[发明专利]超分辨重构网络训练方法和装置、电子设备及存储介质

权利要求书

1.一种超分辨重构网络训练方法，其特征在于，包括：

获取针对第一神经网络模型预先配置的模型训练参数和多张用于进行图像超分辨重构训练的目标图像，其中，该第一神经网络模型包括特征提取子模型，且该特征提取子模型包括的多层网络层的卷积核数量，在图像数据传输方向上，基于预设的指数型函数衰减；

通过所述模型训练参数和所述目标图像对所述第一神经网络模型进行训练，得到第二神经网络模型，其中，该第二神经网络模型用于对待处理图像进行超分辨重构处理；

构建所述第一神经网络模型的步骤包括：

构建特征提取子模型，其中，该特征提取子模型用于对输入图像进行特征提取，得到目标特征图像；

构建重构网络子模型，得到包括该重构网络子模型和所述特征提取子模型的第一神经网络模型，其中，该重构网络子模型用于，基于所述目标特征图像和所述输入图像对应的上采样图像进行像素叠加，得到重构图像；

所述构建特征提取子模型的步骤包括：

构建包括多层第一网络层的第一特征提取子模型，其中，每层第一网络层的卷积核尺寸不同，用于分别对输入图像进行特征提取，并进行拼接得到多尺度的特征图像；

构建包括多层第二网络层的第二特征提取子模型，其中，该第二特征提取子模型用于对所述特征图像进行卷积得到目标特征图像，该多层第二网络层的卷积核数量在图像数据传输方向上，基于预设的指数型函数衰减；

所述构建包括多层第二网络层的第二特征提取子模型的步骤包括：

确定需要构建的多层第二网络层的总层数、第一个第二网络层的第一卷积核数量、最后一个第二网络层的第二卷积核数量、卷积核衰减率；

基于预设的指数型函数、所述总层数、所述第一卷积核数量、所述第二卷积核数量和所述卷积核衰减率，得到每一层第二网络层的卷积核数量，所述指数型函数包括：

N_output＝(N_filter-N_min_f_ilter)*L_decay+N_{min_filter}；

其中，N_output为当前层的卷积核数量，N_filter为所述第一卷积核数量，N_{min_filter}为所述第二卷积核数量，L_layer为所述总层数，L_input为所述总层数与当前层的层数之差，decay_rate为所述卷积核衰减率；

基于每一层第二网络层的卷积核数量构建第二特征提取子模型。

2.根据权利要求1所述的超分辨重构网络训练方法，其特征在于，所述多层第二网络层构成多个网络组，且每个网络组包括数量相同的第二网络层；

其中，在相邻的两个所述网络组中，在前的一个网络组用于将输入至该网络组中的第一个第二网络层的特征图和该网络组中的最后一个第二网络层输出的特征图进行拼接，并将拼接得到的特征图输入至在后的一个网络组。

3.根据权利要求1-2任意一项所述的超分辨重构网络训练方法，其特征在于，在所述多层第一网络层中，卷积核的数量基于卷积核的尺寸的增加而增加。