(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 202210103232.4 (22)申请日 2022.01.27 (71)申请人 杭州喔影网络科技有限公司 地址 311100 浙江省杭州市余杭区仓前街 道龙园路8 8号3幢A座801室 (72)发明人 袁峰　王冕　李浬　徐亦飞　 桑维光　 (74)专利代理 机构 杭州华进联浙知识产权代理 有限公司 3 3250 专利代理师 何晓春 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像下采样方法和图像下采样系统 (57)摘要 本申请涉及一种图像下采样方法和图像下 采样系统， 其中， 该图像下采样方法包括： 接收图 像下采样指令， 根据所述图像下采样指令获取原 始图像， 对 所述原始图像进行下采样得到初始下 采样图像； 将所述初始下采样图像输入至训练完 备的生成器网络模型， 得到包括待测纹理信息的 目标下采样图像； 其中， 所述生成器网络模型是 对获取到的待训练图像的待训练纹理信息进行 训练生成的。 通过本申请， 解决了相关技术中图 像下采样方法得到的图像通常不能充分反映客 观世界中物体的真实纹理轮廓和特征的问题， 实 现了提高下采样图像对真实物体轮廓和特征的 反映。 权利要求书3页 说明书12页 附图4页 CN 114494876 A 2022.05.13 CN 114494876 A 1.一种图像下采样方法， 其特 征在于， 包括： 接收图像下采样指令， 根据所述图像下采样指令获取原始图像， 对所述原始图像进行 下采样得到初始下采样图像； 将所述初始下采样图像输入至训练完备的生成器网络模型， 得到包括待测纹理信 息的 目标下采样图像； 其中， 所述生成器网络模型是对获取到的待训练图像的待训练纹理信息 进行训练生成的。 2.根据权利要求1所述的图像下采样方法， 其特征在于， 所述生成器网络模型包括第 一 标准卷积模型、 残差块和第二标准卷积模型； 所述将所述初始下采样图像输入至训练完备 的生成器网络模型， 得到包括待测纹 理信息的目标 下采样图像， 包括： 将所述初始下采样图像输入至所述第 一标准卷积模型， 扩展所述初始下采样图像的特 征通道， 得到多通道特 征图； 将所述多通道特 征图输入至所述残差块 提取深度特 征， 得到第一深度特 征图； 将所述第一深度 特征图输入至所述第 二标准卷积模型， 对所述第 一深度特征图进行降 维， 得到所述目标 下采样图像。 3.根据权利要求2所述的图像下采样方法， 其特征在于， 所述残差块包括： 第一深度卷 积模型、 第三标准卷积模型和跳转连接块； 所述将所述多通道特征图输入至所述残差块提 取深度特 征， 得到第一深度特 征图， 包括： 将所述多通道特征图依次输入至所述第 一深度卷积模型和所述第 三标准卷积模型， 得 到初始特 征图像； 将所述初始特征图像和所述多通道特征图输入至所述跳转连接块， 对所述初始特征图 像和所述多通道特 征图的深度特 征进行残差学习， 输出 得到所述第一深度特 征图。 4.根据权利要求1所述的图像下采样方法， 其特征在于， 在所述接收图像下采样指令之 前， 还包括： 获取待训练图像， 对所述待训练图像进行 下采样得到初始训练图像； 将所述初始训练图像输入至待训练生成器网络模型得到生成器输出图像， 以生成所述 生成器网络模型。 5.根据权利要求4所述的图像下采样方法， 其特征在于， 所述生成所述生成器网络模型 包括： 将所述待训练图像和所述生成器输出图像输入至待训练判别器网络模型中， 生成针对 所述待训练图像和所述 生成器输出图像的相对概 率结果； 根据所述相对概率结果对所述待训练判别器网络模型的判别器损失函数进行计算， 得 到判别器损失函数结果； 将所述判别器损失函数结果输入至所述待训练判别器网络模型， 得到目标判别器网络模型并保存； 获取所述目标判别器网络模型的目标判别器结果， 根据 所述相对概率结果和所述目标 判别器结果对所述待训练生成器网络模型的生成器损失函数进行计算， 得到生成器损失函 数结果； 将所述生成器损失函数结果输入至所述待训练生成器网络模型， 得到所述生成器 网络模型并保存。 6.根据权利要求5所述的图像下采样方法， 其特征在于， 所述得到所述生成器网络模型 并保存， 包括：权　利　要　求　书 1/3 页 2 CN 114494876 A 2获取当前判别器网络模型和当前生成器网络模型； 获取下一个待训练图像并进行 下采样得到下一个初始训练图像； 将所述下一个初始训练图像输入至所述当前生成器网络模型并输出得到下一个生成 器输出图像； 将所述下一个待训练图像和所述下一个生成器输出图像输入至所述当前判别器网络 模型并输出 得到下一个相对概 率结果； 根据所述相对概率结果对所述判别器损失函数进行计算， 得到下一个判别器损失函数 结果； 根据所述下一个判别器损失函数 结果得到下一个判别器网络模型并保存； 获取所述下一个判别器网络模型的下一个判别器结果， 根据所述相对概率结果和所述 下一个判别器结果对所述生成器损失函数进行计算， 得到下一个生成器损失函数结果； 根 据所述下一个生成器损失函数结果得到下一个生成器网络模型并保存， 直至迭代结束以生 成所述生成器网络模型。 7.根据权利要求5所述的图像下采样方法， 其特征在于， 所述待训练判别器网络模型包 括基本判别器模型和相对判别器模型； 所述将所述待训练图像和所述生成器输出图像输入 至待训练判别器网络模型中， 生成针对所述待训练图像和所述生成器输出图像的相对概率 结果， 包括： 将所述待训练图像和所述生成器输出图像输入至所述基本判别器模型分别得到第二 深度特征图和第三深度特 征图； 将所述第二深度 特征图和所述第 三深度特征图输入至所述相对判别器模型， 并输出得 到所述相对概 率结果。 8.根据权利要求5所述的图像下采样方法， 其特征在于， 所述生成器损失函数包括色彩 损失函数、 内容损失函数和 生成器相对对抗损失函数； 所述根据所述相对概率结果对所述 待训练生成器网络模型的生成器损失函数进行计算， 得到生成器损失函数 结果， 包括： 将所述初始训练图像和所述生成器输出图像输入至所述色彩损失函数， 输出得到所述 生成器输出图像相对于所述初始训练图像的色彩损失结果； 将所述待训练图像和所述生成器输出图像输入至所述内容损失函数， 输出得到所述生 成器输出图像相对于所述待训练图像的内容损失结果； 将所述相对概率结果输入至所述生成器相对对抗损失函数， 输出得到生成器相对对抗 损失结果； 根据所述色彩损失结果、 所述内容损失结果和所述生成器相对对抗损失结果生成所述 生成器损失函数 结果。 9.根据权利要求5所述的图像下采样方法， 其特征在于， 所述判别器损失函数包括判别 器相对对抗损失函数； 所述根据所述相对概率结果对所述待训练判别器网络模型的判别器 损失函数进行计算， 得到判别器损失函数 结果， 包括： 将所述相对概率结果输入至所述判别器相对对抗损失函数， 输出得到判别器相对对抗 损失结果； 根据所述判别器相对 对抗损失结果 生成所述判别器损失函数 结果。 10.一种图像下采样系统， 其特征在于， 包括： 终端设备、 传输设备以及服务器设备； 其 中， 所述终端设备通过传输设备 连接服务器设备；权　利　要　求　书 2/3 页 3 CN 114494876 A 3