[发明专利]模型训练方法、超分辨率感知方法及相关装置

说明书

本申请提供了一种模型训练方法、超分辨率感知方法及相关装置，所述模型训练方法包括：获取训练数据集，所述训练数据集中的每个训练数据包括一个低分辨率的训练图像和所述训练图像对应的高分辨率图像；针对至少一个训练图像，对所述训练图像进行数据增广，得到所述训练图像对应的增广图像作为新的训练图像并存储至所述训练数据集；基于所述训练图像对应的高分辨率图像，获取所述新的训练图像对应的高分辨率图像；利用所述训练数据集，使用adam优化器训练预设深度神经网络，得到超分辨率感知模型，所述预设深度神经网络采用RCAN网络。本申请训练得到的超分辨率感知模型更为稳定且准确率较高。

技术领域

本申请涉及深度学习技术领域，尤其涉及模型训练方法、超分辨率感知方法及相关装置。

背景技术

超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率，超分辨率重建即通过一系列低分辨率的图像来得到一幅高分辨率的图像。

现有技术CN110111251A公开了一种结合深度监督自编码和感知迭代反投影的图像超分辨率重建方法，包括以下步骤：训练步骤，接收复杂退化条件下的训练图像对训练深度自编码器，将训练完成后的深度自编码器中的编码器的深度卷积神经网络作为学习复杂图像退化模型；重建步骤，将深度自编码器中的编码部分作为迭代反投影算法中的退化模型，使用双三次插值图像作为超分辨率图像迭代初始值，计算超分辨率图像退化后图像与观测图像在特征空间中的感知损失，并用感知损失迭代更新超分辨率图像，直至损失低于阈值后输出当前超分辨率图像作为最终的重建图像。

然而，上述方法在超分辨率重建过程中模型的稳定性较差，准确率较低。

发明内容

本申请的目的在于提供模型训练方法、超分辨率感知方法及相关装置，使训练得到的超分辨率感知模型更为稳定且准确率较高。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种模型训练方法，所述模型训练方法包括：获取训练数据集，所述训练数据集中的每个训练数据包括一个低分辨率的训练图像和所述训练图像对应的高分辨率图像；针对至少一个训练图像，对所述训练图像进行数据增广，得到所述训练图像对应的增广图像作为新的训练图像并存储至所述训练数据集；基于所述训练图像对应的高分辨率图像，获取所述新的训练图像对应的高分辨率图像；利用所述训练数据集，使用adam优化器训练预设深度神经网络，得到超分辨率感知模型，所述预设深度神经网络采用RCAN网络。该技术方案的有益效果在于，通过对训练图像进行数据增广，可以使训练数据集尽可能的多样化，使训练得到的超分辨率感知模型具有较强的泛化能力，使用adam优化器训练预设深度神经网络，可以使训练过程更高效，并且梯度相对平滑、稳定，并且，预设深度神经网络采用的是RCAN网络，可以构建非常深的可训练网络并获得较好的图像SR(ImageSuper Resolution，图像超分辨率)性能，综上所述，利用该方法训练得到的超分辨率感知模型更为稳定且准确率较高。

在一些可选的实施例中，所述基于所述训练图像对应的高分辨率图像，获取所述新的训练图像对应的高分辨率图像，包括：获取所述训练图像对应的数据增广类型；基于所述训练图像对应的高分辨率图像和数据增广类型，得到所述新的训练图像对应的高分辨率图像。该技术方案的有益效果在于，根据训练图像对应的数据增广类型，可以对训练图像对应的高分辨率图像执行相应的操作，得到新的训练图像对应的高分辨率图像。