图像重建模型的训练方法、装置和电子设备

技术领域

本公开涉及互联网技术领域，尤其涉及一种图像重建模型的训练方法、装置和电子设备。

背景技术

图像重建技术是一种通过物体外部测量的数据，经数字处理获得三维物体的形状信息的技术，已被广泛地应用于医学成像、工业无损检测等各种领域。在对图像重建模型的训练过程中，常常需要确定出对应的损失函数，以利于重建出贴近于真实物体的图像。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种图像重建模型的训练方法、装置和电子设备。

第一方面，本公开实施例提供了一种图像重建模型的训练方法，该方法包括：获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。

第二方面，本公开实施例提供了一种图像重建模型的训练装置，该装置包括：确定模块，用于获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；提取模块，用于从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；训练模块，用于基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面所述的图像重建模型的训练方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述的图像重建模型的训练方法的步骤。

本公开实施例提供的图像重建模型的训练方法、装置和电子设备，通过获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。可以一并对第一图像处理模型和第二图像处理模型进行训练，基于收敛后的目标图像处理模型的输出，可以得到更加真实的重建图像。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为根据本公开的图像重建模型的训练方法的一个实施例的流程图；

图2为本公开涉及的训练图像处理模型的流程示意图；

图3为根据本公开的图像重建模型的训练装置的一个实施例的结构示意图；

图4为本公开的一个实施例的图像重建模型的训练方法可以应用于其中的示例性系统架构；

图5为根据本公开实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

请参考图1，其示出了根据本公开的图像重建模型的训练方法的一个实施例的流程图，如图1所示，该图像重建模型的训练方法包括以下步骤101至步骤103。

步骤101，获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；

在一些应用场景中，例如可以通过全景相机、手机等实质上可以拍摄全景图像的设备采集上述初始全景训练样本图像。这里的初始全景训练样本图像例如可以包括风景全景图像、室内全景图像等。每一个初始全景训练样本图像中可以包括多个对象图像。例如，初始风景全景训练样本图像中可以包括山、房子、树等对象对应的对象图像；初始室内全景训练样本图像中可以包括电视机、沙发、茶几等对象对应的对象图像。在这些应用场景中，初始全景训练样本图像例如可以选用低动态范围图像(Low-Dynamic Range，简称LDR图像)。

在这些应用场景中，可以根据初始全景训练样本图像确定至少一个增强全景训练样本图像。

上述增强全景训练样本图像例如可以包括对初始全景训练样本图像进行数据增强操作之后得到的图像。这里的数据增强操作例如可以包括对初始全景训练样本图像进行扭曲、去色或去光照等实质上可以改变初始全景训练样本图像的部分数据的操作。

确定了多个增强全景训练样本图像之后，可以将这多个增强全景训练样本图像进行整理，得到全景图像训练样本集。之后，可以从该全景图像训练样本集中获取全景图像训练样本对用于处理全景图像的图像处理模型进行训练。这样，可以通过某个初始全景训练样本图像确定对应的增强全景训练样本图像，使得全景图像训练样本集中的样本图像更加丰富。

步骤102，从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；

针对每一个初始全景训练样本图像，可以基于该初始全景训练样本图像中包括的对象，提取出各个对象对应的对象图像，并可以将提取出的这些对象图像视为上述的初始对象样本训练图像。例如，针对包括电视机、沙发、茶几的初始全景训练样本图像中，可以提取出仅包括电视机的初始对象样本训练图像、仅包括沙发的初始对象样本训练图像以及仅包括茶几的初始对象样本训练图像。

得到多个初始对象样本训练图像之后，可以将这多个初始对象样本训练图像进行整理，得到对象样本图像训练样本集。之后，可以从该对象样本图像训练样本集中获取初始对象样本训练图像对用于处理对象图像的图像处理模型进行训练。

步骤103，基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。

上述预设损失函数例如可以包括平均绝对误差损失函数(也称L1损失函数)。上述第一图像处理模型和第二图像处理模型例如可以包括图像分割网络U-net。

在一些应用场景中，可以基于预设损失函数对第一图像处理模型和第二图像处理模型进行训练，以使两个图像处理模型收敛，得到对应的第一目标图像处理模型和第二目标图像处理模型。之后，便可以利用第一目标图像处理模型处理全景图像，重建出损失较少的目标全景图像；利用第二目标图像处理模型处理对象图像，重建出损失较少的目标对象图像。

在本实施例中，通过首先获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；然后，从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；最后，基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。可以一并对第一图像处理模型和第二图像处理模型进行训练，基于收敛后的目标图像处理模型的输出，可以得到更加真实的重建图像。

在一些可选的实现方式中，所述预设损失函数包括第一预设损失子函数和第二预设损失子函数。其中，第一损失子函数可以在第一图像处理模型的训练过程中用于对初始全景训练样本图像或者增强全景训练样本图像分别与对应的输出结果之间的损失计算。第二损失子函数可以在第二图像处理模型的训练过程中用于对初始对象样本训练图像与对应输出结果之间的损失计算。

请参考图2，其示出了本公开涉及的训练图像处理模型的流程示意图，如图2所示，上述步骤103可以包括以下子步骤：

子步骤1031，基于第一预设损失子函数，利用全景图像训练样本集以及将初始全景训练样本图像和增强全景训练样本图像分别输入到第一图像处理模型得到的输出结果，确定第一损失子函数值；

在一些应用场景中，可以基于初始全景训练样本图像输入到第一图像处理模型中得到的输出结果、增强全景训练样本图像输入第一图像处理模型中得到的输出结果确定第一损失子函数值。例如，可以先确定初始全景训练样本图像A和增强全景训练样本图像B分别输入到第一图像处理模型得到的输出结果，然后可以基于该输出结果与初始全景训练样本图像A和增强全景训练样本图像B利用第一预设损失子函数进行损失计算，确定上述第一损失子函数值。

子步骤1032，基于所述第一损失子函数值，调整所述第一图像处理模型的模型参数，得到所述第一目标图像处理模型；

在上述应用场景中，可以通过输入多个初始全景训练样本或增强全景训练样本图像的方式，向使第一损失子函数值变小的方向调整所述第一图像处理模型的模型参数，以得到第一目标图像处理模型。

子步骤1033，基于第二预设损失子函数，利用全景图像训练样本集、对象样本图像训练样本集以及将初始对象样本训练图像输入到第二图像处理模型以及将初始全景训练样本图像输入到第一图像处理模型各自得到的输出结果，确定第二损失子函数值；

在一些应用场景中，第二损失子函数值可以基于将初始对象样本训练图像输入到第二图像处理模型以及将初始全景训练样本图像输入到第一图像处理模型各自得到的输出结果进行确定。例如，可以先确定初始对象样本训练图像a输入到第二图像处理模型得到的输出结果a'以及将初始全景训练样本图像A输入到第一图像处理模型得到的输出结果A'，然后可以基于该输出结果a'与初始对象样本训练图像a、输出结果A'与初始全景训练样本图像A，利用第二预设损失函数进行损失函数，确定上述第二损失子函数值。

子步骤1034，基于所述第二损失子函数值，调整所述第二图像处理模型的模型参数，得到所述第二目标图像处理模型。

在上述应用场景中，也可以通过向第一图像处理模型输入多个初始全景训练样本图像、向第二图像处理模型对应输入相同个数的初始对象样本训练图像的方式，向使第二损失子函数值变小的方向调整所述第二图像处理模型的模型参数，以得到第二目标图像处理模型。

在一些可选的实现方式中，所述步骤101中的根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，包括：以所述初始全景训练样本图像对应的第一深度数据为扭曲基准，将以第一目标对象为参照点的初始全景训练样本图像进行扭曲，得到以第二目标对象为参照点的第一增强全景训练样本图像；其中，所述第一深度数据为所述第一图像处理模型根据所述初始全景训练样本图像而得到的输出结果。

在一些应用场景中，可以将初始全景训练样本图像输入第一图像处理模型中得到第一深度数据。然后可以根据第一深度数据对初始全景训练样本图像进行扭曲，使得扭曲后的以第一目标对象为参照点的初始全景训练样本图像可以成为以第二目标对象为参照点的第一增强全景训练样本图像。这里，以某一目标对象为参照点的全景训练样本图像例如可以视为以该目标对象为基点进行拍照得到的全景图像。例如，初始全景训练样本图像中包括电视机、茶几和沙发，该初始全景训练样本图像为相机置于茶几上拍摄的全景图像；将该初始全景训练样本图像输入第一图像处理模型之后，可以得到基于茶几的第一深度数据。然后可以根据该第一深度数据对初始全景训练样本图像进行扭曲，得到视为将相机置于沙发上拍摄的第一增强全景训练样本图像。

通过对初始全景训练样本图像进行扭曲，可以得到第一增强全景训练样本图像，增加了训练样本图像的数量，使全景图像训练样本集更加丰富。

在一些可选的实现方式中，上述步骤101中的所述根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，还包括：以所述第一增强全景训练样本图像对应的第二深度数据为扭曲基准，将所述第一增强全景训练样本图像进行扭曲，得到以第三目标对象为参照点的第二增强全景训练样本图像；其中，所述第三目标对象与所述第一目标对象为同一对象；所述第二深度数据为所述第一图像处理模型根据所述第一增强全景训练样本图像而得到的输出结果。

在一些应用场景中，可以将第一增强全景训练样本图像输入第一图像处理模型中得到第二深度数据。然后可以根据第二深度数据对第一增强全景训练样本图像进行扭曲，使得扭曲后的以第二目标对象为参照点的第一增强全景训练样本图像可以成为以第三目标对象为参照点的第二增强全景训练样本图像。在这些应用场景中，第三目标对象可以与第一目标对象为同一对象。例如，在上述的包括电视机、茶几和沙发的第一增强全景训练样本图像中，可以将该以沙发为参照点的第一增强全景训练样本图像以第二深度数据为扭曲基准，又扭曲回以茶几为参照点的图像(也即第二增强全景训练样本图像)。这样，在之后对图像处理模型的训练过程中，可以朝着使第二增强全景训练样本图像和初始全景训练样本图像的各个像素点的深度数据相同的方向进行训练。

通过对第一增强全景训练样本图像进行扭曲，可以得到第二增强全景训练样本图像，增加了训练样本图像的数量，进一步丰富了全景图像训练样本集。

在一些可选的实现方式中，上述步骤1031可以包括如下步骤201至步骤202。

步骤201，将所述初始全景训练样本图像、所述第一增强全景训练样本图像以及所述第二增强全景训练样本图像分别输入所述第一图像处理模型中，得到对应的第一输出结果、第二输出结果、第三输出结果；

上述第一输出结果可以包括第一深度数据、第一光照数据、第一颜色数据和/或第一法向数据。也即，可以将初始全景训练样本图像输入第一图像处理模型中，第一图像处理模型可以输出上述初始全景训练样本图像对应的第一深度数据、第一光照数据、第一颜色数据和/或第一法向数据。

上述第二输出结果可以包括第二深度数据、第二光照数据、第二颜色数据和/或第二法向数据。也即，可以将第一增强全景训练样本图像输入第一图像处理模型中，第一图像处理模型可以输出上述第一增强全景训练样本图像对应的第二深度数据、第二光照数据、第二颜色数据和/或第二法向数据。

上述第三输出结果可以包括第三深度数据、第三光照数据、第三颜色数据和/或第三法向数据。也即，可以将第二增强全景训练样本图像输入第一图像处理模型中，第一图像处理模型可以输出上述第二增强全景训练样本图像对应的第三深度数据、第三光照数据、第三颜色数据和/或第三法向数据。

步骤202，基于所述第一输出结果、所述第二输出结果和/或所述第三输出结果确定所述第一损失子函数值。

当第一图像处理模型输出对应的输出结果之后，可以基于这些输出结果确定上述第一损失子函数值。

本实施例中，通过初始全景训练样本图像以及基于初始全景训练样本图像得到的第一增强全景训练样本图像和第二增强全景训练样本图像对第一图像处理模型进行训练，基于收敛后的第一目标图像处理模型可以输出更加贴近于输入图像的重建图像。

在一些可选的实现方式中，所述第一输出结果包括第一深度数据、第一法向数据、第一颜色数据；所述第三输出结果包括第三深度数据、第三法向数据、第三颜色数据；以及上述步骤202可以包括步骤A：将所述第一深度数据、第一法向数据、第一颜色数据、第三深度数据、第三法向数据、第三颜色数据分别对应进行损失计算，确定所述第一损失子函数值。

在一些应用场景中，可以将第一深度数据与第三深度数据进行损失计算；将第一法向数据与第三法向数据进行损失计算；将第一颜色数据与第三颜色数据进行损失计算，以确定对应的第一损失子函数值。在这些应用场景中，由于第三输出结果为基于第二增强全景训练样本图像而得到的，第二增强全景训练样本图像中的第第三目标对象与第一目标对象为同一对象。因此，希望第一图像处理模型能够朝着使第二增强全景训练样本图像和初始全景训练样本图像的各个像素点的深度数据尽量相同的方向训练。继而，这里可以视为主要对第一图像处理模型在处理全景图像过程中对深度数据的约束。并同时对法向数据、颜色数据进行约束，以使得不同数据之间可以保持一致性。

在一些可选的实现方式中，所述第一输出结果包括第一法向数据、第一颜色数据；所述第二输出结果包括第二光照数据；以及上述步骤202可以包括：

步骤B1，基于所述第一法向数据、所述第一颜色数据、所述第二光照数据，渲染出预测第二目标对象图像；

第一图像处理模型通过第一法向数据、第一颜色数据以及第二光照数据可以渲染出新的第二目标对象的三维图像(也即预测第二目标对象图像)。

步骤B2，基于所述预测第二目标对象图像和第二目标对象图像，确定所述第一损失子函数值。

第一图像处理模型渲染出预测第二目标对象图像之后，可以将预测第二目标对象图像与真实的第二目标对象图像进行对比，确定出两者之间的差别，继而可以确定第一损失子函数值。

这样，通过上述步骤B1和步骤B2可以对第一图像处理模型的法向损失数据、颜色损失数据以及光照损失数据进行约束，利于输出更加贴近于真实全景图像的重建图像。

在一些可选的实现方式中，所述第一输出结果包括第一光照数据，以及上述步骤202可以包括步骤C：将所述第一光照数据与所述初始全景训练样本图像对应的真实光照数据进行损失计算，确定所述第一损失子函数值。

第一图像处理模型基于输入的初始全景训练样本图像而输出第一光照数据之后，可以将第一光照数据与该初始全景训练样本图像对应的真实光照数据进行损失计算，以确定第一光照数据相对于真实光照数据的损失，便于将第一图像处理模型朝着输出趋近于真实光照数据的方向进行训练。在一些应用场景中，上述真实光照数据可以通过初始全景训练样本图像的高动态范围图像(High-Dynamic Range，简称HDR图像)获得。

在一些可选的实现方式中，所述第一输出结果包括第一法向数据，以及上述步骤202可以包括步骤D：将所述第一法向数据与所述初始全景训练样本图像对应的真实法向数据进行损失计算，确定所述第一损失子函数值。

第一图像处理模型基于输入的初始全景训练样本图像而输出第一法向数据之后，可以将第一法向数据与该初始全景训练样本图像对应的真实法向数据进行损失计算，以确定第一法向数据相对于真实法向数据的损失，便于将第一图像处理模型朝着输出趋近于真实法向数据的方向进行训练。在一些应用场景中，上述真实法向数据例如也可以通过初始全景训练样本图像的高动态范围图像获得。

在一些应用场景中，也可以执行上述多个确定第一损失子函数值的步骤(例如，上述步骤A、步骤C、步骤D等)，通过多次对深度损失数据、法向损失数据、颜色损失数据等进行约束，可以朝着第一损失子函数值变小的方向训练第一图像处理模型。在这些应用场景中，可以对得到的深度损失数据、法向损失数据、颜色损失数据等按照实际情况分配对应的权重，以求得各自对应的加权和。例如，可以对深度损失数据分配较重的权重35％。

在一些可选的实现方式中，上述步骤1033可以包括如下步骤301至步骤303。

步骤301，将所述初始全景训练样本图像、所述第一增强全景训练样本图像分别输入所述第一图像处理模型中，得到对应的第一输出结果、第二输出结果；

上述步骤301的实现过程及取得的效果可以与上述步骤201中的相关部分相似或相同，此处不再赘述。

步骤302，将所述初始对象样本训练图像输入所述第二图像处理模型中，得到第四输出结果；

上述第四输出结果可以包括第四深度数据、第四光照数据、第四颜色数据和/或第四法向数据。也即，可以将初始对象样本训练图像输入第二图像处理模型中，第二图像处理模型可以输出初始对象训练样本图像对应的第四深度数据、第四光照数据、第四颜色数据和/或第四法向数据。

步骤303，基于所述第一输出结果、所述第二输出结果和/或所述第四输出结果，确定所述第二损失子函数值。

当第一图像处理模型和第二图像处理模型分别输出对应的输出结果之后，可以基于这些输出结果确定上述第二损失子函数值。

在本实施例中，通过两个图像处理模型之间的输出结果对第二图像处理模型进行训练，可以基于收敛后的第二目标图像处理模型输出更加贴近于输入图像的重建图像。

在一些可选的实现方式中，所述第一输出结果包括第一深度数据、第一法向数据、第一颜色数据；所述第二输出结果包括第二光照数据；所述第四输出结果包括第四深度数据、第四法向数据、第四颜色数据、第四光照数据；以及上述步骤303可以包括步骤a：将所述第一深度数据、第一法向数据、第一颜色数据、第二光照数据、第四深度数据、第四法向数据、第四颜色数据、第四光照数据分别对应进行损失计算，确定所述第二损失子函数值。

在一些应用场景中，可以将第一深度数据与第四深度数据进行损失计算；将第一法向数据与第四法向数据进行损失计算；将第一颜色数据与第四颜色数据进行损失计算；将第二光照数据第四光照数据进行损失计算，以确定对应的第二损失子函数值。在这些应用场景中，应当说明的是，第一深度数据、第一法向数据以及第一颜色数据应当是初始全景训练样本图像中包括的、对应对象图像所对应的数据，这样可以与该对应对象图像的光照数据保持一致，使得这里的第一输出结果和第二输出结果可以对应于同一目标对象图像。例如，第四深度数据、第四法向数据和第四颜色数据对应于房屋A，则第一深度数据、第一法向数据和第一颜色数据可以对应于初始全景训练样本图像中的房屋A。

通过上述步骤a可以对第二图像处理模型的深度损失数据、法向损失数据、颜色损失数据以及光照损失数据进行约束，利于输出更加贴近于目标对象图像的重建对象图像。

在一些可选的实现方式中，所述第四输出结果包括第四法向数据、第四颜色数据、第四光照数据，以及上述步骤303可以包括：

步骤b1，基于所述第四法向数据、第四颜色数据、第四光照数据，渲染出预测第一目标对象图像；

第二图像处理模型通过第四法向数据、第四颜色数据以及第四光照数据可以渲染出新的第一目标对象的三维图像(也即预测第一目标对象图像)。

步骤b2，基于所述预测第一目标对象图像和第一目标对象图像，确定所述第二损失子函数值。

第二图像处理模型渲染出预测第一目标对象图像之后，可以将预测第一目标对象图像与真实的第一目标对象图像进行对比，确定出两者之间的差别，继而可以确定第二损失子函数值。

这样，通过上述步骤b1和步骤b2可以对第二图像处理模型的法向损失数据、颜色损失数据以及光照损失数据进行约束，利于输出更加贴近于目标对象真实图像的重建对象图像。

在一些可选的实现方式中，所述第四输出结果包括第四光照数据；以及上述步骤303可以包括步骤c：将所述第四光照数据与所述初始对象样本训练图像对应的真实光照数据进行损失计算，确定所述第二损失子函数值。

第二图像处理模型基于输入的初始对象样本训练图像而输出第四光照数据之后，可以将第四光照数据与该初始对象样本训练图像对应的真实光照数据进行损失计算，以确定第四光照数据相对于真实光照数据的损失，便于将第二图像处理模型朝着输出趋近于真实光照数据的方向进行训练。在一些应用场景中，上述真实光照数据也可以通过初始对象样本训练图像的高动态范围图像获得。

在一些可选的实现方式中，所述第四输出结果包括第四法向数据；以及上述步骤303可以包括步骤d：将所述第四法向数据与所述初始对象样本训练图像对应的真实法向数据进行损失计算，确定所述第二损失子函数值。

第二图像处理模型基于输入的初始对象样本训练图像而输出第四法向数据之后，可以将第四法向数据与该初始对象样本训练图像对应的真实法向数据进行损失计算，以确定第四法向数据相对于真实法向数据的损失，便于将第二图像处理模型朝着输出趋近于真实法向数据的方向进行训练。在一些应用场景中，上述真实法向数据例如也可以通过初始对象样本训练图像的高动态范围图像获得。

在一些应用场景中，当执行了多个确定第二损失子函数值的步骤(例如，上述步骤a、c、d等)之后，也可以根据实际情况为深度损失数据、法向损失数据或颜色损失数据等分配对应的权重，使确定出的第二损失子函数更加适用于该实际情况中的图像处理。

请参考图3，其示出了根据本公开的图像重建模型的训练装置的一个实施例的结构示意图，如图3所示，图像重建模型的训练装置包括确定模块、提取模块和训练模块。其中，确定模块301，用于获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；提取模块302，用于从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；训练模块303，用于基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。

需要说明的是，该图像重建模型的训练装置的确定模块301、提取模块302和训练模块303的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101至步骤103的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，所述训练模块303进一步用于：基于第一预设损失子函数，利用全景图像训练样本集以及将初始全景训练样本图像和增强全景训练样本图像分别输入到第一图像处理模型得到的输出结果，确定第一损失子函数值；基于所述第一损失子函数值，调整所述第一图像处理模型的模型参数，得到所述第一目标图像处理模型；基于第二预设损失子函数，利用全景图像训练样本集、对象样本图像训练样本集以及将初始对象样本训练图像输入到第二图像处理模型以及将初始全景训练样本图像输入到第一图像处理模型各自得到的输出结果，确定第二损失子函数值；基于所述第二损失子函数值，调整所述第二图像处理模型的模型参数，得到所述第二目标图像处理模型。

在本实施例的一些可选的实现方式中，所述确定模块301进一步用于：以所述初始全景训练样本图像对应的第一深度数据为扭曲基准，将以第一目标对象为参照点的初始全景训练样本图像进行扭曲，得到以第二目标对象为参照点的第一增强全景训练样本图像；其中，所述第一深度数据为所述第一图像处理模型根据所述初始全景训练样本图像而得到的输出结果。

在本实施例的一些可选的实现方式中，所述确定模块301进一步用于：以所述第一增强全景训练样本图像对应的第二深度数据为扭曲基准，将所述第一增强全景训练样本图像进行扭曲，得到以第三目标对象为参照点的第二增强全景训练样本图像；其中，所述第三目标对象与所述第一目标对象为同一对象；所述第二深度数据为所述第一图像处理模型根据所述第一增强全景训练样本图像而得到的输出结果。

在本实施例的一些可选的实现方式中，所述训练模块303进一步用于：将所述初始全景训练样本图像、所述第一增强全景训练样本图像以及所述第二增强全景训练样本图像分别输入所述第一图像处理模型中，得到对应的第一输出结果、第二输出结果、第三输出结果；基于所述第一输出结果、所述第二输出结果和/或所述第三输出结果确定所述第一损失子函数值。

在本实施例的一些可选的实现方式中，所述第一输出结果包括第一深度数据、第一法向数据、第一颜色数据；所述第三输出结果包括第三深度数据、第三法向数据、第三颜色数据；以及训练模块303进一步用于：将所述第一深度数据、第一法向数据、第一颜色数据、第三深度数据、第三法向数据、第三颜色数据分别对应进行损失计算，确定所述第一损失子函数值。

在本实施例的一些可选的实现方式中，所述第一输出结果包括第一法向数据、第一颜色数据；所述第二输出结果包括第二光照数据；以及训练模块303进一步用于：基于所述第一法向数据、所述第一颜色数据、所述第二光照数据，渲染出预测第二目标对象图像；基于所述预测第二目标对象图像和第二目标对象图像，确定所述第一损失子函数值。

在本实施例的一些可选的实现方式中，所述第一输出结果包括第一光照数据，以及所述训练模块303进一步用于：将所述第一光照数据与所述初始全景训练样本图像对应的真实光照数据进行损失计算，确定所述第一损失子函数值。

在本实施例的一些可选的实现方式中，所述第一输出结果包括第一法向数据，以及所述训练模块303进一步用于：将所述第一法向数据与所述初始全景训练样本图像对应的真实法向数据进行损失计算，确定所述第一损失子函数值。

在本实施例的一些可选的实现方式中，所述训练模块303进一步用于：将所述初始全景训练样本图像、所述第一增强全景训练样本图像分别输入所述第一图像处理模型中，得到对应的第一输出结果、第二输出结果；将所述初始对象样本训练图像输入所述第二图像处理模型中，得到第四输出结果；基于所述第一输出结果、所述第二输出结果和/或所述第四输出结果，确定所述第二损失子函数值。

在本实施例的一些可选的实现方式中，所述第一输出结果包括第一深度数据、第一法向数据、第一颜色数据；所述第二输出结果包括第二光照数据；所述第四输出结果包括第四深度数据、第四法向数据、第四颜色数据、第四光照数据；以及所述训练模块303进一步用于：将所述第一深度数据、第一法向数据、第一颜色数据、第二光照数据、第四深度数据、第四法向数据、第四颜色数据、第四光照数据分别对应进行损失计算，确定所述第二损失子函数值。

在本实施例的一些可选的实现方式中，所述第四输出结果包括第四法向数据、第四颜色数据、第四光照数据，以及训练模块303进一步用于：基于所述第四法向数据、第四颜色数据、第四光照数据，渲染出预测第一目标对象图像；基于所述预测第一目标对象图像和第一目标对象图像，确定所述第二损失子函数值。

在本实施例的一些可选的实现方式中，所述第四输出结果包括第四光照数据；以及训练模块303进一步用于：将所述第四光照数据与所述初始对象样本训练图像对应的真实光照数据进行损失计算，确定所述第二损失子函数值。

在本实施例的一些可选的实现方式中，所述第四输出结果包括第四法向数据；以及训练模块303进一步用于：将所述第四法向数据与所述初始对象样本训练图像对应的真实法向数据进行损失计算，确定所述第二损失子函数值。

请参考图4，其示出了本公开的一个实施例的图像重建模型的训练方法可以应用于其中的示例性系统架构。

如图4所示，系统架构可以包括终端设备401、402、403，网络404，服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。上述终端设备和服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，Ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

终端设备401、402、403可以通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种客户端应用，例如视频发布应用、搜索类应用、新闻资讯类应用。

终端设备401、402、403可以是硬件，也可以是软件。当终端设备401、402、403为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备401、402、403为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器405可以是可以提供各种服务的服务器，例如接收终端设备401、402、403发送的图像获取请求，对图像获取请求进行分析处理，并将分析处理结果(例如与上述获取请求对应的图像数据)发送给终端设备401、402、403。

需要说明的是，本公开实施例所提供的图像重建模型的训练方法可以由服务器执行，也可以由终端设备执行，相应地，图像重建模型的训练装置可以设置在服务器中，也可以设置在终端设备中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图4中的服务器)的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集，所述初始全景训练样本图像包括至少一个对象图像；从初始全景训练样本图像提取出初始对象样本训练图像，得到对象样本图像训练样本集；基于预设损失函数，利用所述全景图像训练样本集以及所述对象样本图像训练样本集对第一图像处理模型以及第二图像处理模型进行训练，得到训练后的第一目标图像处理模型和第二目标图像处理模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定，例如，确定模块301还可以被描述为“获取初始全景训练样本图像，根据所述初始全景训练样本图像确定至少一个增强全景训练样本图像，得到全景图像训练样本集的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。