[发明专利]生成对抗网络训练方法、图像处理方法、设备及存储介质

说明书

本发明提供一种生成对抗网络的训练方法，包括生成网络训练步骤，生成网络训练步骤包括：从高分辨率样本图像中提取低分辨率样本图像；分别将第一输入图像和第二输入图像提供给生成网络，分别生成第一输出图像和第二输出图像；第一输入图像包括低分辨率样本图像和第一噪声图像；第二输入图像包括低分辨率样本图像和第二噪声图像；第一幅度大于0，第二幅度等于0；分别将第一输出图像和高分辨率样本图像提供给鉴别网络，输出第一鉴别结果和第二鉴别结果；调整网络的参数以减小损失函数。本发明还提供一种利用生成对抗网络的图像处理方法、计算机设备和计算机可读存储介质。本发明能得到所需要求的图像。

技术领域

本发明涉及图像处理领域，具体涉及一种生成对抗网络的训练方法、利用所述训练方法得到的生成对抗网络的图像处理方法、计算机设备以及计算机可读存储介质。

背景技术

卷积神经网络是一种常见的深度学习网络，目前已被大量应用于图像处理领域，以实现图像识别、图像分类和图像超分辨率重构等。

在目前的超分辨率重构的方法中，基于低分辨率图像而重构的高分辨率图像往往缺少细节信息，导致高分辨率图像看起来不真实。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种生成对抗网络的训练方法、利用所述训练方法得到的生成对抗网络的图像处理方法、计算机设备和计算机可读存储介质。

为了解决上述技术问题之一，本发明提供一种生成对抗网络的训练方法，所述生成对抗网络包括生成网络和鉴别网络，所述生成网络用于对图像进行分辨率提升，所述训练方法包括生成网络训练步骤，所述生成网络训练步骤包括：

从高分辨率样本图像中提取低分辨率样本图像，所述高分辨率样本图像的分辨率高于所述低分辨率样本图像的分辨率；

分别将第一输入图像和第二输入图像提供给生成网络，以分别生成基于第一输入图像的第一输出图像和基于第二输入图像的第二输出图像；其中，第一输入图像包括所述低分辨率样本图像和第一幅度的噪声样本所对应的第一噪声图像；所述第二输入图像包括所述低分辨率样本图像和第二幅度的噪声样本所对应的第二噪声图像；所述第一幅度大于0，所述第二幅度等于0；

分别将所述第一输出图像和所述高分辨率样本图像提供给鉴别网络，所述鉴别网络输出基于所述第一输出图像的第一鉴别结果和基于所述高分辨率样本图像的第二鉴别结果；

调整所述生成网络的参数以减小生成网络的损失函数；其中，所述生成网络的损失函数包括第一项、第二项和第三项的叠加，所述第一项基于所述第二输出图像和所述高分辨率样本图像之间的重构误差；所述第二项基于所述第一输出图像与所述高分辨率样本图像之间的感知误差；所述第三项基于所述第一鉴别结果和第二鉴别结果。

可选地，根据所述第二输出图像与所述高分辨率样本图像的差值图像矩阵的L1泛数、所述第二输出图像与所述高分辨率样本图像之间的均方误差、所述第二输出图像与所述高分辨率样本图像之间的结构相似性中的任意一者确定所述第二输出图像和所述高分辨率样本图像之间的重构误差。

可选地，所述第一输出图像和所述第二输出图像均由所述生成网络通过分辨率提升步骤的迭代处理生成；所述生成网络的损失函数的第一项为λ₁L_rec(X,Y_n＝0)，其中：

其中，X为所述高分辨率样本图像；Y_n＝0为所述第二输出图像；

L_rec(X，Y_n＝0)为所述第二输出图像与所述高分辨率样本图像之间的重构误差；

L为所述迭代处理中分辨率提升步骤的总次数；L≥1；为所述生成网络基于所述第二输入图像进行的迭代处理中第l次分辨率提升步骤结束时生成的图像；l≤L；