[发明专利]图像增强模型的训练方法、图像增强方法及电子设备

权利要求书

1.一种图像增强模型的训练方法，其特征在于，所述图像增强模型包括串联的有监督图像增强网络和无监督图像增强网络；所述有监督图像增强网络的训练样本包括一一对应的暗光样本图像、暗光增强目标样本图像以及人像掩膜样本图像；所述无监督图像增强网络的训练样本包括感知增强目标图像样本；

其中，所述训练方法包括：

将所述暗光样本图像输入至所述有监督图像增强网络，得到有监督增强图像；

根据所述有监督增强图像，以及所述暗光增强目标样本图像和所述人像掩膜样本图像，计算所述有监督图像增强网络的损失；

将所述有监督增强图像输入至所述无监督图像增强网络，得到无监督增强图像；

根据所述无监督增强图像和所述有监督增强图像，计算所述无监督图像增强网络的损失；

将所述无监督增强图像和所述感知增强目标图像样本输入至无监督判别器，并根据所述无监督判别器的输出计算无监督判别器的损失；

根据所述有监督图像增强网络的损失调整所述有监督图像增强网络的参数；

根据所述无监督图像增强网络的损失以及所述无监督判别器的损失，调整所述无监督图像增强网络的参数。

2.根据权利要求1所述的方法，其特征在于，将所述暗光样本图像输入至所述有监督图像增强网络，得到有监督增强图像，包括：

将所述暗光样本图像输入卷积神经网络CNN权重预测网络，得到各个基础3D LUT的权重；

根据所述各个基础3D LUT的权重，融合所述各个基础3D LUT，得到自适应3D LUT；

根据所述自适应3D LUT对所述暗光样本图像进行三线性插值处理，得到所述有监督增强图像。

3.根据权利要求2所述的方法，其特征在于，在将所述暗光样本图像输入CNN权重预测网络之前，还包括：

对所述暗光样本图像进行下采样处理。

4.根据权利要求2所述的方法，其特征在于，根据所述有监督图像增强网络的损失调整所述有监督图像增强网络的参数，包括：

根据所述有监督图像增强网络的损失，调整所述CNN权重预测网络的参数，以及所述各个基础3D LUT中的参数。

5.根据权利要求1所述的方法，其特征在于，将所述有监督增强图像输入至所述无监督图像增强网络，得到无监督增强图像，包括：

根据有监督增强图像，生成第一多层特征金字塔；在所述第一多层特征金字塔中，不同特征层对应的图像分辨率不同；

将所述第一多层特征金字塔输入至编解码神经网络，得到第二多层特征金字塔以及各个特征层的重组系数；

使用所述各个特征层的重组系数对所述第二多层特征金字塔进行融合，得到所述无监督增强图像。

6.根据权利要求5所述的方法，其特征在于，所述编解码神经网络中包括至少一个编解码块；其中，在每个编解码块中，编码块与解码块之间通过跳跃连接将对应尺寸的特征层相融合。

7.根据权利要求5所述的方法，其特征在于，所述第二多层特征金字塔为，所述各个特征层的重组系数为{w₁,w₂,…,w_n}；

使用所述各个特征层的重组系数对所述第二多层特征金字塔进行融合的公式为：

；

其中，y表示所述无监督增强图像，n表示特征层数；

；

表示将上采样到的尺寸大小。