CN110750666A - 图片生成方法、系统、电子设备及存储介质 - Google Patents
图片生成方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110750666A CN110750666A CN201810725514.1A CN201810725514A CN110750666A CN 110750666 A CN110750666 A CN 110750666A CN 201810725514 A CN201810725514 A CN 201810725514A CN 110750666 A CN110750666 A CN 110750666A
- Authority
- CN
- China
- Prior art keywords
- picture
- style
- image
- materials
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
- G06N3/04—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种图片生成方法、系统、电子设备及存储介质。所述图片包括至少一组成元素,所述图片生成方法包括:设定生成图片的条件;根据所述条件确定所述图片的主题和/或风格;分别针对每个组成元素,挑选符合所述主题和/或风格的素材;将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。本发明能够根据设定的条件自动挑选素材,按照素材组合规则自动组合素材,最终生成符合用户需求的图片,大大节省人工耗时,提升图片制作速度,可以批量生成大量图片。
Description
技术领域
本发明属于计算机领域,尤其涉及一种图片生成方法、系统、电子设备及存储介质。
背景技术
在一些网站或实体店铺常常需要制作banner图(横幅广告或海报)或其他图片用于产品或活动宣传、广告、推广。现阶段,制作banner图或类似图片的工作主要是由设计师人工完成,即设计师根据自身的审美或经验制作或绘制图片。这种方式设计师每次只能制作一张图片,无法批量制作,耗费时间较长,速度较慢。
发明内容
本发明要解决的技术问题是为了克服现有技术中人工制作banner图或类似图片耗时长的缺陷,提供一种图片生成方法、系统、电子设备及存储介质,尤其适用于生成banner图的方法、系统、电子设备及存储介质。
本发明是通过以下技术方案解决上述技术问题的:
一种图片生成方法,所述图片包括至少一组成元素,所述图片生成方法包括:
设定生成图片的条件;
根据所述条件确定所述图片的主题和/或风格;
分别针对每个组成元素,挑选符合所述主题和/或风格的素材;
将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。
较佳地,所述条件包括涉及所述图片的主题和/或风格的关键词,和/或,针对一个或多个组成元素的指定素材。
较佳地,所述组成元素包括产品图,所述条件包括指定的产品图像或产品标识;
针对所述产品图,挑选符合所述主题和/或风格的素材,具体包括:
获取所述产品图像并将所述产品图像作为所述素材;或,获取所述产品标识,收集所述产品标识所对应的产品的图像,从收集的图像中挑选出一个图像作为目标图像,从所述目标图像中提取所述产品的主体,将所述主体作为所述素材。
较佳地,所述组成元素包括文案、背景图像和修饰元素中的至少一种;
针对所述文案,挑选符合所述主题和/或风格的素材,具体包括:
从文案库中挑选符合所述主题和/或风格的文本素材,作为所述素材,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项;
针对所述背景图像,挑选符合所述风格的素材,具体包括:
从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格;
针对所述修饰元素,挑选符合所述风格的素材,具体包括:
从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。
较佳地,所述素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得;
将挑选的素材按照素材组合规则组合,以生成所述图片,具体包括:
将挑选的素材输入所述图片生成器,由所述图片生成器输出生成的所述图片。
较佳地,所述图片生成方法还包括:
对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。
较佳地,所述图片生成方法还包括在生成所述图片后执行以下步骤:
评估生成的图片。
较佳地,评估生成的图片,具体包括以下步骤中的至少一种:
采用深度卷积神经网络评估生成的图片的图像质量;
获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
一种图片生成系统,所述图片包括至少一组成元素,所述图片生成系统包括:
条件设定模块,用于设定生成图片的条件;
主题和/或风格确定模块,用于根据所述条件确定所述图片的主题和/或风格;
素材挑选模块,用于分别针对每个组成元素,挑选符合所述主题和/或风格的素材;
素材组合模块,用于将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。
较佳地,所述条件包括涉及所述图片的主题和/或风格的关键词,和/或,针对一个或多个组成元素的指定素材。
较佳地,所述组成元素包括产品图,所述条件包括指定的产品图像或产品标识;
所述素材挑选模块包括:
产品图子模块,用于针对所述产品图,挑选符合所述主题和/或风格的素材,具体包括:
获取所述产品图像并将所述产品图像作为所述素材;或,获取所述产品标识,收集所述产品标识所对应的产品的图像,从收集的图像中挑选出一个图像作为目标图像,从所述目标图像中提取所述产品的主体,将所述主体作为所述素材。
较佳地,所述组成元素包括文案、背景图像和修饰元素中的至少一种;
所述素材挑选模块对应的包括以下子模块中的至少一个:
文案子模块,用于针对所述文案,挑选符合所述主题和/或风格的素材,具体包括:
从文案库中挑选符合所述主题和/或风格的文本素材,作为所述素材,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项;
背景图像子模块,用于针对所述背景图像,挑选符合所述风格的素材,具体包括:
从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格;
修饰元素子模块,用于针对所述修饰元素,挑选符合所述风格的素材,具体包括:
从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。
较佳地,所述素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得;
所述素材组合模块还用于将挑选的素材输入所述图片生成器,由所述图片生成器输出生成的所述图片。
较佳地,所述图片生成系统还包括:
图片优化模块,用于对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。
较佳地,所述图片生成系统还包括:
图片评估模块,用于评估生成的图片。
较佳地,所述图片评估模块具体包括以下子模块中的至少一个:
图像质量评估子模块,用于采用深度卷积神经网络评估生成的图片的图像质量;
尺寸和/或位置评估子模块,用于获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的图片生成方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的图片生成方法的步骤。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:本发明能够根据设定的条件自动挑选素材,按照素材组合规则自动组合素材,最终生成符合用户需求的图片,大大节省人工耗时,提升图片制作速度,可以批量生成大量图片。
附图说明
图1为本发明实施例1的一种图片生成方法的流程图;
图2为本发明实施例1的一种图片生成方法中步骤13的流程图;
图3为本发明实施例1的一种图片生成方法中步骤131的流程图;
图4为执行步骤11-14后生成的一张图片的示意图;
图5为执行步骤15后生成的一张图片的示意图;
图6为本发明实施例2的一种图片生成系统的示意框图;
图7为本发明实施例2的一种图片生成系统中素材挑选模块的示意框图;
图8为本发明实施例2的一种图片生成系统中图片评估模块的示意框图;
图9为本发明实施例3的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1示出了本实施例的一种图片生成方法的流程图。所述图片生成方法用于自动生成图片,所述图片可以为但不限于banner图或其他类似图片或其他类型的图片,生成的图片可以用于产品或活动宣传、广告、推广等场合。所述图片包括至少一组成元素。所述图片生成方法包括以下步骤:
步骤11、设定生成图片的条件。其中,所述条件可以由用户自主设定,通常用于表征用户对于生成图片的基本要求。
步骤12、根据所述条件确定所述图片的主题和/或风格。其中,所述主题通常用于表征图片所要表现的中心思想,泛指主要内容,如,节日主题(可以包括但不限于情人节、母亲节、国庆节、春节),产品主题(可以包括但不限于手机、车辆、服饰、食品、家居用品)等;所述风格通常用于表征图片表现出来的一种带有综合性的总体特点,如,小清新、唯美、可爱、科幻、简约、另类等。
步骤13、分别针对每个组成元素,挑选符合所述主题和/或风格的素材。每个素材可以具有一个或多个标签,该些标签可以根据素材的特征自动生成、人工标注、或是通过现有的某些渠道手动或自动获取。其中,若一个组成元素仅具有主题标签(当然不排除其还具有非风格标签的其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选符合所述主题的素材;若一个组成元素仅具有风格标签(当然不排除其还具有非主题标签的其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选符合所述风格的素材;若一个组成元素同时具有主题标签和风格标签(当然不排除其还具有其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选既符合所述主题又符合所述风格的素材。
步骤14、将挑选的素材按照素材组合规则组合,以生成所述图片。所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。其中,所述尺寸是指所述素材在所述图片中的尺寸,所述位置是指所述素材在所述图片中的位置。
步骤15、对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。其中,所述图像融合主要包括各组成元素之间的融合;渲染主要指的是图片的整体效果(如光影效果、整体色调)的渲染。
步骤16、评估生成的图片。
下面对上述的各步骤做进一步说明:
本实施例中,为了便于用户清楚地表达对于生成图片的基本要求,在步骤11设定所述条件时,可以直接在所述条件中包括涉及所述图片的主题和/或风格的关键词或针对一个或多个组成元素的指定素材。用户可以同时设定多个条件,或在一个条件中包括多个要求,例如,在设定的条件中涵盖:生成情人节主题的图片和/或生成小清新风格的图片;和/或,涵盖生成的图片需要包括的某个指定素材。
本实施例中,所述组成元素包括产品图、文案、背景图像和修饰元素,当然本发明并不限定于此,在其他实施例中,所述组成元素可以仅包括上述组成元素中的部分或还包括上述组成元素以外的其他组成元素。其中,产品图主要用于展示产品,具有主题和风格标签;文案主要用于表述产品或宣传的活动、标题等,具有主题标签和风格标签;背景图像主要用作图片的背景,具有风格标签;修饰元素主要用于图片的装饰、点缀,如花瓣图案、树叶图案,具有风格标签。
相应的,如图2所示,本实施例的步骤13中包括:
步骤131、针对所述产品图,挑选符合所述主题和风格的素材。
步骤132、针对所述文案,挑选符合所述主题和风格的素材。
步骤133、针对所述背景图像,挑选符合所述风格的素材。
步骤134、针对所述修饰元素,挑选符合所述风格的素材。
虽然上述步骤采用了131-134的标号,但是上述步骤可以同时进行或采用任意顺序执行,本发明对此不做限定。
其中,如图3所示,步骤131具体可以包括:
步骤1311、判断设定的所述条件中是否包括指定的产品图像或产品标识,其中,所述产品标识可以包括但不限于产品的编号、产品的类别、产品的名称、产品的网址、产品的特点:
若包括指定的产品图像,则执行步骤1312;
若包括产品标识,则执行步骤1313;
若均不包括,则执行步骤1316;
步骤1312、获取所述产品图像并将所述产品图像作为所述素材。
步骤1313、获取所述产品标识并收集所述产品标识所对应的产品的图像;
步骤1314、从收集的图像中挑选出一个图像作为目标图像;
步骤1315、从所述目标图像中提取所述产品的主体,将所述主体作为所述素材。
步骤1316、将所述产品图对应的素材设为缺省状态,使得最终生成的图片不与具体产品挂钩。
由于产品图对应的素材是需要用于生成的图片中的,对其的图片质量或图片内容有一定的要求,而收集的产品的图像十分复杂,有的展示整体,有的展示细节,有的会被ps,质量参差不齐,因此,在步骤1314中挑选目标图像的过程也可理解为对收集的图像进行过滤和处理的过程,挑选最适合用于生成的图片的图像。
具体地,可以利用训练好的图像打分模型对收集的图像进行打分,挑选打分最高的图像作为目标图像。训练图像打分模型的过程为:
首先,设定适合用于在生成的图片中展示的产品图要求,如能够完整自然的展示产品正面的图像。
然后,构建一个系统对商品图像进行筛选:首先对产品图像人工定义若干属性,比如产品是否完整,产品是否正面展示,图片是否ps等等;然后收集足够的产品图片进行人工打标;最后构建图像打分模型,图像打分模型的主干为深度卷积神经网络,在最后一层特征层上再根据属性个数连接对应数量的全连接层进行属性分类,所有的全连接层共享之前的特征,将标注好的样本喂入进行训练,得到一个多任务分类器。
再然后,将收集的产品图像分别输入图像打分模型,得到各个属性的概率,综合评价这些概率指标得到图像的最终得分。
最后,挑选分数最高的图像作为目标图像。
进一步地,在步骤1315中,可以利用训练好的图像分割模型对目标图像进行主体分割,获得产品的主体。图像分割模型的基本架构为Mask R-CNN(一种目标检测模型),通过对产品图像中的主体产品标注掩模,然后将样本喂入训练,得到一个产品主体的分割器。将目标图像输入图像分割模型,得到产品的主体。
当然对于设定的所述条件中包括指定的产品图像的情况,如果需要,同样可以利用上述的图像打分模型对产品图像打分,验证指定的产品图像是否符合产品图要求,或是,利用上述的图像分割模型对产品图像进行产品的主体分割,去除产品的主体以外的图像元素等。
步骤132具体可以包括:从文案库中挑选符合所述主题和风格文本素材,作为所述素材。
其中,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项。所述文案库可以通过以下步骤构建:
设定文案主题;
针对每一文案主题,精选符合所述文案主题的文案模版作为种子文案;
通过网络手段(如爬网)或其他手段收集文本素材;
针对每一文本素材,比较所述文本素材与各种子文案的相似度,将所述文本素材归类至相似度最高的种子文案所对应的文案主题;
通过人工或其他手段为每一文本素材标注风格和关键词。
步骤133具体可以包括:从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材。
其中,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格。所述背景图像库可以通过以下步骤构建:
通过网络手段(如爬网)或其他手段收集背景图像;
通过现有手段获取或通过人工标注每一背景图像的关键词和图像信息,关键词可以包括图像内容、颜色等,背景所述图像信息包括图像的尺寸、方向(横向或竖向)等;
对所述关键词分类以得到所述背景图像的风格。
步骤134具体包括:从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材。
其中,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。所述修饰元素库通过以下步骤构建:
通过网络手段(如爬网)或其他手段收集修饰元素;
通过现有手段获取或通过人工标注每一修饰元素的关键词和图像信息,关键词可以包括图像内容、颜色等,背景所述图像信息包括图像的尺寸、方向(横向或竖向)等;
对所述关键词分类以得到所述修饰元素的风格。
本实施例中,步骤14涉及的素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得。所述图片生成器是一个训练好的多agent强化学习系统,其可以模仿已有的优质图片,将各组成元素对应的素材组合在一起。
其中,图片生成器的训练过程为:收集已有的优质图片,利用元素检测器对其进行分析,获得优质图片中各组成元素的尺寸和位置。所述元素检测器可以基于Faster R-CNN(一种目标检测算法)的框架,先通过人工标注一批图片中各组成元素的位置进行训练得到初始的元素检测器,再通过丰富训练样本优化元素检测器,训练样本的增加主要来自生成的图片,因为生成的图片是已知元素位置的,无需再标注,节省一定的劳力。
将挑选的素材输入所述图片生成器,所述图片生成器将各组成元素对应的素材按照学习到的结果组合排布,输出生成的所述图片。
图4示出了一张执行本实施例的步骤11-14后生成的图片,其包括了位于图片右侧的产品图“手机”A、位于左侧的文案“夏日手机抢先购激情来袭”B、位于左下角的修饰元素“浪花”C和位于右上角的修饰元素“树叶”C以及填充整个图片的背景图像“波浪曲线”D。
当然本发明并不局限于此,在其他实施例中,所述素材组合规则也可以自行设定,如分别设定产品图对应的素材、文案对应的素材、背景图像对应的素材和修饰元素对应的素材在生成的图片中的尺寸和位置。
本实施例中,步骤15所述的图像融合尤其指的是产品图与背景图像的融合,修饰元素与背景图像的融合,当然也不排除其他组成元素之间的相互融合。由于步骤14生成的图片可能较为粗糙,不够自然,如图4所示的“手机”A周围有白色的边框,所以需要利用步骤15对图片进一步优化,得到图5所示的图片,明显的,图5所示的图片相比于图4所示的图片,更为自然、效果更优。其中,图像融合和渲染可以使得图片中各图像的边界平滑,更加自然好看。图像融合和渲染可以采用现有的算法实现,如泊松融合算法,具体不再赘述。当然出于其他目的(如方法效率或对图片要求不高),在其他实施例中,步骤15也可省略。
步骤16能够进一步保证图片质量,有利于方法效果的提升。步骤16具体包括以下步骤中的至少一种:
采用深度卷积神经网络评估生成的图片的图像质量,其中,评估生成的图片的图像质量可以使用图像质量评估器进行自动筛选,图像质量评估器实际上是一个二分类器,特征提取采用深度卷积神经网络,正样本来自人工挑选的优质图片,负样本则是人工挑选的有瑕疵的图片,比如模糊不清、拼接明显、其他异常等等,训练上述的分类器得到图像质量评估器;
获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
经过步骤16的评估,可以判断出生成的图片是否自然美观,没有明显的瑕疵,提高图片质量。当然出于其他目的(如方法效率或对图片要求不高),在其他实施例中,步骤16也可省略。
本实施例的图片生成方法,可以通过学习现有的优质图片,根据用户需求,自动组合各组成元素,生成不逊于专业设计师的优美图片,大大节省人工耗时,提升图片制作速度,可以批量生成大量图片。需要说明的是,根据生成图片的用途的不同,在收集样本、训练各模型时应尽量选择对应其用途的优质图片,如生成banner图,那么收集的样本及训练模型时应使用各种banner图,这样才能保证生成的图片符合该用途的设计习惯或整体审美。
实施例2
图6示出了本实施例的一种图片生成系统。所述图片包括至少一组成元素,所述图片生成系统包括:条件设定模块21、主题和/或风格确定模块22、素材挑选模块23、素材组合模块24、图片优化模块25和图片评估模块26。
所述条件设定模块21用于设定生成图片的条件。其中,所述条件可以由用户自主设定,通常用于表征用户对于生成图片的基本要求。
所述主题和/或风格确定模块22用于根据所述条件确定所述图片的主题和/或风格。其中,所述主题通常用于表征图片所要表现的中心思想,泛指主要内容,如,节日主题(可以包括但不限于情人节、母亲节、国庆节、春节),产品主题(可以包括但不限于手机、车辆、服饰、食品、家居用品)等;所述风格通常用于表征图片表现出来的一种带有综合性的总体特点,如,小清新、唯美、可爱、科幻、简约、另类等。
所述素材挑选模块23用于分别针对每个组成元素,挑选符合所述主题和/或风格的素材。每个素材可以具有一个或多个标签,该些标签可以根据素材的特征自动生成、人工标注、或是通过现有的某些渠道手动或自动获取。其中,若一个组成元素仅具有主题标签(当然不排除其还具有非风格标签的其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选符合所述主题的素材;若一个组成元素仅具有风格标签(当然不排除其还具有非主题标签的其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选符合所述风格的素材;若一个组成元素同时具有主题标签和风格标签(当然不排除其还具有其他标签,例如时间标签、来源标签,但是由于其与生成图片的关联性不强,所以在本实施例中暂不考虑,当然也不排除在其他实施例中将其作为图片生成的影响因子,考虑其与生成图片的主题和/或风格的关联性),那么对于该组成元素,需要挑选既符合所述主题又符合所述风格的素材。
所述素材组合模块24用于将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。其中,所述尺寸是指所述素材在所述图片中的尺寸,所述位置是指所述素材在所述图片中的位置。
所述图片优化模块25用于对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。其中,所述图像融合主要包括各组成元素之间的融合;渲染主要指的是图片的整体效果的渲染。
所述图片评估模块26用于评估生成的图片。
下面对上述的各模块做进一步说明:
所述条件可以包括涉及所述图片的主题和/或风格的关键词,和/或,针对一个或多个组成元素的指定素材。用户可以同时设定多个条件,或在一个条件中包括多个要求,例如,在设定的条件中涵盖:生成情人节主题的图片和/或生成小清新风格的图片;和/或,涵盖生成的图片需要包括的某个指定素材。
本实施例中,所述组成元素包括产品图、文案、背景图像和修饰元素,当然本发明并不限定于此,在其他实施例中,所述组成元素可以仅包括上述组成元素中的部分或还包括上述组成元素以外的其他组成元素。其中,产品图主要用于展示产品,具有主题和风格标签;文案主要用于表述产品或宣传的活动、标题等,具有主题标签和风格标签;背景图像主要用作图片的背景,具有风格标签;修饰元素主要用于图片的装饰、点缀,如花瓣图案、树叶图案,具有风格标签。
相应的,如图7所示,所述素材挑选模块23可以包括:
产品图子模块231,用于针对所述产品图,挑选符合所述主题和风格的素材。
文案子模块232,用于针对所述文案,挑选符合所述主题和风格的素材。
背景图像子模块233,用于针对所述背景图像,挑选符合所述风格的素材。
修饰元素子模块234,用于针对所述修饰元素,挑选符合所述风格的素材。
所述产品图子模块231具体可以用于:
判断设定的所述条件中是否包括指定的产品图像或产品标识,其中,所述产品标识可以包括但不限于产品的编号、产品的类别、产品的名称、产品的网址、产品的特点:
若包括指定的产品图像,则获取所述产品图像并将所述产品图像作为所述素材;
若包括产品标识,则获取所述产品标识,收集所述产品标识所对应的产品的图像,从收集的图像中挑选出一个图像作为目标图像,从所述目标图像中提取所述产品的主体,将所述主体作为所述素材;
若均不包括,则将所述产品图对应的素材设为缺省状态,使得最终生成的图片不与具体产品挂钩。
由于产品图对应的素材是需要用于生成的图片中的,对其的图片质量或图片内容有一定的要求,而收集的产品的图像十分复杂,有的展示整体,有的展示细节,有的会被ps,质量参差不齐,因此,挑选目标图像的过程也可理解为对收集的图像进行过滤和处理的过程,挑选最适合用于生成的图片的图像。
具体地,可以利用训练好的图像打分模型对收集的图像进行打分,挑选打分最高的图像作为目标图像。训练图像打分模型的过程为:
首先,设定适合用于在生成的图片中展示的产品图要求,如能够完整自然的展示产品正面的图像。
然后,构建一个系统对商品图像进行筛选:首先对产品图像人工定义若干属性,比如产品是否完整,产品是否正面展示,图片是否ps等等;然后收集足够的产品图片进行人工打标;最后构建图像打分模型,图像打分模型的主干为深度卷积神经网络,在最后一层特征层上再根据属性个数连接对应数量的全连接层进行属性分类,所有的全连接层共享之前的特征,将标注好的样本喂入进行训练,得到一个多任务分类器。
再然后,将收集的产品图像分别输入图像打分模型,得到各个属性的概率,综合评价这些概率指标得到图像的最终得分。
最后,挑选分数最高的图像作为目标图像。
进一步地,可以利用训练好的图像分割模型对目标图像进行主体分割,获得产品的主体。图像分割模型的基本架构为Mask R-CNN,通过对产品图像中的主体产品标注掩模,然后将样本喂入训练,得到一个产品主体的分割器。将目标图像输入图像分割模型,得到产品的主体。
当然对于设定的所述条件中包括指定的产品图像的情况,如果需要,同样可以利用上述的图像打分模型对产品图像打分,验证指定的产品图像是否符合产品图要求,或是,利用上述的图像分割模型对产品图像进行产品的主体分割,去除产品的主体以外的图像元素等。
所述文案子模块232具体用于:从文案库中挑选符合所述主题和风格文本素材,作为所述素材。
其中,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项。所述文案库可以通过以下步骤构建:
设定文案主题;
针对每一文案主题,精选符合所述文案主题的文案模版作为种子文案;
通过网络手段(如爬网)或其他手段收集文本素材;
针对每一文本素材,比较所述文本素材与各种子文案的相似度,将所述文本素材归类至相似度最高的种子文案所对应的文案主题;
通过人工或其他手段为每一文本素材标注风格和关键词。
所述背景图像子模块233具体用于:从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材。
其中,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格。所述背景图像库可以通过以下步骤构建:
通过网络手段(如爬网)或其他手段收集背景图像;
通过现有手段获取或通过人工标注每一背景图像的关键词和图像信息,关键词可以包括图像内容、颜色等,背景所述图像信息包括图像的尺寸、方向(横向或竖向)等;
对所述关键词分类以得到所述背景图像的风格。
所述修饰元素子模块234具体用于:从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材。
其中,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。所述修饰元素库通过以下步骤构建:
通过网络手段(如爬网)或其他手段收集修饰元素;
通过现有手段获取或通过人工标注每一修饰元素的关键词和图像信息,关键词可以包括图像内容、颜色等,背景所述图像信息包括图像的尺寸、方向(横向或竖向)等;
对所述关键词分类以得到所述修饰元素的风格。
本实施例中,所述素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得;
所述素材组合模块24还用于将挑选的素材输入所述图片生成器,由所述图片生成器输出生成的所述图片。所述图片生成器是一个训练好的多agent强化学习系统,其可以模仿已有的优质图片,将各组成元素对应的素材组合在一起。
其中,图片生成器的训练过程为:收集已有的优质图片,利用元素检测器对其进行分析,获得优质图片中各组成元素的尺寸和位置。所述元素检测器可以基于Faster R-CNN(一种目标检测算法)的框架,先通过人工标注一批图片中各组成元素的位置进行训练得到初始的元素检测器,再通过丰富训练样本优化元素检测器,训练样本的增加主要来自生成的图片,因为生成的图片是已知元素位置的,无需再标注,节省一定的劳力。
将挑选的素材输入所述图片生成器,所述图片生成器将各组成元素对应的素材按照学习到的结果组合排布,输出生成的所述图片。
当然本发明并不局限于此,在其他实施例中,所述素材组合规则也可以自行设定,如分别设定产品图对应的素材、文案对应的素材、背景图像对应的素材和修饰元素对应的素材在生成的图片中的尺寸和位置。
本实施例中,所述图片优化模块25所述的图像融合尤其指的是产品图与背景图像的融合,修饰元素与背景图像的融合,当然也不排除其他组成元素之间的相互融合。由于所述素材组合模块24生成的图片可能较为粗糙,不够自然的缺陷,所以需要所述图片优化模块25对图片进一步优化,使得生成的图片更为自然、效果更优。其中,图像融合和渲染可以使得图片中各图像的边界平滑,更加自然好看。图像融合和渲染可以采用现有的算法实现,如泊松融合算法,具体不再赘述。当然出于其他目的(如方法效率或对图片要求不高),在其他实施例中,所述图片优化模块25也可省略。
所述图片评估模块26能够进一步保证图片质量,有利于方法效果的提升。如图8所示,所述图片评估模块26具体包括以下子模块中的至少一个:
图像质量评估子模块261,用于采用深度卷积神经网络评估生成的图片的图像质量,其中,评估生成的图片的图像质量可以使用图像质量评估器进行自动筛选,图像质量评估器实际上是一个二分类器,特征提取采用深度卷积神经网络,正样本来自人工挑选的优质图片,负样本则是人工挑选的有瑕疵的图片,比如模糊不清、拼接明显、其他异常等等,训练上述的分类器得到图像质量评估器;
尺寸和/或位置评估子模块262,用于获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
经过所述图片评估模块26的评估,可以判断出生成的图片是否自然美观,没有明显的瑕疵,提高图片质量。当然出于其他目的(如方法效率或对图片要求不高),在其他实施例中,所述图片评估模块26也可省略。
本实施例的图片生成系统,可以通过学习现有的优质图片,根据用户需求,自动组合各组成元素,生成不逊于专业设计师的优美图片,大大节省人工耗时,提升图片制作速度,可以批量生成大量图片。需要说明的是,根据生成图片的用途的不同,在收集样本、训练各模型时应尽量选择对应其用途的优质图片,如生成banner图,那么收集的样本及训练模型时应使用各种banner图,这样才能保证生成的图片符合该用途的设计习惯或整体审美。
实施例3
图9示出了一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1中的一种图片生成方法。图9显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其他程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的图片生成方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其他模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1所提供的图片生成方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1所述的图片生成方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (18)
1.一种图片生成方法,其特征在于,所述图片包括至少一组成元素,所述图片生成方法包括:
设定生成图片的条件;
根据所述条件确定所述图片的主题和/或风格;
分别针对每个组成元素,挑选符合所述主题和/或风格的素材;
将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。
2.如权利要求1所述的图片生成方法,其特征在于,所述条件包括涉及所述图片的主题和/或风格的关键词,和/或,针对一个或多个组成元素的指定素材。
3.如权利要求1所述的图片生成方法,其特征在于,所述组成元素包括产品图,所述条件包括指定的产品图像或产品标识;
针对所述产品图,挑选符合所述主题和/或风格的素材,具体包括:
获取所述产品图像并将所述产品图像作为所述素材;或,获取所述产品标识,收集所述产品标识所对应的产品的图像,从收集的图像中挑选出一个图像作为目标图像,从所述目标图像中提取所述产品的主体,将所述主体作为所述素材。
4.如权利要求1所述的图片生成方法,其特征在于,所述组成元素包括文案、背景图像和修饰元素中的至少一种;
针对所述文案,挑选符合所述主题和/或风格的素材,具体包括:
从文案库中挑选符合所述主题和/或风格的文本素材,作为所述素材,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项;
针对所述背景图像,挑选符合所述风格的素材,具体包括:
从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格;
针对所述修饰元素,挑选符合所述风格的素材,具体包括:
从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。
5.如权利要求1所述的图片生成方法,其特征在于,所述素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得;
将挑选的素材按照素材组合规则组合,以生成所述图片,具体包括:
将挑选的素材输入所述图片生成器,由所述图片生成器输出生成的所述图片。
6.如权利要求1-5中任意一项所述的图片生成方法,其特征在于,所述图片生成方法还包括:
对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。
7.如权利要求1-5中任意一项所述的图片生成方法,其特征在于,所述图片生成方法还包括在生成所述图片后执行以下步骤:
评估生成的图片。
8.如权利要求7所述的图片生成方法,其特征在于,评估生成的图片,具体包括以下步骤中的至少一种:
采用深度卷积神经网络评估生成的图片的图像质量;
获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
9.一种图片生成系统,其特征在于,所述图片包括至少一组成元素,所述图片生成系统包括:
条件设定模块,用于设定生成图片的条件;
主题和/或风格确定模块,用于根据所述条件确定所述图片的主题和/或风格;
素材挑选模块,用于分别针对每个组成元素,挑选符合所述主题和/或风格的素材;
素材组合模块,用于将挑选的素材按照素材组合规则组合,以生成所述图片,所述素材组合规则至少包括对于每个组成元素对应的素材的尺寸和/或位置的设定。
10.如权利要求9所述的图片生成系统,其特征在于,所述条件包括涉及所述图片的主题和/或风格的关键词,和/或,针对一个或多个组成元素的指定素材。
11.如权利要求9所述的图片生成系统,其特征在于,所述组成元素包括产品图,所述条件包括指定的产品图像或产品标识;
所述素材挑选模块包括:
产品图子模块,用于针对所述产品图,挑选符合所述主题和/或风格的素材,具体包括:
获取所述产品图像并将所述产品图像作为所述素材;或,获取所述产品标识,收集所述产品标识所对应的产品的图像,从收集的图像中挑选出一个图像作为目标图像,从所述目标图像中提取所述产品的主体,将所述主体作为所述素材。
12.如权利要求9所述的图片生成系统,其特征在于,所述组成元素包括文案、背景图像和修饰元素中的至少一种;
所述素材挑选模块对应的包括以下子模块中的至少一个:
文案子模块,用于针对所述文案,挑选符合所述主题和/或风格的素材,具体包括:
从文案库中挑选符合所述主题和/或风格的文本素材,作为所述素材,所述文案库包括若干文本素材,每一文本素材标注有主题、风格和关键词中的至少一项;
背景图像子模块,用于针对所述背景图像,挑选符合所述风格的素材,具体包括:
从背景图像库中挑选符合所述风格的背景图像素材,作为所述素材,所述背景图像库包括若干背景图像素材,每一背景图像素材标注有风格;
修饰元素子模块,用于针对所述修饰元素,挑选符合所述风格的素材,具体包括:
从修饰元素库中挑选符合所述风格的修饰元素素材,作为所述素材,所述修饰元素库包括若干修饰元素素材,每一修饰元素素材标注有风格。
13.如权利要求9所述的图片生成系统,其特征在于,所述素材组合规则通过图片生成器学习已有图片的布局和组成后训练而得;
所述素材组合模块还用于将挑选的素材输入所述图片生成器,由所述图片生成器输出生成的所述图片。
14.如权利要求9-13中任意一项所述的图片生成系统,其特征在于,所述图片生成系统还包括:
图片优化模块,用于对生成的图片进行优化处理,所述优化处理至少包括图像融合和渲染。
15.如权利要求9-13中任意一项所述的图片生成系统,其特征在于,所述图片生成系统还包括:
图片评估模块,用于评估生成的图片。
16.如权利要求15所述的图片生成系统,其特征在于,所述图片评估模块具体包括以下子模块中的至少一个:
图像质量评估子模块,用于采用深度卷积神经网络评估生成的图片的图像质量;
尺寸和/或位置评估子模块,用于获取每个组成元素对应的素材的尺寸和/或位置,判断所述尺寸和/或位置是否合理。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8中任一项所述的图片生成方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至8中任一项所述的图片生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810725514.1A CN110750666A (zh) | 2018-07-04 | 2018-07-04 | 图片生成方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810725514.1A CN110750666A (zh) | 2018-07-04 | 2018-07-04 | 图片生成方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110750666A true CN110750666A (zh) | 2020-02-04 |
Family
ID=69274657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810725514.1A Pending CN110750666A (zh) | 2018-07-04 | 2018-07-04 | 图片生成方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750666A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443972A (zh) * | 2020-03-25 | 2020-07-24 | 北京金山安全软件有限公司 | 一种图片的应用方法、装置、电子设备及存储介质 |
CN111538856A (zh) * | 2020-05-06 | 2020-08-14 | 深圳市卡牛科技有限公司 | 图片素材的生成方法、装置、计算机设备及存储介质 |
CN112669090A (zh) * | 2021-01-06 | 2021-04-16 | 广东创意热店互联网科技有限公司 | 一种智能生成广告海报的方法、电子设备、计算机可读存储介质 |
CN116467607A (zh) * | 2023-03-28 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 信息匹配方法和存储介质 |
CN117475210A (zh) * | 2023-10-27 | 2024-01-30 | 广州睿狐科技有限公司 | 一种用于api调试的随机图像生成方法及其系统 |
CN117710500A (zh) * | 2023-12-08 | 2024-03-15 | 广东创意热店互联网科技有限公司 | 一种基于扩散模型的电商图像生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200759A1 (en) * | 2005-03-04 | 2006-09-07 | Microsoft Corporation | Techniques for generating the layout of visual content |
CN104133956A (zh) * | 2014-07-25 | 2014-11-05 | 小米科技有限责任公司 | 处理图片的方法及装置 |
CN104463779A (zh) * | 2014-12-18 | 2015-03-25 | 北京奇虎科技有限公司 | 一种肖像漫画生成方法及其装置 |
CN107180119A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数字产品生成方法和数字产品生成装置 |
CN107729361A (zh) * | 2017-09-04 | 2018-02-23 | 广州品唯软件有限公司 | 自动合成图片推送方法、装置及存储介质 |
-
2018
- 2018-07-04 CN CN201810725514.1A patent/CN110750666A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200759A1 (en) * | 2005-03-04 | 2006-09-07 | Microsoft Corporation | Techniques for generating the layout of visual content |
CN104133956A (zh) * | 2014-07-25 | 2014-11-05 | 小米科技有限责任公司 | 处理图片的方法及装置 |
CN104463779A (zh) * | 2014-12-18 | 2015-03-25 | 北京奇虎科技有限公司 | 一种肖像漫画生成方法及其装置 |
CN107180119A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数字产品生成方法和数字产品生成装置 |
CN107729361A (zh) * | 2017-09-04 | 2018-02-23 | 广州品唯软件有限公司 | 自动合成图片推送方法、装置及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443972A (zh) * | 2020-03-25 | 2020-07-24 | 北京金山安全软件有限公司 | 一种图片的应用方法、装置、电子设备及存储介质 |
CN111538856A (zh) * | 2020-05-06 | 2020-08-14 | 深圳市卡牛科技有限公司 | 图片素材的生成方法、装置、计算机设备及存储介质 |
CN111538856B (zh) * | 2020-05-06 | 2023-08-29 | 深圳市卡牛科技有限公司 | 图片素材的生成方法、装置、计算机设备及存储介质 |
CN112669090A (zh) * | 2021-01-06 | 2021-04-16 | 广东创意热店互联网科技有限公司 | 一种智能生成广告海报的方法、电子设备、计算机可读存储介质 |
CN116467607A (zh) * | 2023-03-28 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 信息匹配方法和存储介质 |
CN116467607B (zh) * | 2023-03-28 | 2024-03-01 | 阿里巴巴(中国)有限公司 | 信息匹配方法和存储介质 |
CN117475210A (zh) * | 2023-10-27 | 2024-01-30 | 广州睿狐科技有限公司 | 一种用于api调试的随机图像生成方法及其系统 |
CN117710500A (zh) * | 2023-12-08 | 2024-03-15 | 广东创意热店互联网科技有限公司 | 一种基于扩散模型的电商图像生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750666A (zh) | 图片生成方法、系统、电子设备及存储介质 | |
US20190220983A1 (en) | Image matting using deep learning | |
AU2018247342B2 (en) | Vera: vision-enabled replacement assistant | |
US10049308B1 (en) | Synthesizing training data | |
CN107273502B (zh) | 一种基于空间认知学习的图像地理标注方法 | |
US11210111B2 (en) | Automatic user interface architecture | |
US20200242822A1 (en) | Digital Media Environment for Style-Aware Patching in a Digital Image | |
Vempati et al. | Enabling hyper-personalisation: Automated ad creative generation and ranking for fashion e-commerce | |
CN112040273B (zh) | 视频合成方法及装置 | |
WO2021031677A1 (zh) | 一种目标对象的banner图的批量自动生成方法及装置 | |
CN117058271A (zh) | 用于生成商品主图背景的方法及计算设备 | |
WO2023138437A1 (zh) | 应用开发平台、微程序生成方法、设备及存储介质 | |
Shi et al. | Supporting expressive and faithful pictorial visualization design with visual style transfer | |
US20220301307A1 (en) | Video Generation Method and Apparatus, and Promotional Video Generation Method and Apparatus | |
AU2021370623B2 (en) | System and method to automatically create, assemble and optimize content into personalized experiences | |
AU2021370623A9 (en) | System and method to automatically create, assemble and optimize content into personalized experiences | |
CN113260970A (zh) | 图片识别的用户界面系统、电子设备及交互方法 | |
US20220309280A1 (en) | Integrating video content into online product listings to demonstrate product features | |
WO2022123619A1 (ja) | 学習システム、学習方法、及びプログラム | |
CN114818639A (zh) | 演示文稿生成方法、装置、设备及存储介质 | |
Jahanian | Quantifying aesthetics of visual design applied to automatic design | |
Madan et al. | Parsing and summarizing infographics with synthetically trained icon detection | |
CN113987239A (zh) | 图像推送方法、装置、计算机设备、存储介质及产品 | |
Way et al. | A video painterly stylization using semantic segmentation | |
Sansone Ruiz | Days Without Clouds: Realism, Images, and Target Classifiers at Google Earth Engine |
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 |