【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及芯片、深度学习、半监督训练、计算机视觉等，可应用于图像处理、视频处理、图像去噪和图像高分辨率重建等场景下。更具体地，本公开提供了一种图像处理模型的训练方法、图像处理方法、装置、电子设备和存储介质。
技术介绍
1、随着人工智能技术的发展，可以基于有监督、无监督或半监督的方式训练一个或多个深度学习模型。经训练的深度学习模型可以进行图像处理，以提升图像的分辨率或清晰度。
技术实现思路
1、本公开提供了一种图像处理模型的训练方法、图像处理方法、装置、设备以及存储介质。
2、根据本公开的一方面，提供了一种图像处理模型的训练方法，该方法包括：将第一样本图像分别输入第一图像处理模型和第二图像处理模型，得到第一输出图像和第二输出图像；根据第一输出图像和第一样本图像的标签图像，确定有监督损失；根据第一频域数据和第二频域数据，确定无监督损失，其中，第一频域数据是将第一输出图像转换至频域得到的，第二频域数据是将第二输出图像转换至频域得到的；根据有监督损失和无监督损失，训练第一图像处理模型。
3、根据本公开的另一方面，提供了一种图像处理方法，该方法包括：将待处理图像输入第一图像处理模型，得到目标图像，其中，第一图像处理模型是通过以下操作训练的：将第一样本图像分别输入第一图像处理模型和第二图像处理模型，得到第一输出图像和第二输出图像；根据第一输出图像和第一样本图像的标签图像，确定有监督损失；根据第一频域数据和第二频域数据，确定无监督损失，其中，第一频域数据
4、根据本公开的另一方面，提供了一种图像处理模型的训练装置，该装置包括：第一获得模块，用于将第一样本图像分别输入第一图像处理模型和第二图像处理模型，得到第一输出图像和第二输出图像；第一确定模块，用于根据第一输出图像和第一样本图像的标签图像，确定有监督损失；第二确定模块，用于根据第一频域数据和第二频域数据，确定无监督损失，其中，第一频域数据是将第一输出图像转换至频域得到的，第二频域数据是将第二输出图像转换至频域得到的；训练模块，用于根据有监督损失和无监督损失，训练第一图像处理模型。
5、根据本公开的一方面，提供了一种图像处理装置，该装置包括：第二获得模块，用于将待处理图像输入第一图像处理模型，得到目标图像，其中，第一图像处理模型是通过以下模块执行相应操作得到的：第一获得模块，用于将第一样本图像分别输入第一图像处理模型和第二图像处理模型，得到第一输出图像和第二输出图像；第一确定模块，用于根据第一输出图像和第一样本图像的标签图像，确定有监督损失；第二确定模块，用于根据第一频域数据和第二频域数据，确定无监督损失，其中，第一频域数据是将第一输出图像转换至频域得到的，第二频域数据是将第二输出图像转换至频域得到的；训练模块，用于根据有监督损失和无监督损失，训练第一图像处理模型。
6、根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
7、根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
8、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开提供的方法。
9、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种图像处理模型的训练方法，包括：
2.根据权利要求1所述的方法，其中，所述根据第一频域数据和第二频域数据，确定无监督损失包括：
3.根据权利要求1所述的方法，其中，所述第一图像处理模型包括第一卷积子模型、注意力子模型和第二卷积子模型，
4.根据权利要求3所述的方法，其中，所述第二卷积子模型包括至少一个深度卷积网络；
5.根据权利要求4所述的方法，其中，所述深度卷积网络包括至少一个深度可分离卷积模块，所述深度可分离卷积模块包括M级深度可分离卷积层和M级激活层，所述深度卷积结果为M级激活层中第M级激活层输出的激活结果，M为大于或等于1的整数，
6.根据权利要求1所述的方法，其中，根据所述第一输出图像和所述第一样本图像的标签图像，确定有监督损失包括：
7.根据权利要求1所述的方法，其中，所述根据所述有监督损失和所述生成对抗损失，训练所述第一图像处理模型包括：
8.根据权利要求7所述的方法，其中，所述根据所述第一鉴别结果，确定生成对抗损失包括：
9.根据权利要求8所述的方法，其中，所述根
10.根据权利要求1所述的方法，还包括：
11.根据权利要求7所述的方法，其中，所述根据所述有监督损失、所述生成对抗损失和所述无监督损失，训练所述第一图像处理模型包括：
12.一种图像处理方法，包括：
13.一种图像处理模型的训练装置，包括：
14.根据权利要求13所述的装置，其中，所述第二确定模块包括：
15.根据权利要求13所述的装置，其中，所述第一图像处理模型包括第一卷积子模型、注意力子模型和第二卷积子模型，
16.根据权利要求13所述的装置，其中，所述训练模块包括：
17.一种图像处理装置，包括：
18.一种电子设备，包括：
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至12中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至12中任一项所述的方法。
...【技术特征摘要】
1.一种图像处理模型的训练方法，包括：
2.根据权利要求1所述的方法，其中，所述根据第一频域数据和第二频域数据，确定无监督损失包括：
3.根据权利要求1所述的方法，其中，所述第一图像处理模型包括第一卷积子模型、注意力子模型和第二卷积子模型，
4.根据权利要求3所述的方法，其中，所述第二卷积子模型包括至少一个深度卷积网络；
5.根据权利要求4所述的方法，其中，所述深度卷积网络包括至少一个深度可分离卷积模块，所述深度可分离卷积模块包括m级深度可分离卷积层和m级激活层，所述深度卷积结果为m级激活层中第m级激活层输出的激活结果，m为大于或等于1的整数，
6.根据权利要求1所述的方法，其中，根据所述第一输出图像和所述第一样本图像的标签图像，确定有监督损失包括：
7.根据权利要求1所述的方法，其中，所述根据所述有监督损失和所述生成对抗损失，训练所述第一图像处理模型包括：
8.根据权利要求7所述的方法，其中，所述根据所述第一鉴别结果，确定生成对抗损失包括：
9.根据权利要求8所述的方法，其中，所述...
【专利技术属性】
技术研发人员：陈叶飞，刘梁，罗航，吴锐，
申请(专利权)人：昆仑芯北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。