立体图像重建方法、装置、电子设备及存储介质与流程

1.本公开实施例涉及图像处理技术领域，尤其涉及一种立体图像重建方法、装置、电子设备及存储介质。


背景技术：

2.立体图像超分辨率是指基于立体图像左右视图中互补的空间信息来进行图像超分辨率重建。
3.相关技术中，立体图像超分辨率方案主要分为基于注意力机制的双目信息融合以及基于视差(x方向运动)对下的双目信息融合，而其中基于视差对齐的双目信息融合具有更好的信息融合效果被广泛应用。但是，双目相机由于制作误差、外部撞击等原因会导致摄像头异位等原因，会使得左右视图在y方向也存在运动，从而导致使用视差(x方向运动)去融合信息时不够准确，对齐精度不高，造成图像重建不理想。因此，如何实现较高精度的立体图像重建变得尤为重要。


技术实现要素：

4.本公开实施例中提供了一种立体图像重建方法、装置、电子设备及存储介质，以实现对立体图像左右视图的高精度超分辨率重建。
5.第一方面，本公开实施例中提供了一种立体图像重建方法，所述应用方法包括：
6.采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；
7.采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；
8.依据所述精细化对齐任务对待处理立体图像左右视图进行图像重建，得到重建后立体图像左右视图。
9.第二方面，本公开实施例中还提供了一种立体图像重建装置，所述应用装置包括：
10.预对齐模块，用于采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；
11.精细化对齐模块，用于采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；
12.图像重建模块，用于依据所述精细化对齐任务对所述待处理立体图像左右视图进行图像重建，得到重建后立体图像左右视图。
13.第三方面，本公开实施例中还提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例中任一项所述的立体图像重建方法。
是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
35.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
36.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
37.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
38.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
39.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
40.下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。此外，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
41.图1为本公开实施例提供的一种立体图像重建方法的流程图，本实施例的技术方案可适用于实现对立体图像左右视图的高精度超分辨率重建的情况，该方法可以由一种立体图像重建装置来执行，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于：电脑、个人数字助理等设备。如图1所示，本实施例的立体图像重建方法，可包括以下步骤s110-s130：
42.s110、采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征。
43.其中，立体图像重建模型是指基于立体图像左右视图中互补的空间信息来进行立体图像左右视图超分辨率重建的模型。其中，立体图像重建模型的输入是低分辨立体图像左右视图，输出是超分辨率立体图像左右视图。立体图像重建模型可以实现对待处理立体图像左右视图特征执行光流预对齐，得到待处理立体图像左右视图特征之间的预对齐特征。
44.在本方案中，可以基于图像处理技术对立体图像进行特征提取处理，得到待处理立体图像左右视图特征，分别记为待处理立体图像左视图特征与待处理立体图像右视图特征。进而，通过立体图像重建模型对待处理立体图像左视图特征与待处理立体图像右视图特征执行光流预对齐。
45.在本技术方案中，可选的，采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征，可包括以下过程：
46.基于所述立体图像重建模型中的预训练光流估计网络，对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征。
47.在本方案中，立体图像重建模型中的预训练光流估计网络用于对立体图像左右视图的光流信息进行估算，以便提高重建的超分辨率立体图像左右视图的精度。具体的，可以
基于立体图像左视图对立体图像右视图进行光流估算，以及基于立体图像右视图对立体图像左视图进行光流估算。
48.在本方案中，将待处理立体图像左右视图特征作为输入，分别输入到立体图像重建模型的预训练光流估计网络中，通过立体图像重建模型中的预训练光流估计网络确定待处理立体图像左右视图特征之间的光流信息。基于待处理立体图像左右视图特征之间的光流信息，对待处理立体图像左视图特征与待处理立体图像右视图特征进行预对齐，输出待处理立体图像左右视图特征之间的预对齐特征。
49.可选的，在本实施例中，预训练光流估计网络可以包括flownet系列光流估计网络、pwc-net系列光流估计网络等。其中，flownet系列光流估计网络用端到端的卷积神经网络解决光流估计问题。pwc-net系列光流估计网络采用的三个主要组件是图像金字塔，映射和匹配代价容量计算，映射和匹配代价容量计算不需要训练参数，可以减少模型参数量。
50.在本技术方案中，可选的，基于立体图像重建模型中的预训练光流估计网络，对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征，可以包括步骤a1-a2：
51.步骤a1、将待处理立体图像左右视图输入到所述立体图像重建模型中的预训练光流估计网络，得到待处理立体图像左右视图之间的光流估算值。
52.步骤a2、依据待处理立体图像左右视图之间的光流估算值对待处理立体图像左右视图特征进行预对齐，得到待处理立体图像左右视图特征之间的预对齐特征。
53.其中，对齐特征包括从立体图像左视图特征向立体图像右视图特征进行对齐得到的特征以及从立体图像右视图特征向立体图像左视图特征进行对齐得到的特征。
54.示例性的，图2是本公开实施例提供的一种对立体图像重建模型进行应用的原理示意图，如图2所示，以i
l
表示待处理立体图像左视图，ir表示待处理立体图像右视图为例。将i
l
和ir分别输入到立体图像重建模型中的预训练光流估计网络中，预训练光流估计网络可以对待处理立体图像左右视图之间的光流进行估计，得到待处理立体图像左视图到待处理立体图像右视图的光流估算值f
lr
和待处理立体图像右视图到待处理立体图像左视图的光流估算值f
rl
。
55.如图2所示，依据f
lr
和f
rl
对待处理立体图像左右视图特征f
l
和fr进行预对齐，可以得到待处理立体图像左右视图特征之间的预对齐特征f
r2l
和f
l2r
，具体过程可以为：采用f
lr
和f
rl
分别对待处理立体图像左视图特征f
l
与待处理立体图像右视图特征fr，执行从立体图像左视图特征向立体图像右视图特征进行预对齐以及从立体图像右视图特征向立体图像左视图特征进行预对齐，分别得到待处理立体图像左右视图特征之间的预对齐特征f
r2l
和f
l2r
。其中，f
r2l
表示从立体图像右视图特征向立体图像左视图特征进行预对齐得到的对齐特征；f
l2r
表示从立体图像左视图特征向立体图像右视图特征进行预对齐得到的对齐特征。
56.对于上述可选方式，通过使用待处理立体图像左右视图之间的光流估算值对待处理立体图像左右视图特征进行预对齐，得到待处理立体图像左右视图特征之间的预对齐特征，提高了对齐特征的精度，进而后续在利用对齐特征进行图像重建时能提升立体图像重建模型构建结果的主观效果。
57.s120、采用立体图像重建模型对预对齐特征执行精细化对齐任务。
58.其中，精细化对齐任务用于对预对齐特征进行二次对齐。即基于精细化对齐任务与预训练光流估计网络配合使用，提升待处理立体图像左右视图特征之间预对齐特征的准
确性，进而能提升重建结果的主观效果，得到更好的超分辨率立体图像。
59.s130、依据精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
60.通过执行精细化对齐任务可以准确获得立体图像左右视图中互补的空间信息，进而在待处理立体图像左右视图重建过程中融入立体图像左右视图中互补的空间信息，能提升重建结果的主观效果，能够使得立体图像重建模型输出的更好立体图像的超分辨率效果。
61.在本技术方案中，可选的，依据精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图，可包括以下过程：
62.将所述精细化对齐任务得到的精细化对齐特征与待处理立体图像左右视图特征输入到所述立体图像重建模型的融合重建网络，得到经对立体图像左右视图进行超分辨率重建的重建后立体图像左右视图。
63.参考图2，以i
l
表示待处理立体图像左视图，ir表示待处理立体图像右视图为例，将精细化对齐特征f
or2l
和f
ol2r
与待处理立体图像左右视图特征f
l
和fr输入到立体图像重建模型的融合重建网络，可以得到经对待处理立体图像左右视图进行超分辨率重建的左右视图s
l
和sr。具体的，将精细化对齐特征f
or2l
和待处理立体图像左视图特征f
l
输入到立体图像重建模型的融合重建网络，依据立体图像重建模型的损失函数值对立体图像重建模型进行参数调整，输出超分辨率重建的左视图s
l
；以及，将精细化对齐特征f
ol2r
和待处理立体图像右视图特征fr输入到立体图像重建模型的融合重建网络，输出超分辨率重建的右视图sr。
64.通过使用融合重建网络对精细化对齐特征与待处理立体图像左右视图特征进行融合重建，通过精细化对齐特征在立体图像左右视图重建过程中融入立体图像左右视图中互补空间信息，能提升重建结果的主观效果，能够使得立体图像重建模型输出的更好立体图像的超分辨率效果。
65.示例性的，图3是本公开实施例提供的立体图像左视图重建过程的结果图，具体如图3中(a)、(b)、(c)、(d)所示；图4是本公开实施例提供的立体图像右视图重建过程的结果图，具体如图4中(a)、(b)、(c)、(d)所示。图3和图4中(a)、(b)、(c)、(d)分别对应以下过程所得到的结果，确定待处理立体图像左右视图特征；采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；采用立体图像重建模型对预对齐特征执行精细化对齐任务；依据精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
66.本公开实施例的技术方案，采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；采用立体图像重建模型对预对齐特征执行精细化对齐任务；依据精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。本公开方案，在立体图像重建过程中，除了使用光流估计方式进行光流预对齐同时还在立体图像重建模型中对预对齐特征进行精细化对齐任务，大大提升待处理立体图像左右视图特征之间预对齐特征的准确性，进而能提升重建结果的主观效果，能够得到更好立体图像的超分辨率效果。
67.在本实施例上述技术方案的基础上，可选的，立体图像重建模型训练过程可包括以下步骤b1-b3：
68.步骤b1、基于立体图像重建模型中的预训练光流估计网络，对训练用立体图像左右视图特征进行预对齐得到预对齐特征。
69.在本方案中，将训练用立体图像左右视图输入到所述立体图像重建模型中的预训练光流估计网络，得到训练用立体图像左右视图之间的光流估算值；依据训练用立体图像左右视图之间的光流估算值对训练用立体图像左右视图特征进行预对齐，得到训练用立体图像左右视图特征之间的预对齐特征；其中，对齐特征包括从立体图像左视图特征向立体图像右视图特征进行对齐得到的特征以及从立体图像右视图特征向立体图像左视图特征进行对齐得到的特征。
70.示例性的，仍参见图2所示，以i
l
表示训练用立体图像左视图，ir表示训练用立体图像右视图为例。将i
l
和ir分别输入到立体图像重建模型中的预训练光流估计网络中，预训练光流估计网络可以对训练用立体图像左右视图之间的光流进行估计，得到训练用立体图像左视图到训练用立体图像右视图的光流估算值f
lr
和训练用立体图像右视图到训练用立体图像左视图的光流估算值f
rl
。
71.如图2所示，依据f
lr
和f
rl
对训练用立体图像左右视图特征f
l
和fr进行预对齐，可以得到训练用立体图像左右视图特征之间的预对齐特征f
r2l
和f
l2r
，具体过程可以为：采用f
lr
和f
rl
分别对训练用立体图像左视图特征f
l
与训练用立体图像右视图特征fr，执行从立体图像左视图特征向立体图像右视图特征进行预对齐以及从立体图像右视图特征向立体图像左视图特征进行预对齐，分别得到训练用立体图像左右视图特征之间的预对齐特征f
r2l
和f
l2r
。其中，f
r2l
表示从立体图像右视图特征向立体图像左视图特征进行预对齐得到的对齐特征；f
l2r
表示从立体图像左视图特征向立体图像右视图特征进行预对齐得到的对齐特征。
72.步骤b2、控制立体图像重建模型对预对齐特征执行精细化对齐训练任务。
73.其中，精细化对齐训练任务用于对预对齐特征进行二次对齐。即基于精细化对齐训练任务与预训练光流估计网络配合使用，提升训练用立体图像左右视图特征之间预对齐特征的准确性，进而能提升重建结果的主观效果，得到更好的超分辨率立体图像。
74.步骤b3、依据精细化对齐训练任务对立体图像重建模型进行参数调整，得到训练后的立体图像重建模型。
75.在本方案中，将精细化对齐训练任务输出的精细化对齐特征与训练用立体图像左右视图特征输入到立体图像重建模型的融合重建网络，得到经对立体图像左右视图进行超分辨率重建的左右视图；依据经对立体图像左右视图进行超分辨率重建的左右视图与训练用立体图像左右视图的预标注左右视图，确定立体图像重建模型的损失函数值；依据立体图像重建模型的损失函数值对立体图像重建模型进行参数调整，得到训练后的立体图像重建模型。其中，损失函数可以根据立体图像重建模型需求进行设置。例如，可以设置损失函数是绝对值损失函数、平方损失函数等。
76.参考图2，以i
l
表示训练用立体图像左视图，ir表示训练用立体图像右视图为例，将精细化对齐特征f
or2l
和f
ol2r
与训练用立体图像左右视图特征f
l
和fr输入到立体图像重建模型的融合重建网络，可以得到经对立体图像左右视图进行超分辨率重建的左右视图s
l
和sr。具体的，将精细化对齐特征f
or2l
和训练用立体图像左视图特征f
l
输入到立体图像重建模型的融合重建网络，依据立体图像重建模型的损失函数值对立体图像重建模型进行参数调整，输出超分辨率重建的左视图s
l
；以及，将精细化对齐特征f
ol2r
和训练用立体图像右视图
特征fr输入到立体图像重建模型的融合重建网络，输出超分辨率重建的右视图sr。
77.通过使用融合重建网络对精细化对齐特征与训练用立体图像左右视图特征进行融合重建，能够实现对立体图像重建模型参数的调整，进而得到输出更好超分辨率效果的立体图像重建模型。
78.图5为本公开实施例提供的一种立体图像重建模型中预训练光流估计网络训练方法的流程图，本实施例的技术方案在上述实施例的基础上对预训练光流估计网络的确定过程进行进一步优化，本实施例可与上述一个或多个实施例中各个可选方案结合。如图5所示，本实施例的立体图像重建模型中预训练光流估计网络训练方法，可包括以下步骤s510-s520：
79.s510、确定光流估计网络所使用的训练样本；每个训练样本包括真实场景的两个训练图像以及两个训练图像之间的光流预标注值。
80.其中，可以用立体图像数据集中的图像作为光流数据集合成的源图片集，并对源图片集进行处理，得到光流估计网络所使用的训练样本。
81.在本技术方案中，可选的，确定光流估计网络所使用的训练样本，可包括步骤c1-c4：
82.步骤c1、确定从源图像集中选取的背景图像与前景图像对应的光流信息；其中所述背景图像与前景图像为不重复的图像，所述源图像集基于立体图像超分辨率数据集中真实场景图像生成。
83.步骤c2、从所述前景图像中选取局部区域得到前景局部图像，并确定前景局部图像对应的光流信息。
84.步骤c3、将背景图像与前景局部图像采用各自光流信息进行前向转换，得到转换后的背景图像与前景局部图像。
85.步骤c4、将转换前的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第一训练图像，将转换后的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第二训练图像以及将背景图像与前景局部图像各自对应的光流信息进行叠加得到两个训练图像之间的预标注光流信息，以构建训练光流估计网络所使用的训练样本。
86.示例性的，图6是本公开实施例提供的训练样本确定过程的示意图，如图6所示，用立体图像数据集中的图像作为光流数据集合成的源图片集。从该图片集中随机抽取k张不重复的图像其中，作为背景图像，其他k-1张作为前景图像。对进行单应性变换，得到对应的光流信息f1；对也进行单应性变换，得到对应的光流信息{fk|k∈[1,2
…
,k]}。在每一张前景图像中采用一个局部多边形区域或者局部圆形区域，得到前景局部多边形图像或前景局部圆形图像采样的局部区域mask值为1，其他区域mask值为0。根据得到的fk，通过公式计算转换后的即得到转换后的背景图像与前景局部图像。其中，f表示基于光流的前向转换操作。从背景到前景的方向一层一层的叠加图像和光流，可以得到最终合成光流估计网络所使用的训练样本：
[0087]
通过对光流估计网络所使用的训练样本进行确定，能够构造真实场景下的光流数据集，提高预训练光流估计网络预测光流的精度。
[0088]
示例性的，图7是本公开实施例提供的训练样本处理过程的结果图，如图7所示，(a)为原图，(b)为加入退化后的图。为了使生成的光流数据集更加逼近真实图像，对图像还可以加入一些退化。如模糊、压缩等。
[0089]
示例性的，图8是本公开实施例提供的另一训练样本处理过程的结果图，如图8所示，(a)为背景图像，(b)为前景图像，(c)为前景局部多边形图像，(d)为光流估计网络所使用的训练样本。从背景到前景一层一层的叠加图像和光流，可以得到最终合成的光流估计网络所使用的训练样本。
[0090]
s520、基于所述训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到所述立体图像重建模型中预训练光流估计网络。
[0091]
在本方案中，可以依据执行光流估计训练任务时的损失信息对立体图像重建模型中预训练光流估计网络输出光流估算值的能力进行训练，以使得立体图像重建模型中预训练光流估计网络输出的光流估算值更加逼近光流真实值。
[0092]
在本技术方案中，可选的，基于所述训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到所述立体图像重建模型中预训练光流估计网络，可包括步骤d1-d3：
[0093]
步骤d1、将训练样本中两个训练图像输入到立体图像重建模型中的待训练光流估计网络进行光流估计训练任务，得到训练样本中两个训练图像之间的光流估算值。
[0094]
步骤d2、依据训练样本中两个训练图像之间的光流估算值与两个训练图像之间的光流预标注值，确定光流估计训练任务的损失函数值。
[0095]
步骤d3、依据光流估计训练任务的损失函数值对所述待训练光流估计网络进行参数调整，得到所述预训练光流估计网络。
[0096]
其中，损失函数用来评价预训练光流估计网络的预测值和真实值不一样的程度，损失函数越好，预训练光流估计网络的性能越好。损失函数可以是绝对值损失函数、平方损失函数。本实施例中不做具体限定。
[0097]
在本方案中，可以基于训练样本中两个训练图像对立体图像重建模型中待训练光流估计网络输出图像的光流估算能力进行训练，同时引入光流估计训练任务的损失函数值来让立体图像重建模型中预训练光流估计网络输出的光流估算值向光流预标注值进行优化，以使得立体图像重建模型中预训练光流估计网络输出的光流估算值更加逼近光流真实值。
[0098]
通过将训练样本中两个训练图像输入到立体图像重建模型中的待训练光流估计网络进行光流估计训练任务，对待训练光流估计网络进行参数调整，得到预训练光流估计网络，能够提高预训练光流估计网络预测光流的精度。
[0099]
本公开实施例的技术方案，通过确定光流估计网络所使用的训练样本，基于训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到立体图像
重建模型中预训练光流估计网络。通过执行本技术方案，通过确定预训练光流估计网络能够构造真实场景下的光流数据集，提高了光流估计网络预测光流的精度。使用执行精细化对齐训练任务对光流对齐的结果进行精细化对齐，提升了对齐的准确性，进而提升了重建结果的主观效果。
[0100]
图9为本公开实施例提供的一种立体图像重建方法的流程图，本实施例的技术方案在上述实施例的基础上对预对齐特征执行精细化对齐任务的过程进行进一步优化，本实施例可与上述一个或多个实施例中各个可选方案结合。如图9所示，本实施例的立体图像重建方法，可包括以下步骤s910-s930：
[0101]
s910、采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征。
[0102]
s920、通过所述立体图像重建模型中的预训练精细化对齐网络对所述预对齐特征进行精细化对齐得到精细化对齐特征。
[0103]
其中，在训练所述预训练精细化对齐网络时，所述预训练光流估计网络的学习率处于预设学习率范围内，所述预训练光流估计网络的学习率低于所述预训练精细化对齐网络的学习率，所述精细化对齐网络包括可变形卷积网络。
[0104]
在本实施例中，预设学习率范围可以根据精细化对齐网络的学习需求进行设置。可选的，可以设置预训练光流估计网络的学习率处于[5e-7，1e-5]之间。
[0105]
在本技术方案中，可选的，通过立体图像重建模型的预训练精细化对齐网络对预对齐特征进行精细化对齐得到精细化对齐特征，可包括步骤e1-e2：
[0106]
步骤e1、将所述预对齐特征与待处理立体图像左右视图特征输入到所述精细化对齐网络的偏移估计网络中进行偏移估计，确定所述预对齐特征的偏移量。
[0107]
参考图2，以i
l
表示待处理立体图像左视图，ir表示待处理立体图像右视图为例，将预对齐特征f
r2l
和f
l2r
与待处理立体图像左右视图特征f
l
和fr输入到精细化对齐网络的偏移估计网络中进行偏移估计，可以得到预对齐特征的偏移量o
l
和or，即在每一个像素位置估计r
×
r个运动矢量。具体的，将预对齐特征f
r2l
和待处理立体图像左视图特征f
l
输入到精细化对齐网络的偏移估计网络中进行偏移估计，得到待处理立体图像左视图到待处理立体图像右视图之间的偏移量o
l
；以及，将预对齐特征f
l2r
和待处理立体图像右视图特征fr输入到精细化对齐网络的偏移估计网络中进行偏移估计，得到待处理立体图像右视图到待处理立体图像左视图之间的偏移量or。
[0108]
步骤e2、将所述预对齐特征的偏移量与所述预对齐特征输入到所述精细化对齐网络的可变形卷积网络中对所述预对齐特征进行精细化对齐，得到待处理立体图像左右视图特征之间的精细化对齐特征。
[0109]
继续参考图2，以i
l
表示待处理立体图像左视图，ir表示待处理立体图像右视图为例，获得预对齐特征的偏移量o
l
和or后，将偏移量o
l
和预对齐特征f
r2l
输入到精细化对齐网络的可变形卷积网络中对预对齐特征进行精细化对齐，得到待处理立体图像左右视图特征之间的精细化对齐特征f
or2l
；以及，将偏移量or和预对齐特征f
l2r
输入到精细化对齐网络的可变形卷积网络中对预对齐特征进行精细化对齐，得到待处理立体图像左右视图特征之间的精细化对齐特征f
ol2r
。
[0110]
通过将光流对齐后的结果在输入到可变形卷积网络中，进行二次精细化对齐，能
够让对齐精度更高，进而提升了立体图像重建模型构建结果的主观结果。
[0111]
s930、依据所述精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
[0112]
本公开实施例的技术方案，采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征，通过立体图像重建模型中的预训练精细化对齐网络对预对齐特征进行精细化对齐得到精细化对齐特征，依据精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。通过执行本技术方案，通过使用可变形卷积对光流对齐的结果进行精细化对齐，提升了对齐的准确性，进而提升了重建结果的主观效果，能够得到更好立体图像的超分辨率效果。
[0113]
图10为本公开实施例提供的一种立体图像重建装置的结构框图，本实施例的技术方案可适用于实现对立体图像左右视图的高精度超分辨率重建的情况，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于：电脑、个人数字助理等设备。如图11所示，本实施例的立体图像重建装置，可包括以下：预对齐模块1010、精细化对齐模块1020和图像重建模块1030，其中：
[0114]
预对齐模块1010，用于采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；
[0115]
精细化对齐模块1020，用于采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；
[0116]
图像重建模块1030，用于依据所述精细化对齐任务对所述待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
[0117]
在上述实施例的基础上，可选的，预对齐模块1010包括：
[0118]
预对齐特征得到单元，用于基于所述立体图像重建模型中的预训练光流估计网络，对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征。
[0119]
在上述实施例的基础上，可选的，预对齐特征得到单元，包括：
[0120]
训练样本确定子单元，用于确定光流估计网络所使用的训练样本；每个训练样本包括真实场景的两个训练图像以及两个训练图像之间的光流预标注值；
[0121]
预训练光流估计网络得到子单元，用于基于所述训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到所述立体图像重建模型中预训练光流估计网络。
[0122]
在上述实施例的基础上，可选的，训练样本确定子单元，具体用于：
[0123]
确定从源图像集中选取的背景图像与前景图像对应的光流信息；其中所述背景图像与前景图像为不重复的图像，所述源图像集基于立体图像超分辨率数据集中真实场景图像生成；
[0124]
从所述前景图像中选取局部区域得到前景局部图像，并确定前景局部图像对应的光流信息；
[0125]
将背景图像与前景局部图像采用各自光流信息进行前向转换，得到转换后的背景图像与前景局部图像；
[0126]
将转换前的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第一训练图像，将转换后的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第二
训练图像以及将背景图像与前景局部图像各自对应的光流信息进行叠加得到两个训练图像之间的预标注光流信息，以构建训练光流估计网络所使用的训练样本。
[0127]
在上述实施例的基础上，可选的，预训练光流估计网络得到子单元，具体用于：
[0128]
将训练样本中两个训练图像输入到立体图像重建模型中的待训练光流估计网络进行光流估计训练任务，得到训练样本中两个训练图像之间的光流估算值；
[0129]
依据训练样本中两个训练图像之间的光流估算值与两个训练图像之间的光流预标注值，确定光流估计训练任务的损失函数值；
[0130]
依据光流估计训练任务的损失函数值对所述待训练光流估计网络进行参数调整，得到所述预训练光流估计网络。
[0131]
在上述实施例的基础上，可选的，预对齐特征得到单元，还包括：
[0132]
光流估算值得到子单元，用于将待处理立体图像左右视图输入到所述立体图像重建模型中的预训练光流估计网络，得到待处理立体图像左右视图之间的光流估算值；
[0133]
预对齐特征得到子单元，用于依据待处理立体图像左右视图之间的光流估算值对待处理立体图像左右视图特征进行预对齐，得到待处理立体图像左右视图特征之间的预对齐特征；
[0134]
其中，对齐特征包括从立体图像左视图特征向立体图像右视图特征进行对齐得到的特征以及从立体图像右视图特征向立体图像左视图特征进行对齐得到的特征。
[0135]
在上述实施例的基础上，可选的，精细化对齐模块1020包括：
[0136]
精细化对齐特征得到单元，用于通过所述立体图像重建模型中的预训练精细化对齐网络对所述预对齐特征进行精细化对齐得到精细化对齐特征；
[0137]
其中，在训练所述预训练精细化对齐网络时，所述预训练光流估计网络的学习率处于预设学习率范围内，所述预训练光流估计网络的学习率低于所述预训练精细化对齐网络的学习率，所述精细化对齐网络包括可变形卷积网络。
[0138]
在上述实施例的基础上，可选的，精细化对齐特征得到单元，具体用于：
[0139]
将所述预对齐特征与待处理立体图像左右视图特征输入到所述精细化对齐网络的偏移估计网络中进行偏移估计，确定所述预对齐特征的偏移量；
[0140]
将所述预对齐特征的偏移量与所述预对齐特征输入到所述精细化对齐网络的可变形卷积网络中对所述预对齐特征进行精细化对齐，得到待处理立体图像左右视图特征之间的精细化对齐特征。
[0141]
在上述实施例的基础上，可选的，图像重建模块1030包括：
[0142]
将所述精细化对齐任务得到的精细化对齐特征与待处理立体图像左右视图特征输入到所述立体图像重建模型的融合重建网络，得到经对立体图像左右视图进行超分辨率重建的重建后立体图像左右视图。
[0143]
本公开实施例中所提供的一种立体图像重建装置可执行上述本公开任意实施例中所提供的一种立体图像重建方法，具备执行该立体图像重建方法相应的功能和有益效果，详细过程参见前述实施例中一种立体图像重建方法的相关操作。
[0144]
下面参考图11，其示出了适于用来实现本公开实施例的电子设备1100的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车
载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0145]
如图11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(rom)1102中的程序或者从存储装置1106加载到随机访问存储器(ram)1103中的程序而执行各种适当的动作和处理。在ram 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0146]
通常，以下装置可以连接至i/o接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1106；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0147]
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，其包括承载在非暂态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立体图像重建方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1106被安装，或者从rom 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开实施例的立体图像重建方法中限定的上述功能。
[0148]
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0149]
本公开实施例提供的电子设备与上述实施例提供的立体图像重建方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0150]
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的立体图像重建方法。
[0151]
需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0152]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0153]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0154]
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电子设备执行时，使得该电子设备：采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；依据所述精细化对齐任务对待处理立体图像左右视图进行图像重建，得到重建后立体图像左右视图。
[0155]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0156]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
[0157]
描述于本公开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。其中，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，预对齐模块还可以被描述为“采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征”。
[0158]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0159]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0160]
根据本公开的一个或多个实施例，示例1提供了一种立体图像重建方法，所述应用方法包括：
[0161]
采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；
[0162]
采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；
[0163]
依据所述精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
[0164]
示例2根据示例1所述的方法，采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征，包括：
[0165]
基于所述立体图像重建模型中的预训练光流估计网络，对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征。
[0166]
示例3根据示例2所述的方法，所述预训练光流估计网络的确定过程包括：
[0167]
确定光流估计网络所使用的训练样本；每个训练样本包括真实场景的两个训练图像以及两个训练图像之间的光流预标注值；
[0168]
基于所述训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到所述立体图像重建模型中预训练光流估计网络。
[0169]
示例4根据示例3所述的方法，确定光流估计网络所使用的训练样本包括：
[0170]
确定从源图像集中选取的背景图像与前景图像对应的光流信息；其中所述背景图像与前景图像为不重复的图像，所述源图像集基于立体图像超分辨率数据集中真实场景图像生成；
[0171]
从所述前景图像中选取局部区域得到前景局部图像，并确定前景局部图像对应的光流信息；
[0172]
将背景图像与前景局部图像采用各自光流信息进行前向转换，得到转换后的背景图像与前景局部图像；
[0173]
将转换前的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第一训练图像，将转换后的背景图像与前景局部图像按从背景到前景的方向进行叠加得到第二训练图像以及将背景图像与前景局部图像各自对应的光流信息进行叠加得到两个训练图像之间的预标注光流信息，以构建训练光流估计网络所使用的训练样本。
[0174]
示例5根据示例3所述的方法，基于所述训练样本控制立体图像重建模型中待训练光流估计网络执行光流估计训练任务，得到所述立体图像重建模型中预训练光流估计网络，包括：
[0175]
将训练样本中两个训练图像输入到立体图像重建模型中的待训练光流估计网络进行光流估计训练任务，得到训练样本中两个训练图像之间的光流估算值；
[0176]
依据训练样本中两个训练图像之间的光流估算值与两个训练图像之间的光流预标注值，确定光流估计训练任务的损失函数值；
[0177]
依据光流估计训练任务的损失函数值对所述待训练光流估计网络进行参数调整，得到所述预训练光流估计网络。
[0178]
示例6根据示例2所述的方法，基于所述立体图像重建模型中的预训练光流估计网络，对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征，包括：
[0179]
将待处理立体图像左右视图输入到所述立体图像重建模型中的预训练光流估计网络，得到待处理立体图像左右视图之间的光流估算值；
[0180]
依据待处理立体图像左右视图之间的光流估算值对待处理立体图像左右视图特征进行预对齐，得到待处理立体图像左右视图特征之间的预对齐特征；
[0181]
其中，对齐特征包括从立体图像左视图特征向立体图像右视图特征进行对齐得到的特征以及从立体图像右视图特征向立体图像左视图特征进行对齐得到的特征。
[0182]
示例7根据示例1所述的方法，采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务，包括：
[0183]
通过所述立体图像重建模型中的预训练精细化对齐网络对所述预对齐特征进行精细化对齐得到精细化对齐特征；
[0184]
其中，在训练所述预训练精细化对齐网络时，所述预训练光流估计网络的学习率处于预设学习率范围内，所述预训练光流估计网络的学习率低于所述预训练精细化对齐网络的学习率，所述精细化对齐网络包括可变形卷积网络。
[0185]
示例8根据示例7所述的方法，通过所述立体图像重建模型的预训练精细化对齐网络对所述预对齐特征进行精细化对齐得到精细化对齐特征，包括：
[0186]
将所述预对齐特征与待处理立体图像左右视图特征输入到所述精细化对齐网络的偏移估计网络中进行偏移估计，确定所述预对齐特征的偏移量；
[0187]
将所述预对齐特征的偏移量与所述预对齐特征输入到所述精细化对齐网络的可变形卷积网络中对所述预对齐特征进行精细化对齐，得到待处理立体图像左右视图特征之间的精细化对齐特征。
[0188]
示例9根据示例1所述的方法，依据所述精细化对齐任务对待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图，包括：
[0189]
将所述精细化对齐任务得到的精细化对齐特征与待处理立体图像左右视图特征输入到所述立体图像重建模型的融合重建网络，得到经对立体图像左右视图进行超分辨率重建的重建后立体图像左右视图。
[0190]
根据本公开的一个或多个实施例，示例10提供了一种立体图像重建装置，所述应用装置包括：
[0191]
预对齐模块，用于采用立体图像重建模型对待处理立体图像左右视图特征执行光流预对齐任务得到预对齐特征；
[0192]
精细化对齐模块，用于采用所述立体图像重建模型对所述预对齐特征执行精细化对齐任务；
[0193]
图像重建模块，用于依据所述精细化对齐任务对所述待处理立体图像左右视图进行图像重建得到重建后立体图像左右视图。
[0194]
根据本公开的一个或多个实施例，示例11提供了一种电子设备，所述电子设备包括：
[0195]
至少一个处理器；以及
[0196]
与所述至少一个处理器通信连接的存储器；其中，
[0197]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行示例1-9中任一项所述的立体图像重建方法。
[0198]
根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现示例1-9中任一项所述的立体图像重建方法。
[0199]
以上描述仅为本公开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，本公开中所涉及的公开范围，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上述公开构思的情况下，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。例如上述特征与本公开中公开的(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。
[0200]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0201]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。