背景技術：

1、許多現代計算裝置(包括移動電話、個人計算機和平板電腦)都包含圖像捕獲裝置，諸如靜態相機和/或視頻相機。圖像捕獲裝置可捕獲圖像，諸如包括人、動物、風景和/或對象的圖像。一些圖像捕獲裝置和/或計算裝置可校正或以其他方式修改所捕獲的圖像。例如，一些圖像捕獲裝置可提供“紅眼”校正，所述“紅眼”校正移除偽影，諸如可存在于使用明亮燈光(諸如閃光照明)捕獲的圖像中的人和動物的出現紅色的眼睛。在已校正所捕獲的圖像之后，可將所校正的圖像保存、顯示、發送、打印到紙上和/或以其他方式利用。

技術實現思路

1、消除圖像中的模糊、噪聲和壓縮偽影是計算攝影中長期存在的問題。圖像劣化可能源自多個來源。當攝影師或自動對焦系統錯誤地設置焦點(失焦)時，或者當相機與場景之間的相對運動比快門速度更快(運動模糊)時。另外，即使在理想的采集條件下，由于傳感器分辨率、光衍射、鏡頭像差和抗鋸齒濾波器，也可能存在固有的相機模糊。類似地，圖像噪聲是捕獲離散數目的光子(散粒噪聲)以及模數轉換和處理(讀出噪聲)所固有的。一般來說，圖像在存儲或傳輸之前被壓縮，例如使用jpeg壓縮。圖像壓縮也會劣化圖像質量。

2、在機器學習組件系統的支持下，圖像捕獲裝置可以被配置為使用戶能夠消除模糊、噪聲、壓縮偽影等，以創建清晰的圖像。在一些方面，移動裝置可被配置有這些特征，使得可實時增強圖像。在一些情況下，移動裝置可自動增強圖像。在其他方面，移動電話用戶可以非破壞性地增強圖像，以與他們的偏好相匹配。而且例如，可基于本文所述的技術來增強用戶的圖像庫中的預先存在的圖像。

3、在一個方面，提供了一種計算機實現的方法。該方法包括由計算裝置接收與相應的多個劣化因子相對應的多個訓練數據集，其中每個訓練數據集包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對。該方法還包括訓練多個中間機器學習模型以消除與給定圖像相關聯的一個或多個圖像劣化，其中該多個中間機器學習模型中的每個中間機器學習模型在該多個訓練數據集中的相應訓練數據集上進行訓練，以基于該相應的多個劣化因子消除與該給定圖像相關聯的該一個或多個圖像劣化。該方法另外包括在附加的真實圖像訓練數據集上訓練圖像變換模型以消除與真實圖像相關聯的該一個或多個圖像劣化，其中該圖像變換模型從該多個中間機器學習模型中學習。該方法進一步包括由該計算裝置輸出經過訓練的圖像變換模型以用于消除圖像劣化。

4、在另一方面，提供了一種計算裝置。該計算裝置包括一個或多個處理器和數據存儲裝置。該數據存儲裝置上存儲有計算機可執行指令，所述計算機可執行指令在由一個或多個處理器執行時使該計算裝置執行功能。所述功能包括：由該計算裝置接收與相應的多個劣化因子相對應的多個訓練數據集，其中每個訓練數據集包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對；訓練多個中間機器學習模型以消除與給定圖像相關聯的一個或多個圖像劣化，其中該多個中間機器學習模型中的每個中間機器學習模型在該多個訓練數據集中的相應訓練數據集上進行訓練，以基于該相應的多個劣化因子消除與該給定圖像相關聯的該一個或多個圖像劣化；在附加的真實圖像訓練數據集上訓練圖像變換模型以消除與真實圖像相關聯的該一個或多個圖像劣化，其中該圖像變換模型從該多個中間機器學習模型中學習；以及由該計算裝置輸出經過訓練的圖像變換模型以用于消除圖像劣化。

5、在另一方面，提供了一種計算機程序。該計算機程序包括指令，所述指令在由計算裝置執行時使該計算裝置執行功能。所述功能包括：由該計算裝置接收與相應的多個劣化因子相對應的多個訓練數據集，其中每個訓練數據集包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對；訓練多個中間機器學習模型以消除與給定圖像相關聯的一個或多個圖像劣化，其中該多個中間機器學習模型中的每個中間機器學習模型在該多個訓練數據集中的相應訓練數據集上進行訓練，以基于該相應的多個劣化因子消除與該給定圖像相關聯的該一個或多個圖像劣化；在附加的真實圖像訓練數據集上訓練圖像變換模型以消除與真實圖像相關聯的該一個或多個圖像劣化，其中該圖像變換模型從該多個中間機器學習模型中學習；以及由該計算裝置輸出經過訓練的圖像變換模型以用于消除圖像劣化。

6、在另一方面，提供了一種制品。該制品包括一個或多個計算機可讀介質，該一個或多個計算機可讀介質上存儲有計算機可讀指令，所述計算機可讀指令在由計算裝置的一個或多個處理器執行時使該計算裝置執行功能。所述功能包括：由該計算裝置接收與相應的多個劣化因子相對應的多個訓練數據集，其中每個訓練數據集包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對；訓練多個中間機器學習模型以消除與給定圖像相關聯的一個或多個圖像劣化，其中該多個中間機器學習模型中的每個中間機器學習模型在該多個訓練數據集中的相應訓練數據集上進行訓練，以基于該相應的多個劣化因子消除與該給定圖像相關聯的該一個或多個圖像劣化；在附加的真實圖像訓練數據集上訓練圖像變換模型以消除與真實圖像相關聯的該一個或多個圖像劣化，其中該圖像變換模型從該多個中間機器學習模型中學習；以及由該計算裝置輸出經過訓練的圖像變換模型以用于消除圖像劣化。

7、在另一方面，提供了一種系統。該系統包括用于由該計算裝置接收與相應的多個劣化因子相對應的多個訓練數據集的構件，其中每個訓練數據集包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對；用于訓練多個中間機器學習模型以消除與給定圖像相關聯的一個或多個圖像劣化的構件，其中該多個中間機器學習模型中的每個中間機器學習模型在該多個訓練數據集中的相應訓練數據集上進行訓練，以基于該相應的多個劣化因子消除與該給定圖像相關聯的該一個或多個圖像劣化；用于在附加的真實圖像訓練數據集上訓練圖像變換模型以消除與真實圖像相關聯的該一個或多個圖像劣化的構件，其中該圖像變換模型從該多個中間機器學習模型中學習；以及用于由該計算裝置輸出經過訓練的圖像變換模型以用于消除圖像劣化的構件。

8、在另一方面，提供了一種計算機實現的方法。該方法包括由計算裝置接收包括一個或多個圖像劣化的輸入圖像。該方法還包括由圖像變換模型預測該輸入圖像的經變換版本，該圖像變換模型已被訓練以消除與該輸入圖像相關聯的該一個或多個圖像劣化，該訓練已包括(1)訓練多個中間機器學習模型以消除該一個或多個圖像劣化，該多個中間機器學習模型中的每個中間機器學習模型已在與相應的多個劣化因子相對應的多個訓練數據集中的相應訓練數據集上進行訓練，每個訓練數據集已包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對，以及(2)該圖像變換模型已在附加的真實圖像訓練數據集上進行訓練，并且已從該多個中間機器學習模型中學習。該方法另外包括由該計算裝置提供該輸入圖像的所預測的經變換版本。

9、在另一方面，提供了一種計算裝置。該計算裝置包括一個或多個處理器和數據存儲裝置。該數據存儲裝置上存儲有計算機可執行指令，所述計算機可執行指令在由一個或多個處理器執行時使該計算裝置執行功能。所述功能包括：由計算裝置接收包括一個或多個圖像劣化的輸入圖像；由圖像變換模型預測該輸入圖像的經變換版本，該圖像變換模型已被訓練以消除與該輸入圖像相關聯的該一個或多個圖像劣化，該訓練已包括(1)訓練多個中間機器學習模型以消除該一個或多個圖像劣化，該多個中間機器學習模型中的每個中間機器學習模型已在與相應的多個劣化因子相對應的多個訓練數據集中的相應訓練數據集上進行訓練，每個訓練數據集已包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對，以及(2)該圖像變換模型已在附加的真實圖像訓練數據集上進行訓練，并且已從該多個中間機器學習模型中學習；以及由該計算裝置提供該輸入圖像的所預測的經變換版本。

10、在另一方面，提供了一種計算機程序。該計算機程序包括指令，所述指令在由計算裝置執行時使該計算裝置執行功能。所述功能包括：由計算裝置接收包括一個或多個圖像劣化的輸入圖像；由圖像變換模型預測該輸入圖像的經變換版本，該圖像變換模型已被訓練以消除與該輸入圖像相關聯的該一個或多個圖像劣化，該訓練已包括(1)訓練多個中間機器學習模型以消除該一個或多個圖像劣化，該多個中間機器學習模型中的每個中間機器學習模型已在與相應的多個劣化因子相對應的多個訓練數據集中的相應訓練數據集上進行訓練，每個訓練數據集已包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對，以及(2)該圖像變換模型已在附加的真實圖像訓練數據集上進行訓練，并且已從該多個中間機器學習模型中學習；以及由該計算裝置提供該輸入圖像的所預測的經變換版本。

11、在另一方面，提供了一種制品。該制品包括一個或多個計算機可讀介質，該一個或多個計算機可讀介質上存儲有計算機可讀指令，所述計算機可讀指令在由計算裝置的一個或多個處理器執行時使該計算裝置執行功能。所述功能包括：由計算裝置接收包括一個或多個圖像劣化的輸入圖像；由圖像變換模型預測該輸入圖像的經變換版本，該圖像變換模型已被訓練以消除與該輸入圖像相關聯的該一個或多個圖像劣化，該訓練已包括(1)訓練多個中間機器學習模型以消除該一個或多個圖像劣化，該多個中間機器學習模型中的每個中間機器學習模型已在與相應的多個劣化因子相對應的多個訓練數據集中的相應訓練數據集上進行訓練，每個訓練數據集已包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對，以及(2)該圖像變換模型已在附加的真實圖像訓練數據集上進行訓練，并且已從該多個中間機器學習模型中學習；以及由該計算裝置提供該輸入圖像的所預測的經變換版本。

12、在另一方面，提供了一種系統。該系統包括：用于由計算裝置接收包括一個或多個圖像劣化的輸入圖像的構件；用于由圖像變換模型預測該輸入圖像的經變換版本的構件，該圖像變換模型已被訓練以消除與該輸入圖像相關聯的該一個或多個圖像劣化，該訓練已包括(1)訓練多個中間機器學習模型以消除該一個或多個圖像劣化，該多個中間機器學習模型中的每個中間機器學習模型已在與相應的多個劣化因子相對應的多個訓練數據集中的相應訓練數據集上進行訓練，每個訓練數據集已包括清晰圖像和所述清晰圖像的對應合成劣化版本的多個對，以及(2)該圖像變換模型已在附加的真實圖像訓練數據集上進行訓練，并且已從該多個中間機器學習模型中學習；以及用于由該計算裝置提供該輸入圖像的所預測的經變換版本的構件。

13、前述
技術實現要素：
僅是說明性的，并且無意以任何方式進行限制。除了上文描述的說明性方面、實施例和特征之外，通過參考圖以及以下詳細描述和附圖，另外的方面、實施例和特征將變得顯而易見。