CN117710301B 图像处理方法、装置、设备、存储介质及计算机程序产品 （腾讯科技（深圳）有限公司）

2将所述图像提取特征和所述图像重建特征逐元素相减，得到所第二识别信息中的第二信息元素与所述目标图像将所述图像重建特征与所述图像提取特征之间的差值输入判别器，将所述第二识别信息以及所述第一识别信息中，相同维度上的对所述分割信息中各个第三信息元素进行统计，获得图像分对所述第一识别信息以及所述第二识别信息进行加权求和或者加权平均将所述目标图像输入图像异常检测模型中的特征提取器，获得所将所述图像提取特征输入所述图像异常检测模型中的编解码器，获所述将所述图像重建特征与所述图像提取特征之间的差值输入判别器，获得所将所述图像重建特征与所述图像提取特征之间的差值输入所述图像异常检测模型中其中，所述图像异常检测模型是基于第一图像样本进行无监督3将所述第一图像样本输入所述特征提取器，获得所述特征提取器输将所述第一图像提取特征样本输入所述编解码器，获得所述编将所述第一图像重建特征样本与所述第一图像提取特征样本之间的差值输入所述判将所述第二图像样本输入所述特征提取器，获得所述特征提取器输将所述第二图像提取特征样本输入所述编解码器，获得所述编将所述第二图像重建特征样本与所述第二图像提取特征样本之间的差值输入所述判基于所述第一图像提取特征样本、所述第一图像重建特征样本基于所述第一图像提取特征样本与所述第一图像重建特征样本之间基于所述第二图像提取特征样本与所述第二图像重建特征样本之间将所述第一图像样本输入图像异常检测模型中的特征提取器，获4将所述第一图像提取特征样本输入所述图像异常检测模型中的编解码器将所述第一图像重建特征样本与所述第一图像提取特征样本之间的差值输入所述图将所述第二图像样本输入所述特征提取器，获得所述特征提取器输将所述第二图像提取特征样本输入所述编解码器，获得所述编将所述第二图像重建特征样本与所述第二图像提取特征样本之间的差值输入所述判基于所述第一图像提取特征样本、所述第一图像重建特征样本信息，所述第一识别信息中包含与所述目标图像中的各个像素分别对应的第一信息元素，间的差值是通过将所述图像提取特征和所述图像重建特征逐元素所述第二识别信息以及所述第一识别信息用于获取对所述目标图像进行异常识别的将所述第二识别信息以及所述第一识别信息中，相同维度上的对所述分割信息中各个第三信息元素进行统计，获得图像分5识别模块，用于对所述图像提取特征和所述图像重建特征之间别信息中的第二信息元素与所述目标图像中的像素一重构模块，用于将所述图像重建特征与所述图像提取特征之间的所述识别模块，还用于将所述第二识别信息以及所述第一识别信息类结果用于从整体上表示所述目标图像是否所述特征提取模块，用于将所述目标图像输入图像异所述编解码模块，用于将所述图像提取特征输入所述图像异常检测模型中的编解码所述重构模块，用于将所述图像重建特征与所述图像提取特征之间的其中，所述图像异常检测模型是基于第一图像样本进行无监督6模型处理模块，用于将所述第一图像样本输入所述特征提取器，基于所述第一图像提取特征样本与所述第一图像重建特征样本之间基于所述第二图像提取特征样本与所述第二图像重建特征样本之间模型处理模块，用于将所述第一图像样本输入图像异常检测模型中的述第一图像重建特征样本与所述第一图像提取特征样本之间的差值输入所述图像异常检7信息，所述第一识别信息中包含与所述目标图像中的各个像素分别对应的第一信息元素，间的差值是通过将所述图像提取特征和所述图像重建特征逐元素所述第二识别信息以及所述第一识别信息用于获取对所述目标图像进行异常识别的将所述第二识别信息以及所述第一识别信息中，相同维度上的对所述分割信息中各个第三信息元素进行统计，获得图像分述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的8[0015]将所述第一图像重建特征样本与所述第一图像提取特征样本之间的差值输入所9[0018]将所述第二图像重建特征样本与所述第二图像提取特征样本之间的差值输入所述第一识别信息用于获取对所述目标图像进行异常识别的识[0025]重构模块，用于将所述图像重建特征与所述图像提取特征之间的差值输入判别[0029]基于所述第一识别信息以及所述第二识别信息，获取所述识别结果中的分割信别结果中的图像分类结果，所述图像分类结果用于指示所述目标图像属于异常图像的概图像提取特征样本之间的差值输入所述判别器，获得所述判别器输出第一识别信息样本；[0050]模型处理模块，用于将所述第一图像样本输入图像异常检测模型中的特征提取入所述图像异常检测模型中的编解码器，获得所述编解码器输出的第一图像重建特征样述第一识别信息用于获取对所述目标图像进行异常识别的识指令集由处理器加载并执行以实现如上述本申请实施例所题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种者以太网接口等等；或者，上述图像输出接口也可以是无线接口，比如无线局域网域网或者互联网将图像导入至终端140或者服[0093]终端140可以是具有一定的处理能力以及界面展示功能的终端设备，比如，终端[0099]其中，上述服务器160可以是为终端140中安装的应用程序提供后台服务的服务[0103]图2是根据一示例性实施例示出的一种图像处理方法的流程示意图。该方法可以13214101…011212012…10214222…101010…00311301…314021133…3…………22211011…2[0132]在本申请实施例中，计算机设备可以将图像提取特征和图像重建特征逐元素相进行上采样处理(比如通过双线性差值处理进行上采度上的信息元素进行加权求和或加权平均，获得分割信息中的第二个维度上的信息元素，信息的比重，保证综合第一识别信息和第二识别信息得到最终识别结果的灵活性和准确务器可以是上述图1所示的实施例中的服务器160，该终端可以是上述图1所示的实施例中像样本中存在异常的像素，第二图像样本是基于第一图像样本和第二掩膜信息合成的图第四损失函数值是图像异常检测模型对输入的图像样本中存在异常的像素进行预测的过该方法提出了一种像素级判别器来来进一步增强正常样本和异常样本之间的区分并细化[0182]请参考图6，其示出了本申请涉及的无监督+判别式的重构网络架构图，如图6所EfficientNet_b4)的第1到4阶段提取多尺度特征图z[0185]Z1=F(I)了组合来自不同层次结构的特征所有特征图的大小都调整为相同的大小(h4×w＝w4。[0189]其中，上述预训练模型可以使用任何基于卷积神经网络或Transformer架构的预[0190]2)无监督重构：无监督重构遵循标准的Transformer架构，包含编码和解码两部一个线性投影层进行升维操作以恢复到原始输入特征维度，记输出为F。重建损失函数计[0194]给定正常训练图像In和相应的异常掩模Yn，将其合成的缺陷图表示为(Flt=n,s}。这里，本申请使用原始特征和重建特征的绝对逐元素相减来衡量它n,s}输入到设计的判别器中，并获得估计的异常图y't。为了计算yt和真实值Yt之间的损出的无监督+判别式重构的编码解码网络在MVTec数据集上训练损失和测试指标的比较示[0215]重构模块903，用于将所述图像重建特征与所述图像提取特征之间的差值输入判[0219]基于所述第一识别信息以及所述第二识别信息，获取所述识别结果中的分割信[0225]所述编解码模块902，用于将所述图像提取特征输入所述图像异常检测模型中的[0226]所述重构模块903，用于将所述图像重建特征与所述图像提取特征之间的差值输图像提取特征样本之间的差值输入所述判别器，获得所述判别器输出第一识别信息样本；述第一识别信息用于获取对所述目标图像进行异常识别的识存取存储器(RandomAccessMemory，RAM)1102和只读存储器(ReadOnlyMemory，ROM)1103的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。[0253]大容量存储设备1106通过连接到系统总线1105的大容量存储控制器(未示出)连可擦可编程只读存储器(ElectricallyErasableProgrammableReadOnlyMemory，上的远程计算机运行。也即服务器1100可以通过连接在系统总线1105上的网络接口单元[0257]本申请的实施例还提供了一种计算机设