[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

说明书

本申请提供的超分辨重构网络训练方法和装置、电子设备及存储介质，涉及图像处理技术领域。在本申请中，首先，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。其次，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。通过上述方法，可以改善现有的超分辨重构技术中存在的计算量较大的问题。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种超分辨重构网络训练方法和装置、电子设备及存储介质。

背景技术

图像超分辨重构技术是指，从一张或多张低分辨率图像中，重构出相应的高分辨率图像。具体的技术主要分为两类，一是从单张低分辨率图像中重建出高分辨率图像；二是从多张低分辨率图像中重建出高分辨率图像。

其中，基于深度学习的超分辨重构方法，主要是基于单张图像的重构方法。它以机器学习为理论基础，在大量的自然图像数据上，学习低分辨率和高分辨率图像之间的映射关系。

经发明人研究发现，在基于深度学习的超分辨重构方法中，由于主要考虑是否能得到较好的图像重构质量，因而，现有的重构网络模型大多属于既深又宽的深度网络结构，使得存在计算量较大的问题。

发明内容

有鉴于此，本申请的目的在于提供一种超分辨重构网络训练方法和装置、电子设备及存储介质，以改善现有的超分辨重构技术中存在的计算量较大的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种超分辨重构网络训练方法，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。

在本申请实施例较佳的选择中，在上述超分辨重构网络训练方法中，还包括构建所述第一神经网络模型的步骤，该步骤包括：

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。

在本申请实施例较佳的选择中，在上述超分辨重构网络训练方法中，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。

在本申请实施例较佳的选择中，在上述超分辨重构网络训练方法中，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；