CN108154547B - 图像生成方法和装置 - Google Patents

Abstract

本申请实施例公开了图像生成方法和装置。该方法的一具体实施方式包括：获取待处理图像，其中，该待处理图像为在非正面均匀光源条件下拍摄的图像；将该待处理图像输入至预先训练的图像生成模型，得到对该待处理图像进行光线调整后的优化图像，其中，该优化图像为在正面均匀光源条件下所呈现的图像，该图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像。该实施方式提高了图像处理的灵活性。

Description

图像生成方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理领域，尤其涉及图像生成方法和装置。

背景技术

随着互联网技术的发展，图像处理技术应用到了越来越多的领域。通常，在光照环境较差的情况下(例如逆光、侧光等情况)，图像中的对象不清晰、不易辨认，因此，需要对在光照环境较差的情况下所拍摄的图像进行处理。

现有的方法通常是从图像中提取特征信息，对该特征信息进行调节，使之与从光照环境较好的情况下所拍摄的图像的特征信息相近，无法直接对图像的光照进行调整生成优化图像。

发明内容

本申请实施例提出了图像生成方法和装置。

第一方面，本申请实施例提供了一种图像生成方法，该方法包括：获取待处理图像，其中，待处理图像为在非正面均匀光源条件下拍摄的图像；将待处理图像输入至预先训练的图像生成模型，得到对待处理图像进行光线调整后的优化图像，其中，优化图像为在正面均匀光源条件下所呈现的图像，图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像。

在一些实施例中，图像生成模型通过如下步骤训练得到：提取预置的训练样本，训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；利用深度学习方法，将第一图像作为输入，基于第二图像和预设的损失函数训练得到图像生成模型，损失函数的值用于表征图像生成模型输出的图像与第二图像的差异程度。

在一些实施例中，图像生成模型通过如下步骤训练得到：提取预置的训练样本，训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于对所输入的图像进行光照调整并输出调整后的图像，判别网络用于确定所输入的图像是否为生成网络所输出的图像；基于机器学习方法，将第一图像作为生成网络的输入，将生成网络输出的图像和第二图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为图像生成模型。

在一些实施例中，基于机器学习方法，将第一图像作为生成网络的输入，将生成网络输出的图像和第二图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为图像生成模型，包括：执行如下训练步骤：固定生成网络的参数，将第一图像作为生成网络的输入，将生成网络输出的图像、第二图像作为判别网络的输入，利用机器学习方法对判别网络进行训练；固定训练后的判别网络的参数，将第一图像作为生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练；统计训练后的判别网络输出的判别结果的准确率，响应于确定准确率为预设数值，将生成网络确定为图像生成模型。

在一些实施例中，基于机器学习方法，将第一图像作为生成网络的输入，将生成网络输出的图像和第二图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为图像生成模型，还包括：响应于确定准确率不为预设数值，使用训练后的生成网络和判别网络重新执行训练步骤。

在一些实施例中，训练样本通过以下步骤生成：提取预先建立的三维人脸模型；分别设置不同的光源参数对三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，第一图像的光源参数为非正面均匀光源条件下的参数，第二图像的光源参数为正面均匀光源条件下的参数；将第一图像和第二图像组成训练样本。

第二方面，本申请实施例提供了一种图像生成装置，该装置包括：获取单元，配置用于获取待处理图像，其中，待处理图像为在非正面均匀光源条件下拍摄的图像；输入单元，配置用于将待处理图像输入至预先训练的图像生成模型，得到对待处理图像进行光线调整后的优化图像，其中，优化图像为在正面均匀光源条件下所呈现的图像，图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像。

在一些实施例中，该装置还包括：第一提取单元，配置用于提取预置的训练样本，训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；第一训练单元，配置用于利用深度学习方法，将第一图像作为输入，基于第二图像和预设的损失函数训练得到图像生成模型，损失函数的值用于表征图像生成模型输出的图像与第二图像的差异程度。

在一些实施例中，该装置还包括：第二提取单元，配置用于提取预置的训练样本，训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；第三提取单元，配置用于提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于对所输入的图像进行光照调整并输出调整后的图像，判别网络用于确定所输入的图像是否为生成网络所输出的图像；第二训练单元，配置用于基于机器学习方法，将第一图像作为生成网络的输入，将生成网络输出的图像和第二图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为图像生成模型。

在一些实施例中，第二训练单元进一步配置用于：执行如下训练步骤：固定生成网络的参数，将第一图像作为生成网络的输入，将生成网络输出的图像、第二图像作为判别网络的输入，利用机器学习方法对判别网络进行训练；固定训练后的判别网络的参数，将第一图像作为生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练；统计训练后的判别网络输出的判别结果的准确率，响应于确定准确率为预设数值，将生成网络确定为图像生成模型。

在一些实施例中，第二训练单元进一步配置用于：响应于确定准确率不为预设数值，使用训练后的生成网络和判别网络重新执行训练步骤。

在一些实施例中，该装置还包括：第四提取单元，配置用于提取预先建立的三维人脸模型；设置单元，配置用于分别设置不同的光源参数对三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，第一图像的光源参数为非正面均匀光源条件下的参数，第二图像的光源参数为正面均匀光源条件下的参数；组成单元，配置用于将第一图像和第二图像组成训练样本。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如图像生成方法中任意实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图像生成方法中任意实施例的方法。

本申请实施例提供的图像生成方法和装置，通过将对在非正面均匀光源条件下拍摄的待处理图像输入至预先训练的图像生成模型，得到对该待处理图像进行光线调整后的优化图像，从而可以将在非正面均匀光源条件下所拍摄的图像进行光线调整得到正面均匀光源条件下的图像，提高了图像处理的灵活性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的图像生成方法的一个实施例的流程图；

图3是根据本申请的图像生成方法的一个应用场景的示意图；

图4是根据本申请的图像生成装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像生成方法或图像生成装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用、搜索类应用等。

终端设备101、102、103可以是具有显示屏并且支持网络通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待处理图像等进行分析等处理，并将处理结果(例如优化图像)反馈给终端设备。

需要说明的是，本申请实施例所提供的图像生成方法一般由服务器105执行，相应地，图像生成装置一般设置于服务器105中。

需要指出的是，服务器105的本地也可以直接存储待处理图像，服务器105可以直接提取本地的待处理图像进行检测，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对待处理图像进行人脸检测，此时，图像生成方法也可以由终端设备101、102、103执行，相应地，图像生成装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的图像生成方法的一个实施例的流程200。所述的图像生成方法，包括以下步骤：

步骤201，获取待处理图像。

在本实施例中，图像生成方法运行与其上的电子设备可以首先获取待处理图像，其中，上述待处理图像可以是在非正面均匀光源条件下拍摄的图像。实践中，对某个目标对象(例如人脸、物品等)拍摄时，从上述目标对象的正面向上述目标对象的中心所投射的点光源或面光源可以认为是正面均匀光源；从上述目标对象的非正面或者向上述目标对象的非中心所投射的点光源或面或面光源可以认为是非正面均匀光源。此处，上述目标对象的正面可以是目标对象前部(例如人脸前部)所向的一面，也可以是指目标对象较为主要的一面(例如水杯正视图所示的平面)，还可以是技术人员预先指定的目标对象的任意一面。上述目标对象的中心可以是视觉中心、几何中心、距离摄像装置最近的点等，也可以是技术人员预先指定的目标对象的某个位置(例如鼻尖)，还可以是技术人员预先指定的目标对象的某个区域(例如鼻子所在区域)。

需要说明的是，上述待处理图像可以直接存储在上述电子设备的本地，此时，上述电子设备可以直接从本地获取上述待处理图像。此外，上述待处理图像也可以是与上述电子设备相连接的其余电子设备通过有线连接方式或者无线连接方式发送给上述电子设备的。其中，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，将待处理图像输入至预先训练的图像生成模型，得到对待处理图像进行光线调整后的优化图像。

在本实施例中，上述电子设备可以将上述待处理图像输入至预先训练的图像生成模型，得到对待处理图像进行光线调整后的优化图像，其中，上述优化图像可以是在正面均匀光源条件下所呈现的图像。需要说明的是，图像生成模型可以用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像。

作为示例，上述图像生成模型可以是预先利用机器学习方法，基于训练样本对用于进行图像处理的模型(例如，卷积神经网络(Convolutional Neural Network，CNN))进行训练后所得到的模型。上述卷积神经网络可以包括卷积层、池化层、反池化层和反卷积层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)，反池化层可以用于对输入的信息进行上采样(upsample)，反卷积层用于对输入的信息进行反卷积，将卷积层的卷积核的转置作为反卷积层的卷积核对所输入的信息进行处理。反卷积是卷积的逆运算，实现了信号的复原。上述卷积神经网络的最后一个反卷积层可以输出优化图像，所输出的优化图像可以用RGB(red green blue，红绿蓝)三通道的矩阵进行表达，且所输出的优化图像的大小可以与上述待处理图像相同。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像的处理。需要说明的是，上述电子设备可以利用各种方式(例如有监督训练、无监督训练等方式)训练上述卷积神经网络得到图像生成模型。

在本实施例的一些可选的实现方式中，上述图像生成模型可以通过如下步骤训练得到：

第一步，提取预置的训练样本。其中，上述训练样本可以包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像。实践中，在相同光源环境下的第一图像和第二图像的拍摄角度一致且所拍摄的对象的位置一致，因此，在相同光源环境下的第一图像的关键点位置信息与第二图像的关键点位置信息相同。上述训练样本可以通过各种方法生成，例如人工拍摄、利用图像制作工具生成等。

第二步，利用深度学习方法，将上述第一图像作为输入，基于上述第二图像和预设的损失函数训练得到图像生成模型。其中，上述损失函数的值可以用于表征上述图像生成模型输出的图像与上述第二图像的差异程度。损失函数越小，上述图像生成模型所输出的图像与上述第二图像的差异程度越小。例如，上述损失函数可以使用欧氏距离函数、hingle函数等。在训练过程中，可以使用卷积神经网络，损失函数可以约束卷积核修改的方式和方向，训练的目标为使损失函数的值最小，因而，训练后得到的卷积神经网络中各个卷积核的参数即为损失函数的值为最小值时所对应的参数。需要指出的是，上述第一图像、上述第二图像也可以用RGB三通道的矩阵进行表达。

实践中，上述电子设备可以通过反向传播算法训练卷积网络，将训练后的卷积神经网络确定为图像生成模型。实践中，反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，上述损失函数即可用于表征输出值与标记值的误差。需要说明的是，上述反向传播算法是目前广泛研究和应用的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，上述图像生成模型可以通过如下步骤训练得到：

第一步，提取预置的训练样本。其中，上述训练样本可以包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像。实践中，在相同光源环境下的第一图像和第二图像的拍摄角度一致且所拍摄的对象的位置一致，因此，在相同光源环境下的第一图像的关键点位置信息与第二图像的关键点位置信息相同。上述训练样本可以通过各种方法生成，例如人工拍摄、利用图像制作工具生成等。

第二步，提取预先建立的生成式对抗网络(Generative Adversarial Nets，GAN)。例如，上述生成式对抗网络可以是深度卷积生成对抗网络(Deep ConvolutionalGenerative Adversarial Network，DCGAN)。其中，上述生成式对抗网络可以包括生成网络和判别网络，上述生成网络可以用于对所输入的图像(即输入到生成网络的图像)进行光照调整并输出调整后的图像，上述判别网络可以用于确定所输入的图像(即输入到判别网络的图像)是否为上述生成网络所输出的图像。需要说明的是，上述生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构，可以依次进行降采样和上采样)；上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述判别网络也可以是可以用于实现分类功能的其他模型结构，例如支持向量机(SupportVector Machine，SVM)。需要说明的是，将上述生成网络所输出的图像可以用RGB三通道的矩阵进行表达。此处，判别网络若判定输入的图像是上述生成网络所输出的图像(来自生成数据)，则可以输出1；若判定输入的图像不是上述生成网络所输出的图像(来自真实数据，即上述第二图像)，则可以输出0。需要说明的是，所述判别网络也可以基于预先设定是输出其他数值，不限于1和0。

第三步，基于机器学习方法，将上述第一图像作为上述生成网络的输入，将上述生成网络输出的图像和上述第二图像作为上述判别网络的输入，对上述生成网络和上述判别网络进行训练，将训练后的上述生成网络确定为图像生成模型。具体地，可以首先固定生成网络和判别网络中的任一网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行改进。不断进行上述迭代，使判别网络无法区分输入的图像是否是生成网络所生成的，直至最终收敛。此时，上述生成网络所生成的图像与第二图像接近，上述判别网络无法准确区分真实数据和生成数据(即准确率为50％)，可以将此时的生成网络确定为图像生成模型。

作为示例，上述第三步操作，可以按照如下训练步骤执行：第一步，固定上述生成网络的参数，将上述第一图像作为上述生成网络的输入，将上述生成网络输出的图像、上述第二图像作为上述判别网络的输入，利用机器学习方法对上述判别网络进行训练。需要说明的是，由于生成网络输出的图像均为生成数据，且已知第二图像为真实数据，因此，对于输入到判别网络的图像，可以自动生成用于指示该图像为生成数据或真实数据的标注。第二步，固定训练后的上述判别网络的参数，将上述第一图像作为上述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对上述生成网络进行训练。实践中，上述反向传播算法、上述梯度下降算法是目前广泛研究和应用的公知技术，在此不再赘述。第三步，统计训练后的上述判别网络输出的判别结果的准确率，响应于确定上述准确率为预设数值(例如50％)，将上述生成网络确定为上述图像生成模型。

需要说明的是，响应于确定上述准确率不为上述预设数值，上述电子设备可以使用训练后的上述生成网络和上述判别网络重新执行上述训练步骤。由此，生成式对抗网络训练得到的图像生成模型的参数不仅基于训练样本得到，且可以基于判别网络的反向传播而确定的，不需要依赖大量的有标注的样本即可实现生成模型的训练得到图像生成模型，减少了人力成本，进一步提高了图像处理的灵活性。

在本实施例的一些可选的实现方式中，上述训练样本可以通过以下步骤生成：

第一步，提取预先建立的三维人脸模型。此处，上述三维人脸模型可以是技术人员利用各种现有的三维模型设计工具预先建立的，且上述三维模型设计工具可以支持设置不同类型的光源对所建立的三维人脸模型进行渲染，并支持由三维模型到二维图像的投影变换等功能，此处不再赘述。

第二步，分别设置不同的光源参数对上述三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，上述第一图像的光源参数为非正面均匀光源条件下的参数，上述第二图像的光源参数为正面均匀光源条件下的参数。实践中，可以在三维人脸模型的顶部、底部、背后、侧面、正面等各个角度设置光源，且光源可以是点光源、面光源等各种类型的光源。此处，由于三维模型设计工具支持投影变换，因此可以直接利用三维模型设计工具得到上述第一图像和第二图像。并且，可以设置第一图像和第二图像相对于上述三维人脸模型可以具有相同的视觉角度。

第三步，将上述第一图像和上述第二图像组成训练样本。利用三维人脸模型建立训练样本，相比于直接利用摄像头采集真实图像，能够灵活且快速地生成更多的样本；并且，利用三维人脸模型建立训练样本，可以模拟各种角度、各种类型的光照条件，使训练样本的数据更丰富、覆盖范围更广。

继续参见图3，图3是根据本实施例的图像生成方法的应用场景的一个示意图。在图3的应用场景中，用于处理图像的电子设备(例如手机)可以首先开启摄像头，在当前非正面均匀光源条件下(例如逆光)对某个对象(例如人脸)进行拍照，以获取到待处理图像(如标号301所示)。而后，可以将该待处理图像输入至预先训练的图像生成模型，得到对上述待处理图像进行光线调整后的优化图像(如标号302所示)。需要说明的是，标号301、标号302所指示的图像仅为示意。

本申请的上述实施例提供的方法，通过将对在非正面均匀光源条件下拍摄的待处理图像输入至预先训练的图像生成模型，得到对该待处理图像进行光线调整后的优化图像，从而可以将在非正面均匀光源条件下所拍摄的图像进行光线调整得到正面均匀光源条件下的图像，提高了图像处理的灵活性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种图像生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所述的图像生成装置400包括：获取单元401，配置用于获取待处理图像，其中，上述待处理图像为在非正面均匀光源条件下拍摄的图像；输入单元402，配置用于将上述待处理图像输入至预先训练的图像生成模型，得到对上述待处理图像进行光线调整后的优化图像，其中，上述优化图像为在正面均匀光源条件下所呈现的图像，上述图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像。

在本实施例的一些可选的实现方式中，上述图像生成装置400还可以包括第一提取单元和第一训练单元(图中未示出)。其中，上述第一提取单元可以配置用于提取预置的训练样本，上述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像。上述第一训练单元可以配置用于利用深度学习方法，将上述第一图像作为输入，基于上述第二图像和预设的损失函数训练得到图像生成模型，上述损失函数的值用于表征上述图像生成模型输出的图像与上述第二图像的差异程度。

在本实施例的一些可选的实现方式中，上述图像生成装置400还可以包括第二提取单元、第三提取单元和第二训练单元(图中未示出)。其中，上述第二提取单元可以配置用于提取预置的训练样本，上述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像。上述第三提取单元可以配置用于提取预先建立的生成式对抗网络，其中，上述生成式对抗网络包括生成网络和判别网络，上述生成网络用于对所输入的图像进行光照调整并输出调整后的图像，上述判别网络用于确定所输入的图像是否为上述生成网络所输出的图像。上述第二训练单元可以配置用于基于机器学习方法，将上述第一图像作为上述生成网络的输入，将上述生成网络输出的图像和上述第二图像作为上述判别网络的输入，对上述生成网络和上述判别网络进行训练，将训练后的上述生成网络确定为图像生成模型。

在本实施例的一些可选的实现方式中，上述第二训练单元进一步配置用于执行如下训练步骤：固定上述生成网络的参数，将上述第一图像作为上述生成网络的输入，将上述生成网络输出的图像、上述第二图像作为上述判别网络的输入，利用机器学习方法对上述判别网络进行训练；固定训练后的上述判别网络的参数，将上述第一图像作为上述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对上述生成网络进行训练；统计训练后的上述判别网络输出的判别结果的准确率，响应于确定上述准确率为预设数值，将上述生成网络确定为上述图像生成模型。

在本实施例的一些可选的实现方式中，上述第二训练单元进一步配置用于：响应于确定上述准确率不为上述预设数值，使用训练后的上述生成网络和上述判别网络重新执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述图像生成装置400还可以包括第四提取单元、设置单元和组成单元(图中未示出)。其中，上述第四提取单元可以配置用于提取预先建立的三维人脸模型。上述设置单元可以配置用于分别设置不同的光源参数对上述三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，上述第一图像的光源参数为非正面均匀光源条件下的参数，上述第二图像的光源参数为正面均匀光源条件下的参数。上述组成单元可以配置用于将上述第一图像和上述第二图像组成训练样本。

本申请的上述实施例提供的装置，通过输入单元402将获取单元401所获取的、在非正面均匀光源条件下拍摄的待处理图像输入至预先训练的图像生成模型，得到对该待处理图像进行光线调整后的优化图像，从而可以将在非正面均匀光源条件下所拍摄的图像进行光线调整得到正面均匀光源条件下的图像，提高了图像处理的灵活性。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括触摸屏、触摸板等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待处理图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待处理图像；将该待处理图像输入至预先训练的图像生成模型，得到对该待处理图像进行光线调整后的优化图像。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种图像生成方法，包括：

获取待处理图像，其中，所述待处理图像为在非正面均匀光源条件下拍摄的图像；

将所述待处理图像输入至预先训练的图像生成模型，得到对所述待处理图像进行光线调整后的优化图像，其中，所述优化图像为在正面均匀光源条件下所呈现的图像，所述图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像；

其中，所述方法还包括：

提取预先建立的三维人脸模型；

分别设置不同的光源参数对所述三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，所述第一图像的光源参数为非正面均匀光源条件下的参数，所述第二图像的光源参数为正面均匀光源条件下的参数；

将所述第一图像和所述第二图像组成用于训练所述图像生成模型的训练样本。

2.根据权利要求1所述的图像生成方法，其中，所述图像生成模型通过如下步骤训练得到：

提取预置的训练样本，所述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；

利用深度学习方法，将所述第一图像作为输入，基于所述第二图像和预设的损失函数训练得到图像生成模型，所述损失函数的值用于表征所述图像生成模型输出的图像与所述第二图像的差异程度。

3.根据权利要求1所述的图像生成方法，其中，所述图像生成模型通过如下步骤训练得到：

提取预置的训练样本，所述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；

提取预先建立的生成式对抗网络，其中，所述生成式对抗网络包括生成网络和判别网络，所述生成网络用于对所输入的图像进行光照调整并输出调整后的图像，所述判别网络用于确定所输入的图像是否为所述生成网络所输出的图像；

基于机器学习方法，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像和所述第二图像作为所述判别网络的输入，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为图像生成模型。

4.根据权利要求3所述的图像生成方法，其中，所述基于机器学习方法，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像和所述第二图像作为所述判别网络的输入，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为图像生成模型，包括：

执行如下训练步骤：固定所述生成网络的参数，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像、所述第二图像作为所述判别网络的输入，利用机器学习方法对所述判别网络进行训练；固定训练后的所述判别网络的参数，将所述第一图像作为所述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对所述生成网络进行训练；统计训练后的所述判别网络输出的判别结果的准确率，响应于确定所述准确率为预设数值，将所述生成网络确定为所述图像生成模型。

5.根据权利要求4所述的图像生成方法，其中，所述基于机器学习方法，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像和所述第二图像作为所述判别网络的输入，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为图像生成模型，还包括：

响应于确定所述准确率不为所述预设数值，使用训练后的所述生成网络和所述判别网络重新执行所述训练步骤。

6.一种图像生成装置，包括：

获取单元，配置用于获取待处理图像，其中，所述待处理图像为在非正面均匀光源条件下拍摄的图像；

输入单元，配置用于将所述待处理图像输入至预先训练的图像生成模型，得到对所述待处理图像进行光线调整后的优化图像，其中，所述优化图像为在正面均匀光源条件下所呈现的图像，所述图像生成模型用于对在非正面均匀光源条件下所拍摄的图像进行光线调整以生成正面均匀光源条件下的图像；

其中，所述装置还包括：

第四提取单元，配置用于提取预先建立的三维人脸模型；

设置单元，配置用于分别设置不同的光源参数对所述三维人脸模型进行渲染，得到在光照参数不同的情况下的第一图像和第二图像，其中，所述第一图像的光源参数为非正面均匀光源条件下的参数，所述第二图像的光源参数为正面均匀光源条件下的参数；

组成单元，配置用于将所述第一图像和所述第二图像组成用于训练所述图像生成模型的训练样本。

7.根据权利要求6所述的图像生成装置，其中，所述装置还包括：

第一提取单元，配置用于提取预置的训练样本，所述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；

第一训练单元，配置用于利用深度学习方法，将所述第一图像作为输入，基于所述第二图像和预设的损失函数训练得到图像生成模型，所述损失函数的值用于表征所述图像生成模型输出的图像与所述第二图像的差异程度。

8.根据权利要求6所述的图像生成装置，其中，所述装置还包括：

第二提取单元，配置用于提取预置的训练样本，所述训练样本包括多个在非正面均匀光源条件下生成的第一图像和在正面均匀光源条件下生成的第二图像；

第三提取单元，配置用于提取预先建立的生成式对抗网络，其中，所述生成式对抗网络包括生成网络和判别网络，所述生成网络用于对所输入的图像进行光照调整并输出调整后的图像，所述判别网络用于确定所输入的图像是否为所述生成网络所输出的图像；

第二训练单元，配置用于基于机器学习方法，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像和所述第二图像作为所述判别网络的输入，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为图像生成模型。

9.根据权利要求8所述的图像生成装置，其中，所述第二训练单元进一步配置用于：

执行如下训练步骤：固定所述生成网络的参数，将所述第一图像作为所述生成网络的输入，将所述生成网络输出的图像、所述第二图像作为所述判别网络的输入，利用机器学习方法对所述判别网络进行训练；固定训练后的所述判别网络的参数，将所述第一图像作为所述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对所述生成网络进行训练；统计训练后的所述判别网络输出的判别结果的准确率，响应于确定所述准确率为预设数值，将所述生成网络确定为所述图像生成模型。

10.根据权利要求9所述的图像生成装置，其中，所述第二训练单元进一步配置用于：

响应于确定所述准确率不为所述预设数值，使用训练后的所述生成网络和所述判别网络重新执行所述训练步骤。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。