本公开的实施例涉及计算机技术领域，具体涉及模型训练和图像处理方法、装置、设备和计算机可读介质。
背景技术：
在使用人工智能技术进行图像处理的领域，对一个模糊图像，往往首先将其输入到图像去模糊网络，得到预测清晰图像，之后将上述预测清晰图像输入到图像超分网络，得到预测超分清晰图像。相关的技术训练出的图像超分网络在预测过程中的输出质量不够好。
技术实现要素：
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了模型训练方法、装置、设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种模型训练方法，该方法包括：获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
第二方面，本公开的一些实施例提供了一种图像处理方法，该方法包括：将目标图像输入到图像去模糊网络，得到清晰图像，其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的；将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
第三方面，本公开的一些实施例提供了一种模型训练装置，装置包括：第一获取单元，被配置成获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；第一输入单元，被配置成将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；第一训练单元，被配置成使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
第四方面，本公开的一些实施例提供了一种图像处理装置，装置包括：第二输入单元，被配置成将目标图像输入到图像去模糊网络，得到清晰图像，其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的；第三输入单元，被配置成将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：提高了上述图像超分网络在预测过程中的输出质量。具体来说，发明人发现，相关的技术训练出的图像超分网络在预测过程中输出质量不好的原因是：相关的技术对图像去模糊网络和图像超分网络的训练是独立的。即，在训练过程中，图像超分网络的输入不包括上述图像去模糊网络的输出，而是其他来源的样本。这些其他来源的样本与上述图像去模糊网络的输出之间存在分布差，这导致使用上述方法训练出的图像超分网络在预测过程中的输出质量不好。基于此，该方案提出了一种对图像去模糊网络和图像超分网络进行级联训练的训练方法。具体的，将上述图像去模糊网络在训练过程中的输出直接用于训练图像超分网络，而不使用其他来源的样本训练上述图像超分网络。在这样的级联训练中，图像超分网络在预测过程中的输入和在训练过程中的输入均为图像去雾网络的输出。即，图像超分网络在预测过程中的输入和在训练过程中的输入分布更加一致。从而提高了上述图像超分网络在预测过程中的输出质量。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的模型训练方法的一个应用场景的示意图；
图2是本公开的一些实施例的图像处理方法的一个应用场景的示意图；
图3是根据本公开的模型训练方法的一些实施例的流程图；
图4是根据本公开的图像处理方法的一些实施例的流程图；
图5是根据本公开的模型训练方法的另一些实施例的流程图；
图6是根据本公开的模型训练装置的一些实施例的结构示意图；
图7是根据本公开的图像处理装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的模型训练方法的一个应用场景的示意图。
在图1所示的应用场景中，首先，计算设备101可以获取第一批训练样本102。上述第一批训练样本102中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像。之后，将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络103，得到预测清晰图像104。最后，使用上述预测清晰图像104和上述训练样本中的上述超分清晰图像训练图像超分网络105。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备101的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备101。
进一步参考图2，图2示出了可以应用本公开的一些实施例的图像处理方法的一个应用场景的示意图。
在图2所示的应用场景中，首先，计算设备201可以将目标图像202输入到图像去模糊网络203，得到清晰图像204。之后，将上述清晰图像204输入到图像超分网络205，得到超分清晰图像206。
需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图2中的计算设备201的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备201。
继续参考图3，示出了根据本公开的模型训练方法的一些实施例的流程300。该模型训练方法，包括以下步骤：
步骤301，获取第一批训练样本。
在一些实施例中，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像。
上述第一原始模糊图像可以是对比度低于对比度预设阈值、且像素点的个数低于像素点个数预设阈值的图像。
在一些实施例中，上述第一超分清晰图像可以是与上述第一原始模糊图像所显示的内容相同的、对比度高于或等于上述对比度预设阈值、且像素点的个数高于或等于上述像素点个数预设阈值的图像。
在一些实施例中，模型训练方法的执行主体(例如图1所示的计算设备)可以通过有线连接方式或者无线连接方式获取第一批训练样本。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302，将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到预测清晰图像。
在一些实施例中，上述图像去模糊网络可以是任意结构的具有图像特征提取功能的网络。作为示例，上述图像去模糊网络可以包括但不限于以下至少一项：gcanet(gatedcontextaggregationnetwork，门控上下文聚合网络)，dehazenet(去雾网络)，域自适应图像去雾网络，gatedfusionnetwork(门限融合网络)。
步骤303，使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
在一些实施例中，上述图像超分网络可以是任意结构的具有提高图像分辨率功能的网络。作为示例，上述图像超分网络可以包括但不限于super-resolutionconvolutionalneuralnetwork(超分辨率卷积神经网络)、pixeltopixelgan(关于像素的生成式对抗网络)等。
在一些实施例中，上述执行主体可以通过以下步骤，使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络：
步骤一，将上述第一预测清晰图像输入到上述图像超分网络中，得到第一预测超分清晰图像。
步骤二，将上述第一预测超分清晰图像与上述第一超分清晰图像进行分析比较，得到第一比较结果。
作为示例，上述执行主体可以首先确定上述第一预测超分清晰图像中的每个像素值与上述第一超分清晰图像中对应的像素值的第一差值，得到多个第一差值。之后，将上述多个第一差值的绝对值之和确定为上述第一比较结果。
步骤三，根据上述第一比较结果确定上述第一预测超分清晰图像的第一损失值。
作为示例，上述执行主体可以将上述第一比较结果取对数的结果确定为上述第一损失值。
作为又一示例，上述执行主体还可以将上述第一比较结果取直接确定为上述第一损失值。
步骤四，响应于确定上述图像超分网络未训练完成，调整上述图像超分网络中的参数。
在一些实施例中，上述执行主体可以通过确定当前的训练次数是否大于第一预设次数阈值，确定上述图像超分网络是否训练完成。
在一些实施例中，上述执行主体还可以通过确定上述第一损失值是否小于第一预设损失值阈值，确定上述图像超分网络是否训练完成。
本公开的一些实施例提供的方法通过对图像去模糊网络和图像超分网络进行级联训练，提高了上述图像超分网络在预测过程中的输出质量。
继续参考图4，示出了根据本公开的图像处理方法的一些实施例的流程400。该图像处理方法，包括以下步骤：
步骤401，将目标图像输入到图像去模糊网络，得到清晰图像。
其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的。
步骤402将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
进一步参考图5，其示出了模型训练方法的另一些实施例的流程500。该模型训练方法的流程500，包括以下步骤：
步骤501，获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像。
步骤502，将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到预测清晰图像。
步骤503，使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
在一些实施例中，步骤501-503的具体实现及其所带来的技术效果，可以参考图3对应的实施例中的步骤301-303，在此不再赘述。
步骤504，获取第二批训练样本，上述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和上述第二原始模糊图像对应的第二超分清晰图像。
在一些实施例中，上述第二原始模糊图像可以是对比度低于对比度预设阈值。且像素点的个数低于像素点个数预设阈值的图像。
在一些实施例中，上述第二超分清晰图像可以是与上述第二原始模糊图像所显示的内容相同的。对比度高于或等于上述对比度预设阈值。且像素点的个数高于或等于上述像素点个数预设阈值的图像。
在一些实施例中，模型训练方法的执行主体(例如图1所示的计算设备)可以通过有线连接方式或者无线连接方式获取上述第二批训练样本。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤505，使用上述第二批训练样本训练上述图像去模糊网络。
在一些实施例中，上述执行主体可以通过以下步骤使用上述第二批训练样本训练上述图像去模糊网络：
步骤一，将上述第二批训练样本中的第二原始模糊图像输入到上述图像去模糊网络中，得到第二预测清晰图像。
步骤二，将上述第二预测清晰图像输入到上述图像超分网络中，得到第二预测超分清晰图像。
步骤三，将上述第二预测超分清晰图像与上述第二批训练样本中的第二超分清晰图像进行分析比较，得到第二比较结果。
作为示例，上述执行主体可以首先确定上述第二预测超分清晰图像中的每个像素值与上述第二超分清晰图像中对应的像素值的第二差值，得到多个第二差值。之后，将上述多个第二差值的绝对值之和确定为上述第二比较结果。
步骤三，根据上述第二比较结果确定上述第二预测超分清晰图像的第二损失值。
作为示例，上述执行主体可以将上述第二比较结果取对数的结果确定为上述第二损失值。
作为又一示例，上述执行主体还可以将上述第二比较结果取直接确定为上述第二损失值。
步骤四，响应于确定上述图像去模糊网络未训练完成，调整上述图像去模糊网络中的参数。
在一些实施例中，上述执行主体可以通过确定训练次数是否大于第二预设次数阈值，确定上述图像去模糊网络是否训练完成。
在一些实施例中，上述执行主体还可以通过确定上述第二损失值是否小于第二损失值预设阈值，确定上述图像去模糊网络是否训练完成。
步骤506，获取第三批训练样本，上述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和上述第三原始模糊图像对应的第三超分清晰图像。
在一些实施例中，上述第三原始模糊图像可以是对比度低于对比度预设阈值。且像素点的个数低于像素点个数预设阈值的图像。
在一些实施例中，上述第三超分清晰图像可以是与上述第三原始模糊图像所显示的内容相同的。对比度高于或等于上述对比度预设阈值。且像素点的个数高于或等于上述像素点个数预设阈值的图像。
在一些实施例中，模型训练方法的执行主体(例如图1所示的计算设备)可以通过有线连接方式或者无线连接方式获取上述第三批训练样本。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤507，使用上述第三批训练样本，训练上述图像去模糊网络和上述图像超分网络。
在一些实施例中，上述执行主体可以通过以下步骤使用上述第三批训练样本，训练上述图像去模糊网络和上述图像超分网络：
步骤一，将上述第三批训练样本中的第三原始模糊图像输入到上述图像去模糊网络中，得到第三预测清晰图像。
步骤二，将上述第三预测清晰图像输入到上述图像超分网络中，得到第三预测超分清晰图像。
步骤三，将上述第三预测超分清晰图像与上述第三批训练样本中的第三超分清晰图像进行分析比较，得到第三比较结果。
作为示例，上述执行主体可以首先确定上述第三预测超分清晰图像中的每个像素值与上述第三超分清晰图像中对应的像素值的第三差值，得到多个第三差值。之后，将上述多个第三差值的绝对值之和确定为上述第三比较结果。
步骤三，根据上述第三比较结果确定上述第三预测超分清晰图像的第三损失值。
作为示例，上述执行主体可以将上述第三比较结果取对数的结果确定为上述第三损失值。
作为又一示例，上述执行主体还可以将上述第三比较结果取直接确定为上述第三损失值。
步骤四，响应于确定上述图像去模糊网络和上述图像超分网络未训练完成，调整上述图像去模糊网络和上述图像超分网络中的参数。
在一些实施例中，上述执行主体可以通过确定当前训练次数是否大于第三预设次数阈值，确定上述图像去模糊网络和上述图像超分网络是否训练完成。
在一些实施例中，上述执行主体还可以通过确定上述第三损失值是否小于第三损失值预设阈值，确定上述图像去模糊网络和上述图像超分网络是否训练完成。
从图5中可以看出，与图3对应的一些实施例的描述相比，图5对应的一些实施例中的模型训练方法的流程500描述的方案通过获取第二批训练样本单独训练上述图像去模糊网络，得到了质量更好的图像去模糊网络。在此基础上，获取第三批训练样本同时训练上述图像去模糊网络和上述图像超分网络。使上述图像去模糊网络和上述图像超分网络的级联预测性能进一步提高。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的模型训练装置600包括：第一获取单元601、第一输入单元602和第一训练单元603。其中，第一获取单元601，被配置成获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；第一输入单元602，被配置成将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；第一训练单元603，被配置成使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
在一些实施例的可选实现方式中，装置还包括：第二获取单元，被配置成获取第二批训练样本，上述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和上述第二原始模糊图像对应的第二超分清晰图像；第二训练单元，被配置成使用上述第二批训练样本训练上述图像去模糊网络。
在一些实施例的可选实现方式中，装置还包括：第三获取单元，被配置成获取第三批训练样本，上述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和上述第三原始模糊图像对应的第三超分清晰图像；第三训练单元，被配置成使用上述第三批训练样本，训练上述图像去模糊网络和上述图像超分网络。
可以理解的是，该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种图像处理装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中
如图7所示，一些实施例的模型训练装置700包括：第二输入单元701和第三输入单元702。其中，第二输入单元701，被配置成将目标图像输入到图像去模糊网络，得到清晰图像，其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的；第三输入单元702，被配置成将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)800的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第一输入单元和第一训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取第一批训练样本的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
根据本公开的一个或多个实施例，提供了一种模型训练方法，包括：获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
根据本公开的一个或多个实施例，方法还包括：获取第二批训练样本，上述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和上述第二原始模糊图像对应的第二超分清晰图像；使用上述第二批训练样本训练上述图像去模糊网络。
根据本公开的一个或多个实施例，方法还包括：获取第三批训练样本，上述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和上述第三原始模糊图像对应的第三超分清晰图像；使用上述第三批训练样本，训练上述图像去模糊网络和上述图像超分网络。
根据本公开的一个或多个实施例，提供了一种图像处理方法，包括：将目标图像输入到图像去模糊网络，得到清晰图像，其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的；将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
根据本公开的一个或多个实施例，提供了一种模型训练装置，包括：第一获取单元，被配置成获取第一批训练样本，上述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和上述第一原始模糊图像对应的第一超分清晰图像；第一输入单元，被配置成将上述第一批训练样本中的上述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；第一训练单元，被配置成使用上述第一预测清晰图像和上述第一批训练样本中的上述第一超分清晰图像训练图像超分网络。
根据本公开的一个或多个实施例，装置还包括：第二获取单元，被配置成获取第二批训练样本，上述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和上述第二原始模糊图像对应的第二超分清晰图像；第二训练单元，被配置成使用上述第二批训练样本训练上述图像去模糊网络。
根据本公开的一个或多个实施例，装置还包括：第三获取单元，被配置成获取第三批训练样本，上述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和上述第三原始模糊图像对应的第三超分清晰图像；第三训练单元，被配置成使用上述第三批训练样本，训练上述图像去模糊网络和上述图像超分网络。
根据本公开的一个或多个实施例，提供了一种图像处理装置，包括：第二输入单元，被配置成将目标图像输入到图像去模糊网络，得到清晰图像，其中，上述图像去模糊网络是通过本公开的任一实施例中的图像去模糊网络训练方法生成的；第三输入单元，被配置成将上述清晰图像输入到图像超分网络，得到超分清晰图像，其中，上述图像超分网络是通过本公开的任一实施例中的图像超分网络训练方法生成的。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
1.一种模型训练方法，包括：
获取第一批训练样本，所述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和所述第一原始模糊图像对应的第一超分清晰图像；
将所述第一批训练样本中的所述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；
使用所述第一预测清晰图像和所述第一批训练样本中的所述第一超分清晰图像训练图像超分网络。
2.根据权利要求1所述的方法，其中，所述方法还包括：
获取第二批训练样本，所述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和所述第二原始模糊图像对应的第二超分清晰图像；
使用所述第二批训练样本训练所述图像去模糊网络。
3.根据权利要求2所述的方法，其中，所述方法还包括：
获取第三批训练样本，所述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和所述第三原始模糊图像对应的第三超分清晰图像；
使用所述第三批训练样本，训练所述图像去模糊网络和所述图像超分网络。
4.一种图像处理方法，包括：
将目标图像输入到图像去模糊网络，得到清晰图像，其中，所述图像去模糊网络是通过权利要求2所述的方法生成的；
将所述清晰图像输入到图像超分网络，得到超分清晰图像，其中，所述图像超分网络是通过权利要求1或权利要求3之一所述的方法生成的。
5.一种模型训练装置，包括：
第一获取单元，被配置成获取第一批训练样本，所述第一批训练样本中的每个第一训练样本包括第一原始模糊图像和所述第一原始模糊图像对应的第一超分清晰图像；
第一输入单元，被配置成将所述第一批训练样本中的所述第一原始模糊图像输入到预先训练的图像去模糊网络，得到第一预测清晰图像；
第一训练单元，被配置成使用所述第一预测清晰图像和所述第一批训练样本中的所述第一超分清晰图像训练图像超分网络。
6.根据权利要求5所述的装置，其中，所述装置还包括：
第二获取单元，被配置成获取第二批训练样本，所述第二批训练样本中的每个第二训练样本包括第二原始模糊图像和所述第二原始模糊图像对应的第二超分清晰图像；
第二训练单元，被配置成使用所述第二批训练样本训练所述图像去模糊网络。
7.根据权利要求6所述的装置，其中，所述装置还包括：
第三获取单元，被配置成获取第三批训练样本，所述第三批训练样本中的每个第三训练样本包括第三原始模糊图像和所述第三原始模糊图像对应的第三超分清晰图像；
第三训练单元，被配置成使用所述第三批训练样本，训练所述图像去模糊网络和所述图像超分网络。
8.一种图像处理装置，包括：
第二输入单元，被配置成将目标图像输入到图像去模糊网络，得到清晰图像，其中，所述图像去模糊网络是通过权利要求2所述的方法生成的；
第三输入单元，被配置成将所述清晰图像输入到图像超分网络，得到超分清晰图像，其中，所述图像超分网络是通过权利要求1或权利要求3之一所述的方法生成的。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-3中任一或权利要求4所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一或权利要求4所述的方法。
技术总结