CN109816764B - 图像生成方法及装置、电子设备和存储介质 - Google Patents

图像生成方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109816764B
CN109816764B CN201910107428.9A CN201910107428A CN109816764B CN 109816764 B CN109816764 B CN 109816764B CN 201910107428 A CN201910107428 A CN 201910107428A CN 109816764 B CN109816764 B CN 109816764B
Authority
CN
China
Prior art keywords
image
network
pixel point
determining
information
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
Application number
CN201910107428.9A
Other languages
English (en)
Other versions
CN109816764A (zh
Inventor
邱浩楠
顾津锦
任思捷
韩晓光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201910107428.9A priority Critical patent/CN109816764B/zh
Publication of CN109816764A publication Critical patent/CN109816764A/zh
Priority to SG11202010572RA priority patent/SG11202010572RA/en
Priority to JP2020560202A priority patent/JP6986167B2/ja
Priority to PCT/CN2019/114612 priority patent/WO2020155711A1/zh
Priority to US17/078,709 priority patent/US11410344B2/en
Application granted granted Critical
Publication of CN109816764B publication Critical patent/CN109816764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)

Abstract

本公开涉及一种图像生成方法及装置、电子设备和存储介质，所述方法包括：根据目标对象的线条图像，生成所述目标对象的第一图像；对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息；根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像。本公开实施例能够简单、快速地生成对象图像。

Description

图像生成方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像生成方法及装置、电子设备和存储介质。
背景技术
在计算机技术领域，生成逼真的头发是一个重要而又困难的问题。头发作为人像的一个明显特征，一旦无法逼真地渲染，就会影响整个人像的生成效果。然而，头发往往由成千上万的细丝组成，这使得它的纹理十分复杂而多变，对于生成任务造成了巨大的阻碍。目前，基于三维建模的头发编辑方法存在着编辑方式复杂、运算耗时长等缺点，只适用于虚拟现实、游戏、电影等领域，无法得到广泛应用。
发明内容
本公开提出了一种图像生成技术方案。
根据本公开的一方面，提供了一种图像生成方法，包括：根据目标对象的线条图像，生成所述目标对象的第一图像；对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息；根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像。
在一种可能的实现方式中，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息，包括：对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息。
在一种可能的实现方式中，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息，包括：对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息；对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和/或方向信息。
在一种可能的实现方式中，对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果，包括：根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果，其中，根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息，包括：根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果，包括：根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果，其中，根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息，包括：根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；和/或根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。
在一种可能的实现方式中，对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果，包括：根据预设的多个角度，对每个像素点的初步纹理信息和/或初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果，其中，根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和/或方向信息，包括：根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络用于生成第一图像，所述第二生成网络用于生成第二图像。
在一种可能的实现方式中，所述第一生成网络包括第一卷积子网络以及第一反卷积子网络，其中，根据目标对象的线条图像，生成所述目标对象的第一图像，包括：将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
在一种可能的实现方式中，所述第二生成网络包括第二卷积子网络以及第二反卷积子网络，其中，根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像，包括：将所述纹理信息和/或所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
在一种可能的实现方式中，所述神经网络还包括判别网络，其中，所述方法还包括：根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
在一种可能的实现方式中，根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，包括：将训练集中的第三图像输入所述第一生成网络中，生成第四图像；通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和/或方向信息；将所述第四图像的纹理信息和/或所述方向信息输入所述第二生成网络中，生成第五图像；将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
在一种可能的实现方式中，根据参考图像、第五图像以及判别结果，确定所述神经网络的网络损失，包括：根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；根据判别结果，确定所述神经网络的对抗损失；根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，根据参考图像、第五图像以及判别结果，确定所述神经网络的网络损失，还包括：根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条。
根据本公开的一方面，提供了一种图像生成装置，包括：第一生成模块，用于根据目标对象的线条图像，生成所述目标对象的第一图像；结构提取模块，用于对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息；第二生成模块，用于根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像。
在一种可能的实现方式中，所述结构提取模块，包括：第一滤波处理子模块，用于对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；第一信息确定子模块，用于根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息。
在一种可能的实现方式中，所述结构提取模块，包括：第二滤波处理子模块，用于对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；第二信息确定子模块，用于根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息；第三滤波处理子模块，用于对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；第三信息确定子模块，用于根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和/或方向信息。
在一种可能的实现方式中，所述第一滤波处理子模块用于：根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果，其中，所述第一信息确定子模块用于：根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，所述第二滤波处理子模块用于：根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果，其中，所述第二信息确定子模块用于：根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；和/或根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。
在一种可能的实现方式中，所述第三滤波处理子模块用于：根据预设的多个角度，对每个像素点的初步纹理信息和/或初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果，其中，所述第三信息确定子模块用于：根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络用于生成第一图像，所述第二生成网络用于生成第二图像。
在一种可能的实现方式中，所述第一生成网络包括第一卷积子网络以及第一反卷积子网络，其中，所述第一生成模块，包括：第一特征确定子模块，用于将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；第一图像生成子模块，用于将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
在一种可能的实现方式中，所述第二生成网络包括第二卷积子网络以及第二反卷积子网络，其中，所述第二生成模块，包括：第二特征确定子模块，用于将所述纹理信息和/或所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；第二图像生成子模块，用于将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
在一种可能的实现方式中，所述神经网络还包括判别网络，其中，所述装置还包括：训练模块，用于根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
在一种可能的实现方式中，所述训练模块，包括：第三图像生成子模块，用于将训练集中的第三图像输入所述第一生成网络中，生成第四图像；结构提取子模块，用于通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和/或方向信息；第四图像生成子模块，用于将所述第四图像的纹理信息和/或所述方向信息输入所述第二生成网络中，生成第五图像；判别子模块，用于将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，损失确定子模块，用于根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；训练子模块，根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
在一种可能的实现方式中，所述损失确定子模块用于：根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；根据判别结果，确定所述神经网络的对抗损失；根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述损失确定子模块还用于：根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述图像生成方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像生成方法。
在本公开实施例中，够根据对象的线条图像生成初步的对象图像，并提取初步图像的纹理和/或方向信息，根据纹理和/或方向信息再次生成真实的对象图像，使得生成的图像的效果更为逼真，并且提高其运算速度，便于简单、快速地生成对象图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像生成方法的流程图。
图2示出根据本公开实施例的神经网络的结构示意图。
图3示出根据本公开实施例的U-Net网络示意图。
图4示出根据本公开实施例的图像生成装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像生成方法的流程图，如图1所示，所述图像生成方法包括：
在步骤S11中，根据目标对象的线条图像，生成所述目标对象的第一图像；
在步骤S12中，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息；
在步骤S13中，根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像。
根据本公开的实施例，能够根据对象的线条图像生成初步的对象图像，并提取初步图像的纹理和/或方向信息，根据纹理和/或方向信息再次生成真实的对象图像，使得生成的图像的效果更为逼真，并且提高其运算速度，便于简单、快速地生成对象图像。
在一种可能的实现方式中，所述图像生成方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条。其中，所述目标对象可以是人的头发或动物的毛发等对象，所述目标对象的线条图像可包括目标对象的轮廓线条以及表现发丝的大致方向的方向线条。例如，线条图像可以是目标对象的简笔画，当目标对象是人的头发时，其线条图像可以是包括头发轮廓线条以及方向线条的简笔画，其中，方向线条可以用几根简单的线条来表示，用于确定发丝的大致方向。
在一种可能的实现方式中，所述目标对象的线条图像可以是终端或服务器中预先存储的图像或从网络下载的图像，也可以是用户实时勾勒出的线条图像。例如，用户可以在终端显示的照片上选取需要生成头发的区域并勾勒出发丝的大致方向。
在一种可能的实现方式中，可以在步骤S11中，根据目标对象的线条图像，生成所述目标对象的第一图像。也就是说，可以对目标对象的线条图像进行分析处理，生成目标对象的第一图像。例如，可以对目标对象的线条图像进行特征提取，得到其特征信息，然后根据该特征信息，生成目标对象的第一图像。本公开对生成第一图像的方式不作限制。
在一种可能的实现方式中，可以在步骤S12中，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息。其中，纹理信息可表示目标对象的线形纹路(可例如发丝的纹路)，方向信息可表示目标对象的线条方向(可例如发丝的方向)。本公开对结构提取的方式不作限制。
在一种可能的实现方式中，步骤S12可包括：对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息。
其中，滤波处理可去除各个像素点的噪声，便于确定各个像素点的纹理信息和/或方向信息。通过对第一图像的各个像素点进行滤波处理，得到各个像素点的滤波结果，然后根据各个像素点的滤波结果，确定各个像素点的纹理信息和/或方向信息，从而确定出第一图像的纹理信息和/或方向信息。本公开对滤波处理的方式不作显示。
通过这种方式，可以根据各个像素点的滤波结果确定出第一图像的纹理信息和/或方向信息，提高了信息提取的准确性。
在一种可能的实现方式中，对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果，可包括：根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果。
举例来说，可以预先设置多个角度θ，将其作为Gabor滤波器的角度，根据角度θ值的不同，可以形成多个不同的Gabor滤波器；使用多个Gabor滤波器对第一图像中的每个像素点进行滤波处理，可以得到每个像素点的多个滤波结果。例如，预设的多个角度可以是在0°到180°间等间隔地取8个值：0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°，从而可以形成8个不同的Gabor滤波器；对于第一图像中的每个像素点，可以分别使用上述8个Gabor滤波器进行滤波处理，得到每个像素点的8个滤波结果。应当理解，本领域技术人员可以根据实际情况对预设的多个角度进行设置，本公开对此不作限制。
通过上述方式，可以从多个角度对第一图像的每个像素点进行滤波处理，得到每个像素点在多个方向上的滤波结果。
在一种可能的实现方式中，根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息，可包括：根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
举例来说，目标对象是头发时，可以使用Gabor滤波器对每个像素点进行滤波，当目标对象的发丝方向与θ的取值一致时，滤波结果的值高，当目标对象的发丝方向与θ的取值不一致时，滤波结果的值低。可以对每个像素点的多个滤波结果进行取最大值操作，得到第一图像的纹理信息，并将与每个像素点的多个滤波结果中的最大值对应的角度，确定为第一图像的方向信息。
通过在多个滤波结果中确定出最大值(即与发丝方向一致的滤波结果)，可以使得第一图像的纹理信息和/或方向信息更为准确。
在一种可能的实现方式中，步骤S12可包括：对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息；对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；根据各个像素点的第二滤波结果，确定所述第一图像的纹理信息和/或方向信息。
通过对第一图像的各个像素点进行第一滤波处理得到初步纹理信息和/或初步方向信息，再对各个像素点的初步纹理信息和/或初步方向信息进行第二滤波处理得到第一图像的纹理信息和/或方向信息，可以进一步减少模糊不清、有污点的区域，使得第一图像的纹理和方向更清晰。
在一种可能的实现方式中，对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果，可包括：根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果。例如，预设的多个角度θ可以是在0°到180°间等间隔地取8个值，将其作为Gabor第一滤波器的角度，从而可以形成8个不同的Gabor第一滤波器，对于第一图像中的每个像素点，可以分别使用上述8个Gabor第一滤波器进行第一滤波处理，得到每个像素点的8个第一滤波结果。
在一种可能的实现方式中，根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息，可包括：根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；和/或根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。例如，目标对象是头发时，可以使用Gabor第一滤波器对每个像素点进行第一滤波处理，当目标对象的发丝方向与θ的取值一致时，第一滤波结果的值高，当目标对象的发丝方向与θ的取值不一致时，第一滤波结果的值低。可以对每个像素点的多个第一滤波结果进行取最大值操作，得到各个像素点的初步纹理信息，并将与每个像素点的多个第一滤波结果中的最大值对应的角度，确定为各个像素点的初步方向信息。
通过在多个第一滤波结果中确定出最大值(即与发丝方向一致的第一滤波结果)，可以使得各个像素点的初步纹理信息和/或初步方向信息更为准确。
在一种可能的实现方式中，对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果，可包括：根据预设的多个角度，对每个像素点的初步纹理信息和/或初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果。例如，预设的多个角度θ可以是在0°到180°间等间隔地取8个值，将其作为Gabor第二滤波器的角度，从而可以形成8个不同的Gabor第二滤波器，对于各个像素点的初步纹理信息和/或初步方向信息，可以分别使用上述8个Gabor第二滤波器进行第二滤波处理，得到各个像素点的8个第二滤波结果。
在一种可能的实现方式中，根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和/或方向信息，可包括：根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。例如，目标对象是头发时，可以使用Gabor第二滤波器对各个像素点的初步纹理信息和/或初步方向信息进行第二滤波处理，当目标对象的发丝方向与θ的取值一致时，第二滤波结果的值高，当目标对象的发丝方向与θ的取值不一致时，第二滤波结果的值低。可以对每个像素点的多个第二滤波结果进行取最大值操作，得到第一图像的纹理信息，并将与每个像素点的多个第二滤波结果中的最大值对应的角度，确定为第一图像的方向信息。
通过在多个第二滤波结果中确定出最大值(即与发丝方向一致的第二滤波结果)，可以使得第一图像的纹理和方向更清晰。
在一种可能的实现方式中，所述方法可通过神经网络实现，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络可用于生成第一图像，所述第二生成网络可用于生成第二图像。
图2示出根据本公开实施例的神经网络的结构示意图。如图2所示，所述神经网络包括第一生成网络21、结构提取层22和第二生成网络23。
在一种可能的实现方式中，如图2所示，目标对象的线条图像可以是一种发型的线条图像(例如简笔画图像)。可以将目标对象的线条图像Ig输入第一生成网络21中处理，生成第一图像Ic；然后将第一图像Ic输入结构提取层22中处理，得到第一图像Ic的纹理信息It和/或方向信息Iθ；将纹理信息It和/或方向信息Iθ输入第二生成网络23中处理，生成目标对象的第二图像If。
在一种可能的实现方式中，所述第一生成网络可包括第一卷积子网络以及第一反卷积子网络，其中，步骤S11可包括：将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
图3示出根据本公开实施例的U-Net网络示意图。在一种可能的实现方式中，如图3所示，第一生成网络可以是U-Net网络，包括第一卷积子网络31以及第一反卷积子网络32。其中，第一卷积子网络31可例如包括卷积核为4*4，步长为2的卷积层，第一反卷积子网络32可例如包括卷积核为4*4，步长为2的反卷积层。可以将线条图像Ig(可例如像素为512*512)输入第一卷积网络中处理。首先，第一卷积子网络31用卷积核为4*4，步长为2的卷积层对线条图像Ig进行卷积，使该线条图像Ig的特征信息在下采样过程中不断减少尺寸至256，128，64，32，16，8，4，2，1，输出线条图像Ig的第一特征信息；然后将第一特征信息及第一卷积子网络的各卷积层对应的特征信息输入第一反卷积网络32中处理，第一反卷积子网络32通过卷积核为4*4，步长为2的反卷积层将第一特征信息逐步上采样至2，4，8，16，32，64，128，256，512，可以得到目标对象的第一图像Ic。
在一种可能的实现方式中，所述第二生成网络可包括第二卷积子网络以及第二反卷积子网络，其中，步骤S13可包括：将所述纹理信息和/或所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
在一种可能的实现方式中，第二生成网络也可以采用如图3所示的U-Net网络，可包括第二卷积子网络和第二反卷积子网络。其中，第二卷积子网络可例如包括卷积核为4*4，步长为2的卷积层，第二反卷积子网络可例如包括卷积核为4*4，步长为2的反卷积层。可以将第一图像Ic的纹理信息It和/或方向信息Iθ进行结合后输入第二生成网络中处理。首先，第二卷积子网络用卷积核为4*4，步长为2的卷积层对输入信息进行卷积，使输入信息在下采样中不断减少尺寸至256，128，64，32，16，8，4，2，1，输出第二特征信息；然后将第二特征信息及第二卷积子网络的各卷积层对应的特征信息输入第二反卷积网络中处理，第二反卷积子网络通过卷积核为4*4，步长为2的反卷积层将第二特征信息逐步上采样至2，4，8，16，32，64，128，256，512，可以得到目标对象的第二图像If。
在一种可能的实现方式中，所述神经网络还可包括判别网络D(图2中未示出)，其中，所述方法还可包括：根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
在一种可能的实现方式中，在使用第一生成网络及第二生成网络生成第二图像之前，可以根据预设的训练集，对抗训练第一生成网络及第二生成网络与判别网络。其中，训练集中可以包括多个第三图像(线条图像)及与第三图像对应的参考图像(真实图像)。例如，可以将第三图像输入神经网络(包括第一生成网络及第二生成网络)中处理，得到第三图像的输出图像，然后将第三图像的输出图像及第三图像对应的参考图像输入判别网络进行判别，得到判别结果。
在上述对抗训练的过程中，第一生成网络及第二生成网络尽力去生成与第三图像的参考图像相近的结果，而判别网络尽力去将第三图像的输出图像与第三图像对应的参考图像区分开来。
通过对第一生成网络及第二生成网络与判别网络的多次对抗训练，可以使其性能逐步提升，从而可以利用第一生成网络及第二生成网络生成更为逼真的图像。
在一种可能的实现方式中，也可以设置分别与第一生成网络G1及第二生成网络G2对应的两个判别网络D1和D2，以便分别对抗训练两组生成-判别网络。也就是说，可先根据预设的训练集，对抗训练第一生成网络G1与判别网络D1。在第一生成网络G1训练完成后，利用已训练的第一生成网络G1得到的生成图像，对抗训练第二生成网络G2与判别网络D2，从而完成整个训练过程。本公开对第一生成网络及第二生成网络的具体训练方式不作限制。
在一种可能的实现方式中，可以通过损失函数来训练神经网络，并按照损失函数最小化的方向来调整网络参数值。当损失函数降低到一定程度或收敛于一定阈值内时，可以停止训练，得到训练好的神经网络。
在一种可能的实现方式中，根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，可包括：将训练集中的第三图像输入所述第一生成网络中，生成第四图像；通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和/或方向信息；将所述第四图像的纹理信息和/或所述方向信息输入所述第二生成网络中，生成第五图像；将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
通过这种方式，可以在训练过程中，根据损失函数不断调整网络参数，使得第一生成网络及第二生成网络与判别网络的训练更为有效。
应当理解，本领域技术人员可以根据实际情况设置训练过程中使用的损失函数，本公开对此不作限制。
在一种可能的实现方式中，根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失，可包括：根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；根据判别结果，确定所述神经网络的对抗损失；根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，可以根据参考图像、第四图像及第五图像，确定神经网络的像素损失。可使用下述公式(1)来确定神经网络的像素损失Lpixel：
Figure BDA0001967032530000151
在公式(1)中，
Figure BDA0001967032530000152
表示第四图像或第五图像，y表示参考图像。
在一种可能的实现方式中，可以根据判别结果，确定所述神经网络的对抗损失。可使用下述公式(2)来确定神经网络的对抗损失Ladv：
Ladv＝logD(G(x)) (2)
在公式(2)中，x表示第三图像，G表示第一生成网络和/或第二生成网络，D表示判别网络。
在一种可能的实现方式中，可以根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失。可使用下述公式(3)来确定神经网络的风格损失Lstyle：
Figure BDA0001967032530000161
在公式(3)中，F是已训练的卷积网络，可用于在各个卷积层中提取输入图片各个尺度的特征信息，
Figure BDA0001967032530000162
表示第四图像或第五图像
Figure BDA0001967032530000163
在第i层被提取的特征信息，Fi(y)表示参考图像y在第i层被提取的特征信息，Gram表示Gram运算矩阵，n表示卷积网络F的卷积层数量。
在一种可能的实现方式中，可以根据像素损失、对抗损失以及风格损失，确定所述神经网络的网络损失。可使用下述公式(4)来确定神经网络的网络损失L1：
L1＝w1Lpixel+w2Ladv+w3Lstyle (4)
在公式(4)中，w1、w2、w3分别表示像素损失Lpixel、对抗损失Ladv、风格损失Lstyle的权重。本领域技术人员可以根据实际情况设置w1、w2、w3的取值，本公开对此不作限制。
其中，在采用第四图像确定网络损失的情况下，反向调整网络参数时仅调整第一生成网络的网络参数；在采用第五图像确定网络损失的情况下，反向调整网络参数时同时调整第一生成网络和第二生成网络的网络参数。
通过像素损失、对抗损失以及风格损失来确定网络损失，使得网络损失的来源更为明确，在进行参数调整时更有针对性，从而可以提高第一生成网络及第二生成网络与判别网络的训练效率。
在一种可能的实现方式中，根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失，还包括：根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，可以将参考图像、第四图像、第五图像输入判别网络中处理。在判别网络中的各个层，可以对参考图像与第四图像或第五图像的特征信息进行匹配。可以使用下述公式(5)来确定神经网络的特征匹配损失LFM：
Figure BDA0001967032530000171
在公式(5)中，表示判别网络，Dj(y)表示参考图像y在第j层的特征图，
Figure BDA0001967032530000172
表示第四图像或第五图像
Figure BDA0001967032530000173
在第j层的特征图，Nj表示第j层中特征信息的数量，T表示判别网络D的总层数。
在一种可能的实现方式中，可以根据像素损失、对抗损失、风格损失以及特征匹配损失，确定神经网络的网络损失。可使用下述公式(6)来确定神经网络的网络损失L2：
L2＝w1Lpixel+w2Ladv+w3Lstyle+w4LFM (6)
在公式(6)中，w1、w2、w3、w4分别表示像素损失Lpixel、对抗损失Ladv、风格损失Lstyle、特征匹配损失LFM的权重。本领域技术人员可以根据实际情况设置w1、w2、w3、w4的取值，本公开对此不作限制。
其中，在采用第四图像确定网络损失的情况下，反向调整网络参数时仅调整第一生成网络的网络参数；在采用第五图像确定网络损失的情况下，反向调整网络参数时同时调整第一生成网络和第二生成网络的网络参数。
通过上述方式，可以将特征匹配损失增加到网络损失中，从而提高网络训练的效率。
根据本公开实施例的图像生成方法，能够根据目标对象(可例如头发)的线条图像简单、快速地生成效果逼真的对象图像。根据本公开的实施例可应用于发型快速生成、发型编辑等产品及相应的使用场景中，不仅可以提高头发编辑速度，还可以生成更为逼真的图像。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图4示出根据本公开实施例的图像生成装置的框图，如图4所示，所述图像生成装置包括：
第一生成模块41，用于根据目标对象的线条图像，生成所述目标对象的第一图像；
结构提取模块42，用于对所述第一图像进行结构提取，得到所述第一图像的纹理信息和/或方向信息；
第二生成模块43，用于根据所述纹理信息和/或所述方向信息，生成所述目标对象的第二图像。
在一种可能的实现方式中，所述结构提取模块42，包括：第一滤波处理子模块，用于对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；第一信息确定子模块，用于根据各个像素点的滤波结果，确定所述第一图像的纹理信息和/或方向信息。
在一种可能的实现方式中，所述结构提取模块42，包括：第二滤波处理子模块，用于对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；第二信息确定子模块，用于根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和/或初步方向信息；第三滤波处理子模块，用于对各个像素点的初步纹理信息和/或初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；第三信息确定子模块，用于根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和/或方向信息。
在一种可能的实现方式中，所述第一滤波处理子模块用于：根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果，其中，所述第一信息确定子模块用于：根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，所述第二滤波处理子模块用于：根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果，其中，所述第二信息确定子模块用于：根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；和/或根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。
在一种可能的实现方式中，所述第三滤波处理子模块用于：根据预设的多个角度，对每个像素点的初步纹理信息和/或初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果，其中，所述第三信息确定子模块用于：根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；和/或根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络用于生成第一图像，所述第二生成网络用于生成第二图像。
在一种可能的实现方式中，所述第一生成网络包括第一卷积子网络以及第一反卷积子网络，其中，所述第一生成模块41，包括：第一特征确定子模块，用于将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；第一图像生成子模块，用于将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
在一种可能的实现方式中，所述第二生成网络包括第二卷积子网络以及第二反卷积子网络，其中，所述第二生成模块43，包括：第二特征确定子模块，用于将所述纹理信息和/或所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；第二图像生成子模块，用于将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
在一种可能的实现方式中，所述神经网络还包括判别网络，其中，所述装置还包括：训练模块，用于根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
在一种可能的实现方式中，所述训练模块，包括：第三图像生成子模块，用于将训练集中的第三图像输入所述第一生成网络中，生成第四图像；结构提取子模块，用于通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和/或方向信息；第四图像生成子模块，用于将所述第四图像的纹理信息和/或所述方向信息输入所述第二生成网络中，生成第五图像；判别子模块，用于将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，损失确定子模块，用于根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；训练子模块，根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
在一种可能的实现方式中，所述损失确定子模块用于：根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；根据判别结果，确定所述神经网络的对抗损失；根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述损失确定子模块还用于：根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (26)

1.一种图像生成方法，其特征在于，包括：
根据目标对象的线条图像，生成所述目标对象的第一图像；
对所述第一图像进行结构提取，得到所述第一图像的纹理信息和方向信息；
根据所述纹理信息和所述方向信息，生成所述目标对象的第二图像，
其中，所述线条图像包括目标对象的简笔画，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条，所述纹理信息用于表示所述目标对象的线形纹路，所述方向信息用于表示所述目标对象的线条方向，
所述方法通过神经网络实现，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络用于生成第一图像，所述第二生成网络用于生成第二图像。
2.根据权利要求1所述的方法，其特征在于，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和方向信息，包括：
对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；
根据各个像素点的滤波结果，确定所述第一图像的纹理信息和方向信息。
3.根据权利要求1所述的方法，其特征在于，对所述第一图像进行结构提取，得到所述第一图像的纹理信息和方向信息，包括：
对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；
根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和初步方向信息；
对各个像素点的初步纹理信息和初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；
根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和方向信息。
4.根据权利要求2所述的方法，其特征在于，对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果，包括：
根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果，
其中，根据各个像素点的滤波结果，确定所述第一图像的纹理信息和方向信息，包括：
根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；
根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
5.根据权利要求3所述的方法，其特征在于，对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果，包括：
根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果，
其中，根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和初步方向信息，包括：
根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；
根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。
6.根据权利要求3或5所述的方法，其特征在于，对各个像素点的初步纹理信息和初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果，包括：
根据预设的多个角度，对每个像素点的初步纹理信息和初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果，
其中，根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和方向信息，包括：
根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；
根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
7.根据权利要求1所述的方法，其特征在于，所述第一生成网络包括第一卷积子网络以及第一反卷积子网络，其中，根据目标对象的线条图像，生成所述目标对象的第一图像，包括：
将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；
将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
8.根据权利要求7所述的方法，其特征在于，所述第二生成网络包括第二卷积子网络以及第二反卷积子网络，其中，根据所述纹理信息和所述方向信息，生成所述目标对象的第二图像，包括：
将所述纹理信息和所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；
将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
9.根据权利要求1、7-8中任意一项所述的方法，其特征在于，所述神经网络还包括判别网络，其中，所述方法还包括：
根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，
其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
10.根据权利要求9所述的方法，其特征在于，根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，包括：
将训练集中的第三图像输入所述第一生成网络中，生成第四图像；
通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和方向信息；
将所述第四图像的纹理信息和所述方向信息输入所述第二生成网络中，生成第五图像；
将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，
根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；
根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
11.根据权利要求10所述的方法，其特征在于，根据参考图像、第五图像以及判别结果，确定所述神经网络的网络损失，包括：
根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；
根据判别结果，确定所述神经网络的对抗损失；
根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；
根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
12.根据权利要求11所述的方法，其特征在于，根据参考图像、第五图像以及判别结果，确定所述神经网络的网络损失，还包括：
根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；
根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
13.一种图像生成装置，其特征在于，包括：
第一生成模块，用于根据目标对象的线条图像，生成所述目标对象的第一图像；
结构提取模块，用于对所述第一图像进行结构提取，得到所述第一图像的纹理信息和方向信息；
第二生成模块，用于根据所述纹理信息和所述方向信息，生成所述目标对象的第二图像，
其中，所述线条图像包括目标对象的简笔画，所述目标对象包括头发，所述目标对象的线条图像中至少包括头发的轮廓线条和方向线条，所述纹理信息用于表示所述目标对象的线形纹路，所述方向信息用于表示所述目标对象的线条方向，
所述装置包括神经网络，所述神经网络包括第一生成网络及第二生成网络，所述第一生成网络用于生成第一图像，所述第二生成网络用于生成第二图像。
14.根据权利要求13所述的装置，其特征在于，所述结构提取模块，包括：
第一滤波处理子模块，用于对所述第一图像的各个像素点分别进行滤波处理，得到各个像素点的滤波结果；
第一信息确定子模块，用于根据各个像素点的滤波结果，确定所述第一图像的纹理信息和方向信息。
15.根据权利要求13所述的装置，其特征在于，所述结构提取模块，包括：
第二滤波处理子模块，用于对所述第一图像的各个像素点分别进行第一滤波处理，得到各个像素点的第一滤波结果；
第二信息确定子模块，用于根据各个像素点的第一滤波结果，确定各个像素点的初步纹理信息和初步方向信息；
第三滤波处理子模块，用于对各个像素点的初步纹理信息和初步方向信息分别进行第二滤波处理，得到各个像素点的第二滤波结果；
第三信息确定子模块，用于根据各个像素点的第二滤波结果，确定所述第一图像纹理信息和方向信息。
16.根据权利要求14所述的装置，其特征在于，所述第一滤波处理子模块用于：
根据预设的多个角度，对每个像素点进行Gabor滤波处理，得到所述像素点的多个滤波结果，
其中，所述第一信息确定子模块用于：
根据每个像素点的多个滤波结果中的最大值，确定所述第一图像的纹理信息；
根据与每个像素点的多个滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
17.根据权利要求15所述的装置，其特征在于，所述第二滤波处理子模块用于：
根据预设的多个角度，对每个像素点进行Gabor第一滤波处理，得到所述像素点的多个第一滤波结果，
其中，所述第二信息确定子模块用于：
根据每个像素点的多个第一滤波结果中的最大值，确定所述各个像素点的初步纹理信息；
根据与每个像素点的多个第一滤波结果中的最大值对应的角度，确定所述各个像素点的初步方向信息。
18.根据权利要求15或17所述的装置，其特征在于，所述第三滤波处理子模块用于：
根据预设的多个角度，对每个像素点的初步纹理信息和初步方向信息进行Gabor第二滤波处理，得到所述像素点的多个第二滤波结果，
其中，所述第三信息确定子模块用于：
根据每个像素点的多个第二滤波结果中的最大值，确定所述第一图像的纹理信息；
根据与每个像素点的多个第二滤波结果中的最大值对应的角度，确定所述第一图像的方向信息。
19.根据权利要求13所述的装置，其特征在于，所述第一生成网络包括第一卷积子网络以及第一反卷积子网络，其中，所述第一生成模块，包括：
第一特征确定子模块，用于将所述线条图像输入所述第一卷积子网络中进行下采样，输出所述线条图像的第一特征信息；
第一图像生成子模块，用于将所述第一特征信息输入所述第一反卷积子网络中进行上采样，输出所述第一图像。
20.根据权利要求19所述的装置，其特征在于，所述第二生成网络包括第二卷积子网络以及第二反卷积子网络，其中，所述第二生成模块，包括：
第二特征确定子模块，用于将所述纹理信息和所述方向信息输入所述第二卷积子网络中进行下采样，输出第二特征信息；
第二图像生成子模块，用于将所述第二特征信息输入所述第二反卷积子网络中进行上采样，输出所述第二图像。
21.根据权利要求13、19-20中任意一项所述的装置，其特征在于，所述神经网络还包括判别网络，其中，所述装置还包括：
训练模块，用于根据预设的训练集，对抗训练第一生成网络及第二生成网络与所述判别网络，
其中，所述训练集中包括多个第三图像及与所述第三图像对应的参考图像，所述第三图像为线条图像，所述参考图像为真实图像。
22.根据权利要求21所述的装置，其特征在于，所述训练模块，包括：
第三图像生成子模块，用于将训练集中的第三图像输入所述第一生成网络中，生成第四图像；
结构提取子模块，用于通过Gabor滤波器对所述第四图像进行结构提取，得到所述第四图像的纹理信息和方向信息；
第四图像生成子模块，用于将所述第四图像的纹理信息和所述方向信息输入所述第二生成网络中，生成第五图像；
判别子模块，用于将所述第三图像的参考图像以及所述第五图像输入所述判别网络中，输出判别结果，
损失确定子模块，用于根据参考图像、第四图像、第五图像以及判别结果，确定所述神经网络的网络损失；
训练子模块，根据所述网络损失，训练第一生成网络及第二生成网络与所述判别网络。
23.根据权利要求22所述的装置，其特征在于，所述损失确定子模块用于：
根据参考图像、第四图像及第五图像，确定所述神经网络的像素损失；
根据判别结果，确定所述神经网络的对抗损失；
根据参考图像、第四图像、第五图像以及已训练的卷积网络，确定所述神经网络的风格损失；
根据所述像素损失、所述对抗损失以及所述风格损失，确定所述神经网络的网络损失。
24.根据权利要求23所述的装置，其特征在于，所述损失确定子模块还用于：
根据参考图像、第四图像、第五图像以及判别网络，确定所述神经网络的特征匹配损失；
根据所述像素损失、所述对抗损失、所述风格损失以及所述特征匹配损失，确定所述神经网络的网络损失。
25.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至12中任意一项所述的方法。
26.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
CN201910107428.9A 2019-02-02 2019-02-02 图像生成方法及装置、电子设备和存储介质 Active CN109816764B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910107428.9A CN109816764B (zh) 2019-02-02 2019-02-02 图像生成方法及装置、电子设备和存储介质
SG11202010572RA SG11202010572RA (en) 2019-02-02 2019-10-31 Image generating method and apparatus, electronic device, and storage medium
JP2020560202A JP6986167B2 (ja) 2019-02-02 2019-10-31 画像生成方法および装置、電子機器並びに記憶媒体
PCT/CN2019/114612 WO2020155711A1 (zh) 2019-02-02 2019-10-31 图像生成方法及装置、电子设备和存储介质
US17/078,709 US11410344B2 (en) 2019-02-02 2020-10-23 Method for image generation, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910107428.9A CN109816764B (zh) 2019-02-02 2019-02-02 图像生成方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109816764A CN109816764A (zh) 2019-05-28
CN109816764B true CN109816764B (zh) 2021-06-25

Family

ID=66606377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910107428.9A Active CN109816764B (zh) 2019-02-02 2019-02-02 图像生成方法及装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US11410344B2 (zh)
JP (1) JP6986167B2 (zh)
CN (1) CN109816764B (zh)
SG (1) SG11202010572RA (zh)
WO (1) WO2020155711A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816764B (zh) * 2019-02-02 2021-06-25 深圳市商汤科技有限公司 图像生成方法及装置、电子设备和存储介质
CN109977847B (zh) * 2019-03-22 2021-07-16 北京市商汤科技开发有限公司 图像生成方法及装置、电子设备和存储介质
CN110188776A (zh) * 2019-05-30 2019-08-30 京东方科技集团股份有限公司 图像处理方法及装置、神经网络的训练方法、存储介质
CN111260581B (zh) * 2020-01-17 2023-09-26 北京达佳互联信息技术有限公司 图像处理方法、装置及存储介质
CN113763228B (zh) * 2020-06-01 2024-03-19 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN111931844B (zh) * 2020-08-07 2023-11-28 商汤集团有限公司 图像处理方法及装置、电子设备和存储介质
CN112581358B (zh) * 2020-12-17 2023-09-26 北京达佳互联信息技术有限公司 图像处理模型的训练方法、图像处理方法及装置
CN112862110B (zh) * 2021-02-11 2024-01-30 脸萌有限公司 模型生成方法、装置和电子设备
CN113012166A (zh) * 2021-03-19 2021-06-22 北京安德医智科技有限公司 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN113506320B (zh) * 2021-07-15 2024-04-12 清华大学 图像处理方法及装置、电子设备和存储介质
CN113506322B (zh) * 2021-07-15 2024-04-12 清华大学 图像处理方法及装置、电子设备和存储介质
CN113542739B (zh) * 2021-07-15 2023-10-20 Oppo广东移动通信有限公司 图像编码方法及装置、图像解码方法及装置、介质、设备
CN113450298B (zh) * 2021-08-31 2022-03-08 国汽智控(北京)科技有限公司 基于多传感器的视野图处理方法、装置和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108476278A (zh) * 2016-01-19 2018-08-31 索尼公司 显示控制装置、显示控制方法和计算机程序

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208763B1 (en) * 1998-04-14 2001-03-27 General Electric Company Method and apparatus for enhancing discrete pixel images
GB201208088D0 (en) * 2012-05-09 2012-06-20 Ncam Sollutions Ltd Ncam
CN102800129B (zh) 2012-06-20 2015-09-30 浙江大学 一种基于单幅图像的头发建模和肖像编辑方法
CN103366400B (zh) * 2013-07-24 2017-09-12 深圳市华创振新科技发展有限公司 一种三维头像自动生成方法
WO2016075914A1 (ja) * 2014-11-13 2016-05-19 日本電気株式会社 画像信号処理装置、画像信号処理方法及び画像信号処理プログラム
US10796480B2 (en) * 2015-08-14 2020-10-06 Metail Limited Methods of generating personalized 3D head models or 3D body models
CN105844706B (zh) 2016-04-19 2018-08-07 浙江大学 一种基于单幅图像的全自动三维头发建模方法
US9886771B1 (en) 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
US20180005428A1 (en) * 2016-06-29 2018-01-04 Carlos Montero Method and apparatus for generating graphic images
EP3381017B1 (en) 2016-10-31 2019-11-06 Google LLC Face reconstruction from a learned embedding
TWI612433B (zh) 2016-11-17 2018-01-21 財團法人工業技術研究院 整體式學習預測裝置與方法、以及非暫存電腦可讀的儲存媒介
CN106683048B (zh) * 2016-11-30 2020-09-01 浙江宇视科技有限公司 一种图像超分辨率方法及设备
CN107103619B (zh) * 2017-04-19 2022-03-08 腾讯科技（上海）有限公司 一种头发纹理方向的处理方法、装置及系统
US10474929B2 (en) 2017-04-25 2019-11-12 Nec Corporation Cyclic generative adversarial network for unsupervised cross-domain image generation
KR102403494B1 (ko) 2017-04-27 2022-05-27 에스케이텔레콤 주식회사 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법
CN108229494B (zh) 2017-06-16 2020-10-16 北京市商汤科技开发有限公司 网络训练方法、处理方法、装置、存储介质和电子设备
CN108229526B (zh) 2017-06-16 2020-09-29 北京市商汤科技开发有限公司 网络训练、图像处理方法、装置、存储介质和电子设备
JP6744494B2 (ja) * 2017-07-06 2020-08-19 富士フイルム株式会社 機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システム
US10578869B2 (en) 2017-07-24 2020-03-03 Mentor Acquisition One, Llc See-through computer display systems with adjustable zoom cameras
CN107886516B (zh) * 2017-11-30 2020-05-15 厦门美图之家科技有限公司 一种计算人像中发丝走向的方法及计算设备
CN108495110B (zh) 2018-01-19 2020-03-17 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法
US10825219B2 (en) 2018-03-22 2020-11-03 Northeastern University Segmentation guided image generation with adversarial networks
CN108776959B (zh) * 2018-07-10 2021-08-06 Oppo（重庆）智能科技有限公司 图像处理方法、装置及终端设备
CN109166144B (zh) 2018-07-20 2021-08-24 中国海洋大学 一种基于生成对抗网络的图像深度估计方法
CN109191409B (zh) 2018-07-25 2022-05-10 北京市商汤科技开发有限公司 图像处理、网络训练方法、装置、电子设备和存储介质
CN109191402B (zh) 2018-09-03 2020-11-03 武汉大学 基于对抗生成神经网络的图像修复方法和系统
CN109635745A (zh) 2018-12-13 2019-04-16 广东工业大学 一种基于生成对抗网络模型生成多角度人脸图像的方法
CN109816764B (zh) * 2019-02-02 2021-06-25 深圳市商汤科技有限公司 图像生成方法及装置、电子设备和存储介质
CN110163193B (zh) 2019-03-25 2021-08-06 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108476278A (zh) * 2016-01-19 2018-08-31 索尼公司 显示控制装置、显示控制方法和计算机程序

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Convolutional Neural Networks for Subjective Face Attributes》;McCurrie, Mel 等;《IMAGE AND VISION COMPUTING 》;20181031;全文 *
《基于手绘轮廓图的移动端图像检索》;缪永伟 等;《计算机辅助设计与图形学学报》;20190115;全文 *

Also Published As

Publication number Publication date
US11410344B2 (en) 2022-08-09
JP2021518961A (ja) 2021-08-05
SG11202010572RA (en) 2020-11-27
WO2020155711A1 (zh) 2020-08-06
CN109816764A (zh) 2019-05-28
JP6986167B2 (ja) 2021-12-22
US20210042967A1 (en) 2021-02-11

Similar Documents

Publication Publication Date Title
CN109816764B (zh) 图像生成方法及装置、电子设备和存储介质
CN109977847B (zh) 图像生成方法及装置、电子设备和存储介质
CN107692997B (zh) 心率检测方法及装置
CN110647834A (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN111553864B (zh) 图像修复方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN110928627B (zh) 界面展示方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN111241887B (zh) 目标对象关键点识别方法及装置、电子设备和存储介质
CN110933488A (zh) 视频剪辑方法及装置
CN111340733B (zh) 图像处理方法及装置、电子设备和存储介质
CN111091610B (zh) 图像处理方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN109255784B (zh) 图像处理方法及装置、电子设备和存储介质
CN111583142A (zh) 图像降噪方法及装置、电子设备和存储介质
CN110415258B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN107730443B (zh) 图像处理方法、装置及用户设备
CN111553865B (zh) 图像修复方法及装置、电子设备和存储介质
CN109635926A (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN109978759B (zh) 图像处理方法及装置和图像生成网络的训练方法及装置
CN112613447A (zh) 关键点检测方法及装置、电子设备和存储介质

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