图像复原模型训练方法、装置及图像复原方法和装置.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CN108921220A(43)申请公布日2018.11.30(21)申请号201810712546.8(22)申请日2018.06.29(71)申请人国信优易数据有限公司地址100070北京市丰台区南四环西路188号总部广场31号楼(72)发明人刘永康杜家鸣张福刚段立新(74)专利代理机构北京超凡志成知识产权代理事务所(普通合伙)11371代理人徐丽(51)Int.Cl.G06K9/62(2006.01)G06T5/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书17页附图4页(54)发明名称图像复原模型训练方法、装置及图像复原方法和装置(57)摘要本申请提供了一种图像复原模型训练方法、装置及图像复原方法和装置，其中，图像复原模型训练方法包括：将具有像素损失区域的待处理图像输入图像生成神经网络，对所述待处理图像进行复原，得到所述待处理图像的伪造图像；将所述待处理图像的原始图像以及所述伪造图像输入图像判别神经网络，使用所述图像判别神经网络为所述原始图像和所述伪造图像进行分类；基于所述伪造图像和所述原始图像的比对结果，对所述图像生成神经网络进行本轮训练，以及基于分类结果对所述图像判别神经网络进行本轮训练；经过对所述图像生成神经网络、图像判别神经网络的多轮训练，得到图像复原模型。本申请实施例能够减小生成的伪造图像和原始图像之间的差异。CN108921220ACN108921220A权利要求书1/2页1.一种图像复原模型训练方法，其特征在于，包括：将具有像素损失区域的待处理图像输入图像生成神经网络，对所述待处理图像进行复原，得到所述待处理图像的伪造图像；将所述待处理图像的原始图像以及所述伪造图像输入图像判别神经网络，使用所述图像判别神经网络为所述原始图像和所述伪造图像进行分类；基于所述伪造图像和所述原始图像的比对结果，对所述图像生成神经网络进行本轮训练，以及基于分类结果对所述图像判别神经网络进行本轮训练；经过对所述图像生成神经网络、图像判别神经网络的多轮训练，得到图像复原模型。2.根据权利要求1所述的方法，其特征在于，在将待处理图像输入图像生成神经网络之前，还包括对待处理图像的预处理操作：对所述待处理图像进行像素损失区域检测，并对检测到的像素损失区域进行掩码mask提取，得到像素损失区域的掩码图像；按照预设像素值为所述掩码图像的像素赋值；将完成赋值的掩码图像的像素矩阵，与所述待处理图像的像素矩阵点乘，得到预处理后的待处理图像。3.根据权利要求2所述的方法，其特征在于，按照预设像素值为所述掩码图像的像素赋值，包括：对所述掩码图像的像素矩阵进行二值化操作。4.根据权利要求2或3所述的方法，在为所述掩码图像的像素赋值之前，还包括：将所述掩码图像进行形态学的膨胀运算和腐蚀运算。5.根据权利要求4所述的方法，其特征在于，所述膨胀运算的参数满足第一运算次数；所述腐蚀运算次数满足第二运算次数，且所述第一运算次数大于所述第二运算次数；且相邻两次腐蚀运算之间的膨胀运算的次数不超出预设数量阈值。6.根据权利要求1所述的方法，其特征在于，所述图像生成神经网络包括：特征提取层以及特征复原层；将待处理图像输入图像生成神经网络，对所述待处理图像进行复原，得到所述待处理图像的伪造图像，包括：将待处理图像输入所述特征提取层；使用所述特征提取层对所述待处理图像进行特征学习，并将指定特征提取层提取的中间特征向量保存；使用所述特征复原层基于保存的中间特征向量对所述待处理图像进行特征补全，得到所述待处理图像的伪造图像。7.根据权利要求6所述的方法，其特征在于，使用所述特征提取层对所述待处理图像进行特征学习，并将指定特征提取层提取的中间特征向量保存，包括：使用所述特征提取层对所述待处理图像进行卷积处理，并在指定特征提取层提取中间特征向量并保存；并获取最后一层特征提取层的第一特征向量；使用所述特征复原层基于保存的中间特征向量对所述待处理图像进行特征补全，得到所述待处理图像的伪造图像，包括：2CN108921220A权利要求书2/2页依次使用所述特征复原层对所述第一特征向量进行反卷积处理；并将保存的中间特征向量和指定特征恢复层的反卷积的结果叠加；基于最后一层所述特征恢复层的反卷积结果，生成所述待处理图像的伪造图像。8.一种图像复原模型训练装置，其特征在于，包括：生成模块，用于将具有像素损失区域的待处理图像输入图像生成神经网络，对所述待处理图像进行复原，得到所述待处理图像的伪造图像；训练模块，用于将所述待处理图像的原始图像以及所述伪造图像输入图像判别神经网络，使用所述图像判别神经网络为所述原始图像和所述伪造图像进行分类；以及基于所述伪造图像和所述原始图像的比对结果，对所述图像生成