[发明专利]信息处理装置、信息处理方法和存储介质

说明书

本公开涉及一种信息处理装置、信息处理方法和存储介质。所述信息处理装置包括：识别单元，所述识别单元被配置为，识别输入图像的部分区域；以及处理单元，所述处理单元被配置为，通过使用神经网络进行推断而对所述输入图像进行用以减少所述输入图像的劣化的图像处理。所述处理单元被配置为，在所述部分区域与其他区域之间改变所述图像处理。

技术领域

本公开涉及一种用于减少图像劣化的信息处理技术。

背景技术

近年来，深度神经网络(DNN)已应用于各种信息处理应用程序。DNN特指包括两个或多个隐藏层的神经网络，并且其性能随着隐藏层数的增加而提高。使用DNN的信息处理的示例是用于减少图像劣化的图像处理。图像的劣化元素包括例如噪声、模糊、低分辨率和缺失数据。减少图像劣化的处理可以包括降噪、去模糊、超分辨率和缺失数据补偿。

张凯、左旺孟、张磊的“FFDNet:Toward A Fast AND Flexible Solution for CNNbased Image Denoising”，电气和电子工程师协会(IEEE)图像处理汇刊，第27卷、第9期，pp.4608-4622(下文称为非专利文献1)中讨论了一种使用具有不同噪声水平的多个图像训练神经网络的方法。果实、闫子飞、张凯、左旺孟、张磊的“Toward Convolutional BlindDenoising of Real Photographs”，2019年国际计算机视觉与模式识别会议(CVPR)(IEEE/计算机视觉基金会(CVF))(下文称为非专利文献2)中讨论了一种通过使用多层神经网络的信息处理，根据泊松分布方差估计实际拍摄图像中的噪声并基于估计结果获得降噪图像的方法。

然而，在前述非专利文献1和非专利文献2中讨论的方法不能有利地减少要单独处理的图像在每个局部部分区域中的劣化。

发明内容

根据本公开的一个方面，一种信息处理装置包括：识别单元，所述识别单元被配置为，识别输入图像的部分区域；以及处理单元，所述处理单元被配置为，通过使用神经网络进行推断而对所述输入图像进行用以减少所述输入图像的劣化的图像处理。所述处理单元被配置为在所述部分区域与其他区域之间改变所述图像处理。

通过以下参照附图对示例性实施例的描述，本公开的其他特征将变得显而易见。

附图说明

图1是图示应用信息处理装置的系统配置的示例的图。

图2是图示根据本公开的一个或多个方面的整个信息处理系统的功能配置的图。

图3A和图3B是描述用于推断和训练的过程的图。

图4A和图4B是描述卷积神经网络(CNN)结构和训练过程的图。

图5是描述劣化添加处理的图。

图6A和图6B是图示根据本公开的一个或多个方面的信息处理过程的流程图。

图7是图示根据本公开的一个或多个方面的整个信息处理系统的功能配置的图。

图8A和图8B是图示根据本公开的一个或多个方面的信息处理过程的流程图。

具体实施方式

下面将参照附图描述一些示例性实施例。以下示例性实施例不旨在限制本公开，并且并非示例性实施例中描述的特征的所有组合都被用作本公开的解决手段。可依据应用本公开的装置的规格和各种条件(诸如，使用条件和使用环境)，适当地修改或改变示例性实施例的配置。可以适当地对以下描述的示例性实施例的部分进行组合。在以下示例性实施例的描述中，相同的数字将指代相同的组件。

关于CNN