[发明专利]模型训练、图像增强方法和装置、电子设备及存储介质

说明书

本申请提供的模型训练、图像增强方法和装置、电子设备及存储介质，涉及深度学习技术领域。在本申请中，首先，对第一图像和第二图像分别进行金字塔分解处理，得到多级第一子带图像和多级第二子带图像，其中，该第一图像和该第二图像基于相同图像内容形成，且具有不同的图像细节。其次，基于每一级第一子带图像与第二子带图像之间的图像损失值和预设的多个权重系数，计算得到图像损失总值，其中，在多个权重系数中至少存在两个不同的权重系数。然后，基于图像损失总值对目标神经网络进行参数更新处理，得到图像增强模型。通过上述方法，可以改善基于现有的训练技术得到的图像增强模型存在细节增强效果不佳的问题。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种模型训练、图像增强方法和装置、电子设备及存储介质。

背景技术

随着深度学习技术的不断发展，其应用范围也越来越广，例如，在图像处理领域中就得到了很好的应用，如对图像的细节进行增强处理。

经发明人研究发现，基于现有的神经网络训练技术训练得到的图像增强模型，在对图像进行细节增强处理时，存在细节增强效果不佳的问题。

发明内容

有鉴于此，本申请的目的在于提供一种模型训练、图像增强方法和装置、电子设备及存储介质，以改善基于现有的训练技术得到的图像增强模型存在细节增强效果不佳的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种图像增强模型训练方法，包括：

对第一图像和第二图像分别进行金字塔分解处理，得到多级第一子带图像和多级第二子带图像，其中，该第一图像和该第二图像基于相同图像内容形成，且具有不同的图像细节；

基于每一级第一子带图像与第二子带图像之间的图像损失值和预设的多个权重系数，计算得到图像损失总值，其中，在所述多个权重系数中至少存在两个不同的权重系数；

基于所述图像损失总值对目标神经网络进行参数更新处理，得到图像增强模型，其中，该图像增强模型用于对目标图像的细节进行增强处理。

本申请实施例还提供了另一种图像增强模型训练方法，包括：

对第一图像和第二图像分别进行金字塔分解处理，得到第一子带图像和第二子带图像，其中，该第一图像和该第二图像基于相同图像内容形成，且具有不同的图像细节，该第一子带图像包括第一细节子带图像和第一近似子带图像，该第二子带图像包括第二细节子带图像和第二近似子带图像；

基于第一损失函数，计算所述第一细节子带图像和所述第二细节子带图像之间的细节损失值；

基于第二损失函数，计算所述第一近似子带图像和所述第二近似子带图像之间的近似损失值，其中，该第二损失函数不同于所述第一损失函数；

基于所述细节损失值和所述近似损失值对目标神经网络进行参数更新处理，得到图像增强模型，其中，该图像增强模型用于对目标图像的细节进行增强处理。

在上述基础上，本申请实施例还提供了一种图像增强方法，包括：

将获得的目标图像输入至预设的图像增强模型，其中，该图像增强模型基于上述的图像增强模型训练方法训练得到；

通过所述图像增强模型，对所述目标图像的细节进行增强处理。

本申请实施例还提供了一种图像增强模型训练装置，包括：

第一图像分解模块，用于对第一图像和第二图像分别进行金字塔分解处理，得到多级第一子带图像和多级第二子带图像，其中，该第一图像和该第二图像基于相同图像内容形成，且具有不同的图像细节；