重光照图像的生成方法、装置及电子设备与流程

技术特征：
1.一种重光照图像的生成方法，包括：获取待处理图像；将所述待处理图像输入至重光照图像生成系统中，由所述重光照图像生成系统中的n个小波变换模型进行重光照渲染，输出所述待处理图像对应的目标重光照图像，其中，n为大于或者等于1的整数。2.根据权利要求1所述的生成方法，其中，n为大于1的整数，其中，所述将所述待处理图像输入至重光照图像生成系统中，由所述重光照图像生成系统中的n个小波变换模型进行重光照渲染，输出所述待处理图像对应的目标重光照图像，包括：针对第一个小波变换模型，将所述待处理图像输入至所述第一个小波变换模型中进行重光照渲染，输出中间重光照图像；从第二个小波变换模型起，将上一级小波变换模型输出的中间重光照图像输入至下一级小波变换模型中进行重光照渲染，输出所述下一级小波变换模型对应的中间重光照图像；每当其中一级小波变换模型输出对应的中间重光照图像，确定所述对应的中间重光照图像满足优化停止条件，则停止向下一级小波变换模型传递所述对应的中间重光照图像，并将所述对应的中间重光照图像作为所述目标重光照图像。3.根据权利要求2所述的生成方法，其中，还包括：确定所述对应的中间重光照图像未满足所述优化停止条件，则将所述中间重光照图像继续向下一级小波变换模型传递，由所述下一级小波变换模型继续对所述对应的中间重光照图像进行重光照渲染，直至其中一级小波变换模型输出的中间重光照图像满足所述优化停止条件，则将所述满足所述优化停止条件的中间重光照图像作为所述目标重光照图像。4.根据权利要求1
‑
3任一项所述的生成方法，其中，任一级小波变换模型对图像进行重光照渲染的过程，包括：将图像输入至所述小波变换模型的小波变换网络中，由所述小波变换网络对所述图像进行下采样处理，输出所述图像对应的特征图像，其中，所述图像包括所述待处理图像和所述中间重光照图像；将所述特征图像输入至所述小波变换模型的残差网络中，由所述残差网络对所述特征图像进行重建，输出重建特征图像；将所述重建特征图像输入至所述小波变换模型的小波反变换网络中，由所述小波反变换网络对所述重建特征图像进行上采样处理，输出所述重光照图像。5.根据权利要求4所述的生成方法，其中，还包括：按照预设频率和预设倍数对所述图像进行下采样和上采样。6.根据权利要求4所述的生成方法，其中，所述将所述特征图像输入至所述小波变换模型的残差网络中，还包括：将下采样获取到的所述特征图像输入至所述小波变换模型的第一卷积网络中，由所述第一卷积网络对所述特征图像进行预处理，并将所述第一卷积网络输出的预处理后的特征图像输入至所述残差网络中。7.根据权利要求4所述的生成方法，其中，还包括：将进行上采样处理后得到的上采样特征图像输入至所述小波变换模型的第二卷积网
络，由所述第二卷积网络对所述上采样特征图像进行预处理。8.一种重光照图像的生成装置，包括：获取模块，用于获取待处理图像；第一输出模块，用于将所述待处理图像输入至重光照图像生成系统中，由所述重光照图像生成系统中的n个小波变换模型进行重光照渲染，输出所述待处理图像对应的目标重光照图像，其中，n为大于或者等于1的整数。9.根据权利要求8所述的生成装置，其中，n为大于1的整数，其中，所述第一输出模块，包括：第一输出子模块，用于针对第一个小波变换模型，将所述待处理图像输入至所述第一个小波变换模型中进行重光照渲染，输出中间重光照图像；第二输出子模块，用于从第二个小波变换模型起，将上一级小波变换模型输出的中间重光照图像输入至下一级小波变换模型中进行重光照渲染，输出所述下一级小波变换模型对应的中间重光照图像；第一确定子模块，用于每当其中一级小波变换模型输出对应的中间重光照图像，确定所述对应的中间重光照图像满足优化停止条件，则停止向下一级小波变换模型传递所述对应的中间重光照图像，并将所述对应的中间重光照图像作为所述目标重光照图像。10.根据权利要求9所述的生成装置，其中，还包括：第二确定子模块，用于确定所述对应的中间重光照图像未满足所述优化停止条件，则将所述中间重光照图像继续向下一级小波变换模型传递，由所述下一级小波变换模型继续对所述对应的中间重光照图像进行重光照渲染，直至其中一级小波变换模型输出的中间重光照图像满足所述优化停止条件，则将所述满足优化停止条件的中间重光照图像作为所述目标重光照图像。11.根据权利要求8
‑
10任一项所述的生成装置，其中，还包括：第二输出模块，用于将图像输入至所述小波变换模型的小波变换网络中，由所述小波变换网络对所述图像进行下采样处理，输出所述图像对应的特征图像，其中，所述图像包括所述待处理图像和所述中间重光照图像；第三输出模块，用于将所述特征图像输入至所述小波变换模型的残差网络中，由所述残差网络对所述特征图像进行重建，输出重建特征图像；第四输出模块，用于将所述重建特征图像输入至所述小波变换模型的小波反变换网络中，由所述小波反变换网络对所述重建特征图像进行上采样处理，输出所述重光照图像。12.根据权利要求11所述的生成装置，其中，还包括：采样模块，用于按照预设频率和预设倍数对所述图像进行下采样和上采样。13.根据权利要求11所述的生成装置，其中，所述第三输出模块，包括：第三输出子模块，用于将下采样获取到的所述特征图像输入至所述小波变换模型的第一卷积网络中，由所述第一卷积网络对所述特征图像进行预处理，并将所述第一卷积网络输出的预处理后的特征图像输入至所述残差网络中。14.根据权利要求11所述的生成装置，其中，还包括：预处理模块，用于将进行上采样处理后得到的上采样特征图像输入至所述小波变换模型的第二卷积网络，由所述第二卷积网络对所述上采样特征图像进行预处理。
15.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1
‑
7中任一项所述的方法。16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1
‑
7中任一项所述的方法。17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1
‑
7中任一项所述的方法。

技术总结
本公开提供了一种重光照图像的生成方法、装置及电子设备，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于图像处理场景下。该方案为：获取待处理图像；将所述待处理图像输入至重光照图像生成系统中，由所述重光照图像生成系统中的N个小波变换模型进行重光照渲染，输出所述待处理图像对应的目标重光照图像。由此，本公开既不依赖人工设计，也不再依赖基于神经网络学习训练得到的卷积神经网络模型，利用由至少一个小波变换模型构成的重光照图像生成系统对待处理图像进行渲染，使得得到的重光照图像在低频上保留场景内容结构，在高频上保留细节阴影信息，从而得到渲染效果更加准确、可靠的重光照图像。可靠的重光照图像。可靠的重光照图像。


技术研发人员：李甫 邓瑞峰
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2021.06.29
技术公布日：2021/10/26