[发明专利]一种基于残差连接的多维图像复原方法和设备

说明书

本发明实施例提出了一种基于残差连接的多维图像复原方法和设备，包括：获取预设的训练图片，并对所述训练图片进行裁剪以获取图像块；对所述图像块进行随机的退化处理生成退化图片；其中，所述退化处理的退化程度服从贝塔分布；将所述退化图片的退化信息转换为条件向量；所述退化信息基于所述退化处理生成；通过所述退化图片和所述条件向量在附加有可控残差连接的深度复原网络进行训练，得到图像复原模型；对输入所述图像复原模型的待复原图片进行条件向量的连续调节，实现对所述待复原图片的复原。可以允许用户针对不同的退化种类进行复原程度的调节，且调节的精确性高，实现了更灵活的图像复原。

技术领域

本发明涉及图片复原技术领域，特别涉及一种基于残差连接的多维图像复原方法和设备。

背景技术

在图像复原的实际应用当中，通常需要调节复原强度或效果来满足不同的要求。例如，用户总是希望用一个工具栏灵活地调整复原强度。现实中的图像通常携带多个退化种类，比如同时有模糊，噪声和JPEG有损压缩。在这样的情况下，用户需要多个调节器来针对不同退化种类分别进行图像复原强度的调节。

目前，深度学习方法在图像复原领域被广泛应用，其中，有方案例如DnCNN(神经网络)可以处理不同程度的高斯噪声，但是该方法只能处理去噪这一个图像复原任务。

在基于深度学习的图像复原模型中，已经有一些工作可以在测试阶段通过调节深度模型的少量参数来改变模型的复原强度，从而产生不同复原程度的输出图像。但这些方法只能针对单一退化种类进行调节。然而，现实中的图像通常携带多个退化种类，比如同时有模糊，噪声和压缩。在这样的情况下，用户需要多个调节器来针对不同的退化种类分别进行调节。

另外，目前的基于深度学习的图像复原可调节工作通常都是基于插值来达到连续调节的目的。具体地说，这些方法会先训练一个基模型，这个基模型可以处理某种退化类型的某个退化级别的复原任务，例如：高斯噪声标准差15。然后通过在基模型中添加一些调节模块，然后只训练这些调节模块的参数使之能解决另一个退化级别的复原任务，例如：高斯噪声标准差50。也就是说整个训练过程只用到了两个退化级别的数据，那么通过对调节模块进行插值来完成中间退化程度的图像复原难以保证其精确性。

由此，目前需要一种更好的图像复原方案。

发明内容

针对现有技术中的缺陷，本发明提出了一种基于残差连接的多维图像复原方法，可以允许用户针对不同的退化种类进行复原程度的调节，且调节的精确性高，实现了更灵活的图像复原。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种基于残差连接的多维图像复原方法，包括：

获取预设的训练图片，并对所述训练图片进行裁剪以获取图像块；

对所述图像块进行随机的退化处理生成退化图片；其中，所述退化处理的退化程度服从贝塔分布；

将所述退化图片的退化信息转换为条件向量；所述退化信息基于所述退化处理生成；

通过所述退化图片和所述条件向量在附加有可控残差连接的深度复原网络进行训练，得到图像复原模型；

对输入所述图像复原模型的待复原图片进行条件向量的连续调节，实现对所述待复原图片的复原。

在一个具体的实施例中，所述退化处理包括以下一个类型或多个类型的任意组合：进行高斯模糊处理、加高斯噪声处理、进行有损压缩处理。

在一个具体的实施例中，所述条件向量包括一个或多个元素，每个元素对应一种退化处理的类型；各所述元素的值均位于0到1之间。

在一个具体的实施例中，所述深度复原网络包括附加有可控残差连接的主网络、由全连接层构成的条件网络；其中，