本发明涉及人工智能硬件平台中gpu分支图像处理器领域，尤其设计一种图像修复的方法、模型训练方法、芯片、介质、程序产品、gpu服务器。
背景技术：
1、水下环境信息收集，尤其是在光学成像方面，呈现出一系列独特而复杂的挑战。这些挑战主要源于水下世界与陆地成像环境截然不同的物理特性。同时，水中的微粒和浮游生物会散射穿越的光线，使得成像过程中捕捉到的光线方向发生变化，进而导致图像出现模糊，细节丧失，对比度降低，色散现象也会进一步加剧成像的色彩失真。在深海或深湖等深水环境中，上述问题更为严重。由于阳光难以穿透至深水区域，这些区域几乎处于完全的黑暗之中。在这样的环境下，可见光源主要来自于某些特定的生物发光现象，如荧光水母和某些深海鱼类的生物发光。然而，这些生物发光提供的光照非常有限，远远不足以照亮周围环境，导致深海成像的能见度极低。这种极低的光照条件，加之水体的物理特性对光线的影响，极大地限制了水下成像技术的应用，使得高质量的水下图像获取变得异常困难。
2、水下图像增强技术是改善图像视觉质量的关键技术手段。这些技术致力于对因水下特有的光学特性(如光的吸收、散射和色散)而退化的图像进行处理，以提高图像的可用性和信息量。在传统的水下图像增强方法中，基于水下物理模型的方法占据了重要位置，尽管基于物理模型的方法在原理上具有坚实的基础，但在实际应用中面临着显著的挑战。这类方法依赖于对水下环境深度和光传播系数等参数的准确估计，而这些参数在现实环境中往往难以精确获得。此外，由于海洋环境的复杂性和多变性，基于简化物理模型的方法可能无法充分捕捉水下成像的所有特性，导致增强结果缺乏稳健性，有时甚至会产生不自然的视觉效果。
技术实现思路
1、一、要解决的技术问题
2、本发明期望能够至少部分解决上述技术问题中的其中之一。
3、二、技术方案
4、本发明第一方面提供了一种图像修复的模型训练方法。该模型训练方法包括：
5、步骤a，前向加噪，包括：将原始图像iraw和修复完成的参照图像iref进行合成，得到合成图像i0：i0＝f(iraw，iref)，f为合成函数；在合成图像i0上分n步逐步引入高斯噪声，得到加噪图像in，n≥100；
6、步骤b，反向去噪训练，包括：m步的去噪训练步骤，其中，对于第m步去噪训练步骤，包括：利用噪声估计神经网络进行噪声估计，其中，fθ为噪声估计神经网络，xm为当前步骤的含噪图像；iref为参考图像，为噪声估计神经网络回归输出的估计噪声；噪声去除，得到去噪后的图片：其中，m＝mm-1，…，1，m≥100，m≤n，xm＝in，在m步的去噪训练步骤未结束的情况下，xm-1作为下一步去噪训练步骤的输入；在m步的去噪训练步骤结束后，得到去噪图像x0；其中，在去噪训练步骤中对噪声估计神经网络通过反向传播进行训练，所述噪声估计神经网络的损失函数l包括：去噪训练步骤中得到的估计噪声的均值与真实噪声均值之间的差异l1。
7、本发明第二方面提供了一种图像修复方法。该图像修复方法包括：
8、获得待修复图像；
9、将待修复图像与高斯噪声图像进行合成，得到合成图像；
10、对合成图像进行去噪，包括：s步的去噪步骤，
11、其中，对于第s步去噪步骤，包括：利用噪声估计神经网络进行噪声估计，其中，fθ为经由如上的模型训练方法得到噪声估计神经网络，xs为当前步骤的含噪图像；为噪声估计神经网络回归输出的估计噪声；噪声去除，得到去噪后的图片：其中，s＝s，s-1，…，1，s≥100，在去噪过程未结束的情况下，xs+1作为下一步去噪过程的输入，在去噪过程结束后，得到去噪图片x0。
12、本发明第三方面提供了一种计算机芯片。该计算机芯片被配置为实现：如上的图像修复的模型训练方法；或，如上的图像修复方法。
13、本发明第四方面提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现：如上的图像修复的模型训练方法；或，图像修复方法。
14、本发明第五方面提供了一种计算机程序产品。该计算机程序产品包括：计算机程序，其中，该计算机程序被处理器执行时实现：如上的图像修复的模型训练方法；或，图像修复方法。
15、本发明第六方面提供了一种gpu服务器。该gpu服务器包括：处理器；存储器，其上存储有计算机程序；其中，所述处理器执行所述计算机程序时，实现：如上的图像修复的模型训练方法；或，图像修复方法。
16、三、有益效果
17、从上述技术方案可知，本发明相对于现有技术至少具有以下有益效果之一：
18、1.引入了一种扩散模型，通过监督学习策略，优化模型参数以适应特定环境的成像条件，去噪效果大大提升。
19、2.在反向去噪步骤中，色彩校正模块利用深度学习网络对每个像素的色彩进行精确校正，确保最终输出的图像完整的反映了原始场景的色彩。
1.一种图像修复的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，
3.根据权利要求2所述的模型训练方法，其特征在于，所述步骤a中，
4.根据权利要求3所述的模型训练方法，其特征在于，
5.根据权利要求4所述的模型训练方法，其特征在于，所述unet网络包括编码器、解码器，以及连接二者的跳跃路径；其中：
6.根据权利要求1所述的模型训练方法，其特征在于，所述m步的去噪训练步骤包括：
7.根据权利要求6所述的模型训练方法，其特征在于，所述色彩校正模块包括：
8.根据权利要求6所述的模型训练方法，其特征在于，
9.一种图像修复方法，其特征在于，包括：
10.根据权利要求8所述的图像修复方法，其特征在于，所述s步的去噪步骤包括：
11.根据权利要求10所述的图像修复方法，其特征在于，
12.一种计算机芯片，其特征在于，所述计算机芯片被配置为实现：如权利要求1至8中任一项所述的图像修复的模型训练方法；或，如权利要求9或10所述的图像修复方法。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机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修复的模型训练方法；或，如权利要求9或10所述的图像修复方法。
14.一种计算机程序产品，其特征在于，包括：计算机程序，其中，该计算机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修复的模型训练方法；或，如权利要求9或10所述的图像修复方法。
15.一种gpu服务器，其特征在于，包括：
