[发明专利]基于模型先验的图像补全方法、系统、设备及存储介质

权利要求书

1.一种基于模型先验的图像补全方法，其特征在于，包括：

获取缺失图像以及所述缺失图像的指定补全区域信息；

将所述缺失图像和所述指定补全区域信息输入预构建的图像补全模型，输出所述缺失图像的补全图像，所述图像补全模型以预训练模型收敛时的模型参数作为初始模型参数，并基于所述预训练模型的训练样本以及所述预训练模型生成的先验样本进行图像补全训练，直至所述图像补全模型收敛；

所述预训练模型预先基于所述训练样本进行图像补全训练，在所述预训练模型收敛后，基于所述预训练模型生成所述先验样本，所述先验样本包括加噪图像和对应所述加噪图像进行图像补全得到的多个去噪图像。

2.根据权利要求1所述的基于模型先验的图像补全方法，其特征在于，所述预训练模型的训练流程包括：

基于所述预训练模型对所述训练样本进行加噪处理得到加噪样本；

基于所述预训练模型对所述加噪样本进行图像补全得到去噪样本，并根据所述去噪样本计算第一模型损失函数，基于所述第一模型损失函数迭代调整所述预训练模型的模型参数，直至所述预训练模型收敛。

3.根据权利要求2所述的基于模型先验的图像补全方法，其特征在于，所述基于所述预训练模型对所述训练样本进行加噪处理得到加噪样本，包括：

在设定时段内的每一个指定时刻，基于所述预训练模型对所述训练样本的训练图像加入高斯分布噪声，得到各个训练图像的高斯噪声分布概率，以各个训练图像的高斯噪声分布概率作为所述加噪样本；

所述基于所述预训练模型对所述加噪样本进行图像补全得到去噪样本，包括：

基于各个训练图像的高斯噪声分布概率以及设定估计参数依次预测所述设定时段内各个指定时刻的实时噪声分布概率，并以所述设定时段内的第一个指定时刻的预测结果作为所述去噪样本。

4.根据权利要求1所述的基于模型先验的图像补全方法，其特征在于，所述基于所述预训练模型生成所述先验样本，包括：

将所述加噪图像输入所述预训练模型，基于所述预训练模型进行所述加噪图像设定次数的图像补全，得到对应数量的所述去噪图像，以设定数量的所述加噪图像和对应的所述去噪图像作为所述先验样本。

5.根据权利要求4所述的基于模型先验的图像补全方法，其特征在于，在基于所述预训练模型生成所述先验样本之后，还包括：

基于所述加噪图像和对应的所述去噪图像计算各个所述去噪图像的补全处理分数，基于所述补全处理分数对所述先验样本进行数据筛选。

6.根据权利要求1所述的基于模型先验的图像补全方法，其特征在于，所述图像补全模型的训练流程包括：

以所述预训练模型收敛时的模型参数作为初始模型参数，将所述训练样本和所述先验样本输入所述图像补全模型；

基于所述图像补全模型使用所述训练样本和所述先验样本进行图像补全训练，基于训练结果计算第二模型损失函数，基于所述第二模型损失函数迭代调整所述初始模型参数，直至所述图像补全模型收敛。

7.一种基于模型先验的图像补全系统，其特征在于，包括：

获取模块，配置为获取缺失图像以及所述缺失图像的指定补全区域信息；

补全模块，配置为将所述缺失图像和所述指定补全区域信息输入预构建的图像补全模型，输出所述缺失图像的补全图像，所述图像补全模型以预训练模型收敛时的模型参数作为初始模型参数，并基于所述预训练模型的训练样本以及所述预训练模型生成的先验样本进行图像补全训练，直至所述图像补全模型收敛；所述预训练模型预先基于所述训练样本进行图像补全训练，在所述预训练模型收敛后，基于所述预训练模型生成所述先验样本，所述先验样本包括加噪图像和对应所述加噪图像进行图像补全得到的多个去噪图像。

8.一种基于模型先验的图像补全设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，配置为存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一所述的基于模型先验的图像补全方法。