[发明专利]图像转换模型训练方法和图像转换方法、设备及介质

说明书

本发明公开了一种图像转换模型训练方法和图像转换方法、设备及介质，适用于人工智能技术领域。该方法包括：获取多组第一图像训练集，各第一图像训练集包括多张低分辨率图像以及各低分辨率图像对应的高分辨率图像；将多组第一图像训练集，分别输入至图像转换网络中，训练图像转换网络，得到多个初始图像转换模型；初始图像转换模型用于将低分辨率图像转换为高分辨率图像；对多个初始图像转换模型进行融合，生成目标图像转换模型。采用该方法可以缩短模型训练的时间，降低对计算机设备的计算资源的耗费。

技术领域

本发明涉及人工智能技术领域，具体涉及一种图像转换模型训练方法和图像转换方法、设备及介质。

背景技术

随着超高清产业的快速发展，大部分视频软件都具有超高分辨率如2K、4K的视频源。对于最新拍摄的电影或者手机拍摄的视频，随着相机技术的发展都具有较高的分辨率，而对于一些老电影或者较早时期拍摄的珍贵视频，受限于当时的拍摄技术影像分辨率通常很低，视频较为模糊。将这些影像视频通过4K超分算法复原为4K超清影像，增强影像中的细节，提高每帧图像的识别能力和识别精度，有助于这些影像的重新上映，珍贵视频的复原保存。

现有技术中，通常将低分辨率的视频输入至深度卷积神经网络模型，然后输出4K超清影像。

然而，由于上述深度卷积神经网络模型在训练过程中耗费计算资源很大，模型训练时间超长，因此，难以满足目前市场要求。

发明内容

有鉴于此，本发明实施例提供了一种图像转换模型训练方法和图像转换方法、设备及介质，以解决现有技术中深度卷积神经网络模型在训练过程中耗费计算资源很大，模型训练时间超长的问题。

根据第一方面，本发明实施例提供了一种图像转换模型训练方法，该方法包括：获取多组第一图像训练集，各第一图像训练集包括多张低分辨率图像以及各低分辨率图像对应的高分辨率图像；将多组第一图像训练集，分别输入至图像转换网络中，训练图像转换网络，得到多个初始图像转换模型；初始图像转换模型用于将低分辨率图像转换为高分辨率图像；对多个初始图像转换模型进行融合，生成目标图像转换模型。

在本申请实施例中，获取多组第一图像训练集，并将多组第一图像训练集，分别输入至图像转换网络中，训练图像转换网络，得到多个初始图像转换模型。然后，对多个初始图像转换模型进行融合，生成目标图像转换模型。与现有技术中利用大量数据集训练一个较大模型相比，上述方法，获取多个第一图像训练集训练多个初始图像转换模型，可以缩短模型训练的时间，降低对计算机设备的计算资源的耗费。此外，对多个初始图像转换模型进行融合，生成目标图像转换模型。还可以保证生成的目标图像转换模型的精度较高，且避免了训练一个模型会发生过拟合的情况。因此，解决了现有技术中深度卷积神经网络模型在训练过程中耗费计算资源很大，模型训练时间超长的问题。

结合第一方面，在第一方面第一实施方式中，对多个初始图像转换模型进行融合，生成目标图像转换模型，包括：获取各初始图像转换模型的权重信息以及参数信息；根据各初始图像转换模型的权重信息以及参数信息，对各初始图像转换模型的参数信息进行加权求和，得到初始参数信息；根据初始参数信息，生成目标图像转换模型，其中，目标图像转化模型与各初始图像转换模型的模型结构相同。

在本申请实施例中，获取各初始图像转换模型的权重信息以及参数信息；根据各初始图像转换模型的权重信息以及参数信息，对各初始图像转换模型的参数信息进行加权求和，得到初始参数信息；根据初始参数信息，生成目标图像转换模型。上述方法中，将多个初始图像转换模型融合生成目标图像转换模型，提高了目标图像转换模型的泛化能力以及预测能力，且避免了单个模型在训练过程中容易过拟合的问题。