[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

说明书

本发明提供了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及装置，涉及图像处理的技术领域，包括：预先确定训练样本和生成式对抗网络；训练并得到特征提取模型；根据高、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生成的高分辨率的高动态范围图像和训练样本中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，确定损失函数的值，直至损失函数的值符合预期，得到训练好的生成网络；本发明能够提升高动态范围图像的质量，使其更加接近真实图像。

技术领域

本发明涉及图像处理技术领域，尤其是涉及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及装置。

背景技术

在家居设计领域，在对由渲染引擎产生的高动态范围渲染图像进行超分辨重建时，由于渲染引擎产生的图像像素值超出0到255范围，生成对抗网络产生的超分辨率重建图像在细节上存在平滑现象，与真实图像存在较大差异。

发明内容

本发明的目的在于提供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及装置，能够提升高动态范围图像的质量，使其更加接近真实图像。

第一方面，实施例提供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，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。

在可选的实施方式中，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。

在可选的实施方式中，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。

在可选的实施方式中，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。

在可选的实施方式中，所述生成网络包括高、低分辨率图像的非线性映射关系。

第二方面，实施例提供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，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；