图像处理模型的训练方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉、深度学习技术领域，可应用在视频理解和编辑场景下，尤其涉及图像处理模型的训练方法、装置、电子设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中训练得到的图像处理模型，对图像特征的表征能力不佳，从而使用其执行图像处理类任务时，处理得到的图像质量不高。

发明内容

提供了一种图像处理模型的训练方法、图像处理方法、装置、电子设备、存储介质及计算机程序产品。

根据第一方面，提供了一种图像处理模型的训练方法，包括：获取多个样本图像，和与所述多个样本图像分别对应的多个标注图像；对所述多个样本图像分别进行频域变换，以得到对应的多个样本频域图像；对所述多个标注图像分别进行频域变换，以得到对应的多个标注频域图像；以及根据所述多个样本频域图像和所述多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型。

根据第二方面，提供了一种图像处理方法，包括：获取待处理图像；将所述待处理图像输入至前述第一方面提供的图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标频域图像。

根据第三方面，提供了一种图像处理模型的训练装置，包括：第一获取模块，用于获取多个样本图像，和与所述多个样本图像分别对应的多个标注图像；第一处理模块，用于对所述多个样本图像分别进行频域变换，以得到对应的多个样本频域图像；第二处理模块，用于对所述多个标注图像分别进行频域变换，以得到对应的多个标注频域图像；以及训练模块，用于根据所述多个样本频域图像和所述多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型。

根据第四方面，提供了一种图像处理装置，包括：第二获取模块，用于获取待处理图像；第三处理模块，用于将所述待处理图像输入至前述第三方面提供的图像处理模型的训练装置训练得到的目标图像处理模型之中，以得到所述目标图像处理模型输出的目标频域图像。

根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的图像处理模型的训练方法，或者执行本公开实施例的图像处理方法。

根据第六方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的图像处理模型的训练方法，或者执行本公开实施例的图像处理方法。

根据第七方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本公开实施例公开的图像处理模型的训练方法，或者执行本公开实施例的图像处理方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是可以实现本公开实施例的图像处理模型的训练场景图；

图4是根据本公开第三实施例的示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7是根据本公开第六实施例的示意图；

图8是用来实现本公开实施例的图像处理模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的图像处理模型的训练方法的执行主体为图像处理模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及计算机视觉、深度学习技术领域，可应用在视频理解和编辑场景下。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

而计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

如图1所示，该图像处理模型的训练方法包括：

S101：获取多个样本图像，和与多个样本图像分别对应的多个标注图像。

本公开实施例中训练得到的图像处理模型，可以被用于图像及视频处理类任务(图像及视频处理类任务例如，超分增强、视频插帧、图像修复、风格迁移等)中，对此不做限制。

该图像处理模型可以被用于对输入的一帧图像或者视频进行优化处理，该图像处理模型可以具体是已训练的神经网络模型或者是机器学习模型等，对此不做限制。

上述用于训练模型的图像，可以被称为样本图像，样本图像可以被作为初始的人工智能模型的输入，以辅助训练人工智能模型。

上述获取多个样本图像，可以具体是从电子设备的存储空间之中读取多个原始图像，并将多个原始图像作为多个样本图像，或者，也可以是开启摄像装置对场景拍照得到，对此不做限制。

上述的多个标注图像可以是与多个样本图像分别对应的，也即是说，一个样本图像对应一个标注图像，或者，一个样本图像也可以对应多个标注图像，对此不做限制。

而标注图像，可以是用于训练人工智能模型的参考标准图像，该参考标准图像可以被用于评估人工智能模型的训练效果和收敛时机，该标注图像可以具体例如为携带标注值的图像，标注值例如，图像特征(例如色彩、亮度)对应的标准值，对此不做限制。

本公开实施例中，上述在获取多个样本图像，和与多个样本图像分别对应的多个标注图像之后，可以采用获取多个样本图像和多个标注图像训练人工智能模型，以得到目标图像处理模型。

S102：对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像。

本公开实施例中，在获取多个样本图像之后，可以对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像。

其中，在图像处理中，时域可以理解为空间域，处理对象为图像平面本身，而频域是频率域，是描述信号在频率方面特性时采用的一种坐标系，频域图像，对应的自变量是频率，即横轴是频率，纵轴是该频率信号的幅度，频域图像，可以理解为与时域的图像对应的频谱图，频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。

上述对多个样本图像分别进行频域变换，以得到对应的多个频谱图，该多个频谱图可以被称为多个样本频域图像。

S103：对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像。

本公开实施例中，在获取与多个样本图像分别对应的多个标注图像之后，可以对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像。

上述对多个标注图像分别进行频域变换，以得到对应的多个频谱图，该多个频谱图可以被称为多个标注频域图像。

也即是说，本公开实施例中在训练人工智能模型之前，预先对样本图像和标注图像进行相应的频域变换处理，从而解析频域图像的频域特征来训练人工智能模型，由于在特征表征方面，频率域的频域特征通常较空间域的时域特征，更能够体现出图像的细节差异，从而本公开实施例中通过解析频域图像的频域特征来训练人工智能模型，能够使得训练得到的目标图像处理模型具有较好的针对图像的频域信息的表征能力。

S104：根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型。

其中，初始人工智能模型可以例如为神经网络模型、机器学习模型，或者也可以是图神经网络模型，当然，也可以采用其它任意可能的能够执行图像处理任务的模型，对此不做限制。

上述在对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像，并对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像之后，可以根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型。

可选地，一些实施例中，可以将多个样本频域图像输入初始的人工智能模型，以得到人工智能模型输出的对应的多个预测频域图像，并确定多个预测频域图像分别与对应的多个标注频域图像之间的频域损失值，如果频域损失值满足设定条件，则将训练得到的人工智能模型作为目标图像处理模型，能够及时地判定出人工智能模型的收敛时机，在保障所训练的人工智能模型的图像处理性能的同时，节约了训练模型所耗费的软硬件资源消耗，从而实现了较好的模型训练效果。

其中，当将多个样本频域图像输入初始的人工智能模型时，人工智能模型输出的对应的多个频域图像，可以被称为多个预测频域图像，而后，可以运算预测频域图像和与其对应的标注频域图像之间侧频域特征差异，比如可以将预测频域图像和与其对应的标注频域图像的频域特征代入与人工智能模型对应的损失函数之中，从而获得损失函数输出的损失值，由于该损失值是基于频域特征运算得到的，从而本公开实施例中，可以将该损失值称为频域损失值。

在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型，从而本公开实施例中可以确定多个预测频域图像分别与对应的多个标注频域图像之间的频域损失值，而后，采用该频域损失值指导初始的人工智能模型的训练过程。

上述在确定人工智能模型的收敛时机时，可以是判断频域损失值是否满足设定条件，如果频域损失值满足设定条件，则将训练得到的人工智能模型作为目标图像处理模型。

上述在确定多个预测频域图像分别与对应的多个标注频域图像之间的频域损失值之后，可以实时地确定频域损失值是否满足设定条件(例如，频域损失值小于损失阈值，则判定频域损失值满足设定条件，该损失阈值可以是预先标定的，判定初始的人工智能模型收敛的频域损失值的门限值)，如果频域损失值满足设定条件，则将训练得到的人工智能模型作为目标图像处理模型，即模型训练完成，此时目标图像处理模型满足了预先设定的收敛条件。

本实施例中，通过获取多个样本图像，和与多个样本图像分别对应的多个标注图像，并对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像，对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像，以及根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型，使得训练得到的目标图像处理模型能够有效地建模出图像的频域信息，提升图像处理模型针对图像的频域信息的表征能力，能够有效地提升图像处理模型的图像处理效果。

图2是根据本公开第二实施例的示意图。

如图2所示，该图像处理模型的训练方法包括：

S201：获取多个样本图像，和与多个样本图像分别对应的多个标注图像。

S202：对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像。

S203：对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像。

S204：将多个样本频域图像输入初始的人工智能模型，以得到人工智能模型输出的对应的多个预测频域图像。

S201-S204的描述说明可以具体参见上述实施例，在此不再赘述。

S205：提取与多个预测频域图像对应的多个第一频域特征。

上述在得到人工智能模型输出的对应的多个预测频域图像之后，可以对多个预测频域图像分别进行频域特征的分析，从而得到与多个预测频域图像对应的多个频域特征，该多个频域特征可以被称为第一频域特征。

例如，可以提取预测频域图像对应的频谱图中的频率分布特征作为上述的第一频域特征，或者，也可以提取其它任意可能的，预测频域图像在频率域的图像特征作为第一频域特征，对此不做限制。

可选地，一些实施例中，可以提取与多个预测频域图像对应的多个第一颜色特征、多个第一颜色编码特征、多个第一分辨率特征，并将多个第一颜色特征、多个第一颜色编码特征、多个第一分辨率特征共同作为多个第一频域特征，从而使得从预测频域图像之中所提取的频域特征能够与空间域的时域特征相对应，能够保障频域特征在描述预测频域图像特征方面的表征能力，从而保障目标图像处理模型针对图像的处理效果。

上述与预测频域图像对应的颜色特征，可以被称为第一颜色特征，而基于颜色特征进行编码，得到的编码特征可以被称为第一颜色编码特征，而与预测频域图像对应的感知层面的特征，可以采用分辨率特征描述，该与预测频域图像对应的分辨率特征，可以被称为第一分辨率特征。

第一颜色特征，可以具体例如预测频域图像的RGB特征对应于频率域的表征(RGB特征即，RGB即是代表红、绿、蓝三个通道的颜色，RGB特征即描述了预测频域图像在RGB色彩模式下的特征)。

第一颜色编码特征，可以例如预测频域图像的YUV特征对应于频率域的表征，YUV特征中的“Y”表示明亮度，也就是灰阶值，“U”和“V”表示的则是色度，作用是描述影像色彩及饱和度，用于指定像素的颜色。

第一分辨率特征，可以具体例如预测频域图像的分辨率对应于频率域的表征。

S206：提取与多个标注频域图像对应的多个第二频域特征。

上述在对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像之后，可以对多个标注频域图像分别进行频域特征的分析，从而得到与多个标注频域图像对应的多个频域特征，该多个频域特征可以被称为第二频域特征。

例如，可以提取标注频域图像对应的频谱图中的频率分布特征作为上述的第二频域特征，或者，也可以提取其它任意可能的，标注频域图像在频率域的图像特征作为第二频域特征，对此不做限制。

可选地，一些实施例中，可以提取与多个标注频域图像对应的多个第二颜色特征、多个第二颜色编码特征、多个第二分辨率特征，并将多个第二颜色特征、多个第二颜色编码特征、多个第二分辨率特征共同作为多个第二频域特征，从而使得从标注频域图像之中所提取的频域特征能够与空间域的时域特征相对应，能够保障频域特征在描述标注频域图像特征方面的表征能力，从而保障目标图像处理模型针对图像的处理效果。

上述与标注频域图像对应的颜色特征，可以被称为第二颜色特征，而基于颜色特征进行编码，得到的编码特征可以被称为第二颜色编码特征，而与标注频域图像对应的感知层面的特征，可以采用分辨率特征描述，该与标注频域图像对应的分辨率特征，可以被称为第二分辨率特征。

第二颜色特征，可以具体例如标注频域图像的RGB特征对应于频率域的表征(RGB特征即，RGB即是代表红、绿、蓝三个通道的颜色，RGB特征即描述了标注频域图像在RGB色彩模式下的特征)。

第二颜色编码特征，可以例如标注频域图像的YUV特征对应于频率域的表征，YUV特征中的“Y”表示明亮度，也就是灰阶值，“U”和“V”表示的则是色度，作用是描述影像色彩及饱和度，用于指定像素的颜色。

第二分辨率特征，可以具体例如标注频域图像的分辨率对应于频率域的表征。

S207：确定多个第一频域特征分别与对应的多个第二频域特征之间的多个损失值，并将多个损失值作为多个频域损失值。

上述在提取与多个预测频域图像对应的多个第一频域特征，并提取与多个标注频域图像对应的多个第二频域特征，还可以确定多个第一频域特征分别与对应的多个第二频域特征之间的多个损失值，并将多个损失值作为多个频域损失值。

举例而言，上述的预测频域图像，是与样本频域图像相对应的，而预先针对样本频域图像配置一个标注图像，并且，标注频域图像是对标注图像进行频域变换得到的，从而预测频域图像和标注频域图像具有一定的对应关系，本公开实施例中，可以将第一频域特征和与其对应的第二频域特征输入至与人工智能模型对应的损失函数之中，从而基于该损失函数运算多个第一频域特征分别与对应的多个第二频域特征之间的多个损失值，并将多个损失值作为多个频域损失值。

S208：如果频域损失值满足设定条件，则将训练得到的人工智能模型作为目标图像处理模型。

S208的描述说明可以具体参见上述实施例，在此不再赘述。

举例而言，如图3所示，图3是可以实现本公开实施例的图像处理模型的训练场景图。在图3中，假设包括样本图像31，和与样本图像31对应的标注图像32，可以分别对样本图像和标注图像进行频域变换，得到样本频域图像33和标注频域图像34，而后采用样本频域图像33和标注频域图像34训练初始的人工智能模型，计算训练过程中人工智能模型输出的预测频域图像和标注频域图像34之间的频域损失值，采用该频域损失值进行反向传播以训练得到目标图像处理模型。

本实施例中，通过获取多个样本图像，和与多个样本图像分别对应的多个标注图像；对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像；对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像；以及根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型，使得训练得到的目标图像处理模型能够有效地建模出图像的频域信息，提升图像处理模型针对图像的频域信息的表征能力，能够有效地提升图像处理模型的图像处理效果。并使得从预测频域图像和标注频域图像之中所提取的频域特征能够与空间域的时域特征相对应，能够保障频域特征在描述预测频域图像和标注频域图像特征方面的表征能力，从而保障目标图像处理模型针对图像的处理效果。通过提取与多个预测频域图像对应的多个第一频域特征，并提取与多个标注频域图像对应的多个第二频域特征，以及确定多个第一频域特征分别与对应的多个第二频域特征之间的多个损失值，并将多个损失值作为多个频域损失值，能够实现基于频率域的频域特征来拟合人工智能模型的损失值，能够有效地辅助计算出预测频域图像和标注频域图像之间高频信息的细节差异，从而能够有效保障后续目标图像处理模型的图像处理效果。

图4是根据本公开第三实施例的示意图。

其中，需要说明的是，本实施例的图像处理方法的执行主体为图像处理装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

如图4所示，该图像处理方法，包括：

S401：获取待处理图像。

其中，当前需要对其处理的图像，可以被称为待处理图像。

S402：将待处理图像输入至上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标频域图像。

上述在获取待处理图像之后，可以直接将待处理图像输入至上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标频域图像，该目标频域图像可以携带图像的频域信息，从而能够被用于执行图像及视频处理类任务(图像及视频处理类任务例如，超分增强、视频插帧、图像修复、风格迁移等)中，对此不做限制。

本实施例中，通过获取待处理图像，并将待处理图像输入至上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标频域图像，由于上述训练得到的目标图像处理模型能够有效地建模出图像的频域信息，从而在采用该目标图像处理模型处理待处理图像时，使得处理得到的目标频域图像能够携带更为准确的图像频域信息，从而有效地辅助提升图像处理效果。

图5是根据本公开第四实施例的示意图。

如图5所示，该图像处理模型的训练装置50，包括：

第一获取模块501，用于获取多个样本图像，和与多个样本图像分别对应的多个标注图像。

第一处理模块502，用于对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像。

第二处理模块503，用于对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像。

训练模块504，用于根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型。

在本公开的一些实施例中，如图6所示，图6是根据本公开第五实施例的示意图，该图像处理模型的训练装置60，包括：第一获取模块601、第一处理模块602、第二处理模块603，以及训练模块604，其中，训练模块604，包括：

获取子模块6041，用于将多个样本频域图像输入初始的人工智能模型，以得到人工智能模型输出的对应的多个预测频域图像；

确定子模块6042，用于确定多个预测频域图像分别与对应的多个标注频域图像之间的频域损失值；

训练子模块6043，用于在频域损失值满足设定条件时，将训练得到的人工智能模型作为目标图像处理模型。

在本公开的一些实施例中，其中，确定子模块6042，具体用于：

提取与多个预测频域图像对应的多个第一频域特征；

提取与多个标注频域图像对应的多个第二频域特征；

确定多个第一频域特征分别与对应的多个第二频域特征之间的多个损失值，并将多个损失值作为多个频域损失值。

在本公开的一些实施例中，其中，确定子模块6042，具体用于：

提取与多个预测频域图像对应的多个第一颜色特征、多个第一颜色编码特征、多个第一分辨率特征，并将多个第一颜色特征、多个第一颜色编码特征、多个第一分辨率特征共同作为多个第一频域特征。

在本公开的一些实施例中，其中，确定子模块6042，具体用于：

提取与多个标注频域图像对应的多个第二颜色特征、多个第二颜色编码特征、多个第二分辨率特征，并将多个第二颜色特征、多个第二颜色编码特征、多个第二分辨率特征共同作为多个第二频域特征。

可以理解的是，本实施例附图6中的图像处理模型的训练装置60与上述实施例中的图像处理模型的训练装置50，第一获取模块601与上述实施例中的第一获取模块501，第一处理模块602与上述实施例中的第一处理模块502，第二处理模块603与上述实施例中的第二处理模块503，训练模块604与上述实施例中的训练模块504，可以具有相同的功能和结构。

需要说明的是，前述对图像处理模型的训练方法的解释说明也适用于本实施例的图像处理模型的训练装置，此处不再赘述。

本实施例中，通过获取多个样本图像，和与多个样本图像分别对应的多个标注图像，并对多个样本图像分别进行频域变换，以得到对应的多个样本频域图像，对多个标注图像分别进行频域变换，以得到对应的多个标注频域图像，以及根据多个样本频域图像和多个标注频域图像训练初始的人工智能模型，以得到目标图像处理模型，使得训练得到的目标图像处理模型能够有效地建模出图像的频域信息，提升图像处理模型针对图像的频域信息的表征能力，能够有效地提升图像处理模型的图像处理效果。

图7是根据本公开第六实施例的示意图。

如图7所示，该图像处理装置70，包括：

第二获取模块701，用于获取待处理图像。

第三处理模块702，用于将待处理图像输入至上述图像处理模型的训练装置训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标频域图像。

需要说明的是，前述对图像处理方法的解释说明也适用于本实施例的图像处理装置，此处不再赘述。

本实施例中，通过获取待处理图像，并将待处理图像输入至上述图像处理模型的训练方法训练得到的目标图像处理模型之中，以得到目标图像处理模型输出的目标频域图像，由于上述训练得到的目标图像处理模型能够有效地建模出图像的频域信息，从而在采用该目标图像处理模型处理待处理图像时，使得处理得到的目标频域图像能够携带更为准确的图像频域信息，从而有效地辅助提升图像处理效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8是用来实现本公开实施例的图像处理模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如，图像处理模型的训练方法，或者图像处理方法。

例如，在一些实施例中，图像处理模型的训练方法，或者图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的图像处理模型的训练方法，或者图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理模型的训练方法，或者图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的图像处理模型的训练方法，或者图像处理方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。