[发明专利]一种基于变分推断的深度去噪模型的方法及系统

权利要求书

1.一种基于变分推断的深度去噪模型的方法，其特征在于，包括步骤：

S1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；

S2：构建变分去噪网络的概率模型；

S3：根据梯度下降求解，并对概率模型进行训练；

S4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；

S5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；

S6：根据数据的分布特征对模型进行更新。

2.根据权利要求1所述的基于变分推断的深度去噪模型的方法，其特征在于，所述步骤S1包括：

S11：带噪图片的数据集：

其中，y_j表示带噪图片，x_j表示去噪图片，n表示训练图片的数量；

S12：对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。

3.根据权利要求1所述的基于变分推断的深度去噪模型的方法，其特征在于，所述步骤S2包括：

S21：训练集D中的任意一个图像对为x＝[x₁,...,x_d]^T；其中，d表示训练图像的尺寸；

构建基于像素级表示带噪图片y生成过程的模型：

其中，z∈R^d是在y下的去噪图片；

S22：x作为去噪图像，给潜z提供了强先验，提出z的共轭先验：

引入共轭先验得到逆伽马分布如下：

S23：建立p(z|σ²|y)的变分分布q(z,σ²|y)，并假设z与σ²之间是条件独立的，即：

q(z,σ²|y)＝q(z|y)q(σ²|y)

其中，μ_i,是D-net用来预测去噪图片z；α,β是S-net用来估计噪声方差σ²。

4.根据权利要求1所述的基于变分推断的深度去噪模型的方法，其特征在于，所述步骤S3包括：

S31：构建损失函数；获取边缘似然的变分下界：

logp(y；z,σ²)＝L(z,σ²；y)+D_KL(q(z,σ²|y)||p(z,σ²|y))

其中

极小化函数：

S32：通过梯度下降算法求解最优解。

5.一种基于变分推断的深度去噪模型的系统，其特征在于，包括：

获取模块：用于获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；

构建模块：用于构建变分去噪网络的概率模型；

训练模块：根据梯度下降求解，并对概率模型进行训练；

验证模块：通过验证集对训练模块中得到的训练集概率模型进行验证，得到变分深度模型；

部署模块：将验证模块中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；

更新模块：根据数据的分布特征对模型进行更新。

6.根据权利要求5所述的基于变分推断的深度去噪模型的系统，其特征在于，所述获取模块包括：

收集单元：用于收集带噪图片的数据集：

其中，y_j表示带噪图片，x_j表示去噪图片，n表示训练图片的数量；

切分单元：用于对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。