一种数据的去噪方法以及相关设备

1.一种数据的去噪方法，其特征在于，所述方法用于对第一带噪数据执行至少一次去噪操作，以得到与所述第一带噪数据对应的干净数据，所述至少一次去噪操作中的任意一次目标去噪操作包括：获取第一预测信息，其中，所述第一预测信息指示第二带噪数据与所述干净数据之间的预测噪声，所述第一预测信息由第一特征处理网络生成，所述第二带噪数据为所述第一带噪数据，或者，所述第二带噪数据为对所述第一带噪数据执行过至少一次去噪操作后的带噪数据；获取第二预测信息，其中，所述第二预测信息指示所述第二带噪数据和所述干净数据之间的预测噪声的平方，或者，所述第二预测信息指示所述第一预测信息和实际噪声之间的预测距离的平方，所述实际噪声包括所述第二带噪数据和所述干净数据之间的实际噪声，所述第二预测信息由第二特征处理网络生成，所述第一特征处理网络和所述第二特征处理网络处理的特征信息均基于所述第二带噪数据得到；根据所述第一预测信息和所述第二预测信息，生成与所述目标去噪操作对应的分布信息；从所述分布信息指向的分布空间中采样得到与所述第二带噪数据对应的去噪后数据。 2.根据权利要求1所述的方法，其特征在于，所述第一特征处理网络和所述第二特征处理网络用于处理相同的特征信息。 3.根据权利要求1或2所述的方法，其特征在于，所述至少一次去噪操作为N次去噪操作，所述N为大于或等于1的整数，若所述第一带噪数据为纯噪声，则所述N为超参数，所述第一特征处理网络处理的特征信息包括所述第二带噪数据的特征信息和约束信息的特征信息，所述干净数据满足所述约束信息的约束。 4.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一预测信息和所述第二预测信息，生成与所述目标去噪操作对应的分布信息，包括：根据所述第一预测信息，生成与所述目标去噪操作对应的均值；根据所述第二预测信息，生成与所述目标去噪操作对应的协方差。 5.根据权利要求1或2所述的方法，其特征在于，所述分布信息指向的分布空间服从高斯分布或伽马分布。 6.一种神经网络的训练方法，其特征在于，所述方法包括：将第三带噪数据输入特征提取网络，得到所述特征提取网络生成的第一特征信息，所述第一特征信息至少包括所述第三带噪数据的特征信息；通过第二特征处理网络对所述第一特征信息进行处理，得到所述第二特征处理网络输出的第二预测信息，所述第二预测信息指示所述第三带噪数据和第一干净数据之间的预测噪声的平方，所述第三带噪数据为对所述第一干净数据执行多次加噪操作得到；根据与所述第三带噪数据对应的第一期望信息、所述第二预测信息和第一损失函数，对所述第二特征处理网络进行训练，直至满足收敛条件，其中，所述第一损失函数指示所述第二预测信息和所述第一期望信息之间的相似度，所述第一期望信息指示所述第三带噪数据和所述第一干净数据之间的实际噪声的平方。 7.根据权利要求6所述的方法，其特征在于，所述对所述第二特征处理网络进行训练，包括：保持所述特征提取网络的参数不变，对所述第二特征处理网络的参数进行更新；其中，所述特征提取网络来源于训练后的第一神经网络，所述第一神经网络用于基于输入的第四带噪数据，生成所述第四带噪数据和第二干净数据之间的预测噪声，所述第二干净数据为对所述第四带噪数据执行多次加噪操作后得到。 8.根据权利要求6或7所述的方法，其特征在于，所述方法还用于获取训练后的第一神经网络，所述第一神经网络用于基于输入的纯噪声和约束信息，生成第一预测信息，所述第一预测信息指示所述纯噪声和满足所述约束信息的干净数据之间的预测噪声。 9.一种神经网络的训练方法，其特征在于，所述方法包括：将第三带噪数据输入特征提取网络，得到所述特征提取网络生成的第一特征信息，所述第一特征信息至少包括所述第三带噪数据的特征信息；通过第二特征处理网络对所述第一特征信息进行处理，得到所述第二特征处理网络输出的第二预测信息，所述第三带噪数据为对第一干净数据执行多次加噪操作后得到，所述第二预测信息指示第一预测信息和实际噪声之间的预测距离的平方，所述第一预测信息包括由第一神经网络生成的所述第三带噪数据和所述第一干净数据之间的预测噪声，所述第一神经网络用于基于输入的所述第三带噪数据生成所述第一预测信息，所述实际噪声包括所述第三带噪数据和所述第一干净数据之间的实际噪声；根据与所述第三带噪数据对应的第二期望信息、所述第二预测信息和第二损失函数，对所述第二特征处理网络进行训练，直至满足收敛条件，其中，所述第二损失函数指示所述第二预测信息和所述第二期望信息之间的相似度，所述第二期望信息指示所述第一预测信息和所述实际噪声之间的实际距离的平方。 10.根据权利要求9所述的方法，其特征在于，所述对所述第二特征处理网络进行训练，包括：保持所述特征提取网络的参数不变，对所述第二特征处理网络的参数进行更新，其中，所述特征提取网络来源于训练后的所述第一神经网络。 11.一种数据的去噪装置，其特征在于，所述数据的去噪装置用于对第一带噪数据执行至少一次去噪操作，以得到与所述第一带噪数据对应的干净数据，所述去噪装置包括：获取模块，用于获取第一预测信息，其中，所述第一预测信息指示第二带噪数据与所述干净数据之间的预测噪声，所述第一预测信息由第一特征处理网络生成，所述第二带噪数据为所述第一带噪数据，或者，所述第二带噪数据为对所述第一带噪数据执行过至少一次去噪操作后的带噪数据；所述获取模块，还用于获取第二预测信息，其中，所述第二预测信息指示所述第二带噪数据和所述干净数据之间的预测噪声的平方，或者，所述第二预测信息指示所述第一预测信息和实际噪声之间的预测距离的平方，所述实际噪声包括所述第二带噪数据和所述干净数据之间的实际噪声，所述第二预测信息由第二特征处理网络生成，所述第一特征处理网络和所述第二特征处理网络处理的特征信息均基于所述第二带噪数据得到；生成模块，用于根据所述第一预测信息和所述第二预测信息，生成与目标去噪操作对应的分布信息，所述目标去噪操作为所述至少一次去噪操作中的任意一次；采样模块，用于从所述分布信息指向的分布空间中采样得到与所述第二带噪数据对应的去噪后数据。 12.根据权利要求11所述的装置，其特征在于，所述第一特征处理网络和所述第二特征处理网络用于处理相同的特征信息。 13.根据权利要求11或12所述的装置，其特征在于，若所述第一带噪数据为纯噪声，则所述至少一次去噪操作为N次去噪操作，所述N为大于或等于11的整数，且所述N为超参数，所述第一特征处理网络处理的特征信息包括所述第二带噪数据的特征信息和约束信息的特征信息，所述干净数据满足所述约束信息的约束。 14.根据权利要求11或12所述的装置，其特征在于，所述生成模块，包括：第一生成子模块，用于根据所述第一预测信息，生成与所述目标去噪操作对应的均值；第二生成子模块，用于根据所述第二预测信息，生成与所述目标去噪操作对应的协方差。 15.根据权利要求11或12所述的装置，其特征在于，所述分布信息指向的分布空间服从高斯分布或伽马分布。 16.一种神经网络的训练装置，其特征在于，所述装置包括：特征提取模块，用于将第三带噪数据输入特征提取网络，得到所述特征提取网络生成的第一特征信息，所述第一特征信息至少包括所述第三带噪数据的特征信息；特征处理模块，用于通过第二特征处理网络对所述第一特征信息进行处理，得到所述第二特征处理网络输出的第二预测信息，所述第二预测信息指示所述第三带噪数据和第一干净数据之间的预测噪声的平方，所述第三带噪数据为对所述第一干净数据执行多次加噪操作得到；训练模块，用于根据与所述第三带噪数据对应的第一期望信息、所述第二预测信息和第一损失函数，对所述第二特征处理网络进行训练，直至满足收敛条件，其中，所述第一损失函数指示所述第二预测信息和所述第一期望信息之间的相似度，所述第一期望信息指示所述第三带噪数据和所述第一干净数据之间的实际噪声的平方。 17.根据权利要求16所述的装置，其特征在于，所述训练模块，具体用于保持所述特征提取网络的参数不变，对所述第二特征处理网络的参数进行更新；其中，所述特征提取网络来源于训练后的第一神经网络，所述第一神经网络用于基于输入的第四带噪数据，生成所述第四带噪数据和第二干净数据之间的预测噪声，所述第二干净数据为对所述第四带噪数据执行多次加噪操作后得到。 18.根据权利要求16或17所述的装置，其特征在于，所述装置还用于获取训练后的第一神经网络，所述第一神经网络用于基于输入的纯噪声和约束信息，生成第一预测信息，所述第一预测信息指示所述纯噪声和满足所述约束信息的干净数据之间的预测噪声。 19.一种神经网络的训练装置，其特征在于，所述装置包括：特征提取模块，用于将第三带噪数据输入特征提取网络，得到所述特征提取网络生成的第一特征信息，所述第一特征信息至少包括所述第三带噪数据的特征信息；特征处理模块，用于通过第二特征处理网络对所述第一特征信息进行处理，得到所述第二特征处理网络输出的第二预测信息，所述第三带噪数据为对第一干净数据执行多次加噪操作后得到，所述第二预测信息指示第一预测信息和实际噪声之间的预测距离的平方，所述第一预测信息包括由第一神经网络生成的所述第三带噪数据和所述第一干净数据之间的预测噪声，所述第一神经网络用于基于输入的所述第三带噪数据生成所述第一预测信息，所述实际噪声包括所述第三带噪数据和所述第一干净数据之间的实际噪声；训练模块，用于根据与所述第三带噪数据对应的第二期望信息、所述第二预测信息和第二损失函数，对所述第二特征处理网络进行训练，直至满足收敛条件，其中，所述第二损失函数指示所述第二预测信息和所述第二期望信息之间的相似度，所述第二期望信息指示所述第一预测信息和所述实际噪声之间的实际距离的平方。 20.根据权利要求19所述的装置，其特征在于，所述训练模块，具体用于保持所述特征提取网络的参数不变，对所述第二特征处理网络的参数进行更新，其中，所述特征提取网络来源于训练后的所述第一神经网络。 21.一种计算机程序产品，其特征在于，所述计算机程序产品包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至10中任一项所述的方法。 22.一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中存储有程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至10中任一项所述的方法。 23.一种执行设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，所述存储器，用于存储程序；所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如权利要求1至5中任一项所述的方法。 24.一种训练设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，所述存储器，用于存储程序；所述处理器，用于执行所述存储器中的程序，使得所述训练设备执行如权利要求6至8中任一项所述的方法，或者，使得所述训练设备执行如权利要求9或10所述的方法。