CN109919829A - 图像风格迁移方法、装置和计算机可读存储介质 - Google Patents
图像风格迁移方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109919829A CN109919829A CN201910045020.3A CN201910045020A CN109919829A CN 109919829 A CN109919829 A CN 109919829A CN 201910045020 A CN201910045020 A CN 201910045020A CN 109919829 A CN109919829 A CN 109919829A
- Authority
- CN
- China
- Prior art keywords
- style
- image
- loss function
- content
- transfer
- 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.)
- Granted
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims description 200
- 210000005036 nerve Anatomy 0.000 claims description 94
- 239000000284 extract Substances 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000013481 data capture Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000013508 migration Methods 0.000 description 12
- 230000005012 migration Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010422 painting Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000012092 media component Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本申请是关于一种图像风格迁移方法、装置和计算机存储介质。该图像风格迁移方法包括：建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移；获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像；以及基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于所述多个第一风格图像的第一目标图像。通过一个第一内容图像和多个第一风格图像，优化出一个第一目标图像。第一目标图像的风格来源于多个第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格迁移效果。
Description
技术领域
本申请属于计算机软件应用领域，尤其是图像风格迁移方法、装置和计算机可读存储介质。
背景技术
风格迁移(style transfer)的目的是将一张风格图像(style image)的视觉元素迁移到另一张内容图像(content image)，从而生成风格化的图像(stylized image)。例如，使用风格迁移技术，人们可以轻易地将自己的照片转变为一张带有梵高《The StarryNight》风格元素的图像。
目前，风格迁移通过给定的一张内容图像和一张风格图像，优化出一张风格化的图像。在实际使用中，一种类型的风格可能是由同一个类别中的多张风格图像(style set)同时定义的。一个简单的例子，一个画家在某一个时期的风格，实际上是由其同一时期内的多张画作共同表现的。使用一张风格图像定义该画家的风格，得到的风格化图像并不能全面体现该画家的整个风格。
发明内容
为克服相关技术中存在的图像风格迁移不准确和不全面的问题，本申请公开一种图像风格迁移方法和装置，通过一个第一内容图像和多个第一风格图像，优化出一个第一目标图像。该第一目标图像的风格来源于多个第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格迁移效果。
根据本申请实施例的第一方面，提供一种图像风格迁移方法，包括：
建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移；
获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像；以及
基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于所述多个第一风格图像的第一目标图像。
可选地，所述建立图像风格迁移模型，包括：
收集所述风格图像和所述内容图像的训练样本；
构建第一神经网络和风格迁移损失函数；以及
基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型。
可选地，所述第一神经网络包括：所述内容特征提取层和多个所述风格特征提取层。
可选地，构建所述风格迁移损失函数，包括：
将白噪声图像作为初始的所述第一目标图像；
基于所述内容图像和所述第一目标图像，构建第一内容损失函数；
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数；以及
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
可选地，所述基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数，包括：
计算每一个所述风格图像的第二风格损失函数；
基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数。
可选地，所述计算每一个所述风格图像的第二风格损失函数的公式定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值。
可选地，所述基于所述内容图像和所述第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出。
可选地，所述基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数，包括：
基于所述第一内容损失函数和所述第一风格损失函数的权重系数，计算所述第一内容损失函数和所述第一风格损失函数的和，得到所述风格迁移损失函数。
可选地，所述基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型，包括：
采用所述训练样本对所述第一神经网络进行训练；
基于梯度下降法，最小化所述风格迁移损失函数；
求解所述风格迁移损失函数的梯度；以及
基于所述风格迁移损失函数的梯度，调整所述风格迁移损失函数的参数。
可选地，所述第一神经网络为卷积神经网络。
根据本发明实施例的第二方面，提供一种图像风格迁移装置，包括：
模型建立单元，被配置为建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移；
数据获取单元，被配置为获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像；以及
风格迁移单元，被配置为基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于所述多个第一风格图像的第一目标图像。
可选地，所述建立图像风格迁移模型，包括：
收集所述风格图像和所述内容图像的训练样本；
构建第一神经网络和风格迁移损失函数；以及
基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型。
可选地，所述第一神经网络包括：所述内容特征提取层和多个所述风格特征提取层。
可选地，构建所述风格迁移损失函数，包括：
将白噪声图像作为初始的所述第一目标图像；
基于所述内容图像和所述第一目标图像，构建第一内容损失函数；
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数；以及
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
可选地，所述基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数，包括：
计算每一个所述风格图像的第二风格损失函数；
基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数。
可选地，所述计算每一个所述风格图像的第二风格损失函数的公式定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值。
可选地，所述基于所述内容图像和所述第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出。
可选地，所述基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数，包括：
基于所述第一内容损失函数和所述第一风格损失函数的权重系数，计算所述第一内容损失函数和所述第一风格损失函数的和，得到所述风格迁移损失函数。
可选地，所述基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型，包括：
采用所述训练样本对所述第一神经网络进行训练；
基于梯度下降法，最小化所述风格迁移损失函数；
求解所述风格迁移损失函数的梯度；以及
基于所述风格迁移损失函数的梯度，调整所述风格迁移损失函数的参数。
可选地，所述第一神经网络为卷积神经网络。
根据本发明实施例的第三方面，提供一种图像风格迁移装置，包括：
处理器；
用于存储所述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任意一项所述的图像风格迁移方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述图像风格迁移方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
基于深度卷积神经网络，建立图像风格迁移模型。该图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。基于图像风格迁移模型，得到该第一内容图像对应的图像风格来源于多个第一风格图像的第一目标图像。通过一个第一内容图像和多个第一风格图像，优化出一个第一目标图像。第一目标图像的风格来源于多个第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格迁移效果。
基于内容图像的内容特征图和第一目标图像的内容特征图，构建内容图像和第一目标图像之间的第一内容损失函数。基于第一目标图像的格拉姆矩阵和每一个风格图像的格拉姆矩阵，构建第一目标图像和多个风格图像之间的第一风格损失函数。基于第一内容损失函数和第一风格损失函数，构建风格迁移损失函数。基于梯度下降法，最小化风格迁移损失函数。求解该风格迁移损失函数的梯度。基于该风格迁移损失函数的梯度，调整该风格迁移损失函数的参数以得到图像风格迁移模型。图像风格迁移模型的图像迁移风格来源于多张第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格效果。
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，并不能限制本申请。
附图说明
图1是根据一示例性实施例示出的图像风格迁移方法的流程图。
图2是根据一示例性实施例示出的图像风格迁移方法的流程图。
图3是根据一示例性实施例示出的图像风格迁移方法的流程图。
图4是根据一示例性实施例示出的图像风格迁移装置的示意图。
图5是根据一示例性实施例示出的一种执行图像风格迁移方法的装置的框图。
图6是根据一示例性实施例示出的一种执行图像风格迁移方法的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的图像风格迁移方法的流程图，具体包括以下步骤：
在步骤S101中，建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。
在该步骤中，建立图像风格迁移模型。该图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。
在步骤S102中，获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。
在该步骤中，获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。对第一内容图像和对应的多个第一风格图像进行图像处理，使得第一内容图像和对应的多个第一风格图像具有相同的尺寸。
在步骤S103中，基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于多个第一风格图像的第一目标图像。
在该步骤中，将白噪声图像作为初始的第一目标图像。将需要进行风格迁移的第一内容图像和对应的多个第一风格图像以及白噪声图像输入图像风格迁移模型。该图像风格迁移模型的输出图像是该第一内容图像对应的图像风格来源于该多个第一风格图像的第一目标图像。
根据本发明的实施例，基于深度卷积神经网络，建立图像风格迁移模型。该图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。基于图像风格迁移模型，得到该第一内容图像对应的图像风格来源于多个第一风格图像的第一目标图像。通过一个第一内容图像和多个第一风格图像，优化出一个第一目标图像。第一目标图像的风格来源于多个第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格迁移效果。
图2是根据一示例性实施例示出的图像风格迁移方法的流程图，具体是图1中步骤S101建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移的过程，包括以下步骤：
在步骤S201中，收集所述风格图像和所述内容图像的训练样本。
图像风格迁移，是指利用算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。一种“艺术风格”，是艺术创作与艺术欣赏中的审美追求，是画家的基本思想和作品特征的综合体现，是作品内容与表现形式所显示出的与众不同的格调和情感。一个画家在某一个时期的风格，实际上是由其同一时期内的多张画作共同表现的。
在该步骤中，收集需要进行风格迁移的多个内容图像和对应的作为风格来源的多组风格图像。其中，一组风格图像中包括多个风格图像。将收集到的一个内容图像和对应的一组风格图像作为训练样本对，从而得到多个训练样本对。
在步骤S202中，构建第一神经网络和风格迁移损失函数。
在该步骤中，建立图像迁移风格来源于多个风格图像的第一神经网络。第一神经网络为卷积神经网络,包括：内容特征提取层和多个风格特征提取层。例如该第一神经网络为VGG-19,该多个风格特征提取层为：rule1-1、relu2-1、relu3-1、relu4-1和relu5-1。该内容特征提取层为ReLU2-2。特别注意：relu1-1是最低的特征层。Relu5-1是最高的特征层。从relu1-1到relu5-1，提取的特征会越来越抽象。
构建所述风格迁移损失函数。包括：
基于所述内容图像和所述第一目标图像，构建第一内容损失函数。
具体地，使用第一神经网络如VGG-19的内容特征提取层来提取内容图像的内容特征图。将白噪声图像作为该第一神经网络的第一目标图像的初始图像。基于该第一神经网络例如VGG-19的内容特征提取层来提取第一目标图像的内容特征图。基于内容图像的内容特征图和第一目标图像的内容特征图，构建内容图像和第一目标图像之间的第一内容损失函数。
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数。
具体地，使用第一神经网络例如VGG-19的多个风格特征提取层来提取第一目标图像的风格特征图，进一步通过计算得到第一目标图像在多个风格特征提取层的多个格拉姆矩阵。基于第一神经网络例如VGG-19的多个风格特征提取层来提取多个风格图像的风格特征图，进一步计算每一个风格图像在多个风格特征提取层的多个格拉姆矩阵。基于第一目标图像的格拉姆矩阵和每一个风格图像的格拉姆矩阵，构建第一目标图像和多个风格图像之间的第一风格损失函数。
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
具体地，基于第一内容损失函数和第一风格损失函数，构建风格迁移损失函数。
在步骤S203中，基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型。
具体地，采用训练样本对第一神经网络进行训练。基于梯度下降法，最小化风格迁移损失函数。求解该风格迁移损失函数的梯度。基于该风格迁移损失函数的梯度，调整该风格迁移损失函数的参数以得到图像风格迁移模型。
根据本申请的实施例，基于内容图像的内容特征图和第一目标图像的内容特征图，构建内容图像和第一目标图像之间的第一内容损失函数。基于第一目标图像的格拉姆矩阵和每一个风格图像的格拉姆矩阵，构建第一目标图像和多个风格图像之间的第一风格损失函数。基于第一内容损失函数和第一风格损失函数，构建风格迁移损失函数。基于梯度下降法，最小化风格迁移损失函数。求解该风格迁移损失函数的梯度。基于该风格迁移损失函数的梯度，调整该风格迁移损失函数的参数以得到图像风格迁移模型。图像风格迁移模型的图像迁移风格来源于多张第一风格图像，从而提高了图像风格迁移的准确性和全面性，达到更好的风格效果。
图3是根据一示例性实施例示出的图像风格迁移方法的流程图，是图2中步骤S202基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数的过程。本实施例中，使用一个第一目标图像o和一组风格图像S。其中，风格图像组中包含m个风格图像，即sm∈S，m＝1，2，…，M。为了使得最终的第一目标图像o受益于多个风格图像。具体包括以下步骤：
在步骤S301中，计算每一个所述风格图像的第二风格损失函数。
在该步骤中，第m个风格图像的第二风格损失函数定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值。
第m个风格图像sm在第一神经网络的第l层风格特征提取层的格拉姆矩阵的第i行第j列的值,定义为：
其中，是第m个风格图像sm在第一神经网络的第l层风格特征提取层的第i个特征图，是第m个风格图像sm在第一神经网络的第l层风格特征提取层的第j个特征图,k为特征图的第k个元素。
第一目标图像o在第一神经网络的第l层风格特征提取层的格拉姆矩阵A的第i行第j列的值,定义为：
其中，是第一目标图像o在第一神经网络的第l层风格特征提取层的第i个特征图，是第一目标图像o在第一神经网络的第l层风格特征提取层的第j个特征图，k为特征图的第k个元素。
在步骤S302中，基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数。
在该步骤中，基于每一个风格图像的权重，将每一个风格图像的第二风格损失函数相加，得到第一风格损失函数，该第一风格损失函数定义为：
其中，ηm为第m个风格图像的权重，是第m个风格图像的第二风格损失函数。
根据本申请的实施例，计算每一个风格图像的第二风格损失函数。基于每一个风格图像的权重，将每一个风格图像的第二风格损失函数相加，得到第一风格损失函数。通过调节权重来调节第一目标图像的图像风格的来源于不同风格图像的比重，从而提高了图像风格迁移的准确性和全面性，提高了图像风格迁移效果。
在本申请的一个可选的实施例中，基于内容图像和第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出。
基于第一内容损失函数和第一风格损失函数的权重系数，计算第一内容损失函数和第一风格损失函数的和，得到风格迁移损失函数，该风格迁移损失函数定义为：
其中，α和β为第一内容损失函数和第一风格损失函数的权重系数，为第一内容损失函数，为第一风格损失函数。
图4是根据一示例性实施例示出的图像风格迁移装置的示意图。如图4所示，该装置40包括：模型建立单元401、数据获取单元402和风格迁移单元403。
模型建立单元501，被配置为建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。
数据获取单元502，被配置为获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。以及
风格迁移单元503，被配置为基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于多个第一风格图像的第一目标图像。
在本申请的实施例中，模型建立单元501，建立图像风格迁移模型。该图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移。
数据获取单元502，获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像。对第一内容图像和对应的多个第一风格图像进行图像处理，使得第一内容图像和对应的多个第一风格图像具有相同的尺寸。
风格迁移单元503，将白噪声图像作为初始的第一目标图像。将需要进行风格迁移的第一内容图像和对应的多个第一风格图像以及白噪声图像输入图像风格迁移模型。该图像风格迁移模型的输出图像是该第一内容图像对应的图像风格来源于该多个第一风格图像的第一目标图像。
在本申请的一个可选的实施例中，模型建立单元401，建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移的过程，包括：
收集所述风格图像和所述内容图像的训练样本。
具体地，图像风格迁移，是指利用算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。一种“艺术风格”，是艺术创作与艺术欣赏中的审美追求，是画家的基本思想和作品特征的综合体现，是作品内容与表现形式所显示出的与众不同的格调和情感。一个画家在某一个时期的风格，实际上是由其同一时期内的多张画作共同表现的。
收集需要进行风格迁移的多个内容图像和对应的作为风格来源的多组风格图像。其中，一组风格图像中包括多个风格图像。将收集到的一个内容图像和对应的一组风格图像作为训练样本对，从而得到多个训练样本对。
构建第一神经网络和风格迁移损失函数。
具体地，建立图像迁移风格来源于多个风格图像的第一神经网络。第一神经网络为卷积神经网络,包括：内容特征提取层和多个风格特征提取层。例如，第一神经网络为VGG-19，该多个风格特征提取层为：rule1-1、relu2-1、relu3-1、relu4-1和relu5-1。该内容特征提取层为ReLU2-2。特别注意：relu1-1是最低的特征层。Relu5-1是最高的特征层。从relu1-1到relu5-1，提取的特征会越来越抽象。
构建所述风格迁移损失函数。包括：
基于所述内容图像和所述第一目标图像，构建第一内容损失函数。
具体地，使用第一神经网络如VGG-19的内容特征提取层来提取内容图像的内容特征图。将白噪声图像作为该第一神经网络的第一目标图像的初始图像。基于该第一神经网络例如VGG-19的内容特征提取层来提取第一目标图像的内容特征图。基于内容图像的内容特征图和第一目标图像的内容特征图，构建内容图像和第一目标图像之间的第一内容损失函数。
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数。
具体地，使用第一神经网络例如VGG-19的多个风格特征提取层来提取第一目标图像的风格特征图，进一步通过计算得到第一目标图像在多个风格特征提取层的多个格拉姆矩阵。基于第一神经网络例如VGG-19的多个风格特征提取层来提取多个风格图像的风格特征图，进一步计算每一个风格图像在多个风格特征提取层的多个格拉姆矩阵。基于第一目标图像的格拉姆矩阵和每一个风格图像的格拉姆矩阵，构建第一目标图像和多个风格图像之间的第一风格损失函数。
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
具体地，基于第一内容损失函数和第一风格损失函数，构建风格迁移损失函数。
基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型。
具体地，采用训练样本对第一神经网络进行训练。基于梯度下降法，最小化风格迁移损失函数。求解该风格迁移损失函数的梯度。基于该风格迁移损失函数的梯度，调整该风格迁移损失函数的参数以得到图像风格迁移模型。
在本申请的一个可选的实施例中，模型建立单元401，基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数。本实施例中，使用一个第一目标图像o和一组风格图像S。其中，风格图像组中包含m个风格图像，即sm∈S，m＝1，2，…，M。为了使得最终的第一目标图像o受益于多个风格图像。具体包括：
计算每一个所述风格图像的第二风格损失函数。
具体地，第m个风格图像的第二风格损失函数定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值。
第m个风格图像sm在第一神经网络的第l层风格特征提取层的格拉姆矩阵的第i行第j列的值,定义为：
其中，是第m个风格图像sm在第一神经网络的第l层风格特征提取层的第i个特征图，是第m个风格图像sm在第一神经网络的第l层风格特征提取层的第j个特征图,k为特征图的第k个元素。
第一目标图像o在第一神经网络的第l层风格特征提取层的格拉姆矩阵A的第i行第j列的值,定义为：
其中，是第一目标图像o在第一神经网络的第l层风格特征提取层的第i个特征图，是第一目标图像o在第一神经网络的第l层风格特征提取层的第j个特征图，k为特征图的第k个元素。
基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数。
具体地，基于每一个风格图像的权重，将每一个风格图像的第二风格损失函数相加，得到第一风格损失函数，该第一风格损失函数定义为：
其中，ηm为第m个风格图像的权重，是第m个风格图像的第二风格损失函数。
在本申请的一个可选的实施例中，模型建立单元401，基于内容图像和第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出。
基于第一内容损失函数和第一风格损失函数的权重系数，计算第一内容损失函数和第一风格损失函数的和，得到风格迁移损失函数，该风格迁移损失函数定义为：
其中，α和β为第一内容损失函数和第一风格损失函数的权重系数，为第一内容损失函数，为第一风格损失函数。
图5是根据一示例性实施例示出的一种执行图像风格迁移方法的装置1200的框图。例如，交互装置1200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。
参照图5，装置1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电源组件1206，多媒体组件1208，音频组件1210，输入/输出(I/O)的接口1212，传感器组件1214，以及通信组件1216。
处理组件1202通常控制装置1200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1202可以包括一个或多个处理器1220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1202可以包括一个或多个模块，便于处理组件1202和其他组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200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1204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1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理系统，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述装置1200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1208包括一个前置摄像头和/或后置摄像头。当设备1200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1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个麦克风(MIC)，当装置1200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1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。
I/O接口1212为处理组件1202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1214包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1214可以检测到设备1200的打开/关闭状态，组件的相对定位，例如所述组件为装置1200的显示器和小键盘，传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214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1214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1214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1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件1216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1216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，装置1200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，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1204，上述指令可由装置1200的处理器1220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是根据一示例性实施例示出的一种执行图像风格迁移方法的装置1300的框图。例如，装置1300可以被提供为一服务器。参照图6，装置1300包括处理组件1322，其进一步包括一个或多个处理器，以及由存储器1332所代表的存储器资源，用于存储可由处理组件1322的执行的指令，例如应用程序。存储器1332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1322被配置为执行指令，以执行上述信息列表显示方法。
装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理，一个有线或无线网络接口1350被配置为将装置1300连接到网络，和一个输入输出(I/O)接口1358。装置1300可以操作基于存储在存储器1332的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像风格迁移方法，其特征在于，包括：
建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移；
获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像；以及
基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于所述多个第一风格图像的第一目标图像。
2.根据权利要求1所述的图像风格迁移方法，其特征在于，所述建立图像风格迁移模型，包括：
收集所述风格图像和所述内容图像的训练样本；
构建第一神经网络和风格迁移损失函数；以及
基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型；
优选地，所述第一神经网络包括：内容特征提取层和多个风格特征提取层；
优选地，构建所述风格迁移损失函数，包括：
将白噪声图像作为初始的所述第一目标图像；
基于所述内容图像和所述第一目标图像，构建第一内容损失函数；
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数；以及
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
3.根据权利要求2所述的图像风格迁移方法，其特征在于，所述基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数，包括：
计算每一个所述风格图像的第二风格损失函数；
基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数；
优选地，所述计算每一个所述风格图像的第二风格损失函数的公式定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值；
优选地，所述基于所述内容图像和所述第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出；
优选地，所述基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数，包括：
基于所述第一内容损失函数和所述第一风格损失函数的权重系数，计算所述第一内容损失函数和所述第一风格损失函数的和，得到所述风格迁移损失函数。
4.根据权利要求2所述的图像风格迁移方法，其特征在于，所述基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型，包括：
采用所述训练样本对所述第一神经网络进行训练；
基于梯度下降法，最小化所述风格迁移损失函数；
求解所述风格迁移损失函数的梯度；以及
基于所述风格迁移损失函数的梯度，调整所述风格迁移损失函数的参数；
优选地，所述第一神经网络为卷积神经网络。
5.一种图像风格迁移装置，其特征在于，包括：
模型建立单元，被配置为建立图像风格迁移模型，所述图像风格迁移模型采用多个风格图像对一个内容图像进行风格迁移；
数据获取单元，被配置为获取需要进行风格迁移的第一内容图像和对应的多个第一风格图像；以及
风格迁移单元，被配置为基于所述图像风格迁移模型，得到所述第一内容图像对应的图像风格来源于所述多个第一风格图像的第一目标图像。
6.根据权利要求5所述的图像风格迁移装置，其特征在于，所述建立图像风格迁移模型，包括：
收集所述风格图像和所述内容图像的训练样本；
构建第一神经网络和风格迁移损失函数；以及
基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型；
优选地，所述第一神经网络包括：内容特征提取层和多个风格特征提取层；
优选地，构建所述风格迁移损失函数，包括：
将白噪声图像作为初始的所述第一目标图像；
基于所述内容图像和所述第一目标图像，构建第一内容损失函数；
基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数；以及
基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数。
7.根据权利要求6所述的图像风格迁移装置，其特征在于，所述基于所述第一目标图像和所述多个风格图像，构建第一风格损失函数，包括：
计算每一个所述风格图像的第二风格损失函数；
基于所述每一个所述风格图像的权重，将多个所述第二风格损失函数相加，得到所述第一风格损失函数；
优选地，所述计算每一个所述风格图像的第二风格损失函数的公式定义为：
其中，为第m个风格图像的第二风格损失函数，为第一神经网络的第l层风格特征提取层的权重，和为第一神经网络的第l层风格特征提取层的参数，其中在第l层有个特征图，每个所述特征图的边长为每个所述特征图的大小为 代表第m个风格图像sm在第一神经网络的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵的(i，j)位置处的值；代表第一目标图像o在第一神经网的第l层风格特征提取层中，由第i个特征图和第j个特征图计算得到的格拉姆矩阵Al的(i，j)位置处的值；
优选地，所述基于所述内容图像和所述第一目标图像，构建第一内容损失函数的公式定义为：
其中，是内容图像c在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出，是第一目标图像在第一神经网络的内容特征提取层的第r层的第s个滤波器在第t个位置的激活输出；
优选地，所述基于所述第一内容损失函数和所述第一风格损失函数，构建所述风格迁移损失函数，包括：
基于所述第一内容损失函数和所述第一风格损失函数的权重系数，计算所述第一内容损失函数和所述第一风格损失函数的和，得到所述风格迁移损失函数。
8.根据权利要求6所述的图像风格迁移装置，其特征在于，所述基于所述风格迁移损失函数，采用所述训练样本对所述第一神经网络进行训练，以得到所述图像风格迁移模型，包括：
采用所述训练样本对所述第一神经网络进行训练；
基于梯度下降法，最小化所述风格迁移损失函数；
求解所述风格迁移损失函数的梯度；以及
基于所述风格迁移损失函数的梯度，调整所述风格迁移损失函数的参数；
优选地，所述第一神经网络为卷积神经网络。
9.一种图像风格迁移装置，其特征在于，包括：
处理器；
用于存储所述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权利要求1至4任意一项所述的图像风格迁移方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至4任一项所述的图像风格迁移方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045020.3A CN109919829B (zh) | 2019-01-17 | 2019-01-17 | 图像风格迁移方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045020.3A CN109919829B (zh) | 2019-01-17 | 2019-01-17 | 图像风格迁移方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919829A true CN109919829A (zh) | 2019-06-21 |
| CN109919829B CN109919829B (zh) | 2023-12-26 |
Family
ID=66960348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910045020.3A Active CN109919829B (zh) | 2019-01-17 | 2019-01-17 | 图像风格迁移方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919829B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310225A (zh) * | 2019-07-05 | 2019-10-08 | 南京工业大学 | 一种新型的字体特效渲染方法 |
| CN110866866A (zh) * | 2019-11-14 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 图像仿色处理方法、装置、电子设备及存储介质 |
| CN110880016A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技（深圳）有限公司 | 图像风格迁移方法、装置、设备及存储介质 |
| CN111145772A (zh) * | 2019-12-28 | 2020-05-12 | 广州国音智能科技有限公司 | 一种语音增强方法、系统及设备 |
| CN111667401A (zh) * | 2020-06-08 | 2020-09-15 | 武汉理工大学 | 多层次渐变图像风格迁移方法及系统 |
| CN111915522A (zh) * | 2020-07-31 | 2020-11-10 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的图像修复方法 |
| WO2020258902A1 (zh) * | 2019-06-24 | 2020-12-30 | 商汤集团有限公司 | 图像生成和神经网络训练方法、装置、设备和介质 |
| WO2022121796A1 (zh) * | 2020-12-07 | 2022-06-16 | 华为技术有限公司 | 图像处理方法及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180068463A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures |
| CN108537776A (zh) * | 2018-03-12 | 2018-09-14 | 维沃移动通信有限公司 | 一种图像风格迁移模型生成方法及移动终端 |
| CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
| US20200012940A1 (en) * | 2017-03-17 | 2020-01-09 | Portland State University | Frame interpolation via adaptive convolution and adaptive separable convolution |
-
2019
- 2019-01-17 CN CN201910045020.3A patent/CN109919829B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180068463A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures |
| US20200012940A1 (en) * | 2017-03-17 | 2020-01-09 | Portland State University | Frame interpolation via adaptive convolution and adaptive separable convolution |
| CN108537776A (zh) * | 2018-03-12 | 2018-09-14 | 维沃移动通信有限公司 | 一种图像风格迁移模型生成方法及移动终端 |
| CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张宏伦: "深度有趣/04图像风格迁移", 《HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1358484?FROM=ARTICLE.DETAIL.1013130》 * |
| 张宏伦: "深度有趣/04图像风格迁移", 《HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1358484?FROM=ARTICLE.DETAIL.1013130》, 25 October 2018 (2018-10-25) * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020258902A1 (zh) * | 2019-06-24 | 2020-12-30 | 商汤集团有限公司 | 图像生成和神经网络训练方法、装置、设备和介质 |
| CN110310225A (zh) * | 2019-07-05 | 2019-10-08 | 南京工业大学 | 一种新型的字体特效渲染方法 |
| CN110310225B (zh) * | 2019-07-05 | 2023-06-16 | 南京工业大学 | 一种新型的字体特效渲染方法 |
| CN110880016A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技（深圳）有限公司 | 图像风格迁移方法、装置、设备及存储介质 |
| CN110880016B (zh) * | 2019-10-18 | 2022-07-15 | 平安科技（深圳）有限公司 | 图像风格迁移方法、装置、设备及存储介质 |
| CN110866866A (zh) * | 2019-11-14 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 图像仿色处理方法、装置、电子设备及存储介质 |
| CN110866866B (zh) * | 2019-11-14 | 2023-10-17 | 腾讯科技（深圳）有限公司 | 图像仿色处理方法、装置、电子设备及存储介质 |
| CN111145772A (zh) * | 2019-12-28 | 2020-05-12 | 广州国音智能科技有限公司 | 一种语音增强方法、系统及设备 |
| CN111667401A (zh) * | 2020-06-08 | 2020-09-15 | 武汉理工大学 | 多层次渐变图像风格迁移方法及系统 |
| CN111667401B (zh) * | 2020-06-08 | 2022-11-29 | 武汉理工大学 | 多层次渐变图像风格迁移方法及系统 |
| CN111915522A (zh) * | 2020-07-31 | 2020-11-10 | 天津中科智能识别产业技术研究院有限公司 | 一种基于注意力机制的图像修复方法 |
| WO2022121796A1 (zh) * | 2020-12-07 | 2022-06-16 | 华为技术有限公司 | 图像处理方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919829B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919829A (zh) | 图像风格迁移方法、装置和计算机可读存储介质 | |
| CN104125396B (zh) | 图像拍摄方法和装置 | |
| CN110148102B (zh) | 图像合成方法、广告素材合成方法及装置 | |
| CN109697690A (zh) | 图像风格迁移方法和系统 | |
| KR101906827B1 (ko) | 연속 사진 촬영 장치 및 방법 | |
| CN107018333A (zh) | 拍摄模板推荐方法、装置及拍摄设备 | |
| CN104700353B (zh) | 图像滤镜生成方法及装置 | |
| CN105528786B (zh) | 图像处理方法及装置 | |
| CN109660728B (zh) | 一种拍照方法及装置 | |
| CN103955481B (zh) | 图片显示方法和装置 | |
| CN106776890A (zh) | 视频播放进度的调整方法及装置 | |
| CN104133956B (zh) | 处理图片的方法及装置 | |
| CN105184313B (zh) | 分类模型构建方法及装置 | |
| KR20140089454A (ko) | 전자 장치에서 사용자의 감정 정보를 제공하기 위한 장치 및 방법 | |
| CN104408404B (zh) | 人脸识别方法及装置 | |
| CN107240143A (zh) | 表情包生成方法及装置 | |
| WO2018120662A1 (zh) | 一种拍照方法，拍照装置和终端 | |
| CN104636164B (zh) | 启动页面生成方法及装置 | |
| CN112052897B (zh) | 多媒体数据拍摄方法、装置、终端、服务器及存储介质 | |
| CN106250921A (zh) | 图片处理方法及装置 | |
| CN107291772A (zh) | 一种搜索访问方法、装置及电子设备 | |
| CN106802808A (zh) | 悬浮按钮控制方法及装置 | |
| CN108108671A (zh) | 产品说明信息获取方法及装置 | |
| CN109819288A (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 | |
| CN105528080A (zh) | 一种对移动终端进行控制的方法及装置 |
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 |