[发明专利]图像处理模型训练方法、图像处理方法、装置及电子设备

权利要求书

1.一种图像处理模型训练方法，其特征在于，包括：

获取训练样本图像；

将所述训练样本图像输入待训练模型，利用目标损失值进行训练得到目标图像处理模型；

其中，所述待训练模型包括图像去噪网络和图像评价网络，所述图像去噪网络用于对所述训练样本图像进行处理得到去噪图像，并根据所述去噪图像计算第一损失值，所述图像评价网络用于对所述训练样本图像进行处理得到所述训练样本图像的评价分数，并根据所述评价分数计算第二损失值，所述目标损失值为根据所述第一损失值与所述第二损失值得到；

其中，所述图像去噪网络包括依次相连的第二卷积层、自注意力模块、第二合并层；所述自注意力模块包括依次相连的N个自注意力子模块，所述第二合并层的输入分别与所述N个自注意力子模块的输出连接，N为正整数；所述N个自注意力子模块中的第i个自注意力子模块包括第五卷积层、第一支路层、第二支路层以及乘积层，其中，i为小于或等于N的正整数；所述第五卷积层的输入连接所述第二卷积层的输出或所述N个自注意力子模块中的第i-1个自注意力子模块的输出；所述第一支路层对所述第五卷积层的输出中C个通道的第一特征图进行处理得到C个权重，C为正整数，所述第二支路层对所述第五卷积层的输出中C个通道的第二特征图进行处理得到C个第三特征图，所述乘积层对所述C个权重以及所述C个第三特征图进行相乘得到C个目标特征图。

2.根据权利要求1所述的方法，其特征在于，所述目标损失值为所述第一损失值与所述第二损失值的线性加权和。

3.根据权利要求1所述的方法，其特征在于，所述图像去噪网络包括依次相连的第一卷积层、第一变换层、字典层、第一全连接层、第二变换层、第一合并层、所述第二卷积层、所述自注意力模块、所述第二合并层、第三卷积层、第一相加层以及第四卷积层；

其中，所述第二合并层的输入还与所述第二卷积层的输出连接，所述第一相加层的输入还与所述第一卷积层的输出连接；

所述第一卷积层的输入包括所述训练样本图像，所述第四卷积层输出所述去噪图像。

4.根据权利要求1所述的方法，其特征在于，所述第一支路层包括依次相连的第六卷积层、第一池化层、第七卷积层、第八卷积层、第二相加层以及回归层，所述第二相加层的输入还与所述第六卷积层的输出连接，所述乘积层的输入与所述第一支路层中所述回归层的输出连接。

5.根据权利要求1所述的方法，其特征在于，所述第二支路层包括依次相连的第九卷积层、第三合并层、第十卷积层、第四合并层、第十一卷积层、第五合并层、第十二卷积层、第六合并层以及第十三卷积层；

其中，所述第四合并层的输入还与所述第九卷积层的输出的连接，所述第五合并层的输入还与所述第九卷积层的输出以及所述第十卷积层的输出连接，所述第六合并层的输入还与所述第九卷积层的输出、所述第十卷积层的输出以及所述第十一卷积层的输出连接，所述乘积层的输入与所述第二支路层中所述第十三卷积层的输出连接。

6.根据权利要求3所述的方法，其特征在于，所述第一卷积层包括第一子卷积层和第二子卷积层，所述第二子卷积层连接于所述第一子卷积层与所述第一变换层之间，所述第一变换层的输入连接所述第一卷积层中所述第二子卷积层的输出，所述第一相加层的输入与所述第一卷积层中所述第二子卷积层的输出连接；

所述字典层包括P个子字典层，所述P为正整数，所述第一全连接层包括P个子全连接层，所述第二变换层包括P个子变换层，所述第一合并层的输入连接所述P个子变换层的输出；

所述P个子字典层中每个子字典层的输入连接所述第一变换层的输出，一个子字典层通过一个子全连接层连接到一个子变换层。

7.根据权利要求1所述的方法，其特征在于，所述图像评价网络包括依次相连的第十四卷积层、第十五卷积层、第三相加层、特征提取层以及第二池化层以及第二全连接层，所述第十四卷积层的输入包括所述训练样本图像，所述第二全连接层输出所述评价分数。