[发明专利]图像超分辨率模型训练方法、装置、存储介质及设备

权利要求书

1.一种图像超分辨率模型训练方法，其特征在于，所述方法包括：

获取超分数据集，采用所述超分数据集对超分主干网络进行训练；

获取所述超分主干网络当前训练输出的目标超分图像，并计算所述目标超分图像与超分模板图像之间的损失，得到第一损失项；

将所述目标超分图像和所述超分模板图像分别输入到预训练的语义分割网络当中，所述目标超分图像经过所述语义分割网络生成目标分割图像，所述超分模板图像经过所述语义分割网络生成分割模板图像；

计算所述目标分割图像和所述分割模板图像之间的损失，得到第二损失项；

根据所述第一损失项和所述第二损失项确定出所述超分主干网络的当前总损失函数，并根据所述当前总损失函数对所述超分主干网络进行迭代训练，以训练得到图像超分辨率模型。

2.如权利要求1所述的图像超分辨率模型训练方法，其特征在于，获取所述超分主干网络当前训练输出的目标超分图像的步骤之后，还包括：

将所述目标超分图像与所述超分模板图像输入到预训练的VGG网络当中，以输出所述目标超分图像和所述超分模板图像的高维特征；

计算所述目标超分图像和所述超分模板图像的高维特征中数据分布的差异，得到第三损失项；

其中，所述当前总损失函数还根据所述第三损失项确定得到。

3.如权利要求2所述的图像超分辨率模型训练方法，其特征在于，将所述目标超分图像与所述超分模板图像输入到预训练的VGG网络当中，以输出所述目标超分图像和所述超分模板图像的高维特征的步骤之后，还包括：

计算所述目标超分图像和所述超分模板图像的高维特征做Gram矩阵后二者的分布差异，得到第四损失项；

其中，所述当前总损失函数还根据所述第四损失项确定得到。

4.如权利要求3所述的图像超分辨率模型训练方法，其特征在于，所述当前总损失函数满足以下条件式：

L_total＝α×L_vis+β×L_feat+γ×L_sem+δ×L_text

式中，L_total代表所述当前总损失函数，L_vis代表所述第一损失项，L_sem代表所述第二损失项，L_feat代表所述第三损失项，L_text代表所述第四损失项，α、β、γ和δ分别代表L_vis、L_feat、L_sem和L_text的权重。

5.如权利要求4所述的图像超分辨率模型训练方法，其特征在于，α取值为1，β取值为10^-3-10^-1之间，γ取值为10^-2-1.0之间，δ取值为10^-6-10^-4之间。

6.如权利要求1-5任一项所述的图像超分辨率模型训练方法，其特征在于，所述语义分割网络为所述超分主干网络的一支旁路。

7.一种图像超分辨率模型训练装置，其特征在于，所述装置包括：

图像训练模块，用于获取超分数据集，采用所述超分数据集对超分主干网络进行训练；

第一损失计算模块，用于获取所述超分主干网络当前训练输出的目标超分图像，并计算所述目标超分图像与超分模板图像之间的损失，得到第一损失项；

图像输入模块，用于将所述目标超分图像和所述超分模板图像分别输入到预训练的语义分割网络当中，所述目标超分图像经过所述语义分割网络生成目标分割图像，所述超分模板图像经过所述语义分割网络生成分割模板图像；

第二损失计算模块，用于计算所述目标分割图像和所述分割模板图像之间的损失，得到第二损失项；

所述图像训练模块还用于根据所述第一损失项和所述第二损失项确定出所述超分主干网络的当前总损失函数，并根据所述当前总损失函数对所述超分主干网络进行迭代训练，以训练得到图像超分辨率模型。