CN113066018B 一种图像增强方法及相关装置 （华为技术有限公司）

2通过第一网络对所述第二图像处理，得到第一特征和第三图像，其中，所述第一网络和所述第二网络用于图像增强；所述通4.根据权利要求2或3所述的方法，其特征在于，所述第5.根据权利要求2或3所述的方法，其特征在于6.根据权利要求1至3任意一项所述的方法，其特征7.根据权利要求1至3任意一项所述的方3通过第一网络对所述第二图像处理，得到第一特征和第三图像，根据所述第一图像对应的增强图像和所述目标图像获取损失函数，所根据所述损失函数对所述第一网络和所述第二网络进行训练其中，所述第一网络和所述第二网络用于图像增强；所述通45[0002]人工智能(artificialintelligence，AI)是利用数字计算机或者数字计算67所述第一网络提取得到的中间特征，所述第三图像的分辨率与所述第一图像的分辨率相89输出的特征图(featuremap)上的像素点在输入图片上映射的区域大小，即特征图上的点提供给基础平台提供的分布式计算系统中的智能芯片[0088]基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、神经网络模型可以用于进行模型推理，具体可以将输入数据输入到目标神经网络模型中，施例涉及的相关术语及神经网络等相关概念像或者卷积特征平面(featuremap)做卷积。卷积层是指卷积神经网络中对输入信号进行[0107]其中，卷积层/池化层120以及神经网络层130组成的结构可以为本申请中所描述[0108]卷积层/池化层120。卷积层：如图2所示卷积层/池化层120可以包括如示例121-重矩阵通常在输入图像上沿着水平方向一个像素接着一个像素(或两个像素接着两个像该权重矩阵的大小应该与图像的大小相关，需要注意的是，权重矩阵的纵深维度(depth取到的多个维度相同的特征图合并形成卷积运算的的权重值形成的各个权重矩阵可以从输入图像中提取信息，从而帮助卷积神经网络100进个卷积神经网络100的前向传播(如图2由110至140的传播为前向传播)完成，反向传播(如少卷积神经网络100的损失及卷积神经网络100通过输出层输出的结果和理想结果之间的[0115]需要说明的是，如图2所示的卷积神经网络100仅作为一层仅仅是对输入向量经过如此简单的操作得到输出向量由于DNN层数多，则系数W和偏练好的深度神经网络的所有层的权重矩阵(间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过[0127]在执行设备120对输入数据进行预处理，或者在执行设备120的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中，执行设备120可以调练数据生成相应的目标模型/规则(例如本实施例中的目标神经网络模型)，该相应的目标的神经网络通常带来指数级增加的计算开销和功耗开销。对于计算能力较弱的设备上(例驾驶(selfdriving)中的无线终端、远程手术(remotemedicalsurgery)中的无线终端、[0137]应理解，本申请实施例中的图像可以为静态图像(或称为静态画面)或动态图像[0140]本实施例中，该图像增强方法可以应用于实现以下[0146]可选的，终端通过第一网络得到的第三图像与第一图像的分辨率可以是一样[0155]示例性地，所述编码器可以包括第一卷积层和通道-空间注意力模块(Residual意图。如图12所示，终端通过分区加速方法处理第二图像H×W×C的过程包括以下的步骤不重叠的子图像。例如，将第二图像H×W×C分割为N＝2n个区域，第二图像的H维度分割度为Hxwxe.其中，编码器所输出的编码特征的维度与编码[0165]S4、终端将编码器所输出的编码特征在通道维度上均匀地等分割为N个子编码特[0168]以上所介绍的实施例中是以网络架构中包括两层网络(即第一网络和第二网络)[0174]在顶层网络输出图像On后，输入图像处理单元100将输出图像On与输入图像In-1编码特征处理单元获取第二层网络的编码器处理单元得到的编码特征以及上一层网络(即顶层网络)的编码器处理单元得到的编码特征，并将上一层得到的编码特征执行上采样处理单元的输入则是该层网络中的编码器单元输出的编码特征与上一层网络中的编码器单元输出的且经过上采样处理的编码特征相加后得到的去模糊为图像增强任务，采用本申请实施例提供的图像增强方法测试了图像去模糊的效[0181]可以参阅图16，图16为本申请实施例提供的一种图像增强方法的效果对比示意述损失函数用于指示所述图像样本对中的增强图像和所述目标图像之[0196]在一种可能的实现方式中，可以是基于重构损失函数(reconstructionloss)和梯度损失函数(gradientloss)来获取所述增强图像和所述目标图像对应的损失函数，以使用L1范式。梯度损失函数可以是表示增强图像和目标图像在x/y方向上的平均梯度的损数据。存储器2304的一部分还可以包括非易失性随机存取存储器(non-volatilerandom[0224]上述本申请实施例揭示的方法可以应用于处理器2303中，或者由处理器2303实理器或微控制器，还可进一步包括专用集成电路(applicationspecificintegrated只读存储器(read-onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设片可以表现为神经网络处理器NPU2400，NPU2400作为协处理器挂载到主CPU(HostCPU)矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器存储器获取指令，还用于存储单元访问控制器2405从外部存储器获取输入矩阵A或者权重[0236]DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器2406或将权重数据搬运到权重存储器2402中或将输入数据数据搬运到输入存[0238]在一些实现中，向量计算单元2407能将经处理的输出的向量存储到统一存储器