[发明专利]一种模型的训练方法、图像增强方法及设备

权利要求书

1.一种模型的训练方法，应用于超分辨率重建任务，其特征在于，所述模型包括生成网络、教师网络和学生网络，所述生成网络用于将随机初始化的噪声生成图像，所述教师网络为事先训练好的神经网络，所述方法包括：

利用第一损失函数和第二损失函数对所述生成网络进行训练，所述第一损失函数用于表征第一图像与第二图像之间的差异，所述第一图像为所述生成网络根据输入的随机初始化噪声生成的图像，所述第二图像为对第三图像进行下采样得到的图像，所述第三图像为所述教师网络对输入的所述第一图像进行超分辨重建得到的图像，所述第二损失函数与第三损失函数相关；

利用所述第三损失函数对所述学生网络进行训练，所述第三损失函数用于表征第四图像与第五图像之间的差异，所述第五图像为所述教师网络对输入的第六图像进行超分辨重建得到的图像，所述第六图像为训练后的生成网络根据输入的随机初始化噪声生成的图像，所述第四图像为所述学生网络对输入的所述第六图像进行超分辨重建得到的图像；

重复执行上述步骤，直至达到第一迭代终止条件。

2.根据权利要求1所述的方法，其特征在于，所述学生网络包括第一神经网络层以及第二神经网络层，所述第一神经网络层包括相邻的第一子层和第二子层，所述利用所述第三损失函数对所述学生网络进行训练包括：

利用所述第三损失函数对所述第一子层以及所述第二神经网络层进行训练，其中，所述第一子层的模型参数以及所述第二神经网络层的模型参数均为随机的初始化值；

在所述重复执行上述步骤，直至达到第一迭代终止条件之后，所述方法还包括：

获取训练后的第一子层的第一模型参数值以及训练后的第二神经网络层的第二模型参数值；

利用所述第一损失函数和所述第二损失函数对所述生成网络进行训练，并利用所述第三损失函数对所述训练后的第一子层、所述第二子层以及所述训练后的第二神经网络层进行训练，其中，所述训练后的第一子层的模型参数为所述第一模型参数值，所述训练后的第二神经网络层的模型参数为所述第二模型参数值，所述第二子层的模型参数值为随机的初始化值；

重复执行利用所述第一损失函数和所第二损失函数对所述生成网络进行训练和利用所述第三损失函数对所述训练后的第一子层、所述第二子层以及所述训练后的第二神经网络层进行训练的过程，直至达到第二迭代终止条件。

3.根据权利要求2所述的方法，其特征在于，所述达到第二迭代终止条件包括：

达到预设的训练轮次，或，所述第三损失函数收敛，或，所述第三损失函数达到预设阈值。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述达到第一迭代终止条件包括：

达到预设的训练轮次，或，所述第三损失函数收敛，或，所述第三损失函数达到预设阈值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述第一图像为n个，所述第二图像为n个，n≥2，所述第一损失函数用于表征第一图像与第二图像之间的差异包括：

所述第一损失函数用于表征n个第一图像与n个第二图像之间的平均差或均方差。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述第四图像为m个，所述第五图像为m个，m≥2，所述第三损失函数用于表征第四图像与第五图像之间的差异包括：

所述第三损失函数用于表征m个第四图像与m个第五图像之间的平均差或均方差。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

将训练后的学生网络部署在目标设备。

8.一种图像增强方法，其特征在于，包括：

获取目标图像；

通过训练后的学生网络对所述目标图像进行超分辨重建，得到增强图像，所述训练后的学生网络为所述权利要求1-7中任一项训练后的学生网络。