[发明专利]神经网络的训练方法、图像处理方法、图像处理装置

权利要求书

1.一种神经网络的训练方法，包括：

基于生成网络，对判别网络进行训练；

基于所述判别网络，对所述生成网络进行训练；以及，

交替地执行上述训练过程，以得到基于训练后的所述生成网络的目标网络；

其中，所述目标网络用于对输入图像进行风格迁移处理以得到输出图像，所述输出图像的分辨率高于所述输入图像的分辨率；

基于所述判别网络，对所述生成网络进行训练，包括：

利用所述生成网络对第一训练输入图像进行风格迁移处理，以分别生成第一训练输出图像和第二训练输出图像，其中，所述第一训练输出图像的分辨率高于所述第一训练输入图像的分辨率，所述第二训练输出图像的分辨率等于所述第一训练输入图像的分辨率；

通过所述判别网络对所述第一训练输出图像进行处理，通过分析网络对所述第二训练输出图像进行处理，根据所述判别网络的输出和所述分析网络的输出，通过系统损失函数计算所述生成网络的系统损失值；

根据所述系统损失值对所述生成网络的参数进行修正。

2.根据权利要求1所述的训练方法，其中，所述生成网络包括主干网络、第一分支网络和第二分支网络，所述第一分支网络的输入和所述第二分支网络的输入均为所述主干网络的输出；

利用所述生成网络对所述第一训练输入图像进行所述风格迁移处理，以分别生成所述第一训练输出图像和所述第二训练输出图像，包括：

根据所述第一训练输入图像，通过所述主干网络和所述第一分支网络生成所述第一训练输出图像，以及通过所述主干网络和所述第二分支网络生成所述第二训练输出图像。

3.根据权利要求2所述的训练方法，其中，所述主干网络包括依次连接的多个卷积模块和间插于相邻卷积模块的多个下采样层；

所述第一分支网络包括依次连接的多个卷积模块和间插于相邻卷积模块的多个上采样层；

所述第二分支网络包括依次连接的多个卷积模块和间插于相邻卷积模块的多个上采样层；

其中，所述第一分支网络中的卷积模块的个数和上采样层的个数分别多于所述主干网络中的卷积模块的个数和下采样层的个数，所述第二分支网络中的卷积模块的个数和上采样层的个数分别等于所述主干网络中的卷积模块的个数和下采样层的个数。

4.根据权利要求1-3任一项所述的训练方法，其中，所述系统损失函数包括生成网络对抗损失函数，所述系统损失值包括生成网络对抗损失值；

所述生成网络对抗损失函数表示为：

其中，L_G表示所述生成网络对抗损失函数，z表示所述第一训练输入图像，P_z(z)表示所述第一训练输入图像的集合，G(z)表示所述第一训练输出图像，D(G(z))表示所述判别网络针对所述第一训练输出图像的输出，表示针对所述第一训练输入图像的集合求期望以得到所述生成网络对抗损失值。

5.根据权利要求4所述的训练方法，其中，所述分析网络包括依次连接的多个第一卷积模块和间插于相邻第一卷积模块的多个第一下采样层，至少两个所述第一卷积模块用于提取风格特征，至少一个所述第一卷积模块用于提取内容特征。

6.根据权利要求5所述的训练方法，其中，所述系统损失函数还包括内容损失函数，所述系统损失值还包括内容损失值；

所述内容损失函数表示为：

其中，L_content表示所述内容损失函数，C_m表示用于提取所述内容特征的所述至少一个第一卷积模块中的第m个第一卷积模块的单层内容损失函数，w_1m表示C_m的权重；

所述单层内容损失函数表示为：

其中，S₁为常数，表示在所述第m个第一卷积模块中第i个第一卷积核提取的所述第一训练输入图像的第一内容特征图像中第j个位置的值，表示在所述第m个第一卷积模块中第i个第一卷积核提取的所述第二训练输出图像的第二内容特征图像中第j个位置的值。