[发明专利]网络模型的训练方法、人脸图像超分辨率重建方法及设备

权利要求书

1.一种网络模型的训练方法，所述网络模型包括呈对抗关系的生成网络和判别网络，其特征在于，所述训练方法包括：

获取低分辨率训练图像以及与所述低分辨率训练图像对应的高分辨率训练图像，其中，所述低分辨率训练图像和所述高分辨率训练图像均是基于对同一目标对象拍摄获得；

将低分辨率训练图像输入所述生成网络，得到超分辨率训练图像，计算所述超分辨率训练图像和所述高分辨率训练图像的误差损失；

将所述高分辨率训练图像和所述超分辨率训练图像输入所述判别网络，得到所述高分辨率训练图像和所述超分辨率训练图像的对抗损失；

基于所述误差损失和所述对抗损失，对所述网络模型进行训练，直至训练后的网络模型输出的所述误差损失和所述对抗损失之和小于第一预设损失阈值。

2.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：

将所述高分辨率训练图像和所述超分辨率训练图像进行频域解析，得到所述高分辨率训练图像和所述超分辨率训练图像的频域损失；

基于所述误差损失、所述对抗损失和所述频域损失，对所述网络模型进行训练，直至训练后的网络模型输出的所述误差损失、所述对抗损失及所述频域损失之和小于第二预设损失阈值。

3.根据权利要求1或2所述的训练方法，其特征在于，所述生成网络包括分辨率放大网络和重建网络，所述分辨率放大网络包括卷积层和最近邻插值层，所述将低分辨率训练图像输入所述生成网络，得到超分辨率训练图像的步骤，包括：

利用所述分辨率放大网络中的卷积层和最近邻插值层对所述低分辨率训练图像进行放大处理，放大所述低分辨率训练图像中的分辨率；

利用所述重建网络对所述放大分辨率后的低分辨率训练图像进行图像重建处理，得到所述超分辨率训练图像。

4.根据权利要求3所述的训练方法，其特征在于，所述重建通道网络包括对称网络结构和门控循环网络，所述利用所述重建通道网络对所述放大分辨率后的低分辨率训练图像进行图像重建处理，得到所述超分辨率训练图像的步骤，包括：

利用所述对称网络结构对所述放大分辨率后的低分辨率训练图像进行图像重建处理，并通过门控循环网络融合所述放大分辨率后的低分辨率训练图像在所述对称网络结构中的浅层特征信息。

5.根据权利要求1所述的训练方法，其特征在于，所述以及计算所述高分辨率训练图像和所述超分辨率训练图像的误差损失的步骤，包括：

计算所述高分辨率训练图像和所述超分辨率训练图像的均方误差及算数平方根的均方误差；

基于所述高分辨率训练图像和所述超分辨率训练图像的均方误差及算数平方根的均方误差，计算所述高分辨率训练图像和所述超分辨率训练图像的误差损失。

6.根据权利要求5所述的训练方法，其特征在于，所述将所述高分辨率训练图像和所述超分辨率训练图像输入所述判别网络，得到所述高分辨率训练图像和所述超分辨率训练图像的对抗损失的步骤，包括：

利用所述判别网络对所述超分辨率训练图像和所述高分辨率训练图像进行鉴别，得到所述超分辨率训练图像的鉴别结果和所述高分辨率训练图像的鉴别结果；

利用所述高分辨率训练图像的鉴别结果与所述超分辨率训练图像的鉴别结果计算所述高分辨率训练图像和所述超分辨率训练图像的对抗损失。

7.根据权利要求2所述的训练方法，其特征在于，所述将所述高分辨率训练图像和所述超分辨率训练图像进行频域解析，得到所述高分辨率训练图像和所述超分辨率训练图像的频域损失的步骤，包括：

利用傅里叶变换技术对所述高分辨率训练图像和所述超分辨率训练图像进行频域处理，分别得到所述高分辨率训练图像和所述超分辨率训练图像的频域信息；

基于所述高分辨率训练图像和所述超分辨率训练图像的频域信息，计算所述高分辨率训练图像和所述超分辨率训练图像在频域上的距离；

其中，所述距离为所述高分辨率训练图像和所述超分辨率训练图像的频域损失。