用于构建模型及图像重建的方法、设备、介质、程序产品与流程

本申请涉及模型构建，尤其涉及一种用于构建模型及图像重建的方法、设备、介质、程序产品。

背景技术：

1、sr(super-resolution，超分辨率技术)是一种图像处理技术，用于从低分辨率图像中恢复出高分辨率图像，以提高图像的细节和清晰度，改善图像质量。在医学治疗、视频监控、遥感卫星成像等领域。都有重要的应用价值。

2、为了提升sr模型在训练过程中的稳定性和效率，可以在sr模型中加入bn(batchnormalization，归一化)层，构成图像超分辨率重建模型。但利用图像超分辨率重建模型进行图像重建，获得的超分辨率图像中存在伪影。

技术实现思路

1、本申请实施例提供用于构建模型及图像重建的方法、设备、介质、程序产品，用以达到部分消除伪影的效果。

2、第一方面，本申请实施例提供一种用于构建模型的方法，包括：

3、获取样本图像；

4、利用所述样本图像对所述卷积神经网络进行训练，直到达到第一预设迭代轮次；所述卷积神经网络至少包括归一化层和卷积层；

5、从所述归一化层获取移动平均均值和移动平均方差，并从所述卷积层获取权重和偏置；

6、基于所述移动平均均值和所述移动平均方差对所述权重以及所述偏置进行调整；

7、基于所述样本图像，交替在所述卷积神经网络的指定层进行正向传播过程和反向传播过程，直到达到预设停止条件，获得图像超分辨率重建模型；所述指定层包括除归一化层以外的其他层级。

8、可选地，如上所述的方法，基于所述移动平均均值和所述移动平均方差对所述权重以及所述偏置进行调整，包括：

9、基于所述移动平均方差对所述权重进行调整，使得所述权重与所述移动平均方差成负相关关系；

10、基于所述移动平均方差以及所述移动平均均值对所述偏置进行调整，使得所述偏置与所述移动平均均值成负相关关系，并与所述移动平均方差成负相关关系。

11、可选地，如上所述的方法，基于所述移动平均均值和所述移动平均方差对所述权重以及所述偏置进行调整之后，还包括：

12、从所述归一化层获取仿射参数；

13、利用所述仿射参数对调整后的所述权重以及调整后的所述偏置进行修正，使调整后的所述权重和调整后的所述偏置均与所述仿射参数成正相关关系。

14、可选地，如上所述的方法，从所述归一化层获取移动平均均值和移动平均方差，包括：

15、若所述卷积层包括多个卷积核，则从所述归一化层获取各所述卷积核分别对应的移动平均均值和移动平均方差。

16、可选地，如上所述的方法，获得图像超分辨率重建模型之后，还包括：

17、对所述图像超分辨率重建模型进行重参数化操作。

18、可选地，如上所述的方法，获取样本图像，包括：

19、从预设的数据集中获取多个高分辨率图像；

20、对各所述高分辨率图像分别进行预处理操作，获得各所述高分辨率图像分别对应的低分辨率图像；

21、将所述高分辨率图像以及与其对应的低分辨率图像作为样本图像。

22、第二方面，本申请实施例提供一种用于图像重建的方法，包括：

23、获取待重建图像；

24、将所述待重建图像输入图像超分辨率重建模型，获得超分辨率图像；所述图像超分辨率重建模型是根据如上第一方面和/或第一方面各种可能的实施方式获得的。

25、第三方面，本申请实施例提供一种电子设备，包括：存储器，处理器；

26、所述存储器存储计算机执行指令；

27、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。

28、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

29、第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

30、本申请实施例提供的用于构建模型及图像重建的方法、设备、介质、程序产品，通过在卷积神经网络训练的最后阶段，将卷积层的参数与归一化层的参数进行融合；同时控制卷积神经网络的前向传播过程和后向传播过程均不经过归一化层，即对归一化层进行冻结操作。如此对卷积神经网络进行训练，不仅能够利用归一化层的参数加速卷积神经网络的收敛过程，还能够减小归一化层的参数在卷积神经网络测试阶段以及卷积神经网络训练阶段中的差距，以便于达到部分消除超分辨率图像的伪影的效果。

技术特征：

1.一种用于构建模型的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述移动平均均值和所述移动平均方差对所述权重以及所述偏置进行调整，包括：

3.根据权利要求1所述的方法，其特征在于，基于所述移动平均均值和所述移动平均方差对所述权重以及所述偏置进行调整之后，还包括：

4.根据权利要求1所述的方法，其特征在于，从所述归一化层获取移动平均均值和移动平均方差，包括：

5.根据权利要求1至4任一项所述的方法，其特征在于，获得图像超分辨率重建模型之后，还包括：

6.根据权利要求1至4任一项所述的方法，其特征在于，获取样本图像，包括：

7.一种用于图像重建的方法，其特征在于，包括：

8.一种电子设备，其特征在于，包括：存储器，处理器；

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的方法。

10.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

技术总结
本申请实施例提供一种用于构建模型及图像重建的方法、设备、介质、程序产品。该用于构建模型的方法包括：获取样本图像；利用所述样本图像对所述卷积神经网络进行训练，直到达到第一预设迭代轮次；从所述归一化层获取移动平均均值和移动平均方差，并从所述卷积层获取权重和偏置；基于移动平均均值和移动平均方差对所述权重以及所述偏置进行调整；基于所述样本图像，交替在所述卷积神经网络的指定层进行正向传播过程和反向传播过程，直到达到预设停止条件，获得图像超分辨率重建模型；所述指定层包括除归一化层以外的其他层级。该方法用以减小归一化层在训练过程中以及训练之后的差值，以便于达到减小图像超分辨率重建模型重建图像中伪影的效果。

技术研发人员：马志骋,刘兆祥,王恺,廉士国
受保护的技术使用者：中国联合网络通信集团有限公司
技术研发日：
技术公布日：2024/11/7