CN108492364B - 用于生成图像生成模型的方法和装置 - Google Patents
用于生成图像生成模型的方法和装置 Download PDFInfo
- Publication number
- CN108492364B CN108492364B CN201810259506.2A CN201810259506A CN108492364B CN 108492364 B CN108492364 B CN 108492364B CN 201810259506 A CN201810259506 A CN 201810259506A CN 108492364 B CN108492364 B CN 108492364B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- depth image
- visible light
- resolution
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本申请实施例公开了用于生成图像生成模型的方法和装置。该方法的一具体实施方式包括:获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像;基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。该实施方式实现了图像生成模型的生成。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成图像生成模型的方法和装置。
背景技术
现阶段,通过相机所拍摄的图像或视频可以记录真实世界在二维平面上的颜色投影,但不能反映实际场景的三维结构信息。而深度图像可以表示场景中的各个点的深度信息,即深度图像中的每一个像素记录了场景中某一个点到相机中心所在的XY平面的距离。深度图像在3D测量以及人机交互等领域有着非常广泛的应用。目前,通过深度相机可以获取场景的深度图像。
发明内容
本申请实施例提出了用于生成图像生成模型的方法和装置。
第一方面,本申请实施例提供了一种用于生成图像生成模型的方法,该方法包括:获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值;基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
在一些实施例中,上述方法还包括:响应于确定上述初始神经网络模型未达到预设的优化目标,调整上述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行上述训练步骤。
在一些实施例中,样本集中的样本是通过以下方式得到的:获取样本场景的第一样本深度图像,其中,上述第一样本深度图像的图像分辨率高于上述第一分辨率阈值;对上述第一样本深度图像进行处理,得到第二样本深度图像,其中,上述第二样本深度图像的图像分辨率低于上述第二分辨率阈值;获取上述样本场景的样本可见光图像,其中,上述样本可见光图像的图像分辨率高于上述第一分辨率阈值;将上述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为上述样本集中的样本。
在一些实施例中,上述获取样本场景的第一样本深度图像,包括:获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,上述至少两张可见光图像中的各可见光图像的图像分辨率高于上述第一分辨率阈值;基于上述至少两张可见光图像得到上述样本场景的第一样本深度图像。
在一些实施例中,上述方法还包括:接收待处理深度图像和待用可见光图像,其中,上述待处理深度图像和上述待用可见光图像包含同一场景的信息,上述待处理深度图像的图像分辨率低于上述第二分辨率阈值,上述待用可见光图像的图像分辨率高于上述第一分辨率阈值;将上述待处理深度图像导入上述图像生成模型,得到处理后的深度图像。
第二方面,本申请实施例提供了一种用于生成图像生成模型的装置,装置包括:获取单元,用于获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值;训练单元,用于基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
在一些实施例中,上述装置还包括:调整单元,用于响应于确定上述初始神经网络模型未达到预设的优化目标,调整上述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行上述训练步骤。
在一些实施例中,上述装置还包括样本生成单元,上述样本生成单元包括:深度图像获取单元,用于获取样本场景的第一样本深度图像,其中,上述第一样本深度图像的图像分辨率高于上述第一分辨率阈值;处理单元,用于对上述第一样本深度图像进行处理,得到第二样本深度图像,其中,上述第二样本深度图像的图像分辨率低于上述第二分辨率阈值;可见光图像获取单元,用于获取上述样本场景的样本可见光图像,其中,上述样本可见光图像的图像分辨率高于上述第一分辨率阈值;存储单元,用于将上述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为上述样本集中的样本。
在一些实施例中,上述深度图像获取单元进一步用于:获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,上述至少两张可见光图像中的各可见光图像的图像分辨率高于上述第一分辨率阈值;基于上述至少两张可见光图像得到上述样本场景的第一样本深度图像。
在一些实施例中,上述装置还包括:接收单元,用于接收待处理深度图像和待用可见光图像,其中,上述待处理深度图像和上述待用可见光图像包含同一场景的信息,上述待处理深度图像的图像分辨率低于上述第二分辨率阈值,上述待用可见光图像的图像分辨率高于上述第一分辨率阈值;导入单元,用于将上述待处理深度图像导入上述图像生成模型,得到处理后的深度图像。
第三方面,本申请实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成图像生成模型的方法和装置,首先获取样本集,而后基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型,从而实现了图像生成模型的生成,在图像生成模型的训练过程中,计算样本对应的生成深度图像与对应的第一深度图像之间的相似度,并根据计算结果确定初始神经网络模型是否达到预设的优化目标,因此,可以保证训练完成的图像生成模型能够生成高分辨率、高质量的深度图像。
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是根据本申请的用于生成图像生成模型的方法的一个实施例的流程图;
图3是根据本申请的用于生成图像生成模型的方法的一个应用场景的示意图;
图4是根据本申请的用于生成图像生成模型的方法的又一个实施例的流程图;
图5是根据本申请的用于生成图像生成模型的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备或服务器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实施例的用于生成图像生成模型的方法或用于生成图像生成模型的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可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像生成模型训练的各种电子设备,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。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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上显示的图像或图形提供支持的后台服务器。后台服务器可以对接收到的数据(例如图像数据)进行处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成图像生成模型的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行,还可以通过服务器105和终端设备101、102、103共同执行。相应地,用于生成图像生成模型的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中,还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。本申请对此不做限定。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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用于生成图像生成模型的方法的一个实施例的流程200。该用于生成图像生成模型的方法,包括以下步骤:
步骤201,获取样本集。
在本实施例中,用于生成图像生成模型的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以获取样本集。上述样本集中的样本可以包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息。在这里,上述场景可以包括各种拍摄对象,例如,人脸、人体、物体等等。比如,第一深度图像、第二深度图像和可见光图像中可以包括同一人脸的人脸信息。第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值。在这里,上述可见光图像可以是RGB图像(即RGB色彩模式的图像)。上述第一分辨率阈值和上述第二分辨率阈值可以根据实际需要进行设定。
在本实施例的一些可选的实现方式中,样本集中的样本可以是通过以下方式得到的:
首先,上述执行主体可以获取样本场景的第一样本深度图像,其中,上述第一样本深度图像的图像分辨率高于上述第一分辨率阈值。在这里,上述样本场景可以是包括各种拍摄对象,例如,人脸、人体、物体等等。
其次,上述执行主体可以对上述第一样本深度图像进行各种处理,得到第二样本深度图像,其中,上述第二样本深度图像的图像分辨率低于上述第二分辨率阈值。作为示例,上述执行主体可以对上述第一样本深度图像进行降采样处理,从而得到图像分辨率低于上述第二分辨率阈值的第二样本深度图像。
然后,上述执行主体可以获取上述样本场景的样本可见光图像,其中,上述样本可见光图像的图像分辨率高于上述第一分辨率阈值。作为示例,可以使用图像传感器(例如相机)对上述样本场景进行拍摄,从而得到样本可见光图像(例如RGB图像),之后上述执行主体可以从上述图像传感器获取上述样本可见光图像。
最后,上述执行主体可以将上述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为上述样本集中的样本。
在一些可选的实现方式中,上述获取样本场景的第一样本深度图像的步骤可以具体包括:
首先,上述执行主体可以获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,上述至少两张可见光图像中的各可见光图像的图像分辨率高于上述第一分辨率阈值。作为示例,可以使用单个或多个图像采集设备(例如相机)从不同角度采集样本场景的至少两张可见光图像,需要说明的是,上述单个或多个图像采集设备在对样本场景进行图像采集时,需要以相同的朝向对样本场景进行拍摄,且每次拍摄的角度不能超过预先的角度阈值。
然后,上述执行主体可以基于上述至少两张可见光图像得到上述样本场景的第一样本深度图像。作为示例,上述执行主体可以首先对上述至少两张可见光图像进行立体匹配,生成视差信息,而后基于视差信息得到上述样本场景的第一样本深度图像。
立体匹配也称视差估计,是根据摄像机获取的多目图像,估计出对应图像中的像素点之间的几何关系。利用视差估计,可以由一个视点的信息及其深度(视差)信息得到对应视点的信息。根据具体实现细节的不同,立体匹配算法可以大致分为局部立体匹配算法和全局立体匹配算法。立体匹配算法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤202,基于样本集执行训练步骤。
在本实施例中,上述执行主体基于样本集可以执行以下训练步骤,其中,上述训练步骤可以具体包括:
步骤2021,将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到至少一个样本中的每个样本对应的生成深度图像。
在本实施例中,上述执行主体可以将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,从而得到上述至少一个样本中的每个样本对应的生成深度图像。在这里,上述初始神经网络模型可以用于表征深度图像和可见光图像与生成深度图像的对应关系,作为示例,上述初始神经网络模型可以是卷积神经网络、深度神经网络等等。
步骤2022,计算至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度。
在本实施例中,上述执行主体可以计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度。在这里,相似度可以包括但不限于余弦相似度、杰卡德相似系数、欧氏距离等等。
步骤2023,根据计算结果确定初始神经网络模型是否达到预设的优化目标。
在本实施例中,上述执行主体可以根据步骤2022的计算结果确定上述初始神经网络模型是否达到预设的优化目标。作为一个示例,上述优化目标可以是计算得到的相似度小于预先设定的相似度阈值。作为另一个示例,当一张生成深度图像与对应第一深度图像之间的相似度达到预设的阈值时,认为该生成深度图像准确,此时,上述优化目标可以是指上述初始神经网络模型生成的生成深度图像的准确率大于预先设定的准确率阈值。
步骤2024,响应于确定初始神经网络模型达到预设的优化目标,将初始神经网络模型作为训练完成的图像生成模型。
在本实施例中,响应于确定上述初始神经网络模型达到预设的优化目标,上述执行主体可以将上述初始神经网络模型作为训练完成的图像生成模型。需要说明的是,上述执行主体生成图像生成模型之后,可以将上述图像生成模型分发给其他电子设备,以供其他电子设备使用该图像生成模型对图像进行处理。
在本实施例的一些可选的实现方式中,上述用于生成图像生成模型的方法还可以包括:
步骤203,响应于确定初始神经网络模型未达到预设的优化目标,调整初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行训练步骤。
在本实现方式中,响应于确定上述初始神经网络模型未达到预设的优化目标,上述执行主体可以调整上述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行上述训练步骤。作为示例,上述执行主体可以采用反向传播算法(BackPropgation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对上述初始神经网络模型的模型参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
继续参见图3,图3是根据本实施例的用于生成图像生成模型的方法的应用场景的一个示意图。在图3的应用场景中,终端设备301首先获取样本集,该样本集中包括样本1,样本2,样本3,……样本N,该样本集中的样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一人的人脸信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值。然后,上述终端设备301基于样本集执行以下训练操作:步骤S1,将样本集中的至少一个样本(如,样本1,样本2,……样本M,其中,M≤N)的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像。步骤S2,计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度。步骤S3,根据计算结果确定上述初始神经网络模型是否达到预设的优化目标。步骤S4,响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
本申请的上述实施例提供的方法实现了图像生成模型的生成,在图像生成模型的训练过程中,计算样本对应的生成深度图像与对应的第一深度图像之间的相似度,并根据计算结果确定初始神经网络模型是否达到预设的优化目标,因此,可以保证训练完成的图像生成模型能够生成高分辨率、高质量的深度图像。
进一步参考图4,其示出了用于生成图像生成模型的方法的又一个实施例的流程400。该用于生成图像生成模型的方法的流程400,包括以下步骤:
步骤401,获取样本集。
在本实施例中,用于生成图像生成模型的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以获取样本集。其中,上述样本集中的样本可以包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,在这里,上述场景可以包括各种拍摄对象,例如,人脸、人体、物体等等。第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值。在这里,上述可见光图像可以是RGB图像。上述第一分辨率阈值和上述第二分辨率阈值可以根据实际需要进行设定。
步骤402,基于样本集执行训练步骤。
在本实施例中,上述执行主体基于样本集可以执行以下训练步骤,其中,上述训练步骤可以具体包括:步骤4021,将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像。步骤4022,计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度。步骤4023,根据计算结果确定上述初始神经网络模型是否达到预设的优化目标。步骤4024,响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
在本实施例中,步骤4021,步骤4022,步骤4023和步骤4024的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤2021、步骤2022、步骤2023和步骤2024的相关说明,在此不再赘述。
步骤403,接收待处理深度图像和待用可见光图像。
在本实施例中,上述执行主体可以接收待处理深度图像和待用可见光图像。在这里,上述待处理深度图像和上述待用可见光图像可以包含同一场景的信息,上述待处理深度图像的图像分辨率低于上述第二分辨率阈值,上述待用可见光图像的图像分辨率高于上述第一分辨率阈值。
步骤404,将待处理深度图像导入图像生成模型,得到处理后的深度图像。
在本实施例中,上述执行主体可以将上述待处理深度图像导入上述图像生成模型,从而得到处理后的深度图像。上述图像生成模型是经过训练得到的,可以用于表征深度图像和可见光图像与生成深度图像的对应关系。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成图像生成模型的方法的流程400突出了对训练完成的图像生成模型的使用的步骤。由此,本实施例描述的方案可以通过使用训练完成的图像生成模型生成高分辨率、高质量的深度图像。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成图像生成模型的装置的一个实施例,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5所示,本实施例的用于生成图像生成模型的装置500包括:获取单元501和训练单元502。其中,获取单元501用于获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值。训练单元502用于基于上述样本集执行以下训练步骤:将上述样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
在本实施例中,用于生成图像生成模型的装置500的获取单元501和训练单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤2021、步骤2022、步骤2023和步骤2024的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:调整单元(图中未示出),用于响应于确定上述初始神经网络模型未达到预设的优化目标,调整上述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行上述训练步骤。
在本实施例的一些可选的实现方式中,上述装置500还可以包括样本生成单元(图中未示出),上述样本生成单元可以包括:深度图像获取单元(图中未示出),用于获取样本场景的第一样本深度图像,其中,上述第一样本深度图像的图像分辨率高于上述第一分辨率阈值;处理单元(图中未示出),用于对上述第一样本深度图像进行处理,得到第二样本深度图像,其中,上述第二样本深度图像的图像分辨率低于上述第二分辨率阈值;可见光图像获取单元(图中未示出),用于获取上述样本场景的样本可见光图像,其中,上述样本可见光图像的图像分辨率高于上述第一分辨率阈值;存储单元(图中未示出),用于将上述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为上述样本集中的样本。
在本实施例的一些可选的实现方式中,上述深度图像获取单元可以进一步用于:获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,上述至少两张可见光图像中的各可见光图像的图像分辨率高于上述第一分辨率阈值;基于上述至少两张可见光图像得到上述样本场景的第一样本深度图像。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:接收单元(图中未示出),用于接收待处理深度图像和待用可见光图像,其中,上述待处理深度图像和上述待用可见光图像包含同一场景的信息,上述待处理深度图像的图像分辨率低于上述第二分辨率阈值,上述待用可见光图像的图像分辨率高于上述第一分辨率阈值;导入单元(图中未示出),用于将上述待处理深度图像导入上述图像生成模型,得到处理后的深度图像。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统600的结构示意图。图6示出的终端设备/服务器仅仅是一个示例,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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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训练单元。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“获取样本集的单元”。
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:获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值;基于上述样本集执行以下训练步骤:将上述样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到上述至少一个样本中的每个样本对应的生成深度图像;计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定上述初始神经网络模型是否达到预设的优化目标;响应于确定上述初始神经网络模型达到预设的优化目标,将上述初始神经网络模型作为训练完成的图像生成模型。
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)
1.一种用于生成图像生成模型的方法,包括:
获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值,所述第一深度图像的图像分辨率大于所述第二深度图像的图像分辨率,所述第二深度图像基于对预先获取的第一样本深度图像进行降采样处理而得到;
基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到所述至少一个样本中的每个样本对应的生成深度图像;计算所述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定所述初始神经网络模型是否达到预设的优化目标;响应于确定所述初始神经网络模型达到预设的优化目标,将所述初始神经网络模型作为训练完成的图像生成模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述初始神经网络模型未达到预设的优化目标,调整所述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行所述训练步骤。
3.根据权利要求1所述的方法,其中,样本集中的样本是通过以下方式得到的:
获取样本场景的第一样本深度图像,其中,所述第一样本深度图像的图像分辨率高于所述第一分辨率阈值;
对所述第一样本深度图像进行处理,得到第二样本深度图像,其中,所述第二样本深度图像的图像分辨率低于所述第二分辨率阈值;
获取所述样本场景的样本可见光图像,其中,所述样本可见光图像的图像分辨率高于所述第一分辨率阈值;
将所述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为所述样本集中的样本。
4.根据权利要求3所述的方法,其中,所述获取样本场景的第一样本深度图像,包括:
获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,所述至少两张可见光图像中的各可见光图像的图像分辨率高于所述第一分辨率阈值;
基于所述至少两张可见光图像得到所述样本场景的第一样本深度图像。
5.根据权利要求1所述的方法,其中,所述方法还包括:
接收待处理深度图像和待用可见光图像,其中,所述待处理深度图像和所述待用可见光图像包含同一场景的信息,所述待处理深度图像的图像分辨率低于所述第二分辨率阈值,所述待用可见光图像的图像分辨率高于所述第一分辨率阈值;
将所述待处理深度图像导入所述图像生成模型,得到处理后的深度图像。
6.一种用于生成图像生成模型的装置,包括:
获取单元,用于获取样本集,其中,样本包括第一深度图像、第二深度图像和可见光图像,其中,第一深度图像、第二深度图像和可见光图像中包含同一场景的信息,第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值,第二深度图像的图像分辨率低于预先设定的第二分辨率阈值,所述第一深度图像的图像分辨率大于所述第二深度图像的图像分辨率,所述第二深度图像基于对预先获取的第一样本深度图像进行降采样处理而得到;
训练单元,用于基于样本集执行以下训练步骤:将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型,得到所述至少一个样本中的每个样本对应的生成深度图像;计算所述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度;根据计算结果确定所述初始神经网络模型是否达到预设的优化目标;响应于确定所述初始神经网络模型达到预设的优化目标,将所述初始神经网络模型作为训练完成的图像生成模型。
7.根据权利要求6所述的装置,其中,所述装置还包括:
调整单元,用于响应于确定所述初始神经网络模型未达到预设的优化目标,调整所述初始神经网络模型的模型参数,以及使用未用过的样本组成样本集,继续执行所述训练步骤。
8.根据权利要求6所述的装置,其中,所述装置还包括样本生成单元,所述样本生成单元包括:
深度图像获取单元,用于获取样本场景的第一样本深度图像,其中,所述第一样本深度图像的图像分辨率高于所述第一分辨率阈值;
处理单元,用于对所述第一样本深度图像进行处理,得到第二样本深度图像,其中,所述第二样本深度图像的图像分辨率低于所述第二分辨率阈值;
可见光图像获取单元,用于获取所述样本场景的样本可见光图像,其中,所述样本可见光图像的图像分辨率高于所述第一分辨率阈值;
存储单元,用于将所述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储,以及作为所述样本集中的样本。
9.根据权利要求8所述的装置,其中,所述深度图像获取单元进一步用于:
获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像,其中,所述至少两张可见光图像中的各可见光图像的图像分辨率高于所述第一分辨率阈值;
基于所述至少两张可见光图像得到所述样本场景的第一样本深度图像。
10.根据权利要求6所述的装置,其中,所述装置还包括:
接收单元,用于接收待处理深度图像和待用可见光图像,其中,所述待处理深度图像和所述待用可见光图像包含同一场景的信息,所述待处理深度图像的图像分辨率低于所述第二分辨率阈值,所述待用可见光图像的图像分辨率高于所述第一分辨率阈值;
导入单元,用于将所述待处理深度图像导入所述图像生成模型,得到处理后的深度图像。
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。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259506.2A CN108492364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成图像生成模型的方法和装置 |
US16/169,293 US10699431B2 (en) | 2018-03-27 | 2018-10-24 | Method and apparatus for generating image generative model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259506.2A CN108492364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成图像生成模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492364A CN108492364A (zh) | 2018-09-04 |
CN108492364B true CN108492364B (zh) | 2022-09-20 |
Family
ID=63316601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259506.2A Active CN108492364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成图像生成模型的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10699431B2 (zh) |
CN (1) | CN108492364B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192305B (zh) * | 2018-11-15 | 2023-11-21 | 百度在线网络技术(北京)有限公司 | 用于生成三维图像的方法和装置 |
CN110148084B (zh) * | 2019-05-21 | 2023-09-19 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
CN110457515B (zh) * | 2019-07-19 | 2021-08-24 | 天津理工大学 | 基于全局特征捕捉聚合的多视角神经网络的三维模型检索方法 |
CN111144284B (zh) * | 2019-12-25 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 深度人脸图像的生成方法、装置、电子设备及介质 |
US11687778B2 (en) | 2020-01-06 | 2023-06-27 | The Research Foundation For The State University Of New York | Fakecatcher: detection of synthetic portrait videos using biological signals |
CN111260742B (zh) * | 2020-01-08 | 2023-04-07 | 中国科学技术大学 | 一种电阻抗成像方法及装置 |
CN111369464B (zh) * | 2020-03-04 | 2021-11-09 | 深圳市商汤科技有限公司 | 去除图像中的反光的方法及装置、电子设备和存储介质 |
CN111582456B (zh) * | 2020-05-11 | 2023-12-15 | 抖音视界有限公司 | 用于生成网络模型信息的方法、装置、设备和介质 |
CN112312113B (zh) * | 2020-10-29 | 2022-07-15 | 贝壳技术有限公司 | 用于生成三维模型的方法、装置和系统 |
CN112911139A (zh) * | 2021-01-15 | 2021-06-04 | 广州富港生活智能科技有限公司 | 物品拍摄方法、装置、电子设备及存储介质 |
CN113050120A (zh) * | 2021-03-24 | 2021-06-29 | Oppo广东移动通信有限公司 | 成像方法、电子装置、控制装置与存储介质 |
CN113139906B (zh) * | 2021-05-13 | 2023-11-24 | 平安国际智慧城市科技股份有限公司 | 一种生成器的训练方法、装置与存储介质 |
CN113781540A (zh) * | 2021-09-15 | 2021-12-10 | 京东鲲鹏(江苏)科技有限公司 | 网络生成方法、装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102576466A (zh) * | 2009-11-18 | 2012-07-11 | 微软公司 | 用于跟踪模型的系统和方法 |
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095862B (zh) * | 2015-07-10 | 2018-05-29 | 南开大学 | 一种基于深度卷积条件随机场的人体动作识别方法 |
CN106504751A (zh) * | 2016-08-01 | 2017-03-15 | 深圳奥比中光科技有限公司 | 自适应唇语交互方法以及交互装置 |
EP3709271B1 (en) * | 2016-09-15 | 2022-11-02 | Google LLC | Image depth prediction neural networks |
CN106548494A (zh) * | 2016-09-26 | 2017-03-29 | 浙江工商大学 | 一种基于场景样本库的影视图像深度提取方法 |
CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
CN107423376B (zh) * | 2017-07-10 | 2019-12-27 | 上海媒智科技有限公司 | 一种有监督深度哈希快速图片检索方法及系统 |
CN107633218B (zh) * | 2017-09-08 | 2021-06-08 | 百度在线网络技术(北京)有限公司 | 用于生成图像的方法和装置 |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
-
2018
- 2018-03-27 CN CN201810259506.2A patent/CN108492364B/zh active Active
- 2018-10-24 US US16/169,293 patent/US10699431B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102576466A (zh) * | 2009-11-18 | 2012-07-11 | 微软公司 | 用于跟踪模型的系统和方法 |
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
Also Published As
Publication number | Publication date |
---|---|
US10699431B2 (en) | 2020-06-30 |
US20190304118A1 (en) | 2019-10-03 |
CN108492364A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492364B (zh) | 用于生成图像生成模型的方法和装置 | |
US10937249B2 (en) | Systems and methods for anchoring virtual objects to physical locations | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN106846497B (zh) | 应用于终端的呈现三维地图的方法和装置 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN113255619B (zh) | 车道线识别及定位方法、电子设备和计算机可读介质 | |
CN110288705B (zh) | 生成三维模型的方法和装置 | |
CN113327318B (zh) | 图像显示方法、装置、电子设备和计算机可读介质 | |
CN110111241B (zh) | 用于生成动态图像的方法和装置 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN111325792B (zh) | 用于确定相机位姿的方法、装置、设备和介质 | |
CN114677422A (zh) | 深度信息生成方法、图像虚化方法和视频虚化方法 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN108256477B (zh) | 一种用于检测人脸的方法和装置 | |
CN111314627B (zh) | 用于处理视频帧的方法和装置 | |
CN112070903A (zh) | 虚拟对象的展示方法、装置、电子设备及计算机存储介质 | |
CN112348939A (zh) | 用于三维重建的纹理优化方法及装置 | |
CN111292365A (zh) | 生成深度图的方法、装置、电子设备和计算机可读介质 | |
CN111582208A (zh) | 用于生成生物体姿态关键点信息的方法和装置 | |
CN113643350B (zh) | 在视频画面上进行立体测量的方法、装置、终端设备 | |
CN112991542B (zh) | 房屋三维重建方法、装置和电子设备 | |
CN110381264B (zh) | 用于生成时间信息的方法和装置 | |
CN110310251B (zh) | 图像处理方法和装置 | |
CN112668474A (zh) | 平面生成方法和装置、存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |