本技術涉及圖像，尤其涉及前景分割方法、裝置、設備及存儲介質(zhì)。

背景技術：

1、傳統(tǒng)的單任務前景分割模型，為了獲取單個任務域內(nèi)的特性，往往設計出復雜精巧的網(wǎng)絡結構和定制的訓練方式，導致這些模型缺乏在前景分割領域的泛化能力。此外，這些模型傾向于過擬合到特定任務的數(shù)據(jù)分布中。作為對比，當前用于解決前景分割多個任務的通用模型，會從獲取多個任務之間的共性的角度出發(fā)，提取諸如頻率、多尺度、紋理和邊緣等低級別的特征；但是，這樣的方式容易忽略不同任務之間的特性，無法準確辨析不同任務之間的側重點。判別式網(wǎng)絡面臨著無法同時兼顧任務表現(xiàn)和任務泛化性的困境。另外，一些基于擴散模型的方法借助其生成圖像的能力，從一個生成的視角來解決分割的任務；但是，受限于擴散模型原本模型的復雜龐大的網(wǎng)絡架構，以及對分割任務下去噪機制的不當適配，使這類方法性能表現(xiàn)遠遜之前的方法。

技術實現(xiàn)思路

1、本技術的主要目的在于提供一種前景分割方法、裝置、設備及存儲介質(zhì)，旨在解決現(xiàn)有技術中前景分割模型在執(zhí)行前景分割任務時，無法同時保證精確性和泛化性的技術問題。

2、為實現(xiàn)上述目的，本技術提出一種前景分割方法，所述前景分割方法包括：

3、將各樣本訓練圖像的中間態(tài)掩碼輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡進行對齊，確定各樣本訓練圖像的多個對齊條件表征，所述對齊條件提取網(wǎng)絡由圖像嵌入模塊、中間態(tài)掩碼對齊模塊以及多階級聯(lián)編碼模塊組成；

4、將各樣本訓練圖像的多個對齊條件表征輸入至所述待訓練分割模型中的雙向級聯(lián)融合去噪網(wǎng)絡進行去噪，得到目標前景分割模型，所述雙向級聯(lián)融合去噪網(wǎng)絡包括下采樣單元和上采樣單元，所述下采樣單元中的多個漸進融合單元之間建立了級聯(lián)流和融合流；

5、將待分割前景圖像輸入至所述目標前景分割模型，得到所述待分割前景圖像的前景分割掩碼。

6、在一實施例中，所述將各樣本訓練圖像的中間態(tài)掩碼輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡進行對齊，確定各樣本訓練圖像的多個對齊條件表征的步驟包括：

7、將各樣本訓練圖像的中間態(tài)掩碼和各樣本訓練圖像輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡，通過對齊條件提取網(wǎng)絡中的圖像嵌入模塊對各樣本訓練圖像進行處理，得到多個第一處理圖像；

8、通過所述對齊條件提取網(wǎng)絡中的中間態(tài)掩碼對齊模塊根據(jù)各第一處理圖像和各樣本訓練圖像的中間態(tài)掩碼進行對齊，得到各樣本訓練圖像的待編碼特征；

9、通過所述對齊條件提取網(wǎng)絡中的多階級聯(lián)編碼模塊對各樣本訓練圖像的待編碼特征進行編碼，得到各樣本訓練圖像的多個對齊條件表征。

10、在一實施例中，所述通過所述對齊條件提取網(wǎng)絡中的中間態(tài)掩碼對齊模塊根據(jù)各第一處理圖像和各樣本訓練圖像的中間態(tài)掩碼進行對齊，得到各樣本訓練圖像的待編碼特征的步驟包括：

11、通過所述對齊條件提取網(wǎng)絡中的中間態(tài)掩碼對齊模塊根據(jù)各第一處理圖像的圖像維度分別對各樣本訓練圖像的中間態(tài)掩碼進行嵌入操作，得到各樣本訓練圖像的嵌入特征；

12、對各樣本訓練圖像的嵌入特征和各第一處理圖像進行展平操作，得到各樣本訓練圖像的第一特征序列和第二特征序列；

13、根據(jù)各樣本訓練圖像的第一特征序列和第二特征序列進行融合對齊，得到各樣本訓練圖像的待編碼特征。

14、在一實施例中，所述根據(jù)各樣本訓練圖像的第一特征序列和第二特征序列進行融合對齊，得到各樣本訓練圖像的待編碼特征的步驟包括：

15、通過所述中間態(tài)掩碼對齊模塊中的多個投影層對各樣本訓練圖像的第一特征序列和第二特征序列進行融合操作，得到各樣本訓練圖像的融合特征序列；

16、通過所述中間態(tài)掩碼對齊模塊中的多層感知機和激活層對各樣本訓練圖像的融合特征序列進行對齊，得到各樣本訓練圖像的融合對齊特征；

17、將經(jīng)過所述中間態(tài)掩碼對齊模塊中的上投影層的各樣本訓練圖像的融合對齊特征和各第一處理圖像進行殘差連接，得到各樣本訓練圖像的待編碼特征。

18、在一實施例中，所述將各樣本訓練圖像的多個對齊條件表征輸入至所述待訓練分割模型中的雙向級聯(lián)融合去噪網(wǎng)絡進行去噪，得到目標前景分割模型的步驟包括：

19、將各樣本訓練圖像的多個對齊條件表征輸入至所述待訓練分割模型中的雙向級聯(lián)融合去噪網(wǎng)絡，通過所述雙向級聯(lián)融合去噪網(wǎng)絡中的級聯(lián)流將各樣本訓練圖像的多個對齊條件表征，按照第一預設方向進行融合，輸出各樣本訓練圖像的級聯(lián)特征；

20、通過所述雙向級聯(lián)融合去噪網(wǎng)絡中的融合流根據(jù)各樣本訓練圖像的級聯(lián)特征和各樣本訓練圖像的中間態(tài)掩碼，輸出各樣本訓練圖像的特征映射；

21、將各樣本訓練圖像的特征映射輸入至所述級聯(lián)融合去噪網(wǎng)絡中的上采樣單元進行特征恢復，得到目標前景分割網(wǎng)絡。

22、在一實施例中，所述通過所述雙向級聯(lián)融合去噪網(wǎng)絡中的融合流根據(jù)各樣本訓練圖像的級聯(lián)特征和各樣本訓練圖像的中間態(tài)掩碼，輸出各樣本訓練圖像的特征映射的步驟包括：

23、通過所述雙向級聯(lián)融合去噪網(wǎng)絡中的融合流對各樣本訓練圖像的中間態(tài)掩碼進行下采樣，得到各樣本訓練圖像的中間狀態(tài)；

24、對各樣本訓練圖像的中間狀態(tài)和各樣本訓練圖像的級聯(lián)特征進行融合，得到各樣本訓練圖像的嵌入表征；

25、對各樣本訓練圖像的嵌入表征和時間步長進行逐步融合，得到各樣本訓練圖像對應的單元層輸出；

26、根據(jù)各樣本訓練圖像對應的單元層輸出和各樣本訓練圖像的嵌入表征，得到各樣本訓練圖像的特征映射。

27、在一實施例中，所述將各樣本訓練圖像的多個中間態(tài)掩碼輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡進行對齊，確定各樣本訓練圖像的多個對齊條件表征的步驟之前，還包括：

28、獲取各樣本訓練圖像及各樣本訓練圖像的真值掩碼；

29、在隨機選擇的時間步下對各樣本訓練圖像的真值掩碼進行前向加噪，得到各樣本訓練圖像的中間態(tài)掩碼。

30、此外，為實現(xiàn)上述目的，本技術還提出一種前景分割裝置，所述前景分割裝置包括：

31、對齊模塊，用于將各樣本訓練圖像的中間態(tài)掩碼輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡進行對齊，確定各樣本訓練圖像的多個對齊條件表征，所述對齊條件提取網(wǎng)絡由圖像嵌入模塊、中間態(tài)掩碼對齊模塊以及多階級聯(lián)編碼模塊組成；

32、去噪模塊，用于將各樣本訓練圖像的多個對齊條件表征輸入至所述待訓練分割模型中的雙向級聯(lián)融合去噪網(wǎng)絡進行去噪，得到目標前景分割模型，所述雙向級聯(lián)融合去噪網(wǎng)絡包括下采樣單元和上采樣單元，所述下采樣單元中的多個漸進融合單元之間建立了級聯(lián)流和融合流；

33、分割模塊，用于將待分割前景圖像輸入至所述目標前景分割模型，得到所述待分割前景圖像的前景分割掩碼。

34、此外，為實現(xiàn)上述目的，本技術還提出一種前景分割設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現(xiàn)如上文所述的前景分割方法的步驟。

35、此外，為實現(xiàn)上述目的，本技術還提出一種存儲介質(zhì)，所述存儲介質(zhì)為計算機可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的前景分割方法的步驟。

36、此外，為實現(xiàn)上述目的，本技術還提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的前景分割方法的步驟。

37、本技術通過將各樣本訓練圖像的中間態(tài)掩碼輸入至待訓練分割模型中的對齊條件提取網(wǎng)絡進行對齊，確定各樣本訓練圖像的多個對齊條件表征，所述對齊條件提取網(wǎng)絡由圖像嵌入模塊、中間態(tài)掩碼對齊模塊以及多階級聯(lián)編碼模塊組成；將各樣本訓練圖像的多個對齊條件表征輸入至所述待訓練分割模型中的雙向級聯(lián)融合去噪網(wǎng)絡進行去噪，得到目標前景分割模型，所述雙向級聯(lián)融合去噪網(wǎng)絡包括下采樣單元和上采樣單元，所述下采樣單元中的多個漸進融合單元之間建立了級聯(lián)流和融合流；將待分割前景圖像輸入至所述目標前景分割模型，得到所述待分割前景圖像的前景分割掩碼。通過上述方式，基于掩碼擴散過程中間態(tài)的對齊模塊以提升多任務泛化能力，基于前序去噪結果自回歸式地指導后續(xù)去噪過程的自舉策略以逐步改善采樣質(zhì)量，基于雙向特征級聯(lián)融合的u型去噪網(wǎng)絡架構實現(xiàn)對多級指導條件精確接收和高效處理，使目標前景分割模型具有卓越的性能和跨任務的泛化能力，保證了在前景分割任務中能夠同時保證精確性和泛化性的困境。