CN110288036A - 图像修复方法、装置及电子设备 - Google Patents
图像修复方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110288036A CN110288036A CN201910579554.4A CN201910579554A CN110288036A CN 110288036 A CN110288036 A CN 110288036A CN 201910579554 A CN201910579554 A CN 201910579554A CN 110288036 A CN110288036 A CN 110288036A
- Authority
- CN
- China
- Prior art keywords
- image
- repaired
- network
- complex pattern
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008439 repair process Effects 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开实施例中提供了一种图像修复方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取待修复图像及所述待修复图像上的目标区域；利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；基于所述第二预测图像，对所述待修复图像进行图像修复。通过本公开的方案，能够基于目标区域进行预测，提高了图像预测的准确度。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种图像修复方法、装置及电子设备。
背景技术
随着互联网技术的不断发展，网络上的视频及图像产品日益丰富，用户观看这些内容不再局限于电视，还可以通过互联网搜索感兴趣的内容进行观看，海量的内容对于视频图像或图片的质量管理提出了更多的挑战。
由于某种原因，视频或图片的内容存在缺陷而导致图像需要进行修复，例如视频或图像中存在马赛克图案，马赛克图案会影响用户的观看体验。另外，视频或图片在形成的过程中，可能会存在多余的对象，例如在下雨天拍摄的视频或图片中会存在雨滴等用户不想看到的对象，视频或图片中存在电视台台标等。对于这种类型的视频或者图片均是图片修复的内容和对象。
现有技术在对图像进行修复的过程中，存在修复图像还原度不够逼真的问题，影响用户的使用体验。
发明内容
有鉴于此，本公开实施例提供一种图像修复方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种图像修复方法，包括：
获取待修复图像及所述待修复图像上的目标区域；
利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；
通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；
基于所述第二预测图像，对所述待修复图像进行图像修复。
根据本公开实施例的一种具体实现方式，所述获取待修复图像及所述待修复图像上的目标区域，包括：
获取用户对于待修复图像的标注信息；
基于所述标注信息确定所述待修复图像中的待修复区域；
根据所述待修复区域生成掩码，根据所述掩码在所述待修复图像中确定所述目标区域。
根据本公开实施例的一种具体实现方式，所述利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像，包括：
利用所述第一网络检测所述待修复图像上的目标区域；
根据检测出的所述目标区域，生成与所述待修复图像对应的掩模图像；
基于所述掩模图像，生成所述第一预测图像。
根据本公开实施例的一种具体实现方式，所述基于所述掩模图像，生成所述第一预测图像，包括：
利用第一网络上的卷积层在所述掩模图像上进行滑动卷积窗口卷积计算，所述卷积计算采用预设尺寸的卷积核与所述掩模图像数据的局部数据进行加权求和运算；
利用第一网络上的激活层对所述卷积层的计算结果进行修正，所述激活层采用ReLu修正线性单元，通过激活函数max{0,x}对数据进行处理；
利用所述第一网络上的池化层对激活函数处理后的数据进行池化；
利用所述第一网络上的扩展卷积层对池化层输出的图像进行缩放处理，使得进行缩放处理之后的图像与待修复图像的大小一致。
根据本公开实施例的一种具体实现方式，所述通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，包括：
利用所述第二网络中的卷积层，生成所述第一预测图的特征图；
对所述特征图中所述目标区域的对应区域执行关注度特征提取，形成所述目标区域待修复内容的特征矩阵；
基于所述特征矩阵，对所述第一预测图像进行图像预测。
根据本公开实施例的一种具体实现方式，所述基于所述特征矩阵，对所述第一预测图像进行图像预测，包括：
将所述特征图对应的图像矩阵中的元素与所述特征矩阵中的对应位置的元素进行乘法运算，获得关注度矩阵；
利用所述关注度矩阵来对所述第一预测图像进行预测。
根据本公开实施例的一种具体实现方式，所述通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，包括：
在所述第二网络中设置第一计算通道和第二计算通道；
利用所述第一计算通道，对所述第一预测图像执行关注度特征计算，得到第一计算结果；
利用所述第二计算通道，对所述第一预测图像执行扩展卷积计算，得到第二计算结果；
基于所述第一计算结果和所述第二计算结果的和，对所述第一预测图像进行图像预测。
根据本公开实施例的一种具体实现方式，所述利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测之前，所述方法还包括：
对所述第一网络进行样本训练，其中，对所述第一网络进行样本训练具体包括：
获取多张包括掩盖标记的图像训练样本；
基于所述训练样本，利用所述第一网络对所述训练样本中的掩盖标记的图像进行预测，得到预测图像；
利用构建的最小化函数计算所述预测图像与掩盖标记区域图像之间的相似度值，直到所述第一网络收敛到预设值。
根据本公开实施例的一种具体实现方式，所述基于所述第二预测图像，对所述待修复图像进行图像修复，包括：
将所述第二预测图像替换为所述目标区域的图像，从而完成对所述待修复图像的修复。
第二方面，本公开实施例提供了一种图像修复装置，包括：
获取模块，用于获取待修复图像及所述待修复图像上的目标区域；
第一预测模块，用于利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；
第二预测模块，用于通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；
修复模块，用于基于所述第二预测图像，对所述待修复图像进行图像修复。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像修复方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像修复方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的图像修复方法。
本公开实施例中的图像修复方案，包括获取待修复图像及所述待修复图像上的目标区域；利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；基于所述第二预测图像，对所述待修复图像进行图像修复。通过本公开的方案，能够基于目标区域进行预测，提高了图像预测的准确度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种图像修复流程示意图；
图2为本公开实施例提供的一种修复网络的示意图；
图3为本公开实施例提供的另一种图像修复流程示意图；
图4为本公开实施例提供的另一种图像修复流程示意图；
图5为本公开实施例提供的图像修复装置结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像修复方法。本实施例提供的图像修复方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种图像修复方法，包括如下步骤：
S101，获取待修复图像及所述待修复图像上的目标区域。
待修复图像是指由于图像中存在某种需要解决的问题而需要进行处理的图像，图像中存在的需要解决的问题可以是多方面的，例如，图像中存在马赛克区域导致图像不清晰，或者，图像中存在多余的组成对象需要全部进行清除，这些多余的对象可以是下雨过程中在图像或视频中形成的雨滴、视频或图片中存在的固定logo(例如，电视台标)、视频或图片拍摄过程中形成的不必要的路人影像等。基于此，对待修复图像的修复既可以是将待修复图像中存在的不清晰的内容变得清晰，也可以是将待修复图像中存在的不必要的组成对象清除掉，并在清除掉不必要的元素的同时填充清除区域应该存在的图像。
目标区域是待修复图像上需要进行修复的图像区域，目标区域可以是通过指定的方式产生，也可以是通过对待修复图像进行自动检测而产生。通过获得目标区域，能够针对性的对待修复图像进行修复处理。
S102，利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像。
为了能够对目标区域的图像进行预测，设置第一网络，参见图2，第一网络为具有学习和预测功能的神经网络，通过第一网络能够初步的对目标区域的图像进行预测。
在进行预测之前，第一网络需要检测出待修复图像上的目标区域。具体的，通过在第一网络中设置目标检测模块，用来检测待修复图像中的待修复目标区域，目标检测模块可以通过识别目标区域标记的方式来实现。通过测出的待修复目标区域，第一网络能够生成与待修复图像对应的掩模图像。掩模图像与待修复图像相对应，具体的，掩模图像与待修复图像的大小相同，掩模图像中的掩模区域与目标区域相对应，掩模区域的像素值可以根据实际的需要设置为第一色彩值，作为一个例子，第一色彩值可以是(R,G,B)均为255的色彩值，掩模区域之外的区域可以与待修复图像中的像素相同。通过设置掩模图像，能够对待修复图像中的待修复目标区域中的像素点的像素值实现掩码操作的图像，从而确定目标区域的像素点的像素值。
第一网络上设置有卷积层、激活层、池化层、扩展卷积层，用于对待预测图像进行图像处理。卷积层在所述掩模图像上进行滑动卷积窗口卷积计算，所述卷积计算采用预设尺寸的卷积核与所述掩模图像数据的局部数据进行加权求和运算，从而有效的提取掩模图像的图像特征。第一网络上的激活层能够对所述卷积层的计算结果进行修正，具体的，激活层采用ReLu修正线性单元，通过激活函数max{0,x}对数据进行处理。第一网络上的池化层用于对激活函数处理后的数据进行池化，可选的，池化层采用最大池化的方式进行池化处理。扩展卷积层对池化层输出的图像进行缩放处理，使得进行缩放处理之后的图像与待修复图像的大小一致。通过上述处理之后，可以进一步的通过第一网络上的全连接层来预测图像，形成第一预测图像。
S103，通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值。
第一网络作为粗网络，其预测出来的图像通常会存在准确度不高的问题，为此，在第一网络之后设置第二网络，通过第二网络进一步的对图像进行预测，从而提高预测图像的准确度。
第二网络中设有卷积层，通过卷积层能够生成第一预测图的特征图。第一预测图的特征图包含了第一预测图的全部信息，为了进一步的提高目标区域的预测准确度，在第一预测图的特征图中选择目标区域的对应区域执行关注度特征提取，形成所述目标区域待修复内容的特征矩阵，通过该特征矩阵，对第一预测图像进行图像预测。具体的，可以将所述特征图对应的图像矩阵中的元素与所述特征矩阵中的对应位置的元素进行乘法运算，获得关注度矩阵，将该关注度矩阵作为第二网络中的一个图像聚焦层，对图像进行处理，能够提高目标区域图像的预测准确度，获得第二预测图像。
为了进一步的提高第二网络的预测准确性，可以在第二网络中设置2个计算通道，第一计算通道和第二计算通道。第一计算通道，利用关注度矩阵对所述第一预测图像执行关注度特征计算，得到第一计算结果。第二计算通道对所述第一预测图像执行扩展卷积计算，得到第二计算结果，最后将第一计算结果和第二计算结果的和作为最终的计算结果，对所述第一预测图像进行图像预测。形成第二预测图像。
S104，基于所述第二预测图像，对所述待修复图像进行图像修复。
在获得第二预测图像之后，将第二预测图像与掩模图像进行合并，便完成了对待修复图像的修复。
通过步骤S101-S104的方案，能够通过第一网络和第二网络分别对图像进行修复，同时在修复的过程中，利用关注度特征对进行修复的区域进行重点设置，提高了图像修复的准确性。
可以采用多种方式来获得待修复图像上的目标区域，参见图3，根据本公开实施例的一种具体实现方式，获取待修复图像及所述待修复图像上的目标区域，可以包括：
S301，获取用户对于待修复图像的标注信息。
用户可以通过人工标注的方式对待修复图像的目标区域进行标注，标注信息可以是特定色彩的线条，或者是特定形状的线条等。可以基于标注信息的特征对标注信息进行识别。
S302，基于所述标注信息确定所述待修复图像中的待修复区域；
获取到标注信息之后，便可以基于标注信息所指示的区域来确定待修复区域(目标区域)。
S303，根据所述待修复区域生成掩码，根据所述掩码在所述待修复图像中确定所述目标区域。
通过设置掩模图像，能够对待修复图像中的待修复目标区域中的像素点的像素值实现掩码操作的图像，从而确定目标区域的像素点的像素值。
为了提高第一网络和第二网络的预测准确度，需要对第一网络和第二网络进行训练。以第一网络为例，参见图4，在利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测之前，对第一网络进行训练，可以包括如下步骤：
S401，获取多张包括掩盖标记的图像训练样本。
图像数据集可以包括训练样本和验证样本，训练样本中的图像与验证样本中的图像一一对应，不同之处在于，训练样本中的图像通过人工的方式设置一个或多个掩盖标记。
S402，基于所述训练样本，利用所述第一网络对所述训练样本中的掩盖标记的图像进行预测，得到预测图像。
S403，利用构建的最小化函数计算所述预测图像与掩盖标记区域图像之间的相似度值，直到所述第一网络收敛到预设值。
第二网络的训练方法与第一网络的训练方式类似，在此不再赘述。
与上面的方法实施例相对应，参见图5，本公开还提供了一种图像修复装置50，包括：
获取模块501，用于获取待修复图像及所述待修复图像上的目标区域。
待修复图像是指由于图像中存在某种需要解决的问题而需要进行处理的图像，图像中存在的需要解决的问题可以是多方面的，例如，图像中存在马赛克区域导致图像不清晰，或者，图像中存在多余的组成对象需要全部进行清除，这些多余的对象可以是下雨过程中在图像或视频中形成的雨滴、视频或图片中存在的固定logo(例如，电视台标)、视频或图片拍摄过程中形成的不必要的路人影像等。基于此，对待修复图像的修复既可以是将待修复图像中存在的不清晰的内容变得清晰，也可以是将待修复图像中存在的不必要的组成对象清除掉，并在清除掉不必要的元素的同时填充清除区域应该存在的图像。
目标区域是待修复图像上需要进行修复的图像区域，目标区域可以是通过指定的方式产生，也可以是通过对待修复图像进行自动检测而产生。通过获得目标区域，能够针对性的对待修复图像进行修复处理。
第一预测模块502，用于利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像。
为了能够对目标区域的图像进行预测，设置第一网络，参见图2，第一网络为具有学习和预测功能的神经网络，通过第一网络能够初步的对目标区域的图像进行预测。
在进行预测之前，第一网络需要检测出待修复图像上的目标区域。具体的，通过在第一网络中设置目标检测模块，用来检测待修复图像中的待修复目标区域，目标检测模块可以通过识别目标区域标记的方式来实现。通过测出的待修复目标区域，第一网络能够生成与待修复图像对应的掩模图像。掩模图像与待修复图像相对应，具体的，掩模图像与待修复图像的大小相同，掩模图像中的掩模区域与目标区域相对应，掩模区域的像素值可以根据实际的需要设置为第一色彩值，作为一个例子，第一色彩值可以是(R,G,B)均为255的色彩值，掩模区域之外的区域可以与待修复图像中的像素相同。通过设置掩模图像，能够对待修复图像中的待修复目标区域中的像素点的像素值实现掩码操作的图像，从而确定目标区域的像素点的像素值。
第一网络上设置有卷积层、激活层、池化层、扩展卷积层，用于对待预测图像进行图像处理。卷积层在所述掩模图像上进行滑动卷积窗口卷积计算，所述卷积计算采用预设尺寸的卷积核与所述掩模图像数据的局部数据进行加权求和运算，从而有效的提取掩模图像的图像特征。第一网络上的激活层能够对所述卷积层的计算结果进行修正，具体的，激活层采用ReLu修正线性单元，通过激活函数max{0,x}对数据进行处理。第一网络上的池化层用于对激活函数处理后的数据进行池化，可选的，池化层采用最大池化的方式进行池化处理。扩展卷积层对池化层输出的图像进行缩放处理，使得进行缩放处理之后的图像与待修复图像的大小一致。通过上述处理之后，可以进一步的通过第一网络上的全连接层来预测图像，形成第一预测图像。
第二预测模块503，用于通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值。
第一网络作为粗网络，其预测出来的图像通常会存在准确度不高的问题，为此，在第一网络之后设置第二网络，通过第二网络进一步的对图像进行预测，从而提高预测图像的准确度。
第二网络中设有卷积层，通过卷积层能够生成第一预测图的特征图。第一预测图的特征图包含了第一预测图的全部信息，为了进一步的提高目标区域的预测准确度，在第一预测图的特征图中选择目标区域的对应区域执行关注度特征提取，形成所述目标区域待修复内容的特征矩阵，通过该特征矩阵，对第一预测图像进行图像预测。具体的，可以将所述特征图对应的图像矩阵中的元素与所述特征矩阵中的对应位置的元素进行乘法运算，获得关注度矩阵，将该关注度矩阵作为第二网络中的一个图像聚焦层，对图像进行处理，能够提高目标区域图像的预测准确度，获得第二预测图像。
为了进一步的提高第二网络的预测准确性，可以在第二网络中设置2个计算通道，第一计算通道和第二计算通道。第一计算通道，利用关注度矩阵对所述第一预测图像执行关注度特征计算，得到第一计算结果。第二计算通道对所述第一预测图像执行扩展卷积计算，得到第二计算结果，最后将第一计算结果和第二计算结果的和作为最终的计算结果，对所述第一预测图像进行图像预测。形成第二预测图像。
修复模块504，用于基于所述第二预测图像，对所述待修复图像进行图像修复。
在获得第二预测图像之后，将第二预测图像与掩模图像进行合并，便完成了对待修复图像的修复。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中图像修复方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的图像修复方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种图像修复方法，其特征在于，包括：
获取待修复图像及所述待修复图像上的目标区域；
利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；
通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；
基于所述第二预测图像，对所述待修复图像进行图像修复。
2.根据权利要求1所述的方法，其特征在于，所述获取待修复图像及所述待修复图像上的目标区域，包括：
获取用户对于待修复图像的标注信息；
基于所述标注信息确定所述待修复图像中的待修复区域；
根据所述待修复区域生成掩码，根据所述掩码在所述待修复图像中确定所述目标区域。
3.根据权利要求1所述的方法，其特征在于，所述利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像，包括：
利用所述第一网络检测所述待修复图像上的目标区域；
根据检测出的所述目标区域，生成与所述待修复图像对应的掩模图像；
基于所述掩模图像，生成所述第一预测图像。
4.根据权利要求3所述的方法，其特征在于，所述基于所述掩模图像，生成所述第一预测图像，包括：
利用第一网络上的卷积层在所述掩模图像上进行滑动卷积窗口卷积计算，所述卷积计算采用预设尺寸的卷积核与所述掩模图像数据的局部数据进行加权求和运算；
利用第一网络上的激活层对所述卷积层的计算结果进行修正，所述激活层采用ReLu修正线性单元，通过激活函数max{0,x}对数据进行处理；
利用所述第一网络上的池化层对激活函数处理后的数据进行池化；
利用所述第一网络上的扩展卷积层对池化层输出的图像进行缩放处理，使得进行缩放处理之后的图像与待修复图像的大小一致。
5.根据权利要求1所述的方法，其特征在于，所述通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，包括：
利用所述第二网络中的卷积层，生成所述第一预测图的特征图；
对所述特征图中所述目标区域的对应区域执行关注度特征提取，形成所述目标区域待修复内容的特征矩阵；
基于所述特征矩阵，对所述第一预测图像进行图像预测。
6.根据权利要求5所述的方法，其特征在于，所述基于所述特征矩阵，对所述第一预测图像进行图像预测，包括：
将所述特征图对应的图像矩阵中的元素与所述特征矩阵中的对应位置的元素进行乘法运算，获得关注度矩阵；
利用所述关注度矩阵来对所述第一预测图像进行预测。
7.根据权利要求1所述的方法，其特征在于，所述通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，包括：
在所述第二网络中设置第一计算通道和第二计算通道；
利用所述第一计算通道，对所述第一预测图像执行关注度特征计算，得到第一计算结果；
利用所述第二计算通道，对所述第一预测图像执行扩展卷积计算，得到第二计算结果；
基于所述第一计算结果和所述第二计算结果的和，对所述第一预测图像进行图像预测。
8.根据权利要求1所述的方法，其特征在于，所述利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测之前，所述方法还包括：
对所述第一网络进行样本训练，其中，对所述第一网络进行样本训练具体包括：
获取多张包括掩盖标记的图像训练样本；
基于所述训练样本，利用所述第一网络对所述训练样本中的掩盖标记的图像进行预测，得到预测图像；
利用构建的最小化函数计算所述预测图像与掩盖标记区域图像之间的相似度值，直到所述第一网络收敛到预设值。
9.根据权利要求1所述的方法，其特征在于，所述基于所述第二预测图像，对所述待修复图像进行图像修复，包括：
将所述第二预测图像替换为所述目标区域的图像，从而完成对所述待修复图像的修复。
10.一种图像修复装置，其特征在于，包括：
获取模块，用于获取待修复图像及所述待修复图像上的目标区域；
第一预测模块，用于利用包含扩展卷积层的第一网络对所述待修复图像中的目标区域进行图像预测，生成第一预测图像；
第二预测模块，用于通过包含聚焦层的第二网络，对所述第一预测图像进行图像预测，生成第二预测图像，所述聚焦层含有待修复图像与原生图像之间的关注度值；
修复模块，用于基于所述第二预测图像，对所述待修复图像进行图像修复。
11.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-9所述的图像修复方法。
12.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-9所述的图像修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910579554.4A CN110288036B (zh) | 2019-06-28 | 2019-06-28 | 图像修复方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910579554.4A CN110288036B (zh) | 2019-06-28 | 2019-06-28 | 图像修复方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288036A true CN110288036A (zh) | 2019-09-27 |
| CN110288036B CN110288036B (zh) | 2021-11-09 |
Family
ID=68020135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910579554.4A Active CN110288036B (zh) | 2019-06-28 | 2019-06-28 | 图像修复方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288036B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325704A (zh) * | 2020-02-07 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置、电子设备及计算机可读存储介质 |
| CN111614996A (zh) * | 2020-04-07 | 2020-09-01 | 上海推乐信息技术服务有限公司 | 一种视频修复方法和系统 |
| CN111612714A (zh) * | 2020-05-20 | 2020-09-01 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN111612715A (zh) * | 2020-05-20 | 2020-09-01 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN112258404A (zh) * | 2020-10-15 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
| CN112488942A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
| CN112766481A (zh) * | 2020-03-13 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
| CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
| CN114331912B (zh) * | 2022-01-06 | 2023-09-29 | 北京字跳网络技术有限公司 | 一种图像修复方法及装置 |
| WO2024098188A1 (zh) * | 2022-11-07 | 2024-05-16 | 京东方科技集团股份有限公司 | 图像修复模型的视觉解析方法和装置、电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
| CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技（深圳）有限公司 | 图像修复方法、装置和存储介质 |
| CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技（北京）有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
-
2019
- 2019-06-28 CN CN201910579554.4A patent/CN110288036B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
| CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技（北京）有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
| CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技（深圳）有限公司 | 图像修复方法、装置和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| JIAHUI YU等: "Generative Image Inpainting with Contextual Attention", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325704B (zh) * | 2020-02-07 | 2023-04-18 | 抖音视界有限公司 | 图像修复方法、装置、电子设备及计算机可读存储介质 |
| CN111325704A (zh) * | 2020-02-07 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置、电子设备及计算机可读存储介质 |
| CN112766481A (zh) * | 2020-03-13 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
| CN112766481B (zh) * | 2020-03-13 | 2023-11-24 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
| CN111614996B (zh) * | 2020-04-07 | 2022-03-18 | 上海推乐信息技术服务有限公司 | 一种视频修复方法和系统 |
| CN111614996A (zh) * | 2020-04-07 | 2020-09-01 | 上海推乐信息技术服务有限公司 | 一种视频修复方法和系统 |
| CN111612715A (zh) * | 2020-05-20 | 2020-09-01 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN111612715B (zh) * | 2020-05-20 | 2022-09-23 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN111612714B (zh) * | 2020-05-20 | 2022-11-15 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN111612714A (zh) * | 2020-05-20 | 2020-09-01 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置和电子设备 |
| CN112258404A (zh) * | 2020-10-15 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
| CN112488942A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
| CN114331912B (zh) * | 2022-01-06 | 2023-09-29 | 北京字跳网络技术有限公司 | 一种图像修复方法及装置 |
| WO2024098188A1 (zh) * | 2022-11-07 | 2024-05-16 | 京东方科技集团股份有限公司 | 图像修复模型的视觉解析方法和装置、电子设备 |
| CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
| CN115984221B (zh) * | 2023-01-03 | 2023-08-04 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288036B (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288036A (zh) | 图像修复方法、装置及电子设备 | |
| CN110399848A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN110288549A (zh) | 视频修复方法、装置及电子设备 | |
| CN108491816A (zh) | 在视频中进行目标跟踪的方法和装置 | |
| CN109246461A (zh) | 视频预加载的方法、应用客户端及电子设备 | |
| CN112069285B (zh) | 基于三维高精地图切片的地图生成方法、装置及电子设备 | |
| CN110381368A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN112101305A (zh) | 多路图像处理方法、装置及电子设备 | |
| CN110298785A (zh) | 图像美化方法、装置及电子设备 | |
| CN110288037A (zh) | 图像处理方法、装置及电子设备 | |
| CN109598304B (zh) | 分类模型校准方法、装置、设备及可读介质 | |
| CN109710507A (zh) | 一种自动化测试的方法和装置 | |
| CN110097397A (zh) | 基于反馈的信息推送方法、装置及电子设备 | |
| CN110188299A (zh) | 响应式页面处理方法、装置及电子设备 | |
| CN110070585A (zh) | 图像生成方法、装置和计算机可读存储介质 | |
| CN107895537A (zh) | 一种电子地图的显示方法、相关装置及存储介质 | |
| CN110287350A (zh) | 图像检索方法、装置及电子设备 | |
| CN110287954A (zh) | 目标区域确定模型的训练方法、装置和计算机可读存储介质 | |
| CN112800276A (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN109741099B (zh) | 设备特征信息的采集方法及装置 | |
| WO2016204412A1 (ko) | 단말 장치 및 이에 의한 이미지 표시 방법, 및 웹 서버 및 이에 의한 웹 페이지 제공 방법 | |
| CN110264431A (zh) | 视频美化方法、装置及电子设备 | |
| CN109635821A (zh) | 图像区域的特征提取方法、装置、设备及可读介质 | |
| CN109871465A (zh) | 一种时间轴计算方法、装置、电子设备及存储介质 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. |