一种模型训练方法、去噪方法、模型、设备及存储介质与流程

技术特征：
1.一种模型训练方法，适用于去噪模型，其特征在于，所述去噪模型中包含第一对抗网络，所述方法包括：利用所述第一对抗网络中的背景生成器从含噪声图像中提取背景图像；根据所述背景图像，确定所述含噪声图像中包含的噪声特征；利用所述第一对抗网络中的噪声判别器对所述噪声特征进行判别，并根据判别结果，计算所述背景生成器对应的第一约束参数；基于所述第一约束参数，对所述去噪模型中的背景生成器进行无监督训练。2.根据权利要求1所述的方法，其特征在于，所述利用所述第一对抗网络中的噪声判别器对所述噪声特征进行判别，包括：基于所述噪声特征，构建一噪声合成图，作为所述噪声判别器的假样本；以所述含噪声图像作为所述噪声判别器的真样本；利用所述噪声判别器对包含所述噪声特征的所述噪声合成图进行判别。3.根据权利要求2所述的方法，其特征在于，所述基于所述噪声特征，构建一噪声合成图，包括：将所述噪声特征与一不含噪声图像进行融合，以获得所述噪声合成图。4.根据权利要求1所述的方法，其特征在于，所述基于所述背景图像，确定所述含噪声图像中包含的噪声特征，包括：对所述含噪声图像与所述背景图像作差，以获得所述噪声特征。5.根据权利要求1所述的方法，其特征在于，所述去噪模型还包含背景增强器，所述方法还包括：利用所述背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异指数，作为所述背景生成器对应的第二约束参数；利用所述第二约束函数，对所述去噪模型中的背景生成器进行无监督训练。6.根据权利要求5所述的方法，其特征在于，所述利用所述背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异指数，包括：利用所述背景增强器对所述含噪声图像和所述背景图像进行高斯模糊，以获得所述含噪声图像和所述背景图像在所述指定模糊程度下的模糊图像；计算所述含噪声图像和所述背景图像在所述指定模糊程度下的模糊图像之间的梯度差异，作为所述差异指数。7.根据权利要求1或5所述的方法，其特征在于，所述去噪模型中还包含第二对抗网络，所述第二对抗网络包括所述背景生成器和背景判别器，所述方法还包括：利用所述背景判别器对所述背景图像进行判别；根据所述背景判别器对所述背景图像的判别结果，计算所述背景生成器对应的第三约束参数；利用所述第三约束函数，对所述去噪模型中的背景生成器进行无监督训练。8.根据权利要求7所述的方法，其特征在于，所述去噪模型中还包含数据保护网络，所述数据保护网络包括所述背景生成器和噪声生成器，所述方法还包括：利用所述噪声生成器对所述背景图像进行噪声重建，以获得带噪声重建图；根据所述含噪声图像和所述带噪声重建图之间的差异，计算所述背景生成图对应的第
四约束参数；利用所述第四约束参数，对所述去噪模型中的背景生成器进行无监督训练。9.根据权利要求1所述的方法，其特征在于，所述背景生成器采用残差网络或金字塔结构网络中的一种或多种。10.根据权利要求1所述的方法，其特征在于，还包括：在完成所述去噪模型中的背景生成器的训练后，利用所述背景生成器从场景图像提取并输出背景图像，以对所述场景图像进行去噪。11.根据权利要求10所述的方法，其特征在于，所述场景图像和所述含噪声图像为带雨雪图像，所述噪声特征为雨雪特征。12.一种模型训练方法，其特征在于，包括：响应于调用目标服务的请求，确定所述目标服务对应的处理资源，利用所述目标服务对应的处理资源执行如下步骤：利用去噪模型中第一对抗网络中的背景生成器从含噪声图像中提取背景图像；根据所述背景图像，确定所述含噪声图像中包含的噪声特征；利用所述第一对抗网络中的噪声判别器对所述噪声特征进行判别，并根据判别结果，计算所述背景生成器对应的第一约束参数；基于所述第一约束参数，对所述去噪模型中的背景生成器进行无监督训练。13.一种模型训练方法，适用于去噪模型，其特征在在于，所述去噪模型中包含背景生成器和背景增强器，所述方法包括：利用所述背景生成器从含噪声图像中提取背景图像；利用所述背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异指数，作为所述背景生成器对应的约束参数；利用所述约束参数，对所述去噪模型中的背景生成器进行无监督训练。14.根据权利要求13所述的方法，其特征在于，所述利用所述背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异，包括：利用所述背景增强器对所述含噪声图像和所述背景图像进行高斯模糊，以获得所述含噪声图像和所述背景图像在所述指定模糊程度下的模糊图像；计算所述含噪声图像和所述背景图像在所述指定模糊程度下的模糊图像之间的梯度差异，作为所述差异指数。15.一种模型训练方法，其特征在于，包括：响应于调用目标服务的请求，确定所述目标服务对应的处理资源，利用所述目标服务对应的处理资源执行如下步骤：利用去噪模型中的背景生成器从含噪声图像中提取背景图像；利用去噪模型中的背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异指数，作为所述背景生成器对应的约束参数；利用所述约束参数，对所述去噪模型中的背景生成器进行无监督训练。16.一种计算设备，其特征在于，包括存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：
利用去噪模型中的第一对抗网络包含的背景生成器从含噪声图像中提取背景图像；根据所述背景图像，确定所述含噪声图像中包含的噪声特征；利用所述第一对抗网络中的噪声判别器对所述噪声特征进行判别，并根据判别结果，计算所述背景生成器对应的第一约束参数；基于所述第一约束参数，对所述去噪模型中的背景生成器进行无监督训练。17.一种计算设备，其特征在于，包括存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：利用去噪模型中的背景生成器从含噪声图像中提取背景图像；利用所述去噪模型中的背景增强器计算所述含噪声图像和所述背景图像在指定模糊程度下的差异指数，作为所述背景生成器对应的约束参数；利用所述约束参数，对所述去噪模型中的背景生成器进行无监督训练。18.一种去噪模型，其特征在于，包含第一对抗网络，所述第一对抗网络包括背景生成器和噪声判别器；所述背景生成器，用于从含噪声图像中提取背景图像；所述雨水判别器，用于获取所述含噪声图像中包含的噪声特征，并对所述噪声特征进行判别，以产生所述背景生成器对应的第一约束参数；其中，所述噪声特征为根据所述背景图像而确定出的；所述背景生成器，还用于基于所述第一约束参数，更新自身的模型参数。19.一种去噪方法，其特征在于，包括：响应于对目标图像的去噪请求，获取所述目标图像；利用去噪模型中第一对抗网络包含的背景生成器从所述目标图像中提取背景图像，以对所述目标图像进行去噪；其中，所述背景生成器的训练过程包括：利用所述背景生成器从含噪声样本图像中提取样本背景图像；根据所述样本背景图像，确定所述含噪声样本图像中包含的样本噪声特征；利用所述第一对抗网络中的噪声判别器对所述样本噪声特征进行判别，并根据判别结果，计算所述背景生成器对应的第一约束参数；基于所述第一约束参数，对所述去噪模型中的背景生成器进行无监督训练。20.一种存储计算机指令的计算机可读存储介质，其特征在于，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1
‑
15任一项所述的模型训练方法或权利要求19所述的去噪方法。

技术总结
本申请实施例提供一种模型训练方法、去噪方法、模型、设备及存储介质。在本申请实施例中，可在去噪模型中构建包含背景生成器和噪声判别器的第一对抗网络，基于此，可根据背景生成器从含噪声图像提取的背景图像，确定含噪声图像中的噪声特征，并利用噪声判别器对噪声特征进行判别。这样，通过背景生成器和噪声判别器之间的相互对抗，可计算出背景生成器对应的第一约束参数，从而可基于第一约束参数对背景生成器进行无监督训练。本申请实施例中，可基于含噪声图像自身，确定出对背景生成器的训练约束，从而可实现对去噪模型中的背景生成器的无监督训练，由于可以自然场景中的含噪声图像作为训练样本，因此可有效提升背景生成器的泛化能力和精度。化能力和精度。化能力和精度。


技术研发人员：何天宇 沈旭 黄建强
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.11.25
技术公布日：2021/10/18