[发明专利]图像美化方法、装置、设备及介质

权利要求书

1.一种图像美化方法，其特征在于，包括：

获取图像数据集与美学图像数据集，所述图像数据集由多张图像优化前后对比关联所形成的图像序列，所述美学图像数据集对每张图像进行美学分析而生成审美评分；

构建全卷积神经网络模型，基于所述美学图像数据集对所述全卷积神经网络模型进行训练，得到审美模型；

基于所述审美模型的全卷积构建上下文聚合网络模型；

利用所述审美模型对所述上下文聚合网络模型进行参数优化，根据所述数据集对优化后的所述上下文聚合网络模型进行训练，得到图像美化模型；

将待处理图像输入至所述图像美化模型，确定美化后的图像并予以输出。

2.根据权利要求1所述的方法，其特征在于，构建全卷积神经网络模型，基于所述美学图像数据集对所述全卷积神经网络模型进行训练，得到审美模型，包括：

利用经验概率对美学图像数据集中每张图像进行评分，得到每张所述图像在数据集中的评分概率分布；

在确定每张所述图像的评分概率分布前提下，基于EDM损失函数来训练所述全卷积神经网络模型，得到审美模型，其中，所述EDM损失函数的表达式为，

式中，CDF_P(k)为累积分布函数，N为数据集内图像数量，l的取值为2，为预测概率分布函数，p为真值概率分布函数。

3.根据权利要求1所述的方法，其特征在于，基于所述审美模型的全卷积构建上下文聚合网络模型，包括：

构建上下文聚合网络，利用数据集对基于全卷积的上下文聚合网络网络进行训练，得到全卷积构建上下文聚合网络模型，所述全卷积构建上下文聚合网络模型的损失函数为，

式中，x_k为输入至所述上下文聚合网络模型优化前的原始图像，X_k为输入至所述上下文聚合网络模型优化后的目标图像，原始图像x_k和目标图像X_k的分辨率相同；N_k是原始图像x_k的像素个数；F(x_k)为原始图像x_k通过全卷积神经网络模型而得到的增强图像。

4.根据权利要求1所述的方法，其特征在于，利用所述审美模型对所述上下文聚合网络模型进行参数优化，根据所述数据集对优化后的所述上下文聚合网络模型进行训练，得到图像美化模型，包括：

将所述审美模型输出的评分作为感知因子项，利用所述感知因子项对所述上下文聚合网络模型的损失函数进行优化；

根据所述数据集对优化后的所述上下文聚合网络模型进行训练，得到图像美化模型。

5.根据权利要求4所述的方法，其特征在于，所述上下文聚合网络模型优化后的损失函数为，

式中，x_k为输入至所述上下文聚合网络模型优化前的原始图像，X_k为输入至所述上下文聚合网络模型优化后的目标图像，原始图像x_k和目标图像X_k的分辨率相同；N_k是原始图像x_k的像素个数；F(x_k)为原始图像x_k通过全卷积神经网络模型而得到的增强图像，γq(F(x_k)表示感知因子项，γ＞0控制感知因子项的强度，q(.)与所述审美模型输出的预测分数相关联。

6.根据权利要求1至5任一所述的方法，其特征在于，获取图像数据集，所述图像数据集由多张图像优化前后对比关联所形成的图像序列，包括：

将优化前原始图像集合确定为第一图像集合；

对所述原始图像进行优化得到目标图像，将所述目标图像组成的图像集确定为第二图像集合；

将所述第一图像集合与第二图像集合按照优化前后所述原始图像与目标图像的关联关系，得到多组图像序列，且每组所述图像序列的分辨率相。