图像生成方法和装置与流程

本申请涉及计算机技术领域，具体涉及计算机图形学技术领域，尤其涉及图像生成方法和装置。

背景技术：

获取理想清晰的照片，一直以来都是图像处理领域的关键问题。在图像获取阶段，由于摄影过程，需要人为调整相机参数，比如曝光度、光照补偿、相机不能抖动等，有经验的摄影师，能够拍出较好的效果。然而大部分用户经验不足，获取的图像质量较差，拍完照之后，往往都需要相关的专业图像处理软件，经过图像去燥、去模糊、曝光度调整等做多个步骤加工处理，才能获取质量较好的图片。

因此对于质量较高的照片获取方式，往往要求用户具备较多的经验，包括摄影、图像处理经验，在图像处理阶段需要多个步骤调整，每个阶段算法各不相同，需要同时调整的参数也较多，很难找到理想的平衡参数值，为此希望探索出一种图像优化处理的方法。

现有的图像优化处理方法一般存在鲁棒性差，计算时间长，优化内容有限，算法都是分阶段串联处理，将引起严重的失真问题。比如要对一张图片进行去燥、去模糊、光照强度调整，传统的优化方法是，先对图像去噪处理，然后用去模糊相关算法做进一步处理，最后再用光强调整算法做最后调整。这样的串联处理方案，首先存在计算量问题。其次每个步骤都需要相关的优化参数，很难让整个过程的参数相互平衡。然后每个步骤处理完后，都会引起失真，最后累加在一起，就会引起图像严重失真。

技术实现要素：

本申请的目的在于提出一种改进的图像生成方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种图像生成方法，该方法包括：获取待处理的图像；将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。

在一些实施例中，该方法还包括训练深度学习网络模型的步骤，包括：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作；使用输入样本和输出样本训练深度学习网络模型。

在一些实施例中，对样本图像执行重光照操作，包括：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。

在一些实施例中，对样本图像执行模糊处理操作，包括：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。

在一些实施例中，对样本图像执行加噪声处理操作，包括：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。

在一些实施例中，深度学习网络模型为包括生成模型和判别模型的条件对抗网络。

在一些实施例中，深度学习网络模型采用残差网络结构。

第二方面，本申请实施例提供了一种图像生成装置，该装置包括：获取单元，用于获取待处理的图像；生成单元，用于将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。

在一些实施例中，该装置还包括训练单元，用于：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作；使用输入样本和输出样本训练深度学习网络模型。

在一些实施例中，该装置还包括重光照单元，用于：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。

在一些实施例中，该装置还包括模糊单元，用于：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。

在一些实施例中，该装置还包括加噪单元，用于：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。

在一些实施例中，该深度学习网络模型为包括生成模型和判别模型的条件对抗网络。

在一些实施例中，深度学习网络模型采用残差网络结构。

本申请实施例提供的图像生成方法和装置，通过深度学习网络模型对待处理的图像进行优化处理，提高处理后的图像的质量。该深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。因此样本数据准确度高，从而该深度学习网络模型的能够更快、更准确地对图像进行优化处理。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的图像生成方法的一个实施例的流程图；

图3a、3b是根据本申请的图像生成方法的一个应用场景的示意图；

图4是根据本申请的图像生成方法的深度学习网络模型的一种结构图；

图5是根据本申请的图像生成方法的深度学习网络模型的另一种结构图；

图6是根据本申请的图像生成方法的又一个实施例的流程图；

图7是根据本申请的图像生成装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像生成方法或图像生成装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如游戏类应用、动画展示类应用、即时通信工具、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且能够显示图像的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，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。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的图像或图形提供支持的后台服务器。后台服务器可以将数据(例如图像数据)发送给终端设备，以供终端设备展示。

需要说明的是，本申请实施例所提供的图像生成方法可以由服务器105执行，也可以由终端设备101、102、103执行，还可以部分步骤由服务器105执行、部分步骤由终端设备101、102、103执行；相应地，图像生成装置可以设置于服务器105中，也可以设置于终端设备101、102、103中，还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。

应该理解，图1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。

继续参考图2，示出了根据本申请的图像生成方法的一个实施例的流程200。该图像生成方法，包括以下步骤：

步骤201，获取待处理的图像。

在本实施例中，图像生成方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以从本地或远程获取待处理的图像。该图像可以是人脸图像，还可以是其他物品的图像。该图像的质量较差，需要进行去噪声、去模糊、调整曝光度等处理才能获得质量较好的图像。

步骤202，将图像输入预先训练的深度学习网络模型生成处理后的图像。

在本实施例中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。降质处理可以包括但不限于：重光照、加噪声、模糊化等处理。使得降质处理后的图像的质量比降质前的图像质量差。如图3a所示为一张光照理想的图像，将该光照理想的图像的曝光度调整后，变成不理想的图像3b。将图3a作为输出样本并将图3b作为输入样本进行深度学习网络模型训练。还可以通过调整相机参数获得质量差的图像作为输入样本并获得质量好的图像作为输出样本进行有监督的深度学习网络模型训练。作为示例，训练时可以采用随机批量梯度下降法，学习率选择0.001，l2惩罚系数可以选择0.0005，并采用早期停止(earlystop)作为迭代终止方案。

在本实施例的一些可选的实现方式中，该深度学习网络模型为包括生成模型和判别模型的条件对抗网络。条件对抗网络(conditionalgenerativeadversarialnets，cgan)，包含了两个“对抗”的模型：生成模型g用于捕捉数据分布，判别模型d用于估计一个样本来自与真实数据而非生成样本的概率。

其中，x为真实数据集，pdata(x)为真实的数据分布，y为额外信息。g(z|y)为从先验分布pz(z)到数据空间的映射函数。判别模型d的输入是真实图像或者生成图像，d(x|y)输出一个标量，表示输入样本来自训练样本(而非生成样本)的概率。模型g和模型d同时训练：固定判别模型d，调整生成模型g的参数使得log(1-d(g(z|y)))的期望最小化；固定生成模型g，调整判别模型d的参数使得logd(x|y)+log(1-d(g(z|y)))的期望最大化。条件对抗网络是对原始gan(generativeadversarialnets，对抗网络)的一个扩展，生成模型和判别模型都增加额外信息y为条件，y可以使任意信息，例如类别信息，或者其他模态的数据。通过将额外信息y输送给判别模型d和生成模型g，作为输入层的一部分，从而实现cgan。在生成模型g中，先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。

以往深度学习在应对图片密集预测问题上，生成模型g的网络架构一般是encoder-decoder(编码-解码)的反卷积网络，损失函数采用l2距离函数；不过经过试验发现，对于图像优化问题，采用该网络需要较多的训练数据、同时训练速度缓慢，网络泛化能力较低，一般经过优化有的图片较为模糊，或者存在明显的失真痕迹，为此本申请提出如下改进：采用条件对抗网络，消除优化后图片的失真痕迹，使得网络的输出图片更加真实。

条件对抗网络的判别模型d和生成模型g相互对抗，最终判别模型d将具有生成趋近于真实图片的能力。gan是利用相互竞争游戏的一种深度生成模型。它的目标是学习生成器数据分布pg(x)，使得该分布与真实的数据分布pdata(x)尽量接近，即：

pg(x)＝pdata(x)(公式2)

在gan中，判别模型d通过最大化判别真伪(生成模型g生成的伪造数据与真实数据)更新网络参数；生成模型g则是最大化欺骗判别模型d，提高数据造假的能力。如图4所示，假设待处理的质量差的图像为图像a，处理后理想的图像为真实图像b。将图像a401输入生成模型g402得到失真的图像b403。将真实的图像b404和失真的图像b403一起输入判别模型d405中，判断输出的图像406是失真的图像b还是真实的图像b。根据判别模型d405的差别结果调整生成模型g的参数。

在本实施例的一些可选的实现方式中，该深度学习网络模型采用残差网络结构。如图5所示，改进的encoder-decoder网络模型，基于残差网络的跨越连接(skipconnection)的思想，提高网络训练速度、泛化能力。梯度传播一直是神经网络训练的一个主要问题。虽然有很多不同的解决方案都取得不错效果。但在深层网络里面梯度随层数指数级衰减。残差网络的跨越连接可以使得低层网络部分得到充分训练。

本申请的上述实施例提供的图像生成方法，通过深度学习网络模型对待处理的图像进行优化得到优化后的图像。采用图像降质处理方式，制作图像优化所需要的训练数据来训练深度学习网络模型，能够得到图像优化效果更好的深度学习网络模型，从而能够方便、快捷地将质量较差的图像优化为质量较好的图像。

进一步参考图6，其示出了图像生成方法的又一个实施例的流程600。该图像生成方法的流程600，包括以下步骤：

步骤601，获取样本图像作为输出样本。

在本实施例中，图像生成方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以从本地或远程获取待处理的图像。该图像可以是人脸图像，还可以是其他物品的图像。该图像的质量较好，即，该图像具有良好的曝光度和清晰度，并且不包含或包含少量的噪声。

步骤602，执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作。

在本实施例中，由于采用深度学习方案，需要较多的有标签学习数据，数据的获取往往需要花费较高的成本。有标签数据量、数据精度对于深度学习能否解决问题起到决定性作用。由于在许多领域，有标签的训练数据都很难获取数据，导致深度学习的应用受到了诸多限制。对于图片翻译问题，如果采用深度学习进行端到端处理，那么就需要有一张图片处理前后的一一对应的图片，比如要进行光照过爆修复，那么我们就需要有一张真实过爆的图片、对应到其处理后，理想真实照片。还有比如光照均衡问题，就需要一张真实的光照差图片，对应一张光照好的图片。这样的数据往往难以获取，以至于深度学习在许多图像处理问题上，受到了限制。可以通过一些降质处理方法将步骤601获取的质量好的样本图像进行降质处理，例如，改变样本图像的曝光度、进行模糊处理、加噪声等操作。可对一张样本图像做多种降质处理，也可只做一种降质处理。例如，可以将一张样本图像进行模糊处理后再加入噪声。

在本实施例的一些可选的实现方式中，对样本图像执行重光照操作，包括：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。以人脸图像为例，重光照操作的具体过程如下所示：

光照数据制作，采用9维光照球面谐波模型，对人脸图像进行重光照：

其中，i(p)表示三维曲面上的点p对应像素点的颜色值；ρ表示该点的表面反射率，l是9维光照向量。是一个由当前点p法向量计算得到的9维向量，假设p点的法向量为那么的计算公式如下：

对于一张人脸区域图片每个像素点p其颜色值i(p)已知，然而其它三个变量ρ(p)、以及光照向量l都是未知的。为此如果要进行重光照，首先要求解给定原始图片的这三个变量，然后修改球面谐波系数，即光照向量l(向量的大小、方向)，从而达到重光照的目的。为此接着将根据给定的一张用户人脸图像，估计这三个未知的变量。具体方案如下：

a、利用人脸重建3dmm(3dmorphablemodel，3d形变模型)，估计求解向量计算法向量：采用3dmm可变形模板对输入人脸图像进行3d重建匹配，以此粗略估计出，人脸区域每个像素点的3d法向量值。

b、交替更新迭代ρ(p)、l直到收敛。一开始我们初始化ρ(p)＝c，其中c是人脸区域像素颜色平均值，然后通过公式3，可以求解l；接着把l带入公式3，求解ρ(p)；如此两个变量进行交替迭代更新，直到收敛。

c、根据前面的计算，我们已经求得ρ(p)、l，接着可通过修改l向量长度与方向，求解重光照后的图像i(p)，生成一张光照不均、光照过爆、光照不足等人脸图像，以此用于深度学习端到端训练。

在本实施例的一些可选的实现方式中，对样本图像执行模糊处理操作，包括：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。对样本图像执行模糊(blur)处理操作，使样本图像产生模糊的效果。所谓"模糊"，可以理解成每一个像素都取周边像素的平均值。"中间点"取"周围点"的平均值。在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。显然，计算平均值时，取值范围越大，"模糊效果"越强烈。"模糊"的算法有很多种，其中有一种叫做"高斯模糊"(gaussianblur)。它将正态分布(又名"高斯分布")用于图像处理。计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。

在本实施例的一些可选的实现方式中，对样本图像执行加噪声处理操作，包括：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。图像噪声是图像在获取或传输的过程中受到随机信号的干扰，在图像上出现的一些随机的、离散的、孤立的像素点，这些点会干扰人眼对图像信息的分析。图像的噪声通常是比较复杂的，很多时候将其看成是多维随机过程，因而可以借助于随即过程描述噪声，即使用概率分布函数和概率密度函数。图像的噪声很多，性质也千差万别，可以通过不同的方法给噪声分类。按照产生的原因：外部噪声和内部噪声。这种分类方法，有助于理解噪声产生的源头，但对于降噪算法只能起到原理上的帮助。噪声和图像信号的关系，可以分为：加性噪声，加性噪声和图像信号强度不相关，这类噪声可以看着理想无噪声图像和噪声之和。乘性噪声，乘性噪声和图像信号是相关的，往往随图像信号的变化而变化。而为了分析处理的方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。还可以按照概率密度函数分类：高斯噪声，高斯噪声模型经常被用于实践中；脉冲噪声(椒盐噪声)，图像上一个个点，也可称为散粒和尖峰噪声；伽马噪声；瑞利噪声；指数分布噪声；均匀分布噪声。这种分类方法，引入了数学模型，对设计过滤算法比较有帮助。给图像添加噪声时，按照指定的噪声类型，生成一个随机数，然后将这个随机数加到源像素值上，并将得到的值所放到[0，255]区间即可。

步骤603，使用输入样本和输出样本训练深度学习网络模型。

在本实施例中，基于步骤601获取的输出样本和步骤602生成的输入样本训练深度学习网络模型。深度学习网络模型的一种可选的训练过程如下所示：将步骤602生成的输入样本作为训练数据输入深度学习网络模型；确定深度学习网络模型的输出结果和步骤601获取的输出样本之间的损失值；并基于损失值优化调整深度学习网络模型的网络参数，从而得到新的深度学习网络模型。可使用网络参数调整后的深度学习网络模型继续执行上述训练过程，直到深度学习网络模型的当前训练情况满足训练完成条件。设置训练完成条件可避免出现无限循环地训练该深度学习网络模型的情况。训练完成条件可包括但不限于以下至少一项：训练深度学习网络模型的训练次数达到预设的训练次数阈值；相邻两次训练中，深度学习网络模型的输出之间的损失值处于预设的容差范围之内。

在训练过程中，采用旋转、随机裁剪样本图像等方式，进行样本扩充，以防止过拟合，提高网络的泛化能力。

从图6中可以看出，与图2对应的实施例相比，本实施例中的图像生成方法的流程600突出了对深度学习网络模型进行训练的步骤。由此，本实施例描述的方案可以引入图像优化效果更好的深度学习网络模型，从而实现快速、准确地图像优化处理。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种图像生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的图像生成装置700包括：获取单元701和生成单元702。其中，获取单元701用于获取待处理的图像；生成单元702用于将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。

在本实施例中，图像生成装置700的获取单元701和生成单元702的具体处理可以参考图2对应实施例中的步骤201和步骤202。

在本实施例的一些可选的实现方式中，该装置700还包括训练单元，用于：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作；使用输入样本和输出样本训练深度学习网络模型。

在本实施例的一些可选的实现方式中，该装置700还包括重光照单元，用于：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。

在本实施例的一些可选的实现方式中，该装置700还包括模糊单元，用于：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。

在本实施例的一些可选的实现方式中，该装置700还包括加噪单元，用于：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。

在本实施例的一些可选的实现方式中，该深度学习网络模型为包括生成模型和判别模型的条件对抗网络。

在本实施例的一些可选的实现方式中，深度学习网络模型采用残差网络结构。

下面参考图8，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统800的结构示意图。图8示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

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部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待处理的图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取待处理的图像；将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。

需要说明的是，本申请所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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

以上描述仅为本申请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，本申请中所涉及的发明范围，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所述发明构思的情况下，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。例如上述特征与本申请中公开的(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。