CN110163794B - 图像的转换方法、装置、存储介质和电子装置 - Google Patents
图像的转换方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN110163794B CN110163794B CN201810410348.6A CN201810410348A CN110163794B CN 110163794 B CN110163794 B CN 110163794B CN 201810410348 A CN201810410348 A CN 201810410348A CN 110163794 B CN110163794 B CN 110163794B
- Authority
- CN
- China
- Prior art keywords
- intermediate result
- model
- image
- result
- training
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011840 criminal investigation Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010428 oil painting Methods 0.000 description 4
- 238000010429 water colour painting Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
-
- G06T3/04—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种图像的转换方法、装置、存储介质和电子装置。其中，该方法包括：获取第一图像转换指令，其中，第一图像转换指令用于指示对待转换的图像进行转换；响应第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，第一模型用于将第一类别的图像转换为第二类别的图像，待转换的图像为第一类别的图像，目标图像为第二类别的图像，第一类别不同于第二类别，第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，第一模型包含第二模型的信息，第二模型用于将第二类别的图像转换为第一类别的图像；输出目标图像。本发明解决了转换得到图像与真实图像不符的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种图像的转换方法、装置、存储介质和电子装置。
背景技术
现有技术在进行图像转换时，生成对抗模型，即训练两个模型：生成模型G与鉴别模型D。其中生成模型G用来进行异质(不同类别)图像转换，输入图像x，生成模型G生成与训练样本图像y尽可能像的转换图像G(x)；鉴别模型D用来对图像进行真伪鉴别，鉴别成生成模型G生成的转换图像G(x)为伪，鉴别训练样本图像y为真。生成模型G与鉴别模型D的训练过程可以看作为互相博弈的过程，在互相博弈中逐步提升各自的性能。
但是，上述的生成模型G和鉴别模型D在生成的过程会有一些数据损失，导致最后生成的模型进行图像转换时丢失图像的信息，使得转换得到的图像与真实图像不符。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像的转换方法、装置、存储介质和电子装置，以至少解决转换得到图像与真实图像不符的技术问题。
根据本发明实施例的一个方面，提供了一种图像的转换方法，包括：获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；响应所述第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别，所述第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，所述第一模型包含第二模型的信息，所述第二模型用于将所述第二类别的图像转换为所述第一类别的图像；输出所述目标图像。
根据本发明实施例的另一方面，还提供了一种图像的转换装置，包括：获取单元，用于获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；响应单元，用于响应所述第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别，所述第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，所述第一模型包含第二模型的信息，所述第二模型用于将所述第二类别的图像转换为所述第一类别的图像；输出单元，用于输出所述目标图像。
在本发明实施例中，通过第一模型对待转换图像进行转换，由于第一模型包含有第二模型的信息，使得第一模型转换得到目标图像保留更多的纹理细节，使得转换得到的图像与真实图像更相似，解决了现有技术转换得到的图像与真实图像不相符的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种网络架构的示意图；
图2是根据本发明实施例的图像的转换方法的流程图；
图3是根据本发明实施例的训练两个模型的示意图；
图4是根据本发明实施例的训练模型的网络结构示意图；
图5是根据本发明实施例的第一模型和第二模型进行图像转换的示意图；
图6是根据相关技术的第一模型和第二模型进行图像转换的示意图；
图7是根据本发明实施例的图像的转换装置的示意图；
图8是根据本发明实施例的电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种图像的转换方法。在本实施例中，上述图像的转换方法可以应用于如图1所示的终端101和服务器102所构成的硬件环境中。如图1所示，终端101通过网络与服务器102进行连接，上述网络包括但不限于：广域网、城域网或局域网，终端101可以是手机终端，也可以是PC终端、笔记本终端或平板电脑终端。
图2是根据本发明实施例的图像的转换方法的流程图。如图2所示，该图像的转换方法包括如下步骤：
S202，获取第一图像转换指令，其中，第一图像转换指令用于指示对待转换的图像进行转换。
S204，响应第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，第一模型用于将第一类别的图像转换为第二类别的图像，待转换的图像为第一类别的图像，目标图像为第二类别的图像，第一类别不同于第二类别，第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，第一模型包含第二模型的信息，第二模型用于将第二类别的图像转换为第一类别的图像；
第一类别的图像与第二类别的图像为不同类别的图像，图像包括多个类别，不同类别的图像包括照片、画像、近红外图像等，画像又包括铅笔手绘画、油画、水彩画等。第一类别的画像和第二类别的画像分别为上述不同类别的画像中的任意一种，例如，第一类别的图像为照片，第二类别的图像为画像；第一类别的图像为照片，第二类别的图像为近红外图像；或者第一类别的画像为近红外图像，第二类别的图像为照片等等。
第一模型和第二模型为两个模型，第一模型可以将第一类别的图像转换为第二类别的图像，第一原始模型可以将第二类别的图像转换为第一类别的图像。例如，第一模型可以将照片转换为铅笔手绘画，第一原始模型可以将铅笔手绘画转换为照片。在训练第一原始模型以得到第一模型的过程中，采用了第一类别的样本图像和第二模型的信息，因此，训练好的第一模型携带有第二模型的信息。
由于第二模型是将第二类别的图像转换为第一类别的图像，而第一模型是将第一类别的图像转换为第二类别的图像，第一模型通过训练第二类别的样本图像得到，第二模型通过训练第一类别的样本图像得到，第一模型携带的第二模型的信息包括表示第一类别的图像的信息，也就是说，训练第一原始模型得到第一模型的过程中采用了第二类别的样本图像和第二类别的图像的信息，那么训练得到的第一模型包括表示第一类别的图像的信息，因此，在利用第一模型对第一类别的图像转换为第二类别的图像时，第一原始模型对第一类别的图像进行转换时，转换得到的图像会携带更多第一类别的图像的细节信息，使得转换得到的第二类别的图像与真实图片更相似。例如，第一模型是将A的照片转换为A的手绘画像，那么，通过本实施例的第一模型对A的照片转换后得到的手绘画像，与人工对照A的实物绘制的真实画像更相似。再比如，第一模型是将A的手绘画像转换为A的照片。通过本实施例的第一模型对A的手绘画像进行转换得到的照片携带A的信息更多，与用照相机拍摄A得到的照片更相似。
S206，输出目标图像。
本实施例通过第一模型对待转换图像进行转换，由于第一模型包含有第二模型的信息，使得第一模型转换得到目标图像保留更多的纹理细节，使得转换得到的图像与真实图像更相似，解决了现有技术转换得到的图像与真实图像不相符的技术问题。
可选地，本实施例可以同时训练得到两个模型：第一模型和第二模型。第一模型和第二模型具有相同的网络结构和相反的方向，第一模型可以将第一类别的图像转换为第二类别的图像，第二模型可以将第二类别的图像转换为第一类别的图像。在获取第一图像转换指令之前，训练得到第一模型和第二模型，训练过程如下：
重复执行以下步骤，直到第一中间结果和第二中间结果相同：
使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果，其中，第一中间结果是对第一原始模型进行训练的过程中，第一原始模型的目标网络层输出的结果；
使用第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果，其中，第二中间结果是对第二原始模型进行训练的过程中，第二原始模型的目标网络层输出的结果，第二中间结果包括第二模型的信息；
检测第一中间结果与第二中间结果是否相同；
在第一中间结果与第二中间结果相同的情况下，得到训练好的第一模型和训练好的第二模型；
在第一中间结果与第二中间结果不相同的情况下，继续使用第一中间结果和第二类别的样本图像对第一原始模型进行训练。
如图3所示，第一模型为模型X，第二模型为模型Y，第一中间结果为G1(x)，第二中间结果为F1(y)，采用第二类别的图像作为样本对第一原始模型进行训练，期望得到的模型X转换得到的图像与第二类别的样本图像尽可能相似，采用第一类别的图像作为样本对第一模型进行训练，期望得到的模型Y转换得到的图像与第一类别的样本图像尽可能相似。
开始训练时，使用第二类别的样本图像y1对第一原始模型进行训练，输出第一中间结果G1(x)，然后利用第一类别的样本图像x1和第一中间结果G1(x)对第二模型进行训练，输出第二中间结果F1(y)。此时，期望第一中间结果G1(x)与第二中间结果F1(y)相同，判断第一中间结果G1(x)与第二中间结果F1(y)是否相同。在第一中间结果G1(x)与第二中间结果F1(y)的数据分布一致的情况下确定第一中间结果G1(x)与第二中间结果F1(y)相同。如果第一中间结果G1(x)与第二中间结果F1(y)相同，此时第一中间结果和第二中间结果作为模型X和模型Y之间的互信息，确定模型X和模型Y在进行图像转换时损失的信息最少，即完成了训练，得到训练好的模型X和模型Y。如果此时第一中间结果G1(x)与第二中间结果F1(y)不相同，继续用第二中间结果F1(y)和第二类别的样本图像y2对第一原始模型进行训练，并输出第一中间结果G2(x)，并再次判断第一中间结果G2(x)与第二中间结果F1(y)是否相同，如果相同则完成训练，得到训练好的模型X和模型Y；如果不相同，则将第一中间结果G2(x)和第一类别的样本图像x2对第二原始模型进行训练，直到训练过程中输出的中间结果相同。
可选地，检测第一中间结果与第二中间结果是否相同包括：采用以下公式表示第一中间结果与第二中间结果之间的关系Lgcn(G,F)：
Lgcn(G,F)＝Ex,y[||G1/2(x)-F1/2(y)||1]+Ex,y[||F1/2(y)-G1/2(x)||1]，
其中，Ex,y表示期望，G1/2(x)表示第一中间结果，F1/2(y)表示第二中间结果，||G1/2(x)-F1/2(y)||1表示第一中间结果和第二中间结果的差值的1范数，||F1/2(y)-G1/2(x)||1表示第二中间结果和第一中间结果的差值的1范数；
在所述关系Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1时，确定所述第一中间结果与所述第二中间结果相同。
||G1/2(x)-F1/2(y)||1是训练第一原始模型的过程中得到的中间结果，||F1/2(y)-G1/2(x)||1是训练第二原始模型的过程中得到的中间结果。
本实施例中的模型可以是神经网络模型，第一中间结果和第二中间结果是神经网络模型的目标网络层输出的结果，可以采用向量表达。在第一中间结果与第二中间结果相同的情况下，Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1。
本实施例中生成的第一原始模型和第二原始模型的结构如图4所示，在图4的上方为第一原始模型的网络结构，训练好的第一模型可以将图4左侧的照片转换为图4右侧的画像。图4的下方为第二原始模型的网络结构，训练好的第二模型可以将图4右侧的画像转换为图4左侧的照片。在图4的照片和画像之间的灰色方块表示中间结果。这些中间结果可以显示为图像，显示的图像可以参考图5。图5的照片和画像之间的灰色图像为中间结果。
可选地，第一原始模型包括多个网络层，使用第一类别的样本图像对第一原始模型进行训练，输出第一中间结果包括：利用多个网络层用于对第一类别的样本图像进行处理，得到多个处理结果；获取多个网络层中目标网络层输出的处理结果得到第一中间结果，其中，目标网络层为多个网络层中处于中间位置的网络层。
如图4所示，图4上方的第一原始模型包括多个网络层，图4中每个方块的组合都可以作为一个网络层，每个网络层在处理样本图像时都可以输出一个处理结果。本实施例将第一原始模型的多个网络层中的中间位置的网络层输出的处理结果作为第一中间结果。
可选地，第二原始模型包括多个网络层，使用第一中间结果和第二类别的样本图像对第二原始模型进行训练，输出第二中间结果包括：利用多个网络层用于对第二类别的样本图像进行处理，得到多个处理结果；获取多个网络层中目标网络层输出的处理结果得到第二中间结果，其中，目标网络层为多个网络层中处于中间位置的网络层。
如图4所示，图4下方的第二原始模型包括多个网络层，图4中每个方块的组合都可以作为一个网络层，每个网络层在处理样本图像时都可以输出一个处理结果。本实施例将第二原始模型的多个网络层中的中间位置的网络层输出的处理结果作为第二中间结果。
本实施例采用的第一原始模型和第二原始模型的网络结构相同，方向相反，两个模型在图像转换是互逆的过程，在训练过程中利用对方产生的中间结果，使得两个模型都能保留对方的信息，从而使得生成的模型能够保留更多的纹理细节。
图5是根据本发明实施例的第一模型和第二模型进行图像转换的示意图。图6是根据相关技术的第一模型和第二模型进行图像转换的示意图。对比图5和图6可知，图5在转换的过程中，无论是从照片到画像的转换还是从画像到照片的转换，人脸的下巴处的纹理能够体现在转换后的图像上，而图6转换后的图像缺失了这部分的纹理，这也就说明本实施例的第一模型和第二模型可以获得更真实的转换结果。
从图5和图6还可以看出来，图5的第一模型和第二模型输出的中间结果(图5中照片和画像之间灰色的部分)是相同的，而图6的第一模型和第二模型输出的中间结果是不同的。图5所示的第一模型和第二模型输出的中间结果属于同一个域，或者说是同一个类型，即，根据中间结果显示出的图像是同一种类型的图像。
可选地，在得到训练好的第一模型和训练好的第二模型之后，方法还包括：获取第二图像转换指令，其中，第二图像转换指令用于指示对第二类别的待转换图像进行转换；采用第二模型对第二类别的待转换图像进行转换，得到转换后的图像，其中，转换后的图像为第一类别的图像，第二模型包括第一模型的信息；输出转换后的图像。
第一模型和第二模型是具有相反转换功能的模型，同时训练第一原始模型和第二原始模型得到第一模型和第二模型。可以利用第一模型将第一类别的图像转换为第二类别的图像，还可以利用第二模型将第二类别的图像转换为第一类别的图像，并输出。
本实施例训练得到的两个模型可以应用到娱乐应用或者刑侦中，例如，在娱乐应用中可以将照片转换为画像，例如，铅笔手绘画像、油画和水彩画等。在刑侦中，可以将手绘的画像转换为照片等。
本实施例训练得到的模型生成的中间结果是相同，通过互相利用对方的中间结果进行训练，使得生成的两个模型都包括对方模型的信息，使得生成的模型的网络更加对称，保留更多的纹理信息，转换后的图像与真实图像更相符。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种用于实施上述图像的转换方法的图像的转换装置。图7是根据本发明实施例的图像的转换装置的示意图。如图7所示，该装置包括：
获取单元72，用于获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；
响应单元74，用于响应所述第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别，所述第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，所述第一模型包含第二模型的信息，所述第二模型用于将所述第二类别的图像转换为所述第一类别的图像；
第一类别的图像与第二类别的图像为不同类别的图像，图像包括多个类别，不同类别的图像包括照片、画像、近红外图像等，画像又包括铅笔手绘画、油画、水彩画等。第一类别的画像和第二类别的画像分别为上述不同类别的画像中的任意一种，例如，第一类别的图像为照片，第二类别的图像为画像；第一类别的图像为照片，第二类别的图像为近红外图像；或者第一类别的画像为近红外图像，第二类别的图像为照片等等。
第一模型和第二模型为两个模型，第一模型可以将第一类别的图像转换为第二类别的图像，第一原始模型可以将第二类别的图像转换为第一类别的图像。例如，第一模型可以将照片转换为铅笔手绘画，第一原始模型可以将铅笔手绘画转换为照片。在训练第一原始模型以得到第一模型的过程中，采用了第一类别的样本图像和第二模型的信息，因此，训练好的第一模型携带有第二模型的信息。
由于第二模型是将第二类别的图像转换为第一类别的图像，而第一模型是将第一类别的图像转换为第二类别的图像，第一模型通过训练第二类别的样本图像得到，第二模型通过训练第一类别的样本图像得到，第一模型携带的第二模型的信息包括表示第一类别的图像的信息，也就是说，训练第一原始模型得到第一模型的过程中采用了第二类别的样本图像和第二类别的图像的信息，那么训练得到的第一模型包括表示第一类别的图像的信息，因此，在利用第一模型对第一类别的图像转换为第二类别的图像时，第一原始模型对第一类别的图像进行转换时，转换得到的图像会携带更多第一类别的图像的细节信息，使得转换得到的第二类别的图像与真实图片更相似。例如，第一模型是将A的照片转换为A的手绘画像，那么，通过本实施例的第一模型对A的照片转换后得到的手绘画像，与人工对照A的实物绘制的真实画像更相似。再比如，第一模型是将A的手绘画像转换为A的照片。通过本实施例的第一模型对A的手绘画像进行转换得到的照片携带A的信息更多，与用照相机拍摄A得到的照片更相似。
输出单元76，用于输出所述目标图像。
本实施例通过第一模型对待转换图像进行转换，由于第一模型包含有第二模型的信息，使得第一模型转换得到目标图像保留更多的纹理细节，使得转换得到的图像与真实图像更相似，解决了现有技术转换得到的图像与真实图像不相符的技术问题。
可选地，本实施例可以同时训练得到两个模型：第一模型和第二模型。第一模型和第二模型具有相同的网络结构和相反的方向，第一模型可以将第一类别的图像转换为第二类别的图像，第二模型可以将第二类别的图像转换为第一类别的图像。所述装置还包括：训练单元，用于在获取第一图像转换指令之前，重复执行以下步骤，直到第一中间结果和第二中间结果相同：
使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果，其中，所述第一中间结果是对所述第一原始模型进行训练的过程中，所述第一原始模型的目标网络层输出的结果；
使用所述第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果，其中，所述第二中间结果是对所述第二原始模型进行训练的过程中，所述第二原始模型的目标网络层输出的结果，所述第二中间结果包括所述第二模型的信息；
检测所述第一中间结果与所述第二中间结果是否相同；
在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的所述第一模型和训练好的所述第二模型；
在所述第一中间结果与所述第二中间结果不相同的情况下，继续使用所述第一中间结果和第二类别的样本图像对所述第一原始模型进行训练。
如图3所示，第一模型为模型X，第二模型为模型Y，第一中间结果为G1(x)，第二中间结果为F1(y)，采用第二类别的图像作为样本对第一原始模型进行训练，期望得到的模型X转换得到的图像与第二类别的样本图像尽可能相似，采用第一类别的图像作为样本对第一模型进行训练，期望得到的模型Y转换得到的图像与第一类别的样本图像尽可能相似。
开始训练时，使用第二类别的样本图像y1对第一原始模型进行训练，输出第一中间结果G1(x)，然后利用第一类别的样本图像x1和第一中间结果G1(x)对第二模型进行训练，输出第二中间结果F1(y)。此时，期望第一中间结果G1(x)与第二中间结果F1(y)相同，判断第一中间结果G1(x)与第二中间结果F1(y)是否相同。在第一中间结果G1(x)与第二中间结果F1(y)的数据分布一致的情况下确定第一中间结果G1(x)与第二中间结果F1(y)相同。如果第一中间结果G1(x)与第二中间结果F1(y)相同，此时第一中间结果和第二中间结果作为模型X和模型Y之间的互信息，确定模型X和模型Y在进行图像转换时损失的信息最少，即完成了训练，得到训练好的模型X和模型Y。如果此时第一中间结果G1(x)与第二中间结果F1(y)不相同，继续用第二中间结果F1(y)和第二类别的样本图像y2对第一原始模型进行训练，并输出第一中间结果G2(x)，并再次判断第一中间结果G2(x)与第二中间结果F1(y)是否相同，如果相同则完成训练，得到训练好的模型X和模型Y；如果不相同，则将第一中间结果G2(x)和第一类别的样本图像x2对第二原始模型进行训练，直到训练过程中输出的中间结果相同。
可选地，所述训练单元包括：关系模块，用于采用以下公式表示所述第二中间结果与所述第一中间结果之间的关系Lgcn(G,F)：
Lgcn(G,F)＝Ex,y[||G1/2(x)-F1/2(y)||1]+Ex,y[||F1/2(y)-G1/2(x)||1]，
其中，Ex,y表示期望，G1/2(x)表示第一中间结果，F1/2(y)表示第二中间结果，||G1/2(x)-F1/2(y)||1表示第一中间结果和第二中间结果的差值的1范数，||F1/2(y)-G1/2(x)||1表示第二中间结果和第一中间结果的差值的1范数；
确定模块，用于在所述关系Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1时，确定所述第一中间结果与所述第二中间结果相同。
||G1/2(x)-F1/2(y)||1是训练第一原始模型的过程中得到的中间结果，||F1/2(y)-G1/2(x)||1是训练第二原始模型的过程中得到的中间结果。
本实施例中的模型可以是神经网络模型，第一中间结果和第二中间结果是神经网络模型的目标网络层输出的结果，可以采用向量表达。在第一中间结果与第二中间结果相同的情况下，Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1。
本实施例中生成的第一原始模型和第二原始模型的结构如图4所示，在图4的上方为第一原始模型的网络结构，训练好的第一模型可以将图4左侧的照片转换为图4右侧的画像。图4的下方为第二原始模型的网络结构，训练好的第二模型可以将图4右侧的画像转换为图4左侧的照片。在图4的照片和画像之间的灰色方块表示中间结果。这些中间结果可以显示为图像，显示的图像可以参考图5。图5的照片和画像之间的灰色图像为中间结果。
可选地，所述第一原始模型包括多个网络层，所述训练单元包括：第一处理模块，用于利用所述多个网络层用于对所述第二类别的样本图像进行处理，得到多个处理结果；第一获取模块，用于获取所述多个网络层中所述目标网络层输出的处理结果得到所述第一中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
如图4所示，图4上方的第一原始模型包括多个网络层，图4中每个方块的组合都可以作为一个网络层，每个网络层在处理样本图像时都可以输出一个处理结果。本实施例将第一原始模型的多个网络层中的中间位置的网络层输出的处理结果作为第一中间结果。
可选地，所述第二原始模型包括多个网络层，所述训练单元包括：第二处理模块，用于利用所述多个网络层用于对所述第一类别的样本图像进行处理，得到多个处理结果；第二获取模块，用于获取所述多个网络层中所述目标网络层输出的处理结果得到所述第二中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
如图4所示，图4下方的第二原始模型包括多个网络层，图4中每个方块的组合都可以作为一个网络层，每个网络层在处理样本图像时都可以输出一个处理结果。本实施例将第二原始模型的多个网络层中的中间位置的网络层输出的处理结果作为第二中间结果。
本实施例采用的第一原始模型和第二原始模型的网络结构相同，方向相反，两个模型在图像转换是互逆的过程，在训练过程中利用对方产生的中间结果，使得两个模型都能保留对方的信息，从而使得生成的模型能够保留更多的纹理细节。
图5是根据本发明实施例的第一模型和第二模型进行图像转换的示意图。图6是根据相关技术的第一模型和第二模型进行图像转换的示意图。对比图5和图6可知，图5在转换的过程中，无论是从照片到画像的转换还是从画像到照片的转换，人脸的下巴处的纹理能够体现在转换后的图像上，而图6转换后的图像缺失了这部分的纹理，这也就说明本实施例的第一模型和第二模型可以获得更真实的转换结果。
从图5和图6还可以看出来，图5的第一模型和第二模型输出的中间结果(图5中照片和画像之间灰色的部分)是相同的，而图6的第一模型和第二模型输出的中间结果是不同的。图5所示的第一模型和第二模型输出的中间结果属于同一个域，或者说是同一个类型，即，根据中间结果显示出的图像是同一种类型的图像。
可选地，所述装置还包括：第三获取模块，用于在得到训练好的所述第一模型和训练好的所述第二模型之后，获取第二图像转换指令，其中，所述第二图像转换指令用于指示对第一类别的待转换图像进行转换；转换模块，用于采用所述第二模型对所述第一类别的待转换图像进行转换，得到转换后的图像，其中，所述转换后的图像为所述第二类别的图像，所述第二模型包括所述第一模型的信息；输出模块，用于输出所述转换后的图像。
第一模型和第二模型是具有相反转换功能的模型，同时训练第一原始模型和第二原始模型得到第一模型和第二模型。可以利用第一模型将第一类别的图像转换为第二类别的图像，还可以利用第二模型将第二类别的图像转换为第一类别的图像，并输出。
本实施例训练得到的两个模型可以应用到娱乐应用或者刑侦中，例如，在娱乐应用中可以将照片转换为画像，例如，铅笔手绘画像、油画和水彩画等。在刑侦中，可以将手绘的画像转换为照片等。
本实施例训练得到的模型生成的中间结果是相同，通过互相利用对方的中间结果进行训练，使得生成的两个模型都包括对方模型的信息，使得生成的模型的网络更加对称，保留更多的纹理信息，转换后的图像与真实图像更相符。
根据本发明实施例的又一个方面，还提供了一种用于实施上述图像的转换方法的电子装置，如图8所示，该电子装置包括，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，图8是根据本发明实施例的一种电子装置的结构框图。如图8所示，该电子装置可以包括：一个或多个(图中仅示出一个)处理器801、至少一个通信总线802、用户接口803、至少一个传输装置804和存储器805。其中，通信总线802用于实现这些组件之间的连接通信。其中，用户接口803可以包括显示器806和键盘807。传输装置804可选的可以包括标准的有线接口和无线接口。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；
S2，响应所述第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别，所述第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，所述第一模型包含第二模型的信息，所述第二模型用于将所述第二类别的图像转换为所述第一类别的图像；
S3，输出所述目标图像。
可选地，本领域普通技术人员可以理解，图8所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。
其中，存储器805可用于存储软件程序以及模块，如本发明实施例中的图像的转换方法和装置对应的程序指令/模块，处理器801通过运行存储在存储器805内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像的转换方法。存储器805可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器805可进一步包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置804用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置804包括一个网络适配器(NetworkInterface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置804为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器805用于存储第一类别的样本图像和第二类别的样本图像。
采用本发明实施例，提供了一种图像的转换的方案。通过第一模型对待转换图像进行转换，由于第一模型包含有第二模型的信息，使得第一模型转换得到目标图像保留更多的纹理细节，使得转换得到的图像与真实图像更相似，解决了现有技术转换得到的图像与真实图像不相符的技术问题。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；
S2，响应所述第一图像转换指令，采用第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别，所述第一模型是通过使用第二类别的样本图像对第一原始模型进行训练得到的模型，所述第一模型包含第二模型的信息，所述第二模型用于将所述第二类别的图像转换为所述第一类别的图像；
S3，输出所述目标图像。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：
重复执行以下步骤，直到第一中间结果和第二中间结果相同：
使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果，其中，所述第一中间结果是对所述第一原始模型进行训练的过程中，所述第一原始模型的目标网络层输出的结果；
使用所述第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果，其中，所述第二中间结果是对所述第二原始模型进行训练的过程中，所述第二原始模型的目标网络层输出的结果，所述第二中间结果包括所述第二模型的信息；
检测所述第一中间结果与所述第二中间结果是否相同；
在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的所述第一模型和训练好的所述第二模型；
在所述第一中间结果与所述第二中间结果不相同的情况下，继续使用所述第一中间结果和第二类别的样本图像对所述第一原始模型进行训练。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：利用所述多个网络层用于对所述第二类别的样本图像进行处理，得到多个处理结果；获取所述多个网络层中所述目标网络层输出的处理结果得到所述第一中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：利用所述多个网络层用于对所述第一类别的样本图像进行处理，得到多个处理结果；获取所述多个网络层中所述目标网络层输出的处理结果得到所述第二中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：获取第二图像转换指令，其中，所述第二图像转换指令用于指示对第一类别的待转换图像进行转换；采用所述第二模型对所述第一类别的待转换图像进行转换，得到转换后的图像，其中，所述转换后的图像为所述第二类别的图像，所述第二模型包括所述第一模型的信息；输出所述转换后的图像。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：采用以下公式表示所述第一中间结果与所述第二中间结果之间的关系Lgcn(G,F)：
Lgcn(G,F)＝Ex,y[||G1/2(x)-F1/2(y)||1]+Ex,y[||F1/2(y)-G1/2(x)||1]，
其中，Ex,y表示期望，G1/2(x)表示第一中间结果，F1/2(y)表示第二中间结果，||G1/2(x)-F1/2(y)||1表示第一中间结果和第二中间结果的差值的1范数，||F1/2(y)-G1/2(x)||1表示第二中间结果和第一中间结果的差值的1范数；
在所述关系Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1时，确定所述第一中间结果与所述第二中间结果相同。
可选地，存储介质还被设置为存储用于执行上述实施例中的方法中所包括的步骤的计算机程序，本实施例中对此不再赘述。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种图像的转换方法，其特征在于，包括：
使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果，其中，所述第一中间结果是对所述第一原始模型进行训练的过程中，所述第一原始模型的目标网络层输出的结果；
使用所述第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果，其中，所述第二中间结果是对所述第二原始模型进行训练的过程中，所述第二原始模型的目标网络层输出的结果；
重复执行以下步骤，直到所述第一中间结果和所述第二中间结果相同：检测所述第一中间结果与所述第二中间结果是否相同；在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的第一模型和训练好的第二模型，其中，所述第一模型和所述第二模型结构相同，图像转换的方向相反；在所述第一中间结果与所述第二中间结果不相同的情况下，使用所述第二中间结果和第二类别的样本图像对所述第一原始模型进行训练，并将输出结果确认为所述第一中间结果；再检测被确认为所述输出结果的所述第一中间结果与所述第二中间结果是否相同；在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的所述第一模型和训练好的所述第二模型；在所述第一中间结果与所述第二中间结果不相同的情况下，使用所述第一中间结果和第一类别的样本图像对所述第二原始模型进行训练得，并将输出结果确认为所述第二中间结果；
获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；
响应所述第一图像转换指令，采用所述第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别；
输出所述目标图像。
2.根据权利要求1所述的方法，其特征在于，所述第一原始模型包括多个网络层，使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果包括：
利用所述多个网络层用于对所述第二类别的样本图像进行处理，得到多个处理结果；
获取所述多个网络层中所述目标网络层输出的处理结果得到所述第一中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
3.根据权利要求1所述的方法，其特征在于，所述第二原始模型包括多个网络层，使用所述第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果包括：
利用所述多个网络层用于对所述第一类别的样本图像进行处理，得到多个处理结果；
获取所述多个网络层中所述目标网络层输出的处理结果得到所述第二中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
4.根据权利要求1所述的方法，其特征在于，在得到训练好的所述第一模型和训练好的所述第二模型之后，所述方法还包括：
获取第二图像转换指令，其中，所述第二图像转换指令用于指示对第一类别的待转换图像进行转换；
采用所述第二模型对所述第一类别的待转换图像进行转换，得到转换后的图像，其中，所述转换后的图像为所述第二类别的图像，所述第二模型包括所述第一模型的信息；
输出所述转换后的图像。
5.根据权利要求1所述的方法，其特征在于，检测所述第一中间结果与所述第二中间结果是否相同包括：
采用以下公式表示所述第一中间结果与所述第二中间结果之间的关系Lgcn(G,F)：
Lgcn(G,F)＝Ex,y[||G1/2(x)-F1/2(y)||1]+Ex,y[||F1/2(y)-G1/2(x)||1]，
其中，Ex,y表示期望，G1/2(x)表示第一中间结果，F1/2(y)表示第二中间结果，||G1/2(x)-F1/2(y)||1表示第一中间结果和第二中间结果的差值的1范数，||F1/2(y)-G1/2(x)||1表示第二中间结果和第一中间结果的差值的1范数；
在所述关系Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1时，确定所述第一中间结果与所述第二中间结果相同。
6.一种图像的转换装置，其特征在于，包括：
训练单元，用于使用第二类别的样本图像对第一原始模型进行训练，输出第一中间结果，其中，所述第一中间结果是对所述第一原始模型进行训练的过程中，所述第一原始模型的目标网络层输出的结果；使用所述第一中间结果和第一类别的样本图像对第二原始模型进行训练，输出第二中间结果，其中，所述第二中间结果是对所述第二原始模型进行训练的过程中，所述第二原始模型的目标网络层输出的结果；重复执行以下步骤，直到所述第一中间结果和所述第二中间结果相同：检测所述第一中间结果与所述第二中间结果是否相同；在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的第一模型和训练好的第二模型，其中，所述第一模型和所述第二模型结构相同，图像转换的方向相反；在所述第一中间结果与所述第二中间结果不相同的情况下，使用所述第二中间结果和第二类别的样本图像对所述第一原始模型进行训练，并将输出结果确认为所述第一中间结果；再检测被确认为所述输出结果的所述第一中间结果与所述第二中间结果是否相同；在所述第一中间结果与所述第二中间结果相同的情况下，得到训练好的所述第一模型和训练好的所述第二模型；在所述第一中间结果与所述第二中间结果不相同的情况下，使用所述第一中间结果和第一类别的样本图像对所述第二原始模型进行训练得，并将输出结果确认为所述第二中间结果；
获取单元，用于获取第一图像转换指令，其中，所述第一图像转换指令用于指示对待转换的图像进行转换；
响应单元，用于响应所述第一图像转换指令，采用所述第一模型对待转换的图像进行转换，得到目标图像，其中，所述第一模型用于将第一类别的图像转换为第二类别的图像，所述待转换的图像为所述第一类别的图像，所述目标图像为所述第二类别的图像，所述第一类别不同于所述第二类别；
输出单元，用于输出所述目标图像。
7.根据权利要求6所述的装置，其特征在于，所述第一原始模型包括多个网络层，所述训练单元包括：
第一处理模块，用于利用所述多个网络层用于对所述第二类别的样本图像进行处理，得到多个处理结果；
第一获取模块，用于获取所述多个网络层中所述目标网络层输出的处理结果得到所述第一中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
8.根据权利要求6所述的装置，其特征在于，所述第二原始模型包括多个网络层，所述训练单元包括：
第二处理模块，用于利用所述多个网络层用于对所述第一类别的样本图像进行处理，得到多个处理结果；
第二获取模块，用于获取所述多个网络层中所述目标网络层输出的处理结果得到所述第二中间结果，其中，所述目标网络层为所述多个网络层中处于中间位置的网络层。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于在得到训练好的所述第一模型和训练好的所述第二模型之后，获取第二图像转换指令，其中，所述第二图像转换指令用于指示对第一类别的待转换图像进行转换；
转换模块，用于采用所述第二模型对所述第一类别的待转换图像进行转换，得到转换后的图像，其中，所述转换后的图像为所述第二类别的图像，所述第二模型包括所述第一模型的信息；
输出模块，用于输出所述转换后的图像。
10.根据权利要求6所述的装置，其特征在于，所述训练单元包括：
关系模块，用于采用以下公式表示所述第二中间结果与第一中间结果之间的关系Lgcn(G,F)：
Lgcn(G,F)＝Ex,y[||G1/2(x)-F1/2(y)||1]+Ex,y[||F1/2(y)-G1/2(x)||1]，
其中，Ex,y表示期望，G1/2(x)表示第一中间结果，F1/2(y)表示第二中间结果，||G1/2(x)-F1/2(y)||1表示第一中间结果和第二中间结果的差值的1范数，||F1/2(y)-G1/2(x)||1表示第二中间结果和第一中间结果的差值的1范数；
确定模块，用于在所述关系Lgcn(G,F)为2倍的||G1/2(x)-F1/2(y)||1时，确定所述第一中间结果与所述第二中间结果相同。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810410348.6A CN110163794B (zh) | 2018-05-02 | 2018-05-02 | 图像的转换方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810410348.6A CN110163794B (zh) | 2018-05-02 | 2018-05-02 | 图像的转换方法、装置、存储介质和电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163794A CN110163794A (zh) | 2019-08-23 |
| CN110163794B true CN110163794B (zh) | 2023-08-29 |
Family
ID=67644903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810410348.6A Active CN110163794B (zh) | 2018-05-02 | 2018-05-02 | 图像的转换方法、装置、存储介质和电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163794B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652242B (zh) * | 2020-04-20 | 2023-07-04 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN115713616B (zh) * | 2022-11-18 | 2023-10-31 | 北京城市网邻信息技术有限公司 | 一种房源空间模型生成方法、装置、终端设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6252996B1 (en) * | 1998-12-01 | 2001-06-26 | Number Art Llc | Systems and methods for image conversion useful in the transformation of photographic pictures into templates for painting |
| JP2015118677A (ja) * | 2013-12-20 | 2015-06-25 | 株式会社日立メディコ | 画像処理装置及び画像処理方法 |
| CN105389583A (zh) * | 2014-09-05 | 2016-03-09 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
| CN106372661A (zh) * | 2016-08-30 | 2017-02-01 | 北京小米移动软件有限公司 | 构建分类模型的方法及装置 |
| CN107122806A (zh) * | 2017-05-16 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 一种敏感图像识别方法及装置 |
| JP2017191459A (ja) * | 2016-04-13 | 2017-10-19 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN107277391A (zh) * | 2017-06-30 | 2017-10-20 | 北京奇虎科技有限公司 | 图像转换网络处理方法、服务器、计算设备及存储介质 |
| CN107577985A (zh) * | 2017-07-18 | 2018-01-12 | 南京邮电大学 | 基于循环生成对抗网络的人脸头像卡通化的实现方法 |
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4767718B2 (ja) * | 2006-02-24 | 2011-09-07 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
| US8447099B2 (en) * | 2011-01-11 | 2013-05-21 | Eastman Kodak Company | Forming 3D models using two images |
-
2018
- 2018-05-02 CN CN201810410348.6A patent/CN110163794B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6252996B1 (en) * | 1998-12-01 | 2001-06-26 | Number Art Llc | Systems and methods for image conversion useful in the transformation of photographic pictures into templates for painting |
| JP2015118677A (ja) * | 2013-12-20 | 2015-06-25 | 株式会社日立メディコ | 画像処理装置及び画像処理方法 |
| CN105389583A (zh) * | 2014-09-05 | 2016-03-09 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
| JP2017191459A (ja) * | 2016-04-13 | 2017-10-19 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN106372661A (zh) * | 2016-08-30 | 2017-02-01 | 北京小米移动软件有限公司 | 构建分类模型的方法及装置 |
| CN107122806A (zh) * | 2017-05-16 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 一种敏感图像识别方法及装置 |
| CN107277391A (zh) * | 2017-06-30 | 2017-10-20 | 北京奇虎科技有限公司 | 图像转换网络处理方法、服务器、计算设备及存储介质 |
| CN107577985A (zh) * | 2017-07-18 | 2018-01-12 | 南京邮电大学 | 基于循环生成对抗网络的人脸头像卡通化的实现方法 |
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王楠楠.异质人脸图像合成及其应用研究.《中国博士学位论文全文数据库信息科技辑》.2016,I138-134. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163794A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017197959A1 (zh) | 一种图片处理方法、装置及设备 | |
| CN109242940B (zh) | 三维动态图像的生成方法和装置 | |
| CN110599395A (zh) | 目标图像生成方法、装置、服务器及存储介质 | |
| CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
| KR101955919B1 (ko) | 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램 | |
| CN112562019A (zh) | 图像色彩调整方法及装置、计算机可读介质和电子设备 | |
| JP2020523703A (ja) | ダブル視野角画像較正および画像処理方法、装置、記憶媒体ならびに電子機器 | |
| CN111508033A (zh) | 相机参数确定方法、图像处理方法、存储介质及电子装置 | |
| CN110852940A (zh) | 一种图像处理方法及相关设备 | |
| CN110163794B (zh) | 图像的转换方法、装置、存储介质和电子装置 | |
| US20160086365A1 (en) | Systems and methods for the conversion of images into personalized animations | |
| CN111524216A (zh) | 生成三维人脸数据的方法和装置 | |
| CN107609946A (zh) | 一种显示控制方法及计算设备 | |
| CN113808277A (zh) | 一种图像处理方法及相关装置 | |
| CN115222862A (zh) | 虚拟人衣物生成方法、装置、设备、介质及程序产品 | |
| CN115953533A (zh) | 三维人体重建方法及装置 | |
| CN109615620A (zh) | 图像压缩度识别方法、装置、设备及计算机可读存储介质 | |
| CN112381929A (zh) | 一种三维电力设备模型建模方法 | |
| CN109711286B (zh) | 一种基于人工视网膜空间感知的控制方法及装置 | |
| CN111738087B (zh) | 一种游戏角色面部模型的生成方法和装置 | |
| CN110766631A (zh) | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 | |
| CN110381374B (zh) | 图像处理方法和装置 | |
| CN114663570A (zh) | 贴图生成方法、装置、电子装置及可读存储介质 | |
| KR20220012406A (ko) | 모델 트레이닝 방법, 이미지 처리 및 정합 방법, 장치, 기기, 매체 | |
| CN116912639B (zh) | 图像生成模型的训练方法和装置、存储介质及电子设备 |
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 |