[发明专利]一种图像重建方法、终端设备及计算机可读存储介质

权利要求书

1.一种图像重建方法，其特征在于，包括：

构建生成网络模型和判别网络模型；

对所述生成网络模型和所述判别网络模型进行交替迭代训练获得交替迭代训练后的生成网络模型，其中，在第N次交替训练过程中，训练判别网络模型时，从历史交替训练时所述生成网络模型的输出中选择一组样本加入所述判别网络模型本次交替训练过程的输入样本中，对上一次交替训练后的判别网络模型进行训练，以获得本次交替训练后的判别网络模型，N为大于1的整数；

获取待重建的图像，并通过交替迭代训练后的生成网络模型对所述待重建的图像进行重建，获得重建后的图像；

所述在第N次交替训练过程中，训练判别网络模型时，从历史交替训练时所述生成网络模型的输出中选择一组样本加入所述判别网络模型本次交替训练过程的输入样本中，对上一次交替训练后的判别网络模型进行训练，以获得本次交替训练后的判别网络模型包括：

将原始样本集输入上一次交替训练后的生成网络模型中获得输出样本，并将该输出样本作为与本次交替训练过程对应的假样本集；

从所述原始样本集中选取一个原始样本，将选取的原始样本在每一次历史交替训练过程中对应的输出样本作为一组替换样本，替换所述本次交替训练过程对应的假样本集中的一个假样本，将不同次数的交替训练过程通过所述假样本进行关联；

将真样本集、替换后的所述本次交替训练过程对应的假样本集作为本次交替训练过程的输入样本，训练上一次交替训练后的判别网络模型，获得本次交替训练后的判别网络模型；其中，真样本为真实拍摄获得的照片；假样本为生成网络模型生成的样本；

所述交替迭代训练结束的条件包括：所述交替迭代训练的次数等于M次，其中，M为大于1的整数；

相应的，所述交替迭代训练后的生成网络模型为：第M次交替训练后的生成网络模型；

所述交替迭代训练结束的条件还包括：在最新一次交替训练过程中，训练生成网络模型时，判别网络模型的输出结果收敛；

相应的，所述交替迭代训练后的生成网络模型为：最新一次交替训练后的生成网络模型。

2.如权利要求1所述的图像重建方法，其特征在于，所述对所述生成网络模型和所述判别网络模型进行交替迭代训练获得交替迭代训练后的生成网络模型包括：

在第1次交替训练过程中，将原始样本集输入构建的生成网络模型获得输出样本，并将该输出样本作为本次交替训练过程对应的假样本集；

获取真样本集，并基于对抗代价函数，通过真样本集、所述本次交替训练过程对应的假样本集训练构建的判别网络模型，获得本次交替训练后的判别网络模型；

基于重建代价函数，通过所述原始样本集和本次交替训练后的判别网络模型训练构建的生成网络模型，获得本次交替训练后的生成网络模型。

3.如权利要求2所述的图像重建方法，其特征在于，所述基于重建代价函数，通过所述原始样本集和本次交替训练后的判别网络模型训练构建的生成网络模型，获得本次交替训练后的生成网络模型包括：

将构建的生成网络模型和所述本次交替训练后的的判别网络模型连接；

在正向传播过程中，所述原始样本集中的原始样本输入构建的生成网络获得输出样本，并将该输出样本作为真样本输入所述本次交替训练后的判别网络模型；

在反向传播过程中，将所述本次交替训练后的判别网络模型的参数设置为不更新，基于所述重建代价函数训练构建的生成网络，获得本次交替训练后的生成网络模型。

4.如权利要求1至3任一项所述的图像重建方法，其特征在于，所述在第N次交替训练过程中，训练判别网络模型时，从历史交替训练时所述生成网络模型的输出中选择一组样本加入所述判别网络模型本次交替训练过程的输入样本中，对上一次交替训练后的判别网络模型进行训练，以获得本次交替训练后的判别网络模型包括：

将原始样本集输入上一次交替训练后的生成网络模型中获得输出样本，并将该输出样本作为与本次交替训练过程对应的假样本集；

从上一次交替训练过程对应的假样本集中选取至少一个假样本作为一组替换样本，替换所述本次交替训练过程对应的假样本集中的一个假样本；

将真样本集、替换后的所述本次交替训练过程对应的假样本集作为本次交替训练过程的输入样本，训练上一次交替训练后的判别网络模型，获得本次交替训练后的判别网络模型。