图像处理模型的训练方法及装置、计算机可读存储介质与流程

本申请涉及图像处理，具体涉及一种图像处理模型的训练方法及装置、计算机可读存储介质。

背景技术：

1、在基于u型网的图像处理模型中，u型网的下采样模块和上采样模块之间的注意力结构通常由人工设计而成，存在图形处理性能较差的问题。

技术实现思路

1、为了解决上述问题，本申请实施例提供一种图像处理模型的训练方法及装置、计算机可读存储介质。

2、第一方面，提供一种图像处理模型的训练方法，所述图像处理模型包括u型网络，所述u型网络包括下采样通路和上采样通路，所述下采样通路包括第一下采样模块，所述上采样通道包括第一上采样模块，所述第一上采样模块与所述第一下采样模块相连，以复用所述第一下采用模块输出的特征，所述方法包括：将训练数据输入所述图像处理模型，得到所述图像处理模型的训练损失；根据所述训练损失，更新所述图像处理模型的模型参数；在更新所述模型参数的过程中，对所述第一下采样模块和所述第一上采样模块之间的网络架构进行神经网络架构搜索，以确定所述第一下采样模块和所述第一上采样模块之间的注意力模块的结构。

3、作为一种可能的实现方式，所述第一下采用模块和所述第一上采样模块通过多个注意力模块相连，所述多个注意力模块具有各自对应的连接权重，所述神经网络架构搜索用于更新所述多个注意力模块各自对应的连接权重。

4、作为一种可能的实现方式，所述方法还包括：根据所述多个注意力模块各自对应的连接权重的变化趋势，从所述多个注意力模块中选择目标注意力模块，作为所述u型网络训练完成之后需要保留的注意力模块，其中所述目标注意力模块对应的连接权重在所述网络结构搜索过程中呈上升趋势。

5、作为一种可能的实现方式，所述多个注意力模块包括以下注意力模块中的部分或全部：通道注意力模块、空间注意力模块和混合注意力模块。

6、作为一种可能的实现方式，所述图像处理模型为图像降噪模型，所述图像降噪模型包括噪声估计子网络和非盲去噪自网络，所述u型网络为所述非盲去噪子网络。

7、第二方面，一种图像处理模型的训练装置，所述图像处理模型包括u型网络，所述u型网络包括下采样通路和上采样通路，所述下采样通路包括第一下采样模块，所述上采样通道包括第一上采样模块，所述第一上采样模块与所述第一下采样模块相连，以复用所述第一下采用模块输出的特征，所述装置包括：输入模块，用于将训练数据输入所述图像处理模型，得到所述图像处理模型的训练损失；更新模块，用于根据所述训练损失，更新所述图像处理模型的模型参数；搜索模块，用于在更新所述模型参数的过程中，对所述第一下采样模块和所述第一上采样模块之间的网络架构进行神经网络架构搜索，以确定所述第一下采样模块和所述第一上采样模块之间的注意力模块的结构。

8、作为一种可能的实现方式，所述第一下采用模块和所述第一上采样模块通过多个注意力模块相连，所述多个注意力模块具有各自对应的连接权重，所述神经网络架构搜索用于更新所述多个注意力模块各自对应的连接权重。

9、作为一种可能的实现方式，所述装置还包括：选择模块，用于根据所述多个注意力模块各自对应的连接权重的变化趋势，从所述多个注意力模块中选择目标注意力模块，作为所述u型网络训练完成之后需要保留的注意力模块，其中所述目标注意力模块对应的连接权重在所述网络结构搜索过程中呈上升趋势。

10、作为一种可能的实现方式，所述多个注意力模块包括以下注意力模块中的部分或全部：通道注意力模块、空间注意力模块和混合注意力模块。

11、作为一种可能的实现方式，所述图像处理模型为图像降噪模型，所述图像降噪模型包括噪声估计子网络和非盲去噪自网络，所述u型网络为所述非盲去噪子网络。

12、第三方面，提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被执行时，能够实现如第一方面或第一方面中任一实现方式所述的方法。

13、第四方面，提供一种计算机程序产品，包括可执行代码，当所述可执行代码被执行时，能够实现如第一方面或第一方面中任一实现方式所述的方法。

14、本申请实施例提供的技术方案，在训练图像处理模型的过程中，通过对u型网络中的下采样模块和上采样模块之间的网络架构进行搜索，能够高效准确的搜索出符合要求的注意力模块结构。与传统的注意力模块结构由人工设计而成的方案相比，本方案能够提高基于u型网络的图像处理性能。

技术特征：

1.一种图像处理模型的训练方法，其特征在于，所述图像处理模型包括u型网络，所述u型网络包括下采样通路和上采样通路，所述下采样通路包括第一下采样模块，所述上采样通道包括第一上采样模块，所述第一上采样模块与所述第一下采样模块相连，以复用所述第一下采用模块输出的特征，

2.根据权利要求1所述的方法，其特征在于，所述第一下采用模块和所述第一上采样模块通过多个注意力模块相连，所述多个注意力模块具有各自对应的连接权重，所述神经网络架构搜索用于更新所述多个注意力模块各自对应的连接权重。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

4.根据权利要求2所述的方法，其特征在于，所述多个注意力模块包括以下注意力模块中的部分或全部：通道注意力模块、空间注意力模块和混合注意力模块。

5.根据权利要求1所述的方法，其特征在于，所述图像处理模型为图像降噪模型，所述图像降噪模型包括噪声估计子网络和非盲去噪自网络，所述u型网络为所述非盲去噪子网络。

6.一种图像处理模型的训练装置，其特征在于，所述图像处理模型包括u型网络，所述u型网络包括下采样通路和上采样通路，所述下采样通路包括第一下采样模块，所述上采样通道包括第一上采样模块，所述第一上采样模块与所述第一下采样模块相连，以复用所述第一下采用模块输出的特征，

7.根据权利要求6所述的装置，其特征在于，所述第一下采用模块和所述第一上采样模块通过多个注意力模块相连，所述多个注意力模块具有各自对应的连接权重，所述神经网络架构搜索用于更新所述多个注意力模块各自对应的连接权重。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

9.根据权利要求7所述的装置，其特征在于，所述多个注意力模块包括以下注意力模块中的部分或全部：通道注意力模块、空间注意力模块和混合注意力模块。

10.根据权利要求6所述的装置，其特征在于，所述图像处理模型为图像降噪模型，所述图像降噪模型包括噪声估计子网络和非盲去噪自网络，所述u型网络为所述非盲去噪子网络。

11.一种计算机可读存储介质，其上存储有可执行代码，其特征在于，当所述可执行代码被执行时，能够实现权利要求1-5中任一项所述的方法。

技术总结
本申请实施例提供一种图像处理模型的训练方法及装置、计算机可读存储介质，所述图像处理模型包括U型网络，所述U型网络包括下采样通路和上采样通路，所述下采样通路包括第一下采样模块，所述上采样通道包括第一上采样模块，所述第一上采样模块与所述第一下采样模块相连，以复用所述第一下采用模块输出的特征，所述方法包括：将训练数据输入所述图像处理模型，得到所述图像处理模型的训练损失；根据所述训练损失，更新所述图像处理模型的模型参数；在更新所述模型参数的过程中，对所述第一下采样模块和所述第一上采样模块之间的网络架构进行神经网络架构搜索，以确定所述第一下采样模块和所述第一上采样模块之间的注意力模块的结构。

技术研发人员：赵娟萍
受保护的技术使用者：OPPO广东移动通信有限公司
技术研发日：
技术公布日：2024/1/14