(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 202210772156.6 (22)申请日 2022.06.30 (71)申请人 抖音视界 （北京） 有限公司 地址 100041 北京市石景山区实兴大街3 0 号院3号楼 2层B-0035房间 (72)发明人 边成　李永会　张志诚　 (74)专利代理 机构 北京英创嘉友知识产权代理 事务所(普通 合伙) 11447 专利代理师 贺晓蕾 (51)Int.Cl. G06T 5/00(2006.01) G06T 11/00(2006.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 检查图像的降噪方法、 装置、 可读介质和电 子设备 (57)摘要 本公开涉及一种检查图像的降噪方法、 装 置、 可读介质和电子设备， 涉及图像处理技术领 域， 该方法包括： 获取检查设备按照预设剂量采 集的带噪检查图像， 利用预先训练的降噪模型对 带噪检查图像进行降噪处理， 以得到目标检查图 像， 降噪模型是根据第一数量的有标样本图像、 第二数量的无标样本图像， 以及 有标样本图像和 无标样本图像在特征子空间上的空间相似度训 练得到的， 有标样本图像标注有对应的无噪检查 图像， 第一数量小于第二数量， 采集无噪检查图 像的剂量大于预设剂量。 本公开能够利用少量有 标样本图像、 大量无标样本图像以及二者在特征 子空间上的空间相似度训练降噪模 型， 能够有效 提高降噪模 型的降噪准确度， 降低降噪模型对有 标样本图像的依赖 。 权利要求书3页 说明书14页 附图5页 CN 114972118 A 2022.08.30 CN 114972118 A 1.一种检查图像的降噪方法， 其特 征在于， 所述方法包括： 获取检查设备按照预设剂量采集的带噪检查图像； 利用预先训练的降噪模型对所述带噪检查图像进行降噪处 理， 以得到目标检查图像； 所述降噪模型是根据第一数量的有标样本 图像、 第二数量的无标样本 图像， 以及所述 有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的， 所述有标样 本图像标注有对应的无噪检查图像， 所述第一数量小于所述第二数量， 采集所述无噪检查 图像的剂量大于所述预设剂量。 2.根据权利要求1所述的方法， 其特征在于， 所述利用预先训练 的降噪模型对所述带 噪 检查图像进行降噪处 理， 以得到目标检查图像， 包括： 利用所述降噪模型中的卷积层， 对所述带噪检查图像进行下采样， 以得到下采样检查 图像； 利用所述降噪模型中的转置卷积层， 对所述下采样检查图像进行上采样， 以得到所述 目标检查图像。 3.根据权利要求1或2所述的方法， 其特征在于， 所述降噪模型是通过以下方式训练得 到的： 获取样本输入集和样本输出集， 所述样本输入集包括： 第一数量的所述有标样本 图像 和第二数量的所述无标样本图像； 所述样本输出集中包括与每个所述有标样本图像对应的 所述无噪检查图像； 将所述样本输入集作为所述降噪模型的输入， 将所述样本输出集分别作为所述降噪模 型的输出， 以根据所述空间相似度训练所述降噪模型。 4.根据权利要求3所述的方法， 其特征在于， 所述将所述样本输入集作为所述降噪模型 的输入， 将所述样本输出集分别作为所述降噪模型 的输出， 以根据所述空间相似度训练所 述降噪模型， 包括： 从所述样本输入集中抽取多个训练批次， 每个所述训练批次包括所述有标样本图像和 所述无标样本图像； 针对每个所述训练批次， 将该训练批次中的所述有标样本 图像输入所述降噪模型， 得 到所述降噪模型输出的有标训练图像， 并将该训练批次中的所述无标样本图像输入所述降 噪模型， 得到所述降噪模型输出的无 标训练图像； 对所述有标训练图像进行奇异值分解， 以得到有标特征子空间， 并对所述无标训练图 像进行奇异值分解， 以得到无 标特征子空间； 根据所述有标 特征子空间和所述无 标特征子空间， 确定所述空间相似度； 根据所述有标训练图像、 所述有标特征子空间、 所述无标特征子空间、 所述空间相似 度， 以及该训练批次中所述有标样本图像对应的所述无噪检查图像， 训练所述降噪模型。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述有标训练图像进行奇异值分 解， 以得到有标特征子空间， 并对所述无标训练图像进 行奇异值分解， 以得到无标特征子空 间， 包括： 对所述有标训练图像进行奇异值分解， 将所述有标训练图像的左奇异矩阵作为所述有 标特征子空间， 所述有标 特征子空间包括 一组用于表征 所述有标训练图像的基向量； 对所述无标训练图像进行奇异值分解， 将所述无标训练图像的左奇异矩阵作为所述无权　利　要　求　书 1/3 页 2 CN 114972118 A 2标特征子空间， 所述无 标特征子空间包括 一组用于表征 所述无标训练图像的基向量。 6.根据权利要求4所述的方法， 其特征在于， 所述根据所述有标特征子空间和所述无标 特征子空间， 确定所述空间相似度， 包括： 根据所述有标 特征子空间和所述无 标特征子空间的余弦距离， 确定所述空间相似度。 7.根据权利要求4所述的方法， 其特征在于， 所述根据所述有标训练图像、 所述有标特 征子空间、 所述无标特征子空间、 所述空间相似度， 以及该训练批次中所述有标样本图像对 应的所述无噪检查图像， 训练所述降噪模型， 包括： 根据所述有标训练图像， 以及该训练批次中所述有标样本图像对应的所述无 噪检查图 像， 确定监 督损失； 根据所述有标 特征子空间、 所述无 标特征子空间和所述空间相似度， 确定半监 督损失； 根据所述 监督损失和所述半监 督损失， 确定目标损失； 以降低所述目标损失为目标， 利用反向传播 算法训练所述降噪模型。 8.根据权利要求7所述的方法， 其特征在于， 所述根据所述有标训练图像， 以及该训练 批次中所述有标样本图像对应的所述无噪检查图像， 确定监 督损失， 包括： 根据所述有标训练图像与 所述有标训练图像对应的所述无 噪检查图像的差， 确定所述 监督损失； 所述根据所述有标特征子空间、 所述无标特征子空间和所述空间相似度， 确定半监督 损失， 包括： 将所述有标 特征子空间的转置与所述无 标特征子空间的乘积作为联合矩阵； 根据所述有标特征子空间和所述无标特征子空间的余弦距离， 对所述联合矩阵进行特 征分解， 得到所述有标训练图像在共享子空间上 的系数， 和所述无标训练图像在所述共享 子空间上的系数， 所述共享子空间为所述有标训练图像和所述无标训练图像共享的特征子 空间； 根据所述有标训练图像在所述共享子空间上的系数， 和所述无标训练图像在所述共享 子空间上的系数， 确定所述有标训练图像和所述无 标训练图像的图像相似度； 根据所述图像相似度和所述空间相似度， 确定所述半监 督损失。 9.一种检查图像的降噪装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取检查设备按照预设剂量采集的带噪检查图像； 降噪模块， 用于利用预先训练的降噪模型对所述带噪检查图像进行降噪处理， 以得到 目标检查图像； 所述降噪模型是根据第一数量的有标样本 图像、 第二数量的无标样本 图像， 以及所述 有标样本图像和所述无标样本图像在特征子空间上的空间相似度训练得到的， 所述有标样 本图像标注有对应的无噪检查图像， 所述第一数量小于所述第二数量， 采集所述无噪检查 图像的剂量大于所述预设剂量。 10.一种计算机可读介质， 其上存储有计算机程序， 其特征在于， 该程序被处理装置执 行时实现权利要求1 ‑8中任一项所述方法的步骤。 11.一种电子设备， 其特 征在于， 包括： 存储装置， 其上存 储有计算机程序； 处理装置， 用于执行所述存储装置 中的所述计算机程序， 以实现权利要求1 ‑8中任一项权　利　要　求　书 2/3 页 3 CN 114972118 A 3