CN106408595A - 一种基于神经网络画风学习的图像渲染方法 - Google Patents
一种基于神经网络画风学习的图像渲染方法 Download PDFInfo
- Publication number
- CN106408595A CN106408595A CN201610790069.8A CN201610790069A CN106408595A CN 106408595 A CN106408595 A CN 106408595A CN 201610790069 A CN201610790069 A CN 201610790069A CN 106408595 A CN106408595 A CN 106408595A
- Authority
- CN
- China
- Prior art keywords
- image
- rendering method
- style
- difference
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明涉及一种基于神经网络画风学习的图像渲染方法,包括以下步骤:S1,获取待渲染图像x和参考图像y,利用VGG模型获取参考图像y的特征,令待渲染图像x学习参考图像y的风格,得到渲染图像z;S2,定义函数Lcontent(z;x)描述z和x内容的差异,函数Ltexture(z;y)描述z和y风格的差异;S3,优化z使差异最小化,得到最终的渲染图像。与现有技术相比,本发明通过将内容损失和纹理损失的和的最小化,得到了与目标图片风格较为接近的渲染效果。
Description
技术领域
本发明涉及一种图像处理技术,尤其是涉及一种基于神经网络画风学习的图像渲染方法。
背景技术
随着数字娱乐越来越得到大众的青睐,计算机风格化渲染技术日益成为研究热点。然而为了将目标图像渲染为希望的风格,用户常需要掌握并调整大量的参数,这对他们的使用是非常不便的。
神经网络(Neural network)在机器学习领域中,结构模仿生物的神经网络,通过调整网络中的参数来达到近似拟合高维复杂数据。神经网络在工程上实现起来,有很多细节决定了神经网络的成败,例如:目标函数、网络结构设计、初始参数设置等。
Gatys团队利用了一个前人训练好的网络,VGG网络,来获取图像的feature。VGG模型在ImageNet数据库中训练而成,关注的是它结构中的5个卷积层。因为它是一个训练好的而且每层的feature都是有较好性质的网络,所以直接提取它对图像进行识别时的中间层为图像的feature即可。在VGG图像识别的中间层,数据为一个(c,h,w)的3维张量,对应c个feature,每个feature为一张(h,w)的二维数组,由于卷积神经网络的结构特性,feature中每个元素对局部的图像都有描述作用。Gatys团队就利用了这一点,使得对于图像feature的表征有了现成的工具。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络画风学习的图像渲染方法。
本发明的目的可以通过以下技术方案来实现:
一种基于神经网络画风学习的图像渲染方法,
包括以下步骤:
S1,获取待渲染图像x和参考图像y,利用VGG模型获取参考图像y的特征(feature),令待渲染图像x学习参考图像y的风格,得到渲染图像z;
S2,定义函数Lcontent(z;x)描述z和x内容的差异,函数Ltexture(z;y)描述z和y风格的差异;
S3,优化z使差异最小化,得到最终的渲染图像。
所述的步骤S2中,对于第l层中第k个特征,F、P分别为需要转化的图像x和转化后的图像z经过VGG时的中间层,i为行标,j为列标,al为权系数。
所述的步骤S2中,
其中,G、A分别为被模仿的图像y和转化后的图像z计算出的Gram矩阵
所述的步骤S3中,使内容目标损失和纹理目标损失的和最小化,实现差异最小化。需要优化的cost函数为:
L(z;x,y)=αLcontent(z;x)+βLtexture(z;y),α、β为权系数。
所述的步骤S3中,内容目标损失为:
其中,C为当前图像,T是目标图片即输入图片的值,i为行标,j为列标,N为像素总数;
第l层纹理目标的损失为:
其中,第l层可以表示为Gram矩阵
与现有技术相比,本发明通过将内容损失和纹理损失的和的最小化,得到了与目标图片风格较为接近的渲染效果。
附图说明
图1为本发明的流程图;
图2为本实施例的图像x;
图3为本实施例的图像y;
图4为本实施例的图像z。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,本实施例的图像渲染方法包括以下步骤:
1、将图像x通过学习y的风格,得到图像z,则定义函数Lcontent(z;x)描述z和x内容的差异,函数Ltexture(z;y)描述z和y风格的差异,然后优化z。
2、设为第n层第k个feature的第i个元素(这里将(h,w)的二维数组视为一个1维向量),则定义两个图像内容上是否相像(content loss)就有:
F,P分别为需要转化的图像x和转化后的图像z经过VGG时的中间层。
3、接下来定义两个图像风格上是否相似,这里在content loss上再进了一小步,就是使用了Gram矩阵
即认为相似的风格可以用不同feature间的相关度表示。于是定义了两个图像风格上是否相似(texture loss):
4、G,A分别为被模仿的图像y和转化后的图像z计算出的Gram矩阵,所以需要优化的cost函数为:
L(z;x,y)=αLcontent(z;x)+βLtexture(z;y)。
关于优化过程:
1)内容目标的损失能够很简单的表示为:
其中C是当前的图片,T是目标图片即输入图片的值,i为行标,i为列标,N为像素总数。
2)而纹理目标则跟同一层的所有特征图有关,第l层可以表示为Gram矩阵:
因此第l层纹理目标的损失就能表示为:
3)同样G为当前图片的纹理信息,T为输入图片的纹理信息。我们要求总的目标函数,即Lc+Ls.找到使这个值最小的图片就是我们的画风学习的结果。
4)优选地,叠加内容图是通过增加了一个内容的损失项,通过对两个内容的损失项和纹理的损失项的和的最小化,即Lc1+Lc2+Ls的最小,能够得到类似的结果。
本实施例使用的图像x、y分别如图2、图3所示,得到的图像z如图4所示。
Claims (5)
1.一种基于神经网络画风学习的图像渲染方法,其特征在于,包括以下步骤:
S1,获取待渲染图像x和参考图像y,利用VGG模型获取参考图像y的特征,令待渲染图像x学习参考图像y的风格,得到渲染图像z;
S2,定义函数Lcontent(z;x)描述z和x内容的差异,函数Ltexture(z;y)描述z和y风格的差异;
S3,优化z使步骤S2得到的差异最小化,得到最终的渲染图像。
2.根据权利要求1所述的一种基于神经网络画风学习的图像渲染方法,其特征在于,所述的步骤S2中,对于第l层中第k个特征,F、P分别为需要转化的图像x和转化后的图像z经过VGG时的中间层,i为行标,j为列标,al为权系数。
3.根据权利要求2所述的一种基于神经网络画风学习的图像渲染方法,其特征在于,所述的步骤S2中,
其中,G、A分别为被模仿的图像y和转化后的图像z计算出的Gram矩阵
4.根据权利要求1所述的一种基于神经网络画风学习的图像渲染方法,其特征在于,所述的步骤S3中,使内容目标损失和纹理目标损失的和最小化,实现差异最小化。
5.根据权利要求4所述的一种基于神经网络画风学习的图像渲染方法,其特征在于,所述的步骤S3中,内容目标损失为:
其中,C为当前图像,T是目标图片即输入图片的值,i为行标,j为列标,N为像素总数;
第l层纹理目标的损失为:
其中,第l层可以表示为Gram矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610790069.8A CN106408595A (zh) | 2016-08-31 | 2016-08-31 | 一种基于神经网络画风学习的图像渲染方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610790069.8A CN106408595A (zh) | 2016-08-31 | 2016-08-31 | 一种基于神经网络画风学习的图像渲染方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408595A true CN106408595A (zh) | 2017-02-15 |
Family
ID=58000975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610790069.8A Withdrawn CN106408595A (zh) | 2016-08-31 | 2016-08-31 | 一种基于神经网络画风学习的图像渲染方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408595A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960457A (zh) * | 2017-03-02 | 2017-07-18 | 华侨大学 | 一种基于图像语义提取和涂鸦的彩绘画创作方法 |
CN106971202A (zh) * | 2017-03-24 | 2017-07-21 | 南京大学 | 一种基于卷积神经网络的中国水墨画风格提取方法 |
CN107240085A (zh) * | 2017-05-08 | 2017-10-10 | 广州智慧城市发展研究院 | 一种基于卷积神经网络模型的图像融合方法及系统 |
CN107729931A (zh) * | 2017-10-09 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 图片评分方法和装置 |
CN107808394A (zh) * | 2017-11-16 | 2018-03-16 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN107832843A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
CN108537720A (zh) * | 2017-03-01 | 2018-09-14 | 杭州九言科技股份有限公司 | 一种图像处理方法和装置 |
CN108596830A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN108765423A (zh) * | 2018-06-20 | 2018-11-06 | 北京七鑫易维信息技术有限公司 | 一种卷积神经网络训练方法及装置 |
WO2019015348A1 (zh) * | 2017-07-21 | 2019-01-24 | 华为技术有限公司 | 一种图片处理方法及设备 |
CN110211192A (zh) * | 2019-05-13 | 2019-09-06 | 南京邮电大学 | 一种基于深度学习的三维模型到二维图像的渲染方法 |
CN110310225A (zh) * | 2019-07-05 | 2019-10-08 | 南京工业大学 | 一种新型的字体特效渲染方法 |
WO2020025000A1 (en) * | 2018-08-01 | 2020-02-06 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for image processing |
TWI756645B (zh) * | 2019-03-18 | 2022-03-01 | 德商贏創運營有限公司 | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統 |
TWI768306B (zh) * | 2019-03-18 | 2022-06-21 | 德商贏創運營有限公司 | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法及產品 |
-
2016
- 2016-08-31 CN CN201610790069.8A patent/CN106408595A/zh not_active Withdrawn
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537720A (zh) * | 2017-03-01 | 2018-09-14 | 杭州九言科技股份有限公司 | 一种图像处理方法和装置 |
CN106960457A (zh) * | 2017-03-02 | 2017-07-18 | 华侨大学 | 一种基于图像语义提取和涂鸦的彩绘画创作方法 |
CN106960457B (zh) * | 2017-03-02 | 2020-06-26 | 华侨大学 | 一种基于图像语义提取和涂鸦的彩绘画创作方法 |
CN106971202A (zh) * | 2017-03-24 | 2017-07-21 | 南京大学 | 一种基于卷积神经网络的中国水墨画风格提取方法 |
CN107240085A (zh) * | 2017-05-08 | 2017-10-10 | 广州智慧城市发展研究院 | 一种基于卷积神经网络模型的图像融合方法及系统 |
WO2019015348A1 (zh) * | 2017-07-21 | 2019-01-24 | 华为技术有限公司 | 一种图片处理方法及设备 |
CN109285114B (zh) * | 2017-07-21 | 2020-12-15 | 华为技术有限公司 | 一种图片处理方法及设备 |
CN109285114A (zh) * | 2017-07-21 | 2019-01-29 | 华为技术有限公司 | 一种图片处理方法及设备 |
CN107729931A (zh) * | 2017-10-09 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 图片评分方法和装置 |
CN107832843A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
CN109117948A (zh) * | 2017-10-30 | 2019-01-01 | 上海寒武纪信息科技有限公司 | 画风转换方法及相关产品 |
CN109726806A (zh) * | 2017-10-30 | 2019-05-07 | 上海寒武纪信息科技有限公司 | 信息处理方法及终端设备 |
CN109997154A (zh) * | 2017-10-30 | 2019-07-09 | 上海寒武纪信息科技有限公司 | 信息处理方法及终端设备 |
US11922132B2 (en) | 2017-10-30 | 2024-03-05 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
US11762631B2 (en) | 2017-10-30 | 2023-09-19 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN107832843B (zh) * | 2017-10-30 | 2021-09-21 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
CN107808394B (zh) * | 2017-11-16 | 2020-05-15 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN107808394A (zh) * | 2017-11-16 | 2018-03-16 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN108596830B (zh) * | 2018-04-28 | 2022-04-22 | 国信优易数据股份有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN108596830A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN108765423A (zh) * | 2018-06-20 | 2018-11-06 | 北京七鑫易维信息技术有限公司 | 一种卷积神经网络训练方法及装置 |
CN108765423B (zh) * | 2018-06-20 | 2020-07-28 | 北京七鑫易维信息技术有限公司 | 一种卷积神经网络训练方法及装置 |
CN112424834A (zh) * | 2018-08-01 | 2021-02-26 | Oppo广东移动通信有限公司 | 用于图像处理的方法和设备 |
WO2020025000A1 (en) * | 2018-08-01 | 2020-02-06 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for image processing |
US11783462B2 (en) | 2018-08-01 | 2023-10-10 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for image processing |
TWI756645B (zh) * | 2019-03-18 | 2022-03-01 | 德商贏創運營有限公司 | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統 |
TWI768306B (zh) * | 2019-03-18 | 2022-06-21 | 德商贏創運營有限公司 | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法及產品 |
CN110211192B (zh) * | 2019-05-13 | 2022-09-16 | 南京邮电大学 | 一种基于深度学习的三维模型到二维图像的渲染方法 |
CN110211192A (zh) * | 2019-05-13 | 2019-09-06 | 南京邮电大学 | 一种基于深度学习的三维模型到二维图像的渲染方法 |
CN110310225B (zh) * | 2019-07-05 | 2023-06-16 | 南京工业大学 | 一种新型的字体特效渲染方法 |
CN110310225A (zh) * | 2019-07-05 | 2019-10-08 | 南京工业大学 | 一种新型的字体特效渲染方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408595A (zh) | 一种基于神经网络画风学习的图像渲染方法 | |
CN107833183B (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
CN105740909B (zh) | 一种基于空间变换的自然场景下文本识别方法 | |
CN106651766A (zh) | 一种基于深度卷积神经网络的图像风格迁移方法 | |
CN110781895B (zh) | 一种基于卷积神经网络的图像语义分割方法 | |
CN107705242A (zh) | 一种结合深度学习与深度感知的图像风格化迁移方法 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
CN106127684A (zh) | 基于双向递归卷积神经网络的图像超分辨率增强方法 | |
CN107492121A (zh) | 一种单目深度视频的二维人体骨骼点定位方法 | |
CN107358257A (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
CN107609638A (zh) | 一种基于线性解码器和插值采样优化卷积神经网络的方法 | |
CN107247989A (zh) | 一种神经网络训练方法及装置 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN107590786A (zh) | 一种基于对抗学习网络的图像增强方法 | |
CN104217214A (zh) | 基于可配置卷积神经网络的rgb-d人物行为识别方法 | |
CN105279519B (zh) | 基于协同训练半监督学习的遥感影像水体提取方法及系统 | |
CN107392314A (zh) | 一种基于确定性丢弃连接的深层卷积神经网络方法 | |
CN107689036A (zh) | 一种基于深度双边学习的实时图像增强方法 | |
CN106203628A (zh) | 一种增强深度学习算法鲁棒性的优化方法和系统 | |
CN110378208A (zh) | 一种基于深度残差网络的行为识别方法 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN106127689A (zh) | 图像视频超分辨率方法和装置 | |
CN104182771A (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
CN105761292A (zh) | 一种基于颜色转移和修正的图像着色方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170215 |