[发明专利]用于真实世界超分辨率的训练网络的系统和方法在审
| 申请号： | 202110371002.1 | 申请日： | 2021-04-07 |
| 公开（公告）号： | CN113496466A | 公开（公告）日： | 2021-10-12 |
| 发明（设计）人： | A.赫拉德曼德;任昊宇;M.埃尔-哈米;S.王;裵东运;李正元 | 申请（专利权）人： | 三星电子株式会社 |
| 主分类号： | G06T3/40 | 分类号： | G06T3/40;G06N3/04;G06N3/08 |
| 代理公司： | 北京市柳沈律师事务所 11105 | 代理人： | 邵亚丽 |
| 地址： | 韩国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 用于 真实 世界 分辨率 训练 网络 系统 方法 | ||
1.一种用于训练网络的方法，包括：
生成用于真实世界超分辨率SR的数据集；
训练第一生成对抗网络GAN；
训练第二GAN；以及
融合所述第一GAN的输出和所述第二GAN的输出。
2.根据权利要求1所述的方法，其中，生成所述数据集包括：
通过通用退化模型将低质量图像下采样为低分辨率LR图像；以及
直接使用与所述LR图像相对应的高质量图像作为高分辨率HR图像。
3.根据权利要求1所述的方法，其中，生成所述数据集包括：
直接使用低质量图像作为低分辨率LR图像；以及
从所述低质量图像超分辨率化出高质量图像，以用作高分辨率HR图像。
4.根据权利要求1所述的方法，其中，所述第一GAN是使用标准鉴别器来训练的。
5.根据权利要求4所述的方法，其中，所述第二GAN是使用相对鉴别器来训练的。
6.根据权利要求1所述的方法，其中，所述第一GAN和所述第二GAN是使用残差通道关注网络RCAN来训练的。
7.根据权利要求6所述的方法，其中，所述RCAN是基于残差中残差RIR结构中的残差的。
8.根据权利要求1所述的方法，其中，所述第一GAN和所述第二GAN包括增强型SR GAN(ESRGAN)。
9.根据权利要求1所述的方法，其中，所述第一GAN的输出和所述第二GAN的输出根据照明阈值来融合。
10.根据权利要求9所述的方法，其中，所述第二GAN使用相对鉴别器来训练，并且
其中，当所述第二GAN的输出的照明水平低于所述照明阈值时，所述第一GAN的输出和所述第二GAN的输出被融合。
11.一种用于训练网络的装置，包括：
一个或多个非暂时性计算机可读介质；以及
至少一个处理器，当执行存储在所述一个或多个非暂时性计算机可读介质上的指令时，所述至少一个处理器执行以下步骤：
生成用于真实世界超分辨率SR的数据集；
训练第一生成对抗网络GAN；
训练第二GAN；以及
融合所述第一GAN的输出和所述第二GAN的输出。
12.根据权利要求11所述的装置，其中，生成所述数据集包括：
通过通用退化模型将低质量图像下采样为低分辨率LR图像；以及
直接使用与所述LR图像相对应的高质量图像作为高分辨率HR图像。
13.根据权利要求11所述的装置，其中，生成所述数据集包括：
直接使用低质量图像作为低分辨率LR图像；以及
从所述低质量图像超分辨率化出高质量图像以用作高分辨率HR图像。
14.根据权利要求11所述的装置，其中，所述第一GAN是使用标准鉴别器来训练的。
15.根据权利要求14所述的装置，其中，所述第二GAN是使用相对鉴别器来训练的。
16.根据权利要求11所述的装置，其中，所述第一GAN和所述第二GAN是使用残差通道关注网络RCAN来训练的。
17.根据权利要求16所述的装置，其中，所述RCAN是基于残差中残差RIR结构中的残差的。
18.根据权利要求11所述的装置，其中，所述第一GAN和所述第二GAN包括增强型SR GAN(ESRGAN)。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于三星电子株式会社，未经三星电子株式会社许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110371002.1/1.html，转载请声明来源钻瓜专利网。
