[发明专利]图像超分辨率方法、装置、计算机设备和可读介质

权利要求书

1.一种图像超分辨率方法，其特征在于，所述方法包括：

获取处理参数和待处理的第一图像；

获取动态超分辨率模型，所述动态超分辨率模型包括动态处理模型和控制模型，所述控制模型用于控制所述动态处理模型执行或者调整所述动态处理模型的结构，所述动态超分辨率模型是对所述动态处理模型和控制模型进行整体训练后得到的；

根据所述处理参数，利用所述控制模型调整或控制所述动态处理模型，并根据经调整或控制的动态处理模型处理所述第一图像，得到与所述第一图像对应的第二图像，所述第二图像的分辨率高于所述第一图像的分辨率。

2.如权利要求1所述的方法，其特征在于，所述动态超分辨率模型是采用强化学习算法对所述动态处理模型和所述控制模型进行整体训练后得到的，采用强化学习算法对所述动态处理模型和所述控制模型进行整体训练得到所述动态超分辨率模型，包括：

采用强化学习算法通过迭代的方式，利用训练图像对初始动态处理模型和初始控制模型进行整体训练，所述训练图像为对原始图像进行压缩处理得到的图像；

响应于预设收敛条件满足，结束训练，得到所述动态超分辨率模型；

其中，所述预设收敛条件包括以下至少之一：

已训练预设迭代次数；

损失函数与获得的奖励之间的加权和最小，所述损失函数为经动态处理模型处理得到的图像与相应训练图像对应的原始图像之间的损失函数，所述获得的奖励为所述控制模型控制或调整所述动态处理模型所获得的奖励。

3.如权利要求2所述的方法，其特征在于，在采用强化学习算法通过迭代的方式，利用训练图像对初始动态处理模型和初始控制模型进行整体训练之前，所述方法还包括：

隔离所述初始控制模型，训练所述初始动态处理模型，得到训练后的动态处理模型；

所述采用强化学习算法通过迭代的方式，利用训练图像对初始动态处理模型和初始控制模型进行整体训练，包括：

采用强化学习算法通过迭代的方式，利用训练图像对所述训练后的动态处理模型和所述初始控制模型进行整体训练。

4.如权利要求1-3任一项所述的方法，其特征在于，所述动态超分辨率模型包括动态深度超分辨率模型，所述动态深度超分辨率模型包括第一动态处理模型和第一控制模型，所述第一控制模型用于，在所述第一动态处理模型执行至少一次之后，控制所述第一动态处理模型执行，或者，控制所述第一动态处理模型中的处理模块或处理层执行。

5.如权利要求4所述的方法，其特征在于，所述动态深度超分辨率模型包括动态循环超分辨率神经网络模型或动态跳层超分辨率神经网络模型。

6.如权利要求1-3任一项所述的方法，其特征在于，所述动态超分辨率模型包括动态宽度超分辨率模型，所述动态宽度超分辨率模型包括第二动态处理模型和第二控制模型，所述第二控制模型用于调整所述第二动态处理模型中各卷积层的通道。

7.如权利要求6所述的方法，其特征在于，所述动态宽度超分辨率模型包括动态剪枝超分辨率神经网络模型。

8.一种图像超分辨率装置，其特征在于，包括获取模块、控制调整模块和图像处理模块，所述获取模块用于，获取处理参数和待处理的第一图像；以及，获取动态超分辨率模型，所述动态超分辨率模型包括动态处理模型和控制模型，所述控制模型用于控制所述动态处理模型执行或者调整所述动态处理模型的结构，所述动态超分辨率模型是对所述动态处理模型和控制模型进行整体训练后得到的；

所述控制调整模块用于，根据所述处理参数，利用所述控制模型调整或控制所述动态处理模型；

所述图像处理模块用于，根据经调整或控制的动态处理模型处理所述第一图像，得到与所述第一图像对应的第二图像，所述第二图像的分辨率高于所述第一图像的分辨率。