CN108537720A - 一种图像处理方法和装置 - Google Patents
一种图像处理方法和装置 Download PDFInfo
- Publication number
- CN108537720A CN108537720A CN201710117030.4A CN201710117030A CN108537720A CN 108537720 A CN108537720 A CN 108537720A CN 201710117030 A CN201710117030 A CN 201710117030A CN 108537720 A CN108537720 A CN 108537720A
- Authority
- CN
- China
- Prior art keywords
- style
- feature
- picture
- content
- loss
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000012546 transfer Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G06T3/04—
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法和装置。所述图像处理方法包括：获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；预处理内容图片，以生成初始化图片；获取与初始化图片对应的初始风格特征以及初始内容特征；根据初始风格特征与目标风格特征之间的差异，以及初始内容特征与目标内容特征之间的差异，更新初始化图片，以生成与目标风格特征以及目标内容特征相匹配的目标图片。本发明解决了图像处理过程中未能较好保持人像真实感的问题，在更新过程中将初始化图片作为起点，并根据特征之间的差异对初始化图片迭代优化，使目标图片与初始化图片的差异逐步缩小，进而得到更加真实的人像图片。
Description
技术领域
本发明实施例涉及图像处理领域，尤其涉及一种图像处理方法和装置。
背景技术
随着日益增长的个性化需求，人们越来越不满足于简单的滤镜，如颜色变换滤镜等，人们开始追求更加鲜活，有风格的高级滤镜。
现有的基于深度学习技术的风格迁移算法可以参考任意输入图像的风格，生成一张兼具风格参考图像鲜明风格特征，并保留原始图像的基本内容的图片。这种风格迁移算法具有很强的灵活性，支持任意风格的输入图，进而生成非常奇特有趣的图片，因此受到大家的追捧。
然而，该算法中迭代优化的初始起点为随机选取，存在未能较好保持人像真实感的缺点。
发明内容
本发明实施例提供一种图像处理方法和装置，以解决对图像进行风格处理过程中未能较好保持图像内容特征的问题。
第一方面，本发明实施例提供了一种图像处理方法，包括：
获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；
预处理所述内容图片，以生成初始化图片；
获取与所述初始化图片对应的初始风格特征以及初始内容特征；
根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
第二方面，本发明实施例还提供了一种图像处理装置，该装置包括：.
目标特征获取模块，用于获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；
初始化图片生成模块，用于预处理所述内容图片，以生成初始化图片；
初始特征获取模块，用于获取与所述初始化图片对应的初始风格特征以及初始内容特征；
目标图片生成模块，用于根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
本发明实施例通过获取风格图片对应的目标风格特征、与内容图片对应的目标内容特征、由内容图片预处理得到的初始化图片、与初始化图片对应的初始风格特征以及初始内容特征，并根据特征之间的差异更新初始化图片生成目标图片。解决了图像进行风格处理过程中未能较好保持图像内容特征的问题，在更新过程中将初始化图片作的起点，并根据特征之间的差异对初始化图片迭代优化，使目标图片与初始化图片的差异逐步缩小，进而得到更加真实的人像图片。
附图说明
图1是本发明实施例一中的一种图像处理方法流程图；
图2是本发明实施例二中的一种图像处理方法流程图；
图3是本发明实施例三中的一种图像处理装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像处理方法流程图，本实施例可适用于对人像图像进行风格化处理的情况，该方法可以由一种图像处理装置来执行，该装置可以由软件和/或硬件的方式来实现。如图1所示，该方法包括：
S110、获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征。
本实施例中提供的图像处理方法以卷积神经网络的工作原理实现，进而将所述风格图片的风格迁移到内容图片实现风格迁移的目的。所述卷积神经网络需根据具体的需求预先训练。
图像处理方法开始之前，需要用户向卷积神经网络中输入两张图片，图片分别为风格图片和内容图片。其中，风格图片会在作者创作图片使用的色彩搭配、笔触纹理和图片中出现虚拟的人或物体现的。与风格图片不同，内容图片更加侧重于图片中的人物。因此，在对风格图片和内容图片的选取时，需注意相应的选取规则。
用户向卷积神经网络中输入风格图片和内容图片后，会分别得到目标风格特征和目标内容特征，风格图片与目标风格特征对应，内容图片和目标内容特征对应。目标风格特征和目标内容特征可以是两组不同尺寸图片的的像素值矩阵。
S120、预处理所述内容图片，以生成初始化图片。
预处理操作包括去噪处理、滤镜效果去除操作和图像复原处理。预处理内容图片后得到初始化图片，进而使初始化图片中的内容与内容图片中的人物真实形状更加接近。
其中，所述内容图像可以为包括人像的图像。
S130、获取与所述初始化图片对应的初始风格特征以及初始内容特征。
初始化照片生成后，会将初始化图片输入到卷积神经网络中得到初始风格特征以及初始内容特征。初始风格特征、初始内容特征、目标风格特征、目标内容特征的数据格式相同，都可以是像素值矩阵。
S140、根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
初始风格特征、初始内容特征、目标风格特征和目标内容特征全部获取后，图像处理方法会分别对初始内容特征与目标内容特征和初始风格特征与目标风格特征进行比较并得到两者间的差异。差异计算方法包括对特征对应的像素值矩阵做均值、方差或损失函数等计算方法。
在根据差异对初始化图片的更新规则根据具体情况预先设定。以初始内容特征对应的像素值矩阵为例，当初始内容特征与目标内容特征间的差异表现在图片色彩时，对初始内容特征对应的像素值矩阵中的像素值进行调整，进而减小初始内容特征与目标内容特征间的差异，从而得到与目标风格特征以及目标内容特征相匹配的目标图片。
本发明实施例通过获取风格图片对应的目标风格特征、与内容图片对应的目标内容特征、由内容图片预处理得到的初始化图片、与初始化图片对应的初始风格特征以及初始内容特征，并根据特征之间的差异更新初始化图片生成目标图片。更新过程中将初始化图片作的起点，并根据特征之间的差异对初始化图片迭代优化，使目标图片与初始化图片的差异逐步缩小，特别的，如果所述内容图像为包括人像的图像，则在将内容图像风格化处理的同时，可以得到更加真实的人像图片。
实施例二
图2是本发明实施例二中的一种图像处理方法流程图，本实施例在实施例一的基础上，进一步利用损失函数计算风格特征间差异的操作，如图2所示，该方法包括：
S210、预先训练风格迁移卷积神经网络模型，以获取所述目标风格特征、目标内容特征、初始风格特征以及初始内容特征。
其中，所述风格迁移卷积神经网络模型通过使用设定数量人像类别的样本图片训练生成；所述风格迁移卷积神经网络模型的输入为图片，输出为风格特征，和/或内容特征。
本实施例会以选取VGG-16卷积神经网络模型为基模型进行训练为例进行叙述，所述VGG-16卷积神经网络模型包括13个卷积层、3个连接层，每一层包含多个参数，参数越多，对应的处理速度也越慢，所需的时间越久。工程师在多次实验之后，将基模型中的每一层参数数量减半，在不影响卷积神经网络处理图片效率的同时，减少了需要的时间，使得卷积神经网络的运行效率最佳。
在对卷积神经网络训练时选取的训练数据，可以选择现有的ImageNet竞赛数据集；更近一步的，ImageNet竞赛数据集中没有人像相关类别的数据，为了更好的保持人像真实感，可以在训练数据中添加设定数量的人像图像，进而可以得到对人脸识别能力较强的风格迁移卷积神经网络模型，使风格迁移卷积神经网络模型处理人像图片时更好的保持了人像真实感。
S220、获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征。
S230、预处理所述内容图片，以生成初始化图片。
S240、获取与所述初始化图片对应的初始风格特征以及初始内容特征。
S250、将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失。
风格损失函数用于计算初始风格特征和目标风格特征间的差异值。
优选的，所述风格损失为：
其中，其中G表示在X通过风格迁移卷积神经网络模型得到的风格特征的基础上求取特征图的相关系数矩阵，A表示风格图片通过风格迁移卷积神经网络模型得到的风格特征后，进一步求得的相关系数矩阵。El表示l层当前迭代结果X与风格图的风格距离。wl表示不同层风格的权重，设置为1/L，L表示参与风格表示的层的总数。N表示该卷积层卷积个数，M表示风格特征的像素总数。
S260、将所述初始内容特征和所述目标风格特征输入内容损失函数得到内容损失。
内容损失函数用于计算初始内容特征和目标内容特征间的差异值。
优选的，所述内容损失函数为：
其中，X表示迭代过程中合成图像，F表示X通过风格迁移卷积神经网络模型得到的内容特征，C表示内容图片，P表示C通过卷积神经网络得到的特征图。L表示参与风格表示的层的总数。
更进一步的，总体损失函数的公式如下：
LTotal(C,A,X)＝αLContent(C,X)+βLStyle(A,X)
其中，其中α，β是两个参数，用来控制风格特征和内容特征的权重比例。
S270、如果所述风格损失以及所述内容损失均未处于预设损失范围内，则根据所述风格损失和所述内容损失分别对所述初始风格特征和所述初始内容特征进行更新，将更新结果反向输入至所述风格迁移卷积神经网络模型得到中间图片，并将所述中间图片作为新的初始化图片。
进一步的，根据所述风格损失和所述内容损失，利用后向传播方法分别对初始风格特征和初始内容特征求取梯度并得到像素更新值，根据像素更新值所述初始化图更新得到所述中间图片。
S280、返回执行将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失的操作，直至所述风格损失以及所述内容损失均处于预设损失范围内。
可选的，所述风格损失以及所述内容损失均处于预设损失范围内，包括；当风格迁移卷积神经网络模型的更新次数达到预设次数，或更新前后的损失变化低于预设阈值。
S290、将最终获取的所述初始化图片作为所述目标图片。
可选的，根据接收到的高清处理指令，对所述目标图片进行超分辨率处理。所述超分辨处理用于将一组低质量、低分辨率图像来产生单幅高质量、高分辨率图像。
本实施例的技术方案，通过添加了利用损失函数计算风格特征间差异的操作，进而将结果特征与目标特征的差异量化直观的表示出来，进一步减小了目标特征与结果特征间距离，使目标图片与初始化图片的差异逐步缩小，得到更加真实的人像图片。
实施例三
图3所示为本发明实施例三提供的一种图像处理装置结构示意图，如图3所示，该图像处理装置包括：目标特征获取模块310、初始化图片生成模块320、初始特征获取模块330和目标图片生成模块340。
其中，目标特征获取模块310，用于获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；
初始化图片生成模块320，用于预处理所述内容图片，以生成初始化图片；
初始特征获取模块330，用于获取与所述初始化图片对应的初始风格特征以及初始内容特征；
目标图片生成模块340，用于根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
本发明实施例通过获取风格图片对应的目标风格特征、与内容图片对应的目标内容特征、由内容图片预处理得到的初始化图片、与初始化图片对应的初始风格特征以及初始内容特征，并根据特征之间的差异更新初始化图片生成目标图片。解决了现有图像风格迁移算法中未能较好保持人像真实感的问题，在更新过程中将初始化图片作的起点，并根据特征之间的差异对初始化图片迭代优化，使目标图片与初始化图片的差异逐步缩小，进而得到更加真实的人像图片。
进一步的，所述图像处理装置还可以包括：
风格迁移卷积神经网络模型训练模块，用于预先训练风格迁移卷积神经网络模型，以获取所述目标风格特征、目标内容特征、初始风格特征以及初始内容特征；
其中，所述风格迁移卷积神经网络模型通过使用设定数量人像类别的样本图片训练生成；所述风格迁移卷积神经网络模型的输入为图片，输出为风格特征，和/或内容特征。
进一步的，目标图片生成模块340可以包括：
风格损失计算单元，将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失；
内容损失计算单元，将所述初始内容特征和所述目标风格特征输入内容损失函数得到内容损失；
特征更新单元，如果所述风格损失以及所述内容损失均未处于预设损失范围内，则根据所述风格损失和所述内容损失分别对所述初始风格特征和所述初始内容特征进行更新，将更新结果反向输入至所述风格迁移卷积神经网络模型得到中间图片，并将所述中间图片作为新的初始化图片；
风格损失二次计算单元，返回执行将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失的操作，直至所述风格损失以及所述内容损失均处于预设损失范围内；
目标图片获取单元，将最终获取的所述初始化图片作为所述目标图片。
进一步的，所述特征更新单元可以包括：
像素值更新子单元，根据所述风格损失和所述内容损失，利用后向传播方法分别对初始风格特征和初始内容特征求取梯度并得到像素更新值，根据像素更新值所述初始化图更新得到所述中间图片。
进一步的，目标图片生成模块340还可以包括：
超分辨率处理单元，用于根据接收到的高清处理指令，对所述目标图片进行超分辨率处理。
本发明实施例所提供的图像处理装置可以用于执行本发明实施例所提供的图像处理方法，具备相应的功能和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的图像处理方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；
预处理所述内容图片，以生成初始化图片；
获取与所述初始化图片对应的初始风格特征以及初始内容特征；
根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
2.根据权利要求1所述的图像处理方法，其特征在于，在获取与风格图对应的目标风格特征和与内容图对应的目标内容特征之前，还包括：
预先训练风格迁移卷积神经网络模型，以获取所述目标风格特征、目标内容特征、初始风格特征以及初始内容特征；
其中，所述风格迁移卷积神经网络模型通过使用设定数量人像类别的样本图片训练生成；所述风格迁移卷积神经网络模型的输入为图片，输出为风格特征，和/或内容特征。
3.根据权利要求2所述的图像处理方法，其特征在于，根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片，包括：
将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失；
将所述初始内容特征和所述目标风格特征输入内容损失函数得到内容损失；
如果所述风格损失以及所述内容损失均未处于预设损失范围内，则根据所述风格损失和所述内容损失分别对所述初始风格特征和所述初始内容特征进行更新，将更新结果反向输入至所述风格迁移卷积神经网络模型得到中间图片，并将所述中间图片作为新的初始化图片；
返回执行将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失的操作，直至所述风格损失以及所述内容损失均处于预设损失范围内；
将最终获取的所述初始化图片作为所述目标图片。
4.根据权利要求3所述的图像处理方法，其特征在于，根据所述风格损失和所述内容损失分别对所述初始风格特征和所述初始内容特征进行更新，将更新结果反向输入至所述风格迁移卷积神经网络模型得到中间图片，包括：
根据所述风格损失和所述内容损失，利用后向传播方法分别对初始风格特征和初始内容特征求取梯度并得到像素更新值，根据像素更新值所述初始化图更新得到所述中间图片。
5.根据权利要求1-4任一项所述的图像处理方法，其特征在于，在根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图之后，还包括：
根据接收到的高清处理指令，对所述目标图片进行超分辨率处理。
6.一种图像处理装置，其特征在于，包括：目标特征获取模块，用于获取与风格图片对应的目标风格特征以及与内容图片对应的目标内容特征；
初始化图片生成模块，用于预处理所述内容图片，以生成初始化图片；
初始特征获取模块，用于获取与所述初始化图片对应的初始风格特征以及初始内容特征；
目标图片生成模块，用于根据所述初始风格特征与所述目标风格特征之间的差异，以及所述初始内容特征与所述目标内容特征之间的差异，更新所述初始化图片，以生成与所述目标风格特征以及所述目标内容特征相匹配的目标图片。
7.根据权利要求6所述的图像处理装置，其特征在于，还包括：
风格迁移卷积神经网络模型训练模块，用于预先训练风格迁移卷积神经网络模型，以获取所述目标风格特征、目标内容特征、初始风格特征以及初始内容特征；
其中，所述风格迁移卷积神经网络模型通过使用设定数量人像类别的样本图片训练生成；所述风格迁移卷积神经网络模型的输入为图片，输出为风格特征，和/或内容特征。
8.根据权利要求7所述的图像处理装置，其特征在于，所述目标图片生成模块包括：
风格损失计算单元，将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失；
内容损失计算单元，将所述初始内容特征和所述目标风格特征输入内容损失函数得到内容损失；
特征更新单元，如果所述风格损失以及所述内容损失均未处于预设损失范围内，则根据所述风格损失和所述内容损失分别对所述初始风格特征和所述初始内容特征进行更新，将更新结果反向输入至所述风格迁移卷积神经网络模型得到中间图片，并将所述中间图片作为新的初始化图片；
风格损失二次计算单元，返回执行将所述初始风格特征和所述目标风格特征输入风格损失函数得到风格损失的操作，直至所述风格损失以及所述内容损失均处于预设损失范围内；
目标图片获取单元，将最终获取的所述初始化图片作为所述目标图片。
9.根据权利要求8所述的图像处理装置，其特征在于，所述特征更新单元包括：
像素值更新子单元，根据所述风格损失和所述内容损失，利用后向传播方法分别对初始风格特征和初始内容特征求取梯度并得到像素更新值，根据像素更新值所述初始化图更新得到所述中间图片。
10.根据权利要求6-9任一项所述的图像处理装置，其特征在于，目标图片生成模块还包括：
超分辨率处理单元，用于根据接收到的高清处理指令，对所述目标图片进行超分辨率处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117030.4A CN108537720A (zh) | 2017-03-01 | 2017-03-01 | 一种图像处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117030.4A CN108537720A (zh) | 2017-03-01 | 2017-03-01 | 一种图像处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108537720A true CN108537720A (zh) | 2018-09-14 |
Family
ID=63488467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710117030.4A Pending CN108537720A (zh) | 2017-03-01 | 2017-03-01 | 一种图像处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537720A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
| CN109559363A (zh) * | 2018-11-23 | 2019-04-02 | 网易（杭州）网络有限公司 | 图像的风格化处理方法、装置、介质和电子设备 |
| CN109636712A (zh) * | 2018-12-07 | 2019-04-16 | 北京达佳互联信息技术有限公司 | 图像风格迁移及数据存储方法、装置和电子设备 |
| CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和系统 |
| CN111583100A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111583165A (zh) * | 2019-02-19 | 2020-08-25 | 京东方科技集团股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111932439A (zh) * | 2020-06-28 | 2020-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种戴口罩人脸图像生成方法及相关装置 |
| US20210264655A1 (en) * | 2019-03-25 | 2021-08-26 | Tencent Technology (Shenzhen) Company Limited | Training method and apparatus for image processing model, image processing method and apparatus for image processing model, and storage medium |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732506A (zh) * | 2015-03-27 | 2015-06-24 | 浙江大学 | 一种基于人脸语义分析的人物照片颜色风格转换方法 |
| CN106327422A (zh) * | 2015-07-01 | 2017-01-11 | 北京大学 | 一种图像风格化重建方法及装置 |
| CN106408595A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 一种基于神经网络画风学习的图像渲染方法 |
| US9576351B1 (en) * | 2015-11-19 | 2017-02-21 | Adobe Systems Incorporated | Style transfer for headshot portraits |
-
2017
- 2017-03-01 CN CN201710117030.4A patent/CN108537720A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732506A (zh) * | 2015-03-27 | 2015-06-24 | 浙江大学 | 一种基于人脸语义分析的人物照片颜色风格转换方法 |
| CN106327422A (zh) * | 2015-07-01 | 2017-01-11 | 北京大学 | 一种图像风格化重建方法及装置 |
| US9576351B1 (en) * | 2015-11-19 | 2017-02-21 | Adobe Systems Incorporated | Style transfer for headshot portraits |
| CN106408595A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 一种基于神经网络画风学习的图像渲染方法 |
Non-Patent Citations (5)
| Title |
|---|
| GATYS L A 等: "Image Style Transfer Using Convolutional Neural Networks", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| SELIM A等: "Painting Style Transfer for Head Portraits using Convolutional Neural Networks", 《ACM TRANSACTIONS ON GRAPHICS》 * |
| 京辉热点工作室: "《Premiere 5.1》", 31 July 1999, 北京：人民交通出版社 * |
| 梁凌宇: "人脸图像的自适应美化与渲染研究", 《中国博士学位论文全文数据库》 * |
| 樊重俊，刘臣，霍良安: "《大数据分析与应用》", 31 January 2016, 上海：立信会计出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
| CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和系统 |
| CN109712081B (zh) * | 2018-11-14 | 2021-01-29 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和系统 |
| CN109559363A (zh) * | 2018-11-23 | 2019-04-02 | 网易（杭州）网络有限公司 | 图像的风格化处理方法、装置、介质和电子设备 |
| CN109559363B (zh) * | 2018-11-23 | 2023-05-23 | 杭州网易智企科技有限公司 | 图像的风格化处理方法、装置、介质和电子设备 |
| CN109636712A (zh) * | 2018-12-07 | 2019-04-16 | 北京达佳互联信息技术有限公司 | 图像风格迁移及数据存储方法、装置和电子设备 |
| WO2020168844A1 (en) * | 2019-02-19 | 2020-08-27 | Boe Technology Group Co., Ltd. | Image processing method, apparatus, equipment, and storage medium |
| CN111583165A (zh) * | 2019-02-19 | 2020-08-25 | 京东方科技集团股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| US11403838B2 (en) | 2019-02-19 | 2022-08-02 | Boe Technology Group Co., Ltd. | Image processing method, apparatus, equipment, and storage medium to obtain target image features |
| CN111583165B (zh) * | 2019-02-19 | 2023-08-08 | 京东方科技集团股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| US20210264655A1 (en) * | 2019-03-25 | 2021-08-26 | Tencent Technology (Shenzhen) Company Limited | Training method and apparatus for image processing model, image processing method and apparatus for image processing model, and storage medium |
| US11935166B2 (en) * | 2019-03-25 | 2024-03-19 | Tencent Technology (Shenzhen) Company Limited | Training method and apparatus for image processing model, image processing method and apparatus for image processing model, and storage medium |
| CN111583100B (zh) * | 2020-05-12 | 2023-05-23 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111583100A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111932439A (zh) * | 2020-06-28 | 2020-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种戴口罩人脸图像生成方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537720A (zh) | 一种图像处理方法和装置 | |
| Kobler et al. | Variational networks: connecting variational methods and deep learning | |
| Hao et al. | Low-light image enhancement with semi-decoupled decomposition | |
| CN108257084B (zh) | 一种基于移动端的轻量级人脸自动化妆方法 | |
| CN106447626B (zh) | 一种基于深度学习的模糊核尺寸估计方法与系统 | |
| US10198839B2 (en) | Style transfer-based image content correction | |
| US20180082715A1 (en) | Artistic style transfer for videos | |
| CN101551911B (zh) | 人脸素描肖像画自动生成方法 | |
| CN105096326B (zh) | 一种使用移动最小二乘法的拉普拉斯抠图矩阵方法 | |
| CN112889092A (zh) | 有纹理的神经化身 | |
| CN109544482A (zh) | 一种卷积神经网络模型生成方法及图像增强方法 | |
| CN109829868B (zh) | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 | |
| CN108154487A (zh) | 基于多通道分解的屏摄图像摩尔纹消除方法 | |
| CN106960457B (zh) | 一种基于图像语义提取和涂鸦的彩绘画创作方法 | |
| CN111243051B (zh) | 基于肖像照片的简笔画生成方法、系统及存储介质 | |
| CN110288512A (zh) | 用于图像合成的光照重映射方法、装置、存储介质和处理器 | |
| CN111986075A (zh) | 一种目标边缘清晰化的风格迁移方法 | |
| CN108460720A (zh) | 一种基于生成对抗网络模型改变图像风格的方法 | |
| DiPaola et al. | Using artificial intelligence techniques to emulate the creativity of a portrait painter | |
| WO2023284738A1 (zh) | 美化图像的方法和系统 | |
| Chiu et al. | Iterative feature transformation for fast and versatile universal style transfer | |
| CN113362422A (zh) | 一种阴影鲁棒的基于解耦表示的妆容迁移系统及方法 | |
| CN113255813A (zh) | 一种基于特征融合的多风格图像生成方法 | |
| CN111832517A (zh) | 基于门控卷积的低清人脸关键点检测方法 | |
| Kavitha et al. | Neural style transfer using vgg19 and alexnet |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
| RJ01 | Rejection of invention patent application after publication |