[发明专利]一种多任务图像重建方法、装置、设备和介质

说明书

本发明实施例公开了一种多任务图像重建方法、装置、设备和介质。该方法包括：获取图像训练样本集；将所述图像训练样本集输入多任务图像重建模型进行训练。在模型中设立串联的至少两个残差学习网络分支，同时对分支输出的结果全部纳入到网络的损失函数进行约束，改善了现有技术中，通过同一残差信号对不同的退化模型进行表达的缺陷，通过网络结构适应退化模型的方式，提升复合场景图像重建的效果；并进一步通过低层参数共享的方式减小网络大小，提升网络性能。

技术领域

本发明实施例涉及神经网络技术，尤其涉及一种多任务图像重建方法、装置、设备和介质。

背景技术

图像处理包括多个方面，典型的如图像去噪、超分辨率处理、和压缩去块处理等。图像去噪，是计算机视觉和图像处理的一个经典且根本的问题，是解决很多相关问题的预处理必备过程。超分辨率是图像处理领域中重要的研究之一，它指利用一副或者多幅低分辨率图像，通过相应的算法来获得一幅清晰的高分辨率图像。高分辨率意味着图像具有高像素密度，可以提供更多的细节。随着对图像处理领域研究的深入，对图像处理提出了越来越高的要求。

现有技术中，典型的多任务图像重建方案是在图像处理的过程中同时实施多种图像处理手段，例如可同时对输入图像进行去噪处理、去块处理、以及超分辨率处理。通常可采用神经网络模型来实现图像的多任务处理。典型的可参考DnCNN(DenoiseConvolutional Neural Network，去噪卷积神经网络)模型，DnCNN网络由三个大部分组成:第一部分:Conv(卷积层)+ReLu(激活函数)，第二部分：BN(batch normalization，归一化)+ReLu(激活函数)，第三部分:Conv(卷积层)+ReLu(激活函数)。

多任务图像重建模型的训练方式，例如可以是确定多个低分辨率图像，在低分辨率图像中人为加入像素块(block)、噪声(noise)，低分辨率图像通过与目标高质量标签图像进行端到端的映射，对多任务图像重建模型进行训练。

多任务图像重建模型通常是通过同一个网络模型来学习残差信号的，但是由于多任务处理残差信号的方式不同，所以训练出来的模型处理图像的效果有待提高。

发明内容

本发明实施例提供一种多任务图像重建方法、装置、设备和介质，以对多任务图像重建模型进行优化，能适应不同任务处理残差信号的需求，改良模型的图像处理能力。

第一方面，本发明实施例提供了一种多任务图像重建方法，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；

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。

第二方面，本发明实施例还提供了一种多任务图像重建装置，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；

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。

第三方面，本发明实施例还提供了一种设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；