(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 202211231610.3 (22)申请日 2022.10.10 (71)申请人 深圳大学 地址 518000 广东省深圳市南 山区粤海街 道南海大道3 688号 (72)发明人 李坚强　王佳　苏武强　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 王丽峰 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 图像恢复网络的训练方法、 设备及计算机可 读存储介质 (57)摘要 本发明公开了一种图像恢复网络的训练方 法、 设备及计算机可读存储介质， 其中， 方法包 括： 将各个训练图像对应的线性观测值输入至预 设的图像恢复网络进行训练， 以获得训练图像对 应的恢复图像； 根据恢复图像以及预设受保护的 分类模型， 确定训练损失参数， 并根据训练损失 参数， 对图像恢复网络中的参数进行更新， 得到 训练后的图像恢复网络； 若训练后的图像恢复网 络收敛， 则将训练后的图像恢复网络作为目标图 像恢复网络， 而后可实时将待分类的图像输入至 训练好的目标图像恢复网络中， 可得到避免对抗 性干扰的目标恢复图像， 从而使得分类模型对目 标恢复图像能进行正确分类， 以实现对分类模型 的保护。 权利要求书2页 说明书9页 附图2页 CN 115311174 A 2022.11.08 CN 115311174 A 1.一种图像恢复网络的训练方法， 其特征在于， 所述图像恢复网络的训练方法包括以 下步骤： 将各个训练图像对应的线性观测值输入至预设的图像恢 复网络进行训练， 以获得训练 图像对应的恢复图像； 根据所述恢复图像以及预设受保护的分类模型， 确定训练损 失参数， 并根据所述训练 损失参数， 对所述图像恢复 网络中的参数进行 更新， 得到训练后的图像恢复 网络； 若训练后的图像恢 复网络未收敛， 则将训练后的图像恢 复网络作为预设的图像恢 复网 络， 并返回执行将训练图像对应的线性观测值输入至预设的图像恢复网络进行训练的步 骤； 若训练后的图像恢复 网络收敛， 则将训练后的图像恢复 网络作为目标图像恢复 网络。 2.如权利要求1所述的图像恢 复网络的训练方法， 其特征在于， 所述根据 所述恢复图像 以及所述分类模型， 确定训练损失参数的步骤 包括： 根据所述恢复图像以及所述训练图像， 确定恢复损失参数； 根据所述恢复图像以及预设的稀疏变换基， 确定正则项损失参数； 根据所述恢复图像以及所述分类模型， 确定分类损失参数； 根据所述恢复损 失参数、 所述正则项损 失参数、 所述分类损 失参数以及预设的相对重 要性参数， 确定训练损失参数。 3.如权利要求2所述的图像恢 复网络的训练方法， 其特征在于， 所述根据 所述恢复图像 以及所述训练图像， 确定恢复损失参数的步骤 包括： 在各个训练图像中确定所述恢复图像对应的目标训练图像； 计算所述恢复图像与所述目标训练图像的均方误差， 以获得计算结果， 并将所述计算 结果作为训练损失中的恢复损失参数。 4.如权利要求2所述的图像恢 复网络的训练方法， 其特征在于， 所述根据 所述恢复图像 以及预设的稀疏变换基， 确定正则项损失参数的步骤 包括： 使用所述稀疏变换基对 恢复图像进行稀疏变换， 以获得稀疏系数向量的 范数； 将所述 范数作为正则项损失参数。 5.如权利要求2所述的图像恢 复网络的训练方法， 其特征在于， 所述根据 所述恢复图像 以及预设的分类模型， 确定分类损失参数的步骤 包括： 将所述恢复图像输入到所述分类模型中， 以获得到所述分类模型对所述恢 复图像分类 正确的概 率； 将所述概率作为分类损失参数。 6.如权利要求2所述的图像恢 复网络的训练方法， 其特征在于， 所述根据 所述恢复损失 参数、 所述正则项损失参数、 所述分类损失参数以及预设的相对重要性参数， 确定训练损失 参数的步骤 包括： 将所述正则项损失参数与所述相对重要性 参数进行乘法运 算， 以获得第一 参数； 将所述分类损失参数与所述相对重要性 参数进行乘法运 算， 以获得第二 参数； 将所述恢复损失参数、 第一 参数、 第二 参数进行加法运 算， 以获得训练损失参数。 7.如权利要求1所述的图像恢 复网络的训练方法， 其特征在于， 所述将各个训练图像对权　利　要　求　书 1/2 页 2 CN 115311174 A 2应的线性观测值输入至预设的图像恢复网络进行训练， 以获得训练图像对应的恢复图像的 步骤之前包括： 获取待恢复图像集， 其中， 所述待恢复图像集包括各个训练图像； 使用压缩感知技术对所述训练图像进行压缩， 以获得各个所述训练图像对应的线性观 测值。 8.如权利要求1所述的图像恢 复网络的训练方法， 其特征在于， 所述若训练后的图像恢 复网络收敛， 将训练后的图像恢复 网络作为目标图像恢复 网络步骤之后包括： 实时获取待分类图像， 并使用压缩感知技术对所述待分类图像进行压缩， 以获得各个 所述待分类图像对应的第二观测值； 将所述第二观测值输入至所述目标图像恢复 网络， 以获得目标恢复图像； 将所述目标恢复图像输入至预设受保护的分类模型中， 以获得分类结果。 9.一种图像恢 复网络的训练设备， 其特征在于， 所述图像恢 复网络的训练设备包括： 存 储器、 处理器及存储在所述存储器上并可在所述处理器上运行的图像恢复网络的训练程 序， 所述图像恢复网络的训练程序被所述处理器执行时实现如权利要求 1至8中任一项所述 的图像恢复 网络的训练方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有图像恢 复网络的训练程序， 所述图像恢复网络的训练程序被处理器执行时实现如权利要求 1至8中 任一项所述的图像恢复 网络的训练方法的步骤。权　利　要　求　书 2/2 页 3 CN 115311174 A 3