(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 202111622695.3 (22)申请日 2021.12.28 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 韩利丽　陈波扬　朱磊光　毛佳丽　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 何倚雯 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/583(2019.01) G06V 10/774(2022.01) G06V 10/74(2022.01) (54)发明名称 图像处理模 型的训练方法、 图像处理方法及 相关装置 (57)摘要 本申请公开了一种图像处理模型的训练方 法、 图像处理方法及相关装置， 图像处理模型包 括生成对抗模块， 该方法包括： 获得源域图像和 目标域图像； 其中， 源域图像由虚拟数据组成， 目 标域图像由现实数据组成； 生 成对抗模块包括源 域图像对应的第一生成器和目标域图像对应的 第二生成器； 将源域图像输入第一生成器， 获得 源域图像对应的第一中间图像； 将第一中间图像 输入第二生成器， 获得源域图像对应的重构源域 图像， 并确定重构源域图像相对源域图像的第一 重构损失； 基于第一重构损失对第一生成器和第 二生成器中的参数进行调整， 获得训练后的生成 对抗模块。 上述方案， 能够提高生成对抗模块将 虚拟数据转换成趋 近于现实数据的精度。 权利要求书4页 说明书14页 附图6页 CN 114462486 A 2022.05.10 CN 114462486 A 1.一种图像处理模型的训练方法， 其特征在于， 所述图像处理模型包括生成对抗模块， 所述方法包括： 获得源域图像和目标域图像； 其中， 所述源域图像由虚拟数据组成， 所述目标域图像由 现实数据组成； 所述生成对抗模块包括所述源域图像对应的第一生成器和所述目标域图像 对应的第二 生成器； 将所述源域图像输入所述第一 生成器， 获得 所述源域图像对应的第一中间图像； 将所述第一中间图像输入所述第二生成器， 获得所述源域图像对应的重构源域图像， 并确定所述重构源域图像相对所述源域图像的第一重构损失； 基于所述第 一重构损失对所述第 一生成器和所述第 二生成器中的参数进行调整， 获得 训练后的所述 生成对抗模块。 2.根据权利要求1所述的图像处理模型的训练方法， 其特征在于， 所述生成对抗模块还 包括所述源域图像对应的第一 鉴别器； 所述将所述源域图像输入所述第 一生成器， 获得所述源域图像对应的第 一中间图像的 步骤之后， 还 包括： 将所述第一中间图像输入所述第 一鉴别器， 获得所述第 一中间图像相对所述目标域图 像的第一 生成对抗损失； 所述基于所述第 一重构损失对所述第 一生成器和所述第 二生成器中的参数进行调 整， 获得训练后的所述 生成对抗模块的步骤， 包括： 基于所述第 一生成对抗损失对所述第 一生成器和所述第 一鉴别器中的参数进行调 整， 基于所述第一重构损失对所述第一生成器和所述第二生成器中的参数进 行调整， 获得训练 后的所述 生成对抗模块。 3.根据权利要求1所述的图像处理模型的训练方法， 其特征在于， 所述生成对抗模块还 包括所述源域图像对应的第一 鉴别器和所述目标域图像对应的第二 鉴别器； 所述将所述第 一中间图像输入所述第 二生成器， 获得所述源域图像对应的重构源域图 像， 并确定所述重构源域图像相对所述源域图像的第一重构损失的步骤之后， 还 包括： 将所述目标域图像输入所述第二 生成器， 获得 所述目标域图像对应的第二中间图像； 将所述第二中间图像输入所述第 一生成器， 获得所述目标域图像对应的重构目标域图 像， 并确定所述重构目标域图像相对所述目标域图像的第二重构损失； 将所述第一中间图像输入所述第 一鉴别器， 获得所述第 一中间图像相对所述目标域图 像的第一生成对抗损失， 将所述第二中间图像输入所述第二鉴别器， 获得所述第二中间图 像相对所述源域图像的第二 生成对抗损失； 所述基于所述第 一重构损失对所述第 一生成器和所述第 二生成器中的参数进行调 整， 获得训练后的所述 生成对抗模块的步骤， 包括： 基于所述第一生成对抗损 失、 所述第一重构损 失、 所述第二生成对抗损 失和所述第二 重构损失， 对所述第一生成器、 所述第二生成器、 所述第一鉴别器和所述第二鉴别器中的参 数进行调整， 获得训练后的所述 生成对抗模块。 4.根据权利要求3所述的图像处理模型的训练方法， 其特征在于， 所述基于所述第 一生 成对抗损失、 所述第一重构损失、 所述第二生 成对抗损失和所述第二重构损失， 对所述第一 生成器、 所述第二生成器、 所述第一鉴别器和所述第二鉴别器中的参数进 行调整， 获得训练权　利　要　求　书 1/4 页 2 CN 114462486 A 2后的所述 生成对抗模块的步骤， 包括： 基于所述第一生成对抗损 失、 所述第一重构损 失、 所述第二生成对抗损 失和所述第二 重构损失， 确定所述 生成对抗模块对应的总损失； 基于所述总损 失对所述第一生成器、 所述第二生成器、 所述第一鉴别器和所述第二鉴 别器中的参数进行调整； 响应于满足第一收敛 条件， 获得训练后的所述 生成对抗模块。 5.根据权利要求4所述的图像处理模型的训练方法， 其特征在于， 所述基于所述第 一生 成对抗损失、 所述第一重构损失、 所述第二生 成对抗损失和所述第二重构损失， 确定所述生 成对抗模块对应的总损失的步骤， 包括： 对所述第一生成对抗损失和所述第 二生成对抗损失进行加权求和， 并与所述第 一重构 损失和所述第二重构损失相加， 从而确定所述 生成对抗模块对应的总损失。 6.根据权利要求1 ‑5中任一项所述的图像处理模型的训练方法， 其特征在于， 所述图像 处理模型还 包括语义分割模块； 所述获得训练后的所述 生成对抗模块的步骤之后， 还 包括： 将所述源域图像输入训练后的所述生成对抗模块获得第 一图像， 以及将所述目标域图 像输入训练后的所述生成对抗模块获得第二图像； 其中， 所述第一图像的纹理与所述 目标 域图像一致且所述第一图像的特征与所述源域图像一致， 所述第二图像的纹理与所述源域 图像一致且所述第二图像的特 征与所述目标域图像一 致； 利用所述第 一图像和所述第 二图像对所述语义分割 模块进行训练， 获得训练后的所述 语义分割模块， 确定训练后的所述图像处 理模型。 7.一种图像处理模型的训练方法， 其特征在于， 所述图像处理模型包括语义分割 模块， 所述方法包括： 获得源域图像和目标域图像； 其中， 所述源域图像由虚拟数据组成， 所述目标域图像由 现实数据组成； 将所述源域图像转换成第 一图像， 将所述目标域图像转换成第二图像； 其中， 所述第一 图像的纹理与所述目标域图像一致且所述第一图像的特征与所述源域图像一致， 所述第二 图像的纹 理与所述源域图像一 致且所述第二图像的特 征与所述目标域图像一 致； 利用所述第 一图像和所述第 二图像对所述语义分割 模块进行训练， 获得训练后的所述 语义分割模块。 8.根据权利要求7所述的图像处理模型的训练方法， 其特征在于， 所述获得源域图像和 目标域图像的步骤之后， 还 包括： 提取所述源域图像和所述目标域图像的共同类别， 统一所述源域图像和所述目标域图 像中所述共同类别对应的标签； 其中， 所述共同类别为所述源域图像和所述 目标域图像中 共同包含的目标的种类。 9.根据权利要求8所述的图像处理模型的训练方法， 其特征在于， 所述利用所述第 一图 像和所述第二图像对所述语义分割模块进行训练， 获得训练后的所述语义分割模块的步 骤， 包括： 基于源域图像中所述共 同类别对应的标签， 确定所述第一图像的真实标签， 基于所述 目标域图像中所述共同类别对应的标签， 确定所述第二图像的真实标签；权　利　要　求　书 2/4 页 3 CN 114462486 A 3