技术特征：
1.一种图像处理方法，其特征在于，该方法包括：将待处理图像输入初始退化处理模型，获取所述初始退化处理模型的初始输出图像，所述初始退化模型是基于第一退化处理模型和第二退化处理模型生成的，所述第一退化处理模型为用于复原至少两种退化类型的退化图像的模型，所述第二退化处理模型为用于复原至少一种退化类型的退化图像的模型；基于所述初始输出图像，分别对所述初始退化处理模型包含的各个神经元各自对应的网络参数进行梯度积分，获得所述各个神经元各自对于所述目标退化类型的影响因子；基于获得的各个影响因子，从所述各个神经元中选取所述目标退化类型对应的目标神经元，并对所述第一退化处理模型中的所述目标神经元进行更新，获得相应的目标退化处理模型；基于所述目标退化处理模型，对所述待处理图像进行图像处理，获得目标输出图像。2.如权利要求1所述的方法，其特征在于，所述基于所述初始输出图像，分别对所述初始退化处理模型包含的各个神经元对应的网络参数进行梯度积分，获得所述各个神经元各自对于目标退化类型的影响因子，包括：基于所述初始输出图像与样本图像之间的差异值，构建所述初始退化处理模型对应的损失函数，所述样本图像为所述待处理图像对应的超分辨率图像；基于所述损失函数，按照预设积分路径对所述初始退化处理模型的神经元对应的网络参数进行梯度积分，获取所述初始退化处理模型中各个的神经元对于目标退化类型的影响因子；其中，所述预设积分路径是通过对所述第二退化处理模型和所述第一退化处理模型的网络参数进行线性插值生成的，所述第二退化处理模型与所述第一退化处理模型的网络参数的数量相同。3.如权利要求2所述的方法，其特征在于，在对所述各个神经元对应的网络参数进行梯度积分时，为所述预设积分路径的每一段子积分区间赋予相同的积分权重；或者，在对所述各个神经元对应的网络参数进行梯度积分时，基于预设积分规则为所述预设积分路径中不同的子积分区间赋予不同的积分权重。4.如权利要求1所述的方法，其特征在于，所述基于获得的各个影响因子，从所述各个神经元中选取所述目标退化类型对应的目标神经元，包括：将所述各个神经元按照各自对应的影响因子进行排序；将所述各个神经元中对应的排序结果在预设次序范围内的神经元，作为所述目标神经元。5.如权利要求1所述的方法，其特征在于，所述对所述第一退化处理模型中的所述目标神经元进行更新，获得相应的目标退化处理模型，包括以下操作中的任意一种：将所述第一退化处理模型中所述目标神经元对应的网络参数，替换为所述第二退化处理模型中相关联的神经元对应的网络参数，获取所述目标退化处理模型；对所述第一退化处理模型中所述目标神经元对应的网络参数，进行剪枝与量化处理中的至少一种，获得所述目标退化处理模型；对所述第一退化处理模型中所述目标神经元对应的网络参数，以及所述第二退化处理模型中相关联的神经元对应的网络参数进行线性插值，获得所述目标退化处理模型。
6.如权利要求5所述的方法，其特征在于，在对所述第一退化处理模型中所述目标神经元对应的网络参数，以及所述第二退化处理模型中相关联的神经元对应的网络参数进行线性插值时，所述第二退化处理模型与所述第一退化处理模型对应不同的参数结合比例，所述参数结合比例用于均衡所述目标退化处理模型处理不同退化类型的调节能力。7.如权利要求1所述的方法，其特征在于，所述第一退化处理模型是通过下列方式得到的：将所述第二退化处理模型中所述目标神经元对应的网络参数，替换为样本模型中相关联的神经元对应的网络参数，获取所述第一退化处理模型，所述样本模型为至少用于复原所述目标退化类型的退化图像的模型，所述第二退化处理模型为用于复原至少一种退化类型的退化图像的模型，所述第一退化处理模型、所述第二退化处理模型，以及所述样本模型的网络参数的数量相同。8.如权利要求1所述的方法，其特征在于，所述第二退化处理模型为用于处理下采样退化类型的退化图像的模型，所述至少两种退化类型包含所述下采样退化类型。9.如权利要求1～8任一所述的方法，其特征在于，所述方法还包括：获取多个参考图像，每个参考图像包含一种退化类型；分别基于所述多个参考图像，获得各种退化类型各自对应的参考神经元；基于所述目标神经元与所述参考神经元之间的重叠比例，确定所述待处理图像对应的所述目标退化类型。10.如权利要求9所述的方法，其特征在于，所述分别基于所述多个参考图像，获得各种退化类型各自对应的参考神经元，包括：分别将所述多个参考图像输入所述初始退化处理模型，获取所述初始退化处理模型的各个参考输出图像；分别基于所述各个参考输出图像，对所述初始退化处理模型包含的各个神经元对应的网络参数进行梯度积分，获得所述各个神经元各自对于所述各种退化类型的影响因子；基于各个神经元各自对于所述各种退化类型的影响因子，从所述各个神经元中分别选取所述各种退化类型各自对应的参考神经元。11.一种图像处理装置，其特征在于，包括：第一处理单元，用于将待处理图像输入初始退化处理模型，获取所述初始退化处理模型的初始输出图像，所述初始退化模型是基于第一退化处理模型和第二退化处理模型生成的，所述第一退化处理模型为用于复原至少两种退化类型的退化图像的模型，所述第二退化处理模型为用于复原至少一种退化类型的退化图像的模型；积分单元，用于基于所述初始输出图像，分别对所述初始退化处理模型包含的各个神经元各自对应的网络参数进行梯度积分，获得所述各个神经元各自对于所述目标退化类型的影响因子；筛选单元，用于基于获得的各个影响因子，从所述各个神经元中选取所述目标退化类型对应的目标神经元，并对所述第一退化处理模型中的所述目标神经元进行更新，获得相应的目标退化处理模型；第二处理单元，用于基于所述目标退化处理模型，对所述待处理图像进行图像处理，获得目标输出图像。
12.如权利11所述的装置，其特征在于，所述筛选单元具体用于：基于所述初始输出图像与样本图像之间的差异值，构建所述初始退化处理模型对应的损失函数，所述样本图像为所述待处理图像对应的超分辨率图像；基于所述损失函数，按照预设积分路径对所述初始退化处理模型的神经元对应的网络参数进行梯度积分，获取所述初始退化处理模型中各个的神经元对于目标退化类型的影响因子；其中，所述预设积分路径是通过对所述第二退化处理模型和所述第一退化处理模型的网络参数进行线性插值生成的，所述第二退化处理模型与所述第一退化处理模型的网络参数的数量相同。13.如权利要求12所述的装置，其特征在于，所述在对所述各个神经元对应的网络参数进行梯度积分时，为所述预设积分路径的每一段子积分区间赋予相同的积分权重；或者，在对所述各个神经元对应的网络参数进行梯度积分时，基于预设积分规则为所述预设积分路径中不同的子积分区间赋予不同的积分权重。14.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1～10中任一所述方法的步骤。15.一种计算机可读存储介质，其特征在于，其包括程序代码，当所述存储介质在电子设备上运行时，所述程序代码用于使所述电子设备执行权利要求1～10中任一所述方法的步骤。
技术总结
本申请涉及人工智能技术领域，尤其涉及一种图像处理方法、装置、电子设备和存储介质，用以实现对图像更具针对性的特定退化处理。其中，方法包括：将待处理图像输入初始退化处理模型，获取初始输出图像；基于初始输出图像对树池退化处理模型中各个神经元各自对应的网络参数进行梯度积分，获得各个神经元各自对于目标退化类型的影响因子；基于各个影响因子选取目标退化类型对应的目标神经元，对第一退化处理模型中的目标神经元进行更新，获得目标退化处理模型；基于目标退化处理模型对待处理图像进行图像处理，获得目标输出图像。本申请通过对模型网络参数进行梯度积分，获得更加具有针对性的目标神经元，以实现对图像更具针对性的特定退化处理。的特定退化处理。的特定退化处理。
技术研发人员：王鑫涛 谢良彬 祁仲昂 单瀛
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2021.08.02
技术公布日：2023/2/16