[发明专利]用于高动态范围图像超分辨率重建的生成式对抗网络训练方法及装置

权利要求书

1.一种用于高动态范围图像超分辨率重建的生成式对抗网络训练方法，其特征在于，包括：

预先确定训练样本和生成式对抗网络；其中，所述训练样本包括多个类别的高动态范围图像集以及高、低分辨率的高动态范围图像对集，所述生成式对抗网络包括生成网络和判别网络，所述判别网络包括初始的特征提取模型和损失函数；

利用所述多个类别的高动态范围图像训练特征提取模型，得到能够稳定提取高动态范围图像的特征的训练好的特征提取模型；

根据所述高、低分辨率的高动态范围图像对集中的低分辨率的高动态范围图像依次作为目标低分辨率的高动态范围图像，并执行下述步骤直至损失函数的值符合预期，得到训练好的生成网络：

根据所述生成网络和所述目标低分辨率的高动态范围图像，确定生成的高分辨率的高动态范围图像；

基于损失函数以及训练好的特征提取模型提取所述生成的高分辨率的高动态范围图像和所述训练样本中所述目标低分辨率的高动态范围图像对应的目标该分辨率的高动态范围图像的特征，确定所述损失函数的值；

判断所述损失函数的值是否符合预期，如果不符合，则更新所述损失函数或所述生成网络作为新的损失函数或新的生成网络。

2.根据权利要求1所述的方法，其特征在于，所述特征提取模型，基于大规模图像识别的深层卷积网络VGG19提取图像特征。

3.根据权利要求1所述的方法，其特征在于：

所述损失函数，为使用VGG19提取的图像中间层特征构造的基于格拉姆矩阵的多尺度纹理损失函数。

4.根据权利要求1所述的方法，其特征在于，还包括：

将待重建的低分辨率的高动态范围图像，输入所述训练好的生成网络中，输出为重建的高分辨率的高动态范围图像。

5.根据权利要求1所述的方法，其特征在于：

所述生成网络包括高、低分辨率图像的非线性映射关系。

6.一种用于高动态范围图像超分辨率重建的生成式对抗网络训练装置，其特征在于，包括：

确定及生成模块，用于预先确定训练样本和生成式对抗网络；其中，所述训练样本包括多个类别的高动态范围图像集以及高、低分辨率的高动态范围图像对集，所述生成式对抗网络包括生成网络和判别网络，所述判别网络包括初始的特征提取模型和损失函数；

特征提取模型模块，用于利用所述多个类别的高动态范围图像训练特征提取模型，得到能够稳定提取高动态范围图像的特征的训练好的特征提取模型；

训练模块，用于根据所述高、低分辨率的高动态范围图像对集中的低分辨率的高动态范围图像依次作为目标低分辨率的高动态范围图像，并通过确定模块、损失函数模块、判断模块直至损失函数的值符合预期，得到训练好的生成网络：

确定模块，用于根据所述生成网络和所述目标低分辨率的高动态范围图像，确定生成的高分辨率的高动态范围图像；

损失函数模块，用于基于损失函数以及训练好的特征提取模型提取所述生成的高分辨率的高动态范围图像和所述训练样本中所述目标低分辨率的高动态范围图像对应的目标该分辨率的高动态范围图像的特征，确定所述损失函数的值；

判断模块，用于判断所述损失函数的值是否符合预期，如果不符合，则更新所述损失函数或所述生成网络作为新的损失函数或新的生成网络。

7.根据权利要求6所述的装置，其特征在于，所述特征提取模型，基于大规模图像识别的深层卷积网络VGG19提取图像特征。

8.根据权利要求6所述的装置，其特征在于：

所述损失函数，为使用VGG19提取的图像中间层特征构造的基于格拉姆矩阵的多尺度纹理损失函数。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-5任一项所述方法。