图像转换模型训练方法和图像转换方法、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113706390A(43)申请公布日2021.11.26(21)申请号202111268757.5(22)申请日2021.10.29(71)申请人苏州浪潮智能科技有限公司地址215000江苏省苏州市苏州吴中经济开发区郭巷街道官浦路1号9幢(72)发明人汪光跃(74)专利代理机构北京三聚阳光知识产权代理有限公司11250代理人张琳琳(51)Int.Cl.G06T3/40(2006.01)G06K9/62(2006.01)权利要求书2页说明书17页附图6页(54)发明名称图像转换模型训练方法和图像转换方法、设备及介质(57)摘要本发明公开了一种图像转换模型训练方法和图像转换方法、设备及介质，适用于人工智能技术领域。该方法包括：获取多组第一图像训练集，各第一图像训练集包括多张低分辨率图像以及各低分辨率图像对应的高分辨率图像；将多组第一图像训练集，分别输入至图像转换网络中，训练图像转换网络，得到多个初始图像转换模型；初始图像转换模型用于将低分辨率图像转换为高分辨率图像；对多个初始图像转换模型进行融合，生成目标图像转换模型。采用该方法可以缩短模型训练的时间，降低对计算机设备的计算资源的耗费。CN113706390ACN113706390A权利要求书1/2页1.一种图像转换模型训练方法，其特征在于，所述方法包括：获取多组第一图像训练集，各所述第一图像训练集包括多张低分辨率图像以及各所述低分辨率图像对应的高分辨率图像；将多组所述第一图像训练集，分别输入至图像转换网络中，训练所述图像转换网络，得到多个初始图像转换模型；所述初始图像转换模型用于将低分辨率图像转换为高分辨率图像；对多个所述初始图像转换模型进行融合，生成所述目标图像转换模型。2.根据所述1所述的方法，其特征在于，所述对多个所述初始图像转换模型进行融合，生成所述目标图像转换模型，包括：获取各所述初始图像转换模型的权重信息以及参数信息；根据各所述初始图像转换模型的权重信息以及参数信息，对各所述初始图像转换模型的参数信息进行加权求和，得到初始参数信息；根据所述初始参数信息，生成所述目标图像转换模型，其中，所述目标图像转化模型与各所述初始图像转换模型的模型结构相同。3.根据权要求2所述的方法，其特征在于，所述根据所述初始参数信息，生成所述目标图像转换模型，包括：根据所述初始参数信息，生成预图像转换模型，所述预图像转换模型与各所述初始图像转换模型的模型结构相同；获取第二图像训练集；所述第二图像训练集中包括多张低分辨率图像以及低分辨率图像对应的高分辨率图像；将所述第二图像训练集输入至所述预图像转换模型中，对所述预图像转换模型的参数进行调整，得到所述目标图像转换模型。4.根据权利要求2所述的方法，其特征在于，所述获取各所述初始图像转换模型的权重信息，包括：对各所述初始图像转换模型进行测试，获取各所述初始图像转换模型的精度；根据各所述初始图像转换模型的精度，确定各所述初始图像转换模型对应的权重信息。5.根据权利要求1所述的方法，其特征在于，所述获取多组第一图像训练集，包括：获取第三图像训练集，所述第三图像训练集中包括多张低分辨率图像以及各所述低分辨图像对应的高分辨率图像；所述第三图像训练集中图像的数量大于所述第一图像训练集中图像的数量；将所述第三图像训练集输入至分类模型，利用所述分类模型对所述第三图像训练集中各图像的场景进行识别，确定所述第三图像训练集中各图像的场景；根据所述第三图像训练集中各图像的场景，将不同场景的多张图像分为一组，得到多组第一图像训练集。6.一种图像转换方法，其特征在于，所述方法包括：获取待处理的低分辨率图像；将所述低分辨率图像切分为多块低分辨率子图像；其中，所述多块低分辨率子图像之间有重叠像素；2CN113706390A权利要求书2/2页将多块所述低分辨子图像分别输入至目标图像转换模型中，输出多块所述低分辨子图像对应的高分辨率子图像；所述目标图像转换模型根据权利要求1‑5任一所述的方法训练得到；对多块所述高分辨率子图像进行拼接，生成高分辨率图像。7.根据权利要求6所述的方法，其特征在于，所述对多块所述高分辨率子图像进行拼接，生成高分辨率图像，包括：获取多块所述高分辨率子图像之间的重叠像素；对所述重叠像素的像素值进行求平均运算，将计算得到的像素值作为所述重叠像素的像素值；根据各像素的位置，对所述重叠像素和不重叠的像素进行拼接生成所述高分辨率图像。8.根据权利要求6所述的方法，其特征在于，所述将多块所述低分辨子图像分别输入至目标图像转换模型中，输出多块所述低分辨子图像对应的高分辨率子图像，包括：将多块所述低分辨子图像分别输入至多个目标图像转换模型中，输出多块所述低分辨子图像对应的高分辨率子图像。9.一