(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 202210112820.4 (22)申请日 2022.01.29 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市高新园区凌工 路2号 (72)发明人 郭艳卿　尹子谞　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 李馨 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/40(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 适用于智能终端的图像摩尔纹去除方法、 装 置及存储介质 (57)摘要 本发明提供一种适用于智能终端的图像摩 尔纹去除方法、 装置及存储介质。 本发明首先构 建了多尺度的自动编码器教师网络模 型， 输入图 像为干净图像， 输出结果为重建的干净图像， 通 过这种训练实现图像重建； 接着构建了深度可分 离卷积的多尺度摩尔纹去除学生网络模型， 输入 为含摩尔纹的图像， 期望通过网络模 型的运算后 输出去除摩尔纹后的干净图像。 本发 明通过在教 师网络模型与学生网络模型对应的三种尺度的 处理结果之间计算特征损失， 将教师网络模型的 于干净图像中提取的特征信息传至学生网络模 型， 学生网络模型通过这种学习方式提高性能， 得到较好的去除摩尔纹的干净图像 。 权利要求书2页 说明书7页 附图4页 CN 114596479 A 2022.06.07 CN 114596479 A 1.一种适用于智能终端的图像摩尔纹去除方法， 其特 征在于， 包括： S1、 训练教师模型， 包括： S110、 获取不包 含摩尔纹的干净图像， S120、 将所述干净图像输入教师模型， 并通过教师模型中的多尺度自动编码器网络进 行多级特征提取， 再基于特征提取模块对多级特征进 行特征提取融合得到干净图像的最 终 特征图， 基于所述干净图像的最终特征图进行图像重构从而获取重构图像， 所述多尺度自 动编码器网络为 三分支嵌套结构， S130、 以所述干净图像和对应所述干净图像的重构图像作为训练样本， 训练教师模型； S2、 结合训练好的教师模型指导训练学生模型， 包括： S210、 获取包 含摩尔纹的待处 理图像， S220、 将所述待处理图像输入学生模型， 并通过学生模型中的多尺度自动编码器网络 进行多级特征提取， 再基于摩尔纹去除模块对多级特征进 行特征提取融合得到待处理图像 的最终特征图， 基于所述待处理图像的最终特征图进行图像重构， 从而获得去除摩尔纹后 的干净图像， S230、 以所述待处理图像和所述去除摩尔纹后的干净图像作为训练样本， 训练学生模 型； S3、 基于训练好的学生模型去除图像摩尔纹。 2.根据权利要求1所述的一种适用于智能终端的图像摩尔纹去除方法， 其特征在于， 基 于所述三分支嵌套结构获取干净图像的最终特 征图， 包括： 对尺寸为h*w的干净图像G进行下采样能够得到三种尺寸的特征图， 分支1特征尺寸为 h/2*w/2， 分支 2特征尺寸为h/4*w/4， 分支3特 征尺寸为h/8*w/8； 将低级分支输出的特征图作为高级分支的输入进行下采样和特征提取， 得到当前分支 提取的特 征图； 高级分支提取得到的特征图也将上采样后与低级分支的特征图进行组合叠加， 再输入 至特征提取模块TFEB提取当前尺度的特 征图； 将最后一级提取的特 征图作为干净图像的最终特 征图。 3.根据权利要求1所述的一种适用于智能终端的图像摩尔纹去除方法， 其特征在于， 所 述教师模型训练时采用的损失函数为： LT＝‖ G‑T(G)‖1 其中， LT为教师模型的总损失函数， G为干净图像， T(G)为教师网络输出图像， ‖ ·‖1为范 数。 4.根据权利要求1所述的一种适用于智能终端的图像摩尔纹去除方法， 其特征在于， 所 述学生模型训练时， 采用的损失函数为： LS＝LR+λPLP+λKDLKD 其中， LS为学生模型的总损失函数， LR为重构损失， LP为感知损失， λP为感知损失权重系 数， LKD为蒸馏损失， λKD为蒸馏损失权 重系数； 所述重构损失的计算方法如下： LS＝‖ G‑S(I)‖1 其中， G为干净图像， I为含摩尔纹的待 处理图像， S(I)为学生网络输出的去除摩尔纹后权　利　要　求　书 1/2 页 2 CN 114596479 A 2的干净图像； 所述感知损失的计算方法如下： 其中， Hi为第i层特征图高度， Wi为第i层特征图宽度， Ci为第i层特征图通道数， ‖ ·‖2为2 范数， 为学生网络的输出图像S(I)输入至预训练深度网络所提取出的第i层特 征， 所述预训练深度网络为使用了Imagenet进行预训练得到的VGG16网络， 为从干净图 像G输入至预训练深度网络所提取 出的第i层特 征； 所述蒸馏损失的计算方法如下： LKDi＝‖Ti(G)‑Si(I)‖1 其中， λi为第i分支蒸馏损失权重系数， LKDi为第i分支的蒸馏损失， Ti(G)为教师 网络第i 分支输出 特征， Si(I)为学生网络第i分支输出 特征。 5.一种适用于智能终端的图像摩尔纹去除装置， 其特 征在于， 包括： 教师模型块， 其用于： 获取不包 含摩尔纹的干净图像， 将所述干净图像输入教师模型， 并通过教师模型中的多尺度自动编码器网络进行多级 特征提取， 再基于特征提取模块对多级特征进行特征提取融合得到干净图像的最终特征 图， 基于所述干净图像的最终特征图进行图像重构从而获取重构图像， 所述多尺度自动编 码器网络为 三分支嵌套结构， 以所述干净图像和对应所述干净图像的重构图像作为训练样本， 训练教师模型； 学生模型训练模块， 其用于： 获取包含摩尔纹的待处 理图像， 将所述待处理图像输入学生模型， 并通过学生模型中的多尺度自动编码器网络进行多 级特征提取， 再基于摩尔纹去除模块对多级 特征进行特征提取融合得到待处理图像的最 终 特征图， 基于所述待处理图像的最终特征图进行图像重构， 从而获得去除摩尔纹后的干净 图像， 以所述待处 理图像和所述去除摩尔纹后的干净图像作为训练样本， 训练学生模型； 图像去除模块， 其用于基于训练好的学生模型去除图像摩尔纹。 6.一种存储介质， 其特征在于， 所述存储介质包括存储的程序， 其中， 所述程序运行时， 执行所述权利要求1至4中任一项权利要求所述的一种适用于智能终端的图像摩尔纹去除 方法。权　利　要　求　书 2/2 页 3 CN 114596479 A 3