[发明专利]神经网络模型训练方法、装置及终端设备

说明书

本发明涉及图像处理技术领域，提供了一种神经网络模型训练方法、装置及终端设备。该方法包括：获取用于对图像进行超分辨处理的神经网络模型和用于训练所述神经网络模型的初始图像；对所述初始图像添加噪声；对添加噪声后的初始图像进行下采样处理，生成所述初始图像对应的采样图像；将所述初始图像及对应的采样图像作为训练数据，对所述神经网络模型进行训练。本发明通过对初始图像加入噪声，使生成的采样图像更接近于实际应用中含有噪声的图像，从而保证训练时神经网络模型的超分辨效果与实际应用中神经网络模型的超分辨效果相一致，提高训练后神经网络模型在实际应用中对图像进行超分辨处理的效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种神经网络模型训练方法、装置及终端设备。

背景技术

超分辨图像处理方法有着非常广阔的应用。得益于现在网络和各种社交平台的飞速发展，人们每天在网络上阅读、上传和下载数目非常惊人的图片。在这个过程中，图片就需要从远程服务端传输到用户的用户端。

在图像传输过程中，为了节省传输成本，可以把图像在输入端进行降维处理，之后在输出端进行升维处理。这样传输的数据量就能得到很大程度的降低，有利于提高传输速度和缓解网络传输压力。更重要的是，可以在一定的传输带宽下，提高输出端的图像质量，提高用户体验。

另外，无论是对于服务端还是用户端，这些图片和视频的储存也耗费着大量的存储资源。超分辨技术同时可以帮助缓解数据储存上的压力。可以把这些图片进行降维处理之后储存，这样图片的大小将会降低，从而缓解储存的压力。待我们需要翻看和应用这些图片的时候，再通过超分辨算法，快速将这些图片进行升维处理，补充图片细节，得到高维度的图片。

除了数据传输和储存，超分辨技术还可以应用在监控场景中。由于监控摄像头位置、高度以及存储数据代价的考虑，现有的监控图像大都分辨率较低。这些低分辨率的图像无疑提高了我们进行进一步的自动识别，检测等工作时的难度。利用超分辨图像处理方法，可以把这些低分辨率图像还原为高分辨率。图片质量的提高便于根据需求对这些监控图片进行进一步的操作。

除了以上场景，超分辨技术还可以用来翻新老电影。之前有很多经典的影视作品因为拍摄年代较久远，受到相机等硬件设备的制约，电影画质比较差。特别将这些电影放映到我们现代的高清屏幕上时，其画质的缺陷尤为突出。利用超分辨技术，可以增大电影尺寸，补充电影的细节，提高观影体验。

目前通常通过神经网络模型，将低分辨率的图像进行超分辨处理得到高分辨率的图像。然而目前神经网络模型在训练时的超分辨效果良好，在实际应用时对图像进行超分辨处理的效果较差。

发明内容

有鉴于此，本发明实施例提供了神经网络模型训练方法、装置及终端设备，以解决目前神经网络模型在训练时超分辨效果良好，但是在实际应用中对图像进行超分辨处理的效果较差的问题。

本发明实施例的第一方面提供了神经网络模型训练方法，包括：

获取用于对图像进行超分辨处理的神经网络模型和用于训练所述神经网络模型的初始图像；

对所述初始图像添加噪声；

对添加噪声后的初始图像进行下采样处理，生成所述初始图像对应的采样图像；

将所述初始图像及对应的采样图像作为训练数据，对所述神经网络模型进行训练。

本发明实施例的第二方面提供了神经网络模型训练装置，包括：

获取模块，用于获取用于对图像进行超分辨处理的神经网络模型和用于训练所述神经网络模型的初始图像；

预处理模块，用于对所述初始图像添加噪声；

采样模块，用于对添加噪声后的初始图像进行下采样处理，生成所述初始图像对应的采样图像；