获取图像训练样本集，其中，每个图像训练样本的源图像包括至少两种训练元素，且至少两种训练元素的残差数据与源图像数据的叠加方式不相同；所述叠加方式为线性叠加；

将所述图像训练样本集输入多任务图像重建模型，以进行模型训练，其中，所述重建模型至少包括串联的至少两个残差学习网络分支，每个残差学习网络输出的残差数据与源图像数据的叠加方式与对应的训练元素相同；所述重建模型的损失函数包括分别与各残差学习网络输出结果对应的子函数。

2.根据权利要求1所述的方法，其特征在于，至少两种训练元素的残差数据与源图像数据的叠加方式包括两种，一种叠加方式为线性相减，另一种叠加方式为线性相加，两个残差学习网络分支分别为求差残差学习网络分支和求和残差学习网络分支。

3.根据权利要求2所述的方法，其特征在于，采用线性相减叠加方式的训练元素包括去除噪声，采用线性相加叠加方式的训练元素包括去除块和超分辨率处理。

4.根据权利要求2或3所述的方法，其特征在于，所述重建模型包括：

第一卷积层，用于对源图像数据进行卷积处理并输出第一卷积数据；

求差残差学习网络分支，包括相连的残差学习网络与求差计算元件，所述残差学习网络的输入端与第一卷积层的一个输出端相连，用于对第一卷积数据进行残差学习处理，输出第一残差数据；所述求差计算元件还与第一卷积层相连，用于将第一卷积数据和第一残差数据进行求差处理，以输出求差处理数据；

求和残差学习网络分支，包括相连的残差学习网络与求和计算元件，所述残差学习网络的输入端与求差计算元件的输出端相连，用于对求差处理数据进行残差学习处理，输出第二残差数据；所述求和计算元件还与第一卷积层相连，用于将第一卷积数据和第二残差数据进行求和处理，以输出求和处理数据；

两个第二卷积层，分别与求和计算元件和求差计算元件的输出端相连，对输入数据进行卷积计算，分别输出求和残差学习图像数据与求差残差学习图像数据。

5.根据权利要求4所述的方法，其特征在于，所述损失函数如下：

其中，m,n分别表示图像像素的行数和列数；Y^HR表示目标图像；表示求和残差学习图像数据；表示求差残差学习图像数据；λ₁表示正则化参数。

6.根据权利要求4所述的方法，其特征在于，获取图像训练样本集包括：

获得高分辨率图像数据集；

将高分辨率图像数据集中的图像进行下采样处理后再进行上采样处理，以获得第一低分辨率图像数据集；

对低分辨率图像数据集中的部分图像进行至少两种压缩比例的压缩处理，以获得第二压缩图像数据集；

从第二压缩图像数据集中挑选部分图像进行添加噪声处理，以形成第三噪声图像数据集；

将第三噪声图像数据集与高分辨率图像数据集中图像分别按照预设的图像块大小进行裁剪，得到一一对应的基于图像块的图像训练样本集，其中，第三噪声图像数据的图像块作为源图像，高分辨率图像数据的图像块作为目标图像。

7.根据权利要求4所述的方法，其特征在于，所述残差学习网络包括：

串联的多个残差学习层或串联的多个卷积层，其中，所述残差学习层包括串联的卷积层、激活函数层和卷积层。

8.一种多任务图像重建装置，其特征在于，包括：

图像样本训练集构造模块，用于获取图像训练样本集，其中，每个图像训练样本的源图像包括至少两种训练元素，且至少两种训练元素的残差数据与源图像数据的叠加方式不相同；所述叠加方式为线性叠加；

模型训练模块，用于将所述图像训练样本集输入多任务图像重建模型，以进行模型训练，其中，所述重建模型至少包括串联的至少两个残差学习网络分支，每个残差学习网络输出的残差数据与源图像数据的叠加方式与对应的训练元素相同；所述重建模型的损失函数包括分别与各残差学习网络输出结果对应的子函数。