[发明专利]一种超分辨率图像生成对抗网络的训练方法及装置

权利要求书

1.一种超分辨率图像生成对抗网络的训练方法，其特征在于，所述超分辨率图像生成对抗网络包括生成模型和损失计算模型，所述损失计算模型包括判别单元和分类单元，该方法包括：

将图像信息输入到所述生成模型，以使所述生成模型输出超分辨率图像；

将所述超分辨率图像输入到所述损失计算模型，以使所述损失计算模型计算所述超分辨率图像的总损失；

根据所述超分辨率图像的总损失，对所述超分辨率图像生成对抗网络进行训练。

2.根据权利要求1所述的方法，其特征在于，所述将所述超分辨率图像输入到所述损失计算模型，以使所述损失计算模型计算所述超分辨率图像的总损失，包括：

所述损失计算模型根据如下公式计算所述超分辨率图像的总损失：

其中，为超分辨率图像的总损失，为超分辨率图像的最小均方误差损失，为超分辨率图像的VGG损失，为超分辨率图像的分类损失，为超分辨率图像的对抗损失，α_m为最小均方误差损失的权重，α_v为VGG损失的权重，α_c为分类损失的权重，α_g为对抗损失的权重，γ_max为分类正确率期望，为实际分类正确率；所述最小均方误差损失、VGG损失和对抗损失由所述判别单元计算得到，所述分类损失由所述分类单元计算得到。

3.根据权利要求1所述的方法，其特征在于，在将所述超分辨率图像输入到所述损失计算模型，以使所述损失计算模型计算所述超分辨率图像的总损失之前，还包括：

将全类别图像集输入到所述分类单元，以使所述分类单元对所述全类别图像集中的图像进行分类，得到预训练分类结果；

判断所述预训练分类结果的分类正确率是否达到第一阈值，若所述预训练分类结果达到第一阈值，则结束所述分类单元的预训练；

若否，则调整所述分类单元，重新进行所述分类单元的预训练。

4.根据权利要求1所述的方法，其特征在于，在将图像信息输入到所述生成模型，以使所述生成模型输出超分辨率图像之前，还包括：

将白噪声图像集输入到所述生成模型，以使所述生成模型输出预训练生成图像，得到所述预训练生成图像与所述预训练生成图像对应的白噪声图像集中的图像的相似度；

判断所述相似度是否达到第二阈值，若所述相似度达到第二阈值，则结束所述生成模型的预训练；

若否，则调整所述生成模型，重新进行所述生成模型的预训练。

5.根据权利要求4所述的方法，其特征在于，在根据所述预训练生成图像与所述预训练生成图像对应的白噪声图像集中的图像的相似度，对所述生成模型进行更新之后，还包括：

将对抗训练图像集中的低分辨率图像输入到所述生成模型，以使所述生成模型输出预训练超分辨率图像；

将所述预训练超分辨率图像输入到所述判别单元中，以使判别单元将所述预训练超分辨率图像与所述对抗训练图像集中对应的高分辨率图像进行比对，得到预训练最小均方误差损失、预训练VGG损失和预训练对抗损失；

判断是否预训练最小均方误差损失达到第三阈值、预训练VGG损失达到第四阈值以及预训练对抗损失达到第五阈值，若最小均方误差损失达到第三阈值、预训练VGG损失达到第四阈值以及预训练对抗损失达到第五阈值，则结束所述生成模型与所述判别单元的组合预训练；

若否，则调整所述生成模型和判别单元，重新进行所述生成模型与判别单元的组合预训练。

6.一种超分辨率图像生成对抗网络的训练装置，其特征在于，所述超分辨率图像生成对抗网络包括生成模型和损失计算模型，所述损失计算模型包括判别单元和分类单元，该装置包括：

生成模块，用于将图像信息输入到所述生成模型，以使所述生成模型输出超分辨率图像；

计算模块，用于将所述超分辨率图像输入到所述损失计算模型，以使所述损失计算模型计算所述超分辨率图像的总损失；

训练模块，根据所述超分辨率图像的总损失，对所述超分辨率图像生成对抗网络进行训练。