[发明专利]图像重建模型的生成方法、图像重建方法及相关设备

说明书

本申请实施例提供一种图像重建模型的生成方法、图像重建方法及相关设备，涉及人工智能领域，该方法包括：获取训练数据；将所述训练数据输入预设模型中进行特征提取，得到特征数据；对所述特征数据进行非线性映射，得到映射数据；对所述映射数据进行上采样，得到重建数据；基于所述重建数据及对应的预设标签数据计算损失，其中，所述损失包括所述重建数据及对应的预设标签数据之间的梯度损失；基于所述损失对所述预设模型进行迭代训练，得到图像重建模型。本申请实施例提供的方法，能够提高模型对边缘等高频信息的敏感性，由此可以提高重建图像的质量。

技术领域

本申请实施例涉及人工智能领域，尤其涉及一种图像重建模型的生成方法、图像重建方法及相关设备。

背景技术

随着多媒体信息技术的快速发展，图像成为了传递信息的重要途径，人们对图像的细节要求越来越高。图像的分辨率是指每英寸图像内包含多少个像素点，该分辨率是用于衡量图像质量的重要指标。其中，图像的分辨率越高，图像的细节更精细，同时可以传递更多的信息。

图像超分辨率重建技术是使用数字图像处理的方法提高昂分辨率的技术，被广泛应用于医疗、军事、卫星等成像系统中。图像超分辨率重建技术可分为基于传统的方法和基于学习的方法。该基于传统的方法主要由基于插值的方法及基于重建的方法，基于插值的方法主要包括双线性插值和双三次插值等，算法比较简单，复杂度较低。基于重建的方法是在利用低分辨率作为约束的前提下，结合图像的先验知识进行还原。基于传统的算法较为简单，虽然运算速度较快，但无法重建出具有丰富纹理细节的图像。

目前，基于学习的方法主要包括基于深度学习的方法。随着计算机视觉技术的快速发展，促使基于卷积神经网络的图像超分辨率重建技术趋于成熟，越来越多的基于深度学习的算法被提出。相较于传统的方法，基于深度学习的方法具有更强大的特征提取能力，可以学习到更为复杂和抽象的特征，从而可以提高重建图像的质量。然而，目前的基于深度学习的方法复杂度高，且训练效率低下。因此，亟需一种方法解决上述问题。

发明内容

本申请实施例提供了一种图像重建模型的生成方法、图像重建方法及相关设备，以提供一种图像重建模型的生成方式以及图像重建方式。

第一方面，本申请实施例提供了一种图像重建模型的生成方法，包括：

获取训练数据；

将所述训练数据输入预设模型中进行特征提取，得到特征数据；

对所述特征数据进行非线性映射，得到映射数据；

对所述映射数据进行上采样，得到重建数据；

基于所述重建数据及对应的预设标签数据计算损失，其中，所述损失包括所述重建数据及对应的预设标签数据之间的梯度损失；

基于所述损失对所述预设模型进行迭代训练，得到图像重建模型。

其中一种可能的实现方式中，所述将所述训练数据输入预设模型中进行特征提取，得到特征数据包括：

将所述训练数据输入预设模型中进行卷积计算，得到第一卷积输出；

使用预设第一激励函数对所述第一卷积输出进行激励计算，得到特征数据。

其中一种可能的实现方式中，所述对所述特征数据进行非线性映射，得到映射数据包括：

对所述特征数据进行残差计算，得到残差数据；

对所述残差数据进行特征拼接，得到拼接数据；

对所述拼接数据进行卷积计算，得到第二卷积输出；

基于所述第二卷积输出及所述训练数据确定映射数据。

其中一种可能的实现方式中，所述对所述特征数据进行残差计算，得到残差数据包括：