(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210608013.1 (22)申请日 2022.05.31 (71)申请人 深圳市慧鲤科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室(入驻深圳市 前海商务秘书 有限公司) (72)发明人 王超　许泳哲　周雨柔　严琼　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 董文俊 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 图像处理方法、 模型训练方法和相关产品 (57)摘要 本申请实施例公开了一种图像处理方法、 模 型训练方法和相关产品， 该方法包括： 利用第一 生成模型对待处理图像做图像处理， 得到图像处 理结果； 所述第一生成模型为第三生成模型根据 蒸馏条件对第二生成模型进行自监督训练得到， 所述第三生成模型作为所述第二生成模型的教 师模型； 输出所述图像处理结果； 可以提高训练 得到的第一 生成模型的泛化能力。 权利要求书3页 说明书26页 附图6页 CN 114863220 A 2022.08.05 CN 114863220 A 1.一种图像处 理方法， 其特 征在于， 包括： 利用第一生成模型对待处理图像做图像处理， 得到 图像处理结果； 所述第一生成模型 为第三生成模型根据蒸馏条件对第二生成模型进 行自监督训练得到， 所述第三生成模型作 为所述第二 生成模型的教师模型； 输出所述图像处 理结果。 2.根据权利要求1所述的方法， 其特征在于， 所述第 三生成模型根据所述蒸馏条件对所 述第二生成模型进行自监 督训练的过程包括： 将第一样本输入至所述第二生成模型， 得到所述第二生成模型输出的第一生成图像； 在满足所述蒸馏条件的情况下， 根据所述第一生成 图像和第二生成图像， 处理得到第一损 失值； 根据所述第一损失值， 更新所述第二生成模型的参数， 以最小化所述第一损失值， 得 到所述第二生成模型； 所述第二生成图像为所述第三生成模型 处理所述第一样本输出的图 像， 所述蒸馏条件包括： 所述第一样本的第一缺陷得分大于第一阈值、 所述第一样本属于第 一类别、 所述第一样本经过滤波处理后的方差大于第二阈值中的任一项， 所述第一缺陷得 分与所述第一样本的质量负相关。 3.根据权利要求2所述的方法， 其特征在于， 所述第 三生成模型根据所述蒸馏条件对所 述第二生成模型进行自监 督训练的过程还 包括： 将所述第一样本输入至缺陷检测模型， 得到所述缺陷检测模型输出的所述第 一缺陷得 分。 4.根据权利要求3所述的方法， 其特征在于， 所述第 三生成模型根据所述蒸馏条件对所 述第二生成模型进行自监 督训练的过程还 包括： 将第二样本输入至所述第 二生成模型以及所述缺陷检测模型， 得到所述第 二生成模型 输出的第三生成图像以及所述缺陷检测模型输出的第二缺陷得分， 所述第二缺陷得分与所 述第二样本的质量负相关； 在所述第二缺陷得分小于或等于所述第 一阈值的情况下， 根据 所述第三生成图像和第 一目标图像， 处理得到第二损失值； 根据所述第二损失值， 更新所述第二生成模型的参数， 以最小化所述第二损失值， 得到所述第二生成模型； 所述第一 目标图像为所述第二样本的 真值图像。 5.根据权利要求2至4任一项所述的方法， 其特征在于， 所述第三生成模型根据所述蒸 馏条件对所述第二 生成模型进行自监 督训练的过程还 包括： 将第三样本输入至所述第 二生成模型以及所述缺陷检测模型， 得到所述第 二生成模型 输出的第五生成图像以及所述缺陷检测模型输出的第三缺陷得分， 所述第三缺陷得分与所 述第三样本的质量负相关； 在所述第三缺陷得分大于所述第 一阈值的情况下， 利用所述第五生成图像和第六生成 图像训练判别模型， 所述第六生成图像为所述第三生成模型处理所述第三样本输出的图 像， 所述判别模型用于训练所述第二 生成模型。 6.根据权利要求5所述的方法， 其特征在于， 所述利用所述第五生成图像和第六生成图 像训练所述判别模型包括： 将所述第五生成图像和所述第六生成图像输入至所述判别模型， 处理得到第三损失 值； 所述第三损失值由第四损失值和第 五损失值得到， 所述第四损失值表征所述判别模型权　利　要　求　书 1/3 页 2 CN 114863220 A 2区分样本的真伪的能力， 所述第 五损失值表征所述判别模型实现与图像细节和/或图形旋 转的能力； 根据所述第三损失值， 更新所述判别模型的参数。 7.根据权利要求6所述的方法， 其特征在于， 所述将所述第五生成图像和所述第六生成 图像输入至所述判别模型， 处 理得到第三损失值包括： 将所述第五生成图像和所述第六生成图像输入到所述判别模型， 得到所述判别模型输 出的第一类别向量； 所述第一类别向量表征 所述第五生成图像的真伪情况； 获取第一解码器输出的第一重建图像和/或第二解码器输出的第一镜像图像； 所述第 一解码器的输入和所述第二解码 器的输入均为所述判别模型的中间层的特征， 所述第一重 建图像为所述第五生成图像的重建图像， 所述第一镜像图像为所述第五生成图像的镜像翻 转图像； 根据所述第一类别向量， 处理得到所述第四损失值； 以及根据 所述第一重建图像和/或 所述第一镜像图像， 处 理得到所述第五损失值； 根据所述第四损失值和所述第五损失值， 处 理得到所述第三损失值。 8.根据权利要求2至7任一项所述的方法， 其特征在于， 所述第三生成模型根据所述蒸 馏条件对所述第二 生成模型进行自监 督训练的过程还 包括： 将第四样本输入至所述第 二生成模型和缺陷检测模型， 得到所述第 二生成模型输出的 第七生成图像和所述 缺陷检测模型输出的第四缺陷得分； 在所述第四缺陷得分小于所述第 一阈值的情况下， 将所述第七生成图像和第 二目标图 像作为判别模型的输入， 处理得到第六损失值； 所述判别模型用于训练所述第二生成模型， 所述第二目标图像为所述第四样本的真值图像， 所述第六损失值由第七损失值和 第八损失 值得到， 所述第七损失值表征所述判别模型区分样本的真伪的能力， 所述第八损失值表征 所述判别模型实现与图像细节和/或图形旋转的能力； 根据所述第六损失值， 更新所述判别模型的参数。 9.根据权利要求8所述的方法， 其特征在于， 所述将所述第七生成图像和第 二目标图像 作为判别模型的输入， 处 理得到第六损失值包括： 将所述第七生成图像和所述第 二目标图像输入到所述判别模型， 得到所述判别模型输 出的第二类别向量； 所述第二类别向量表征 所述第七生成图像的真伪情况； 获取第一解码器输出的第二重建图像和/或第二解码器输出的第二镜像图像； 所述第 一解码器的输入和所述第二解码 器的输入均为所述判别模型的中间层的特征， 所述第二重 建图像为所述第七生成图像的重建图像， 所述第二镜像图像为所述第七生成图像的镜像翻 转图像； 根据所述第二类别向量， 处理得到所述第七损失值； 以及根据 所述第二重建图像和/或 所述第二镜像图像， 处 理得到所述第八损失值； 根据所述第七损失值和所述第八损失值， 处 理得到所述第六损失值。 10.根据权利要求1至9任一项所述的方法， 其特征在于， 所述第 二生成模型由对第四生 成模型做剪枝处理得到， 所述第四生成模型与所述第三生成模型相同， 所述第二生成模型 中的卷积核的数量少于所述第三 生成模型中的卷积核的数量。 11.根据权利要求10所述的方法， 其特征在于， 所述第 一缺陷得分由所述第 一样本的噪权　利　要　求　书 2/3 页 3 CN 114863220 A 3