[发明专利]图像增强系统和方法、训练方法、介质以及电子设备

说明书

本发明的实施方式提供了一种图像增强系统，包括输入端、多通路部分、单通路部分以及输出端。输入端，用于获得待处理图像。多通路部分，与所述输入端相连，其中，所述多通路部分包括多个通路，每个所述通路包括至少一个卷积层。单通路部分，包括至少一个卷积层，与所述多个通路相连，用于将多个所述通路的输出通过卷积计算融合为所述待处理图像的图像增强结果。输出端，与所述单通路部分相连，用于输出所述图像增强结果。此外，本发明的实施方式还提供了一种图像增强方法、一种训练方法、一种计算机可读存储介质以及一种电子设备。

技术领域

本发明的实施方式涉及图像处理领域，更具体地，本发明的实施方式涉及一种图像增强系统和方法、训练方法、介质以及电子设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

目前图像增强的方法可以分为两大类，一种是传统的图像增强方法，通过各种空域和频域下的算子来增强图片。另一种是通过深度神经网络的方法来增强图片。目前看，第二种的性能要大大优于第一种的性能。以NTIRE2017夺冠的网络EDSR来说，该网络是具有32层卷积层，同时引入残差的网络结构，该网络在超分辨率重构上取得很好的效果。

发明内容

但是，目前的深度神经网络在标准数据上的效果较好，但是在通用数据集上效果大大降低，模型能够提升图片的效果又比较小，甚至出现生成的图片比原图更差的情况，无法在生产环境使用。

为此，非常需要一种改进的图像增强系统，以克服无法在生产环境中应用的问题。

在本上下文中，本发明的实施方式期望提供一种图像增强系统，通过减少网络模型的深度，以改善在生产环境中的应用效果。

在本发明实施方式的第一方面中，提供了一种图像增强系统，包括输入端、多通路部分、单通路部分以及输出端。输入端，用于获得待处理图像。多通路部分，与所述输入端相连，其中，所述多通路部分包括多个通路，每个所述通路包括至少一个卷积层。单通路部分，包括至少一个卷积层，与所述多个通路相连，用于将多个所述通路的输出通过卷积计算融合为所述待处理图像的图像增强结果。输出端，与所述单通路部分相连，用于输出所述图像增强结果。

在本发明的一个实施例中，所述多通路部分包括多个构造不同的通路。

在本发明的另一个实施例中，所述多通路部分中的任意两个通路的卷积层的数量不同。

在本发明的另一实施例中，所述多通路部分中的任意两个通路的卷积层对应的卷积核的宽度和/或高度不同。

在本发明的另一个实施例中，所述输入端获得待处理图像，并将所述待处理图像分别传递到多通路部分的每个通路中。

在本发明的另一个实施例中，在所述多通路部分的各个通路中，从所述输入端到所述输出端的方向上，所述卷积层对应的卷积核的尺寸依次减小或保持不变。

在本发明的另一个实施例中，所述多个不同的通路包括第一通路和第二通路，所述第一通路的至少一个卷积层的输出与所述第二通路的至少一个卷积层的输入相连接。

在本发明的另一个实施例中，所述多通路部分中每一个通路的每一个卷积层输出的输出图像的宽度和高度与输入所述卷积层的输入图像的宽度和高度分别相同。

在本发明的另一个实施例中，所述多通路部分中每一个通路的每一个卷积层输出的输出图像的通道数与所述卷积层对应的卷积核的通道数相同。

在本发明的又一个实施例中，与所述多通路部分中每一个通路的每一个卷积层对应的卷积核的通道数相同。

在本发明的再一个实施例中，所述多通路部分包括4个不同的通路。