[发明专利]神经网络训练方法、装置及电子设备

说明书

本申请公开了一种神经网络训练方法、装置及电子设备，属于图像处理与深度学习领域。能够解决相关技术中的深度学习网络对图像的处理效果差的技术问题。该方法包括：根据获取的M张第一图像的M个环境参数，确定N个退化程度，一个退化程度对应至少一个环境参数，一个退化程度对应至少一张第一图像，M、N均为正整数；基于每个退化程度，对每个退化程度对应的第一图像分别进行退化处理，得到每个退化程度对应的第二图像，每个第二图像分别对应一个第一图像；基于每个退化程度对应的第一图像和第二图像，分别生成一个样本集，得到N个样本集；基于N个样本集，分别对Q个神经网络进行训练，一个样本集对应至少一个神经网络，Q为正整数。

技术领域

本申请属于图像处理与深度学习领域，具体涉及一种神经网络训练方法、装置及电子设备。

背景技术

随着人工智能技术的不断发展，电子设备越来越普及，用户对电子设备(如智能终端)的拍摄质量的要求越来越高。目前提升电子设备的拍摄质量的方案主要是通过卷积神经网络学习人脸质量增强的深度网络来实现。

在相关技术中，是通过训练集训练单一输入分辨率(如256，512)和单一图像退化的深度网络，来对拍摄的图像进行图像增强处理。采用上述图像处理方式，在一些特殊场景下，例如在低照度场景中，拍摄时进光量较小，受噪声影响较大，相较正常亮度的场景，低照度场景中拍摄的图像的质量退化的更严重(即，图像质量更低)。又例如，在拍摄群体人像时，镜头中大小不一致的各个人脸的退化程度也不同。

因此，如果依然采用相关技术中训练单一输入分辨率、单一数据退化的深度学习网络对拍摄的图像进行处理，会导致训练后的深度学习网络对于不同退化程度的图像无法针对性地进行增强处理，从而导致难以取得显性的人脸质量增强效果，进而导致对图像的处理效果较差。

发明内容

本申请实施例的目的是提供一种神经网络训练方法、装置及电子设备，能够解决相关技术中的深度学习网络对图像的处理效果差的技术问题。

为了解决上述技术问题，本申请是这样实现的：

第一方面，本申请实施例提供了一种神经网络训练方法，该方法包括：根据获取的M张第一图像的M个环境参数，确定N个退化程度，一个退化程度对应至少一个环境参数，一个退化程度对应至少一张第一图像，M、N均为正整数；基于每个退化程度，对每个退化程度对应的第一图像分别进行退化处理，得到每个退化程度对应的第二图像，每个第二图像分别对应一个第一图像；基于每个退化程度对应的第一图像和第二图像，分别生成一个样本集，得到N个样本集；基于N个样本集，分别对Q个神经网络进行训练，一个样本集对应至少一个神经网络，Q为正整数。

第二方面，本申请实施例提供了一种神经网络训练装置，该装置包括：所述装置包括：确定模块、处理模块、生成模块和训练模块，其中：确定模块，用于根据获取的M张第一图像的M个环境参数，确定N个退化程度，一个退化程度对应至少一个环境参数，一个退化程度对应至少一张第一图像，M、N均为正整数；上述处理模块，用于基于确定模块确定的每个退化程度，对每个退化程度对应的第一图像分别进行退化处理，得到每个退化程度对应的第二图像，每个第二图像分别对应一个第一图像；上述生成模块，用于基于处理模块得到的每个退化程度对应的第一图像和第二图像，分别生成一个样本集，得到N个样本集；上述训练模块，用于基于生成模块得到的N个样本集，分别对Q个神经网络进行训练，一个样本集对应至少一个神经网络，Q为正整数。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。