CN111311485A - 图像处理方法及相关装置 - Google Patents
图像处理方法及相关装置 Download PDFInfo
- Publication number
- CN111311485A CN111311485A CN202010186969.8A CN202010186969A CN111311485A CN 111311485 A CN111311485 A CN 111311485A CN 202010186969 A CN202010186969 A CN 202010186969A CN 111311485 A CN111311485 A CN 111311485A
- Authority
- CN
- China
- Prior art keywords
- image
- network model
- matting
- edge
- loss
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 38
- 230000008447 perception Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 13
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像处理方法及相关装置,应用于电子设备,包括:根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;使用所述训练后的人像抠图网络模型应用进行人像抠图处理。本申请实施例有利于提高人像抠图的处理效果。
Description
技术领域
本申请涉及电子设备技术领域,具体涉及一种图像处理方法及相关装置。
背景技术
随着智能手机等电子设备的大量普及应用,智能手机能够支持的应用越来越多,功能越来越强大,智能手机向着多样化、个性化的方向发展,成为用户生活中不可缺少的电子用品,与此同时,用户对拍照修图的要求也越来越高,在修图过程中,特别是对照片中的人像使用美颜、背景替换、背景虚化等功能时,几乎都会使用到人像抠图功能,若无法实现精准的人像抠图,会导致对人像图的处理效果较差。
发明内容
本申请实施例提供了一种图像处理方法及相关装置,有利于提高人脸关键点检测精度。
第一方面,本申请实施例提供一种图像处理方法,其特征在于,应用于电子设备,所述方法包括:
根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;
根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;
使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
第二方面,本申请实施例提供一种图像处理装置,应用于电子设备,所述图像处理装置包括处理单元和通信单元,其中,
所述处理单元,用于根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;以及用于根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;以及用于使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
第三方面,本申请实施例提供一种电子设备,包括控制器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述控制器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,电子设备首先根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像,其次,根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用,最后,使用所述训练后的人像抠图网络模型应用进行人像抠图处理。由于在人像抠图网络模型应用中加入了边缘梯度网络模型,边缘梯度网络模型可以学习人像图的边缘信息以及边缘上的梯度信息,从而有利于提升人像抠图的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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他的附图。
图1A是本申请实施例提供的一种人像抠图网络模型应用的训练流程示意图;
图1B是本申请实施例提供的一种图像处理方法的流程示意图;
图1C是本申请实施例提供的一种人像抠图网络模型应用的处理流程示意图;
图1D是本申请实施例提供的一种抠图网络模型的训练示意图;
图1E是本申请实施例提供的一种边缘梯度网络模型的训练示意图;
图2是本申请实施例提供的另一种图像处理方法的流程示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种图像处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
电子设备可以包括移动终端或者服务器,本申请实施例不做限定。其中,移动终端可以为以下任一种:具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能手环、计步器等)、计算设备或连接到无线调制解调器的其他处理的精度。用户设备(User Equipment,UE),移动台(Mobile Station,MS),终端设备(terminal device)等等。为方便描述,上面提到的设备统称为电子设备。
下面对本申请实施例进行详细介绍。
抠图是计算机视觉领域的一个基础课题,而人像抠图是其中一个相当重要的应用。在各种手机或相机中都需要使用高精度的人像抠图技术,人像抠图技术在人像虚化、背景替换等方面有广泛的运用。随着深度学习的迅速发展,目前通常使用卷积神经网络来处理人像抠图任务,在人像抠图任务中主要是将人像作为前景,对图像中的前景后景进行分离,计算得到透明度通道图,即alpha图。现有的基于深度学习的人像抠图技术,其精确性在很多时候都依赖于三分图的准确与否,模型推理过程往往需要提供三分图或者依赖人像分割模型产生三分图,无法做到端对端的模型推理过程,另外,现有的人像抠图的深度学习模型,在训练流程中没有充分利用标注的边缘上的梯度信息,而标注的边缘梯度信息可以用来帮助人像抠图模型产生更精准的抠图效果。
本申请提出一种基于边缘梯度网络的人像抠图模型训练方法及人像自动抠图方案,充分利用了标注的边缘及边缘上图像梯度信息,可以提升人像抠图模型的性能。针对人像图实现高精度的抠图处理同时本申请具有通用性,在任意抠图网络模型后接一个边缘梯度网络模型用于提取标注,预测alpha图的边缘及边缘上的梯度,边缘梯度网络模型学习边缘信息和梯度信息,和标注对比计算损失函数以帮助人像抠图网络模型进行训练,从而得到更好的抠图效果。如图1A所示,首先需要训练边缘梯度网络模型,再训练人像抠图网络模型应用,从而输入人像图后,利用训练好的人像抠图网络模型应用自动进行抠图,输出透明图通道alpha图,以根据alpha图替换人像背景或其他操作。
人像抠图网络模型应用包括抠图网络模型和边缘梯度网络模型,通过人像抠图网络模型应用可以得到高精度的人像抠图,相较于常见的抠图算法模型,加入了边缘梯度网络模型用于提取标注和预测alpha的边缘及边缘上的梯度。边缘梯度网络模型学习边缘信息和边缘上的梯度信息,有利于促进抠图效果的提升。同时本申请提供的图像处理方法,通用性、灵活性加强,对边缘梯度网络模型和抠图网络模型的设计没有特定要求,可拓展性好,相比于常见的抠图模型方案不需要提供三分图作为输入,也不需要训练分割模型产生三分图,避免了三分图预测带来的误差。通过本申请提供的图像处理方法,可以为各种美颜、替换背景、人物背景虚化等图像处理算法提供精确的人像透明度通道alpha图,使得人像背景虚化更为准确,还可以作为快速证件照生成的核心算法。
请参阅图1B,图1B是本申请实施例提供了一种图像处理方法的流程示意图,应用于电子设备。如图所示,本图像处理方法包括:
S101,所述电子设备根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像。
其中,训练集中包括多张人像图和所述多张人像图对应的抠图标准图像,使用训练集中的样本数据,即训练集中的多张人像图和多张人像图对应的抠图标准图像对人像抠图网络模型应用进行训练,从而可以计算得到人像抠图网络模型应用对应的抠图损失,本申请中的抠图标准图像为alpha图。
S102,所述电子设备根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用。
其中,人像抠图网络模型应用中包括抠图网络模型以及边缘梯度网络模型,所述人像抠图网络模型的损失由抠图网络模型的损失以及边缘梯度网络模型的损失组成。根据人像抠图网络模型的损失分别调整抠图网络模型以及边缘梯度网络模型,该调整包括调整抠图网络模型以及边缘梯度网络模型中的各项参数,从而使人像抠图网络模型的损失数值减小或趋近于零,调整后得到训练后的人像抠图网络模型应用。
S103,所述电子设备使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
其中,训练后的人像抠图网络模型应用可以充分利用边缘信息及边缘上的梯度信息,针对人像图实现高精度的抠图处理,输入人像图后,便可输出该人像图对应的抠图标准图像。
可以看出,本申请实施例中,电子设备首先根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像,其次,根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用,最后,使用所述训练后的人像抠图网络模型应用进行人像抠图处理。由于在人像抠图网络模型应用中加入了边缘梯度网络模型,边缘梯度网络模型可以学习人像图的边缘信息以及边缘上的梯度信息,从而有利于提升人像抠图的效果。
在一个可能的示例中,计算所述抠图网络模型对应的第一抠图损失,以及计算所述边缘梯度网络模型对应的第二抠图损失;根据所述第一抠图损失和所述第二抠图损失,得到所述人像抠图网络模型应用的抠图损失。
其中,人像抠图网络模型应用包括抠图网络模型和边缘梯度网络模型,抠图网络模型会产生第一抠图损失,边缘梯度网络模型会产生第二抠图损失,人像抠图网络模型的扣图损失为第一抠图损失和第二抠图损失的总和。
其中,抠图网络模型的输入为人像图,输出为alpha图,边缘梯度网络模型的输入为alpha图,输出为边缘图和梯度图,如图1C所示。抠图网络模型可以采用各种模型,只需要保证模型的输出为单通道的预测alpha图。
可见,本示例中,与现有技术不同的是本申请中的人像抠图网络模型应用不仅包括抠图网络模型,还包括边缘梯度网络模型,因此,人像抠图网络模型应用的抠图损失包括抠图网络模型产生的第一扣图损失和边缘梯度网络模型产生的第二抠图损失,使用边缘梯度网络模型后可以获取图像的边缘信息及边缘上的梯度信息,有利于促进抠图效果。
在一个可能的示例中,所述计算所述抠图网络模型对应的第一抠图损失,包括:将所述训练集中的人像图输入所述抠图网络模型,得到抠图样本图像;根据所述抠图样本图像和所述训练集中的所述人像图对应的抠图标准图像,计算所述抠图网络模型的第一抠图损失。
其中,在没有对抠图网络模型进行训练时,将训练集中的人像图输入抠图网络模型得到的是人像图的抠图样本图像,训练集中包括人像图的抠图标准图像,通过将抠图样本图像和抠图标准图像进行比对,可以计算抠图网络模型的第一扣图损失。抠图样本图像和抠图标准图像本质上都是alpha图,如图1D所示,抠图样本图像和抠图标准图像的区别在于抠图标准图像是人像图对应的标准的alpha图,抠图样本图像是将人像图输入到抠图网络模型后得到的alpha图,通过比较大量抠图样本图像和抠图标准图像之间的误差,可以计算出第一抠图损失。
其中,第一抠图损失X的具体计算公式如下:
可见,本示例中,在训练抠图网络模型时输入了大量的人像图,获取到人像图对应的抠图样本图像,再将大量的抠图样本图像和人像图对应的抠图标准图像进行比对便可计算得到抠图网络模型的第一损失,从而有利于根据第一损失调整抠图网络模型的各项参数,通过调整各项参数使第一损失减小获趋近于零,以完成对抠图网络模型的训练。
在一个可能的示例中,所述边缘梯度网络模型包括边缘网络模型和梯度网络模型,所述第二抠图损失包括所述边缘网络模型对应的感知边缘损失,以及所述梯度网络模型对应的感知梯度损失;所述计算所述边缘梯度网络模型对应的第二抠图损失,包括:将所述训练集中的抠图标准图像输入所述边缘网络模型,得到所述抠图标准图像的参考边缘预测图;对所述抠图标准图像进行二值化处理,并对二值化处理后的抠图标准图像进行预设运算后得到所述抠图标准图像对应的真实边缘预测图;根据所述参考边缘预测图和所述真实边缘预测图计算感知边缘损失;根据所述感知边缘损失计算所述感知梯度损失,以得到所述第二抠图损失。
其中,边缘梯度网络模型由边缘网络模型和梯度网络模型组成,因此在计算边缘梯度网络模型对应的第二抠图损失时,需要计算边缘网络模型产生的感知边缘损失以及梯度网络模型产生的感知梯度损失。边缘网络模型中包括h1,h2,h3三个卷积层,其中除去最后一层,均是在Conv层后接BN和ReLU层。梯度网络则包含一个Sobel算子。在对边缘网络模型进行训练时采用训练集中抠图标准图像,即标注了透明度通道Alpha图的数据集,训练集中抠图标准图像的数目大于5000。
其中,将训练集的中的抠图标准图像输入边缘网络模型,得到抠图标准图像的参考边缘预测图,然后再对抠图标准图像进行二值化处理,并对二值化处理后的抠图标准图像进行预设运算,可以得到抠图标准图像对应的真实边缘预测图,将参考边缘预测图和真实边缘预测图进行比对便可计算感知边缘损失,在计算到感知边缘损失后,进一步可以计算得到感知梯度损失。
其中,对二值化处理后的抠图标准图像进行预设运算后得到所述抠图标准图像对应的真实边缘预测图,包括:对所述二值化处理后的抠图标准图像分别进行膨胀运算和腐蚀运算,得到膨胀运算结果和腐蚀运算结果;将所述膨胀运算结果减去所述腐蚀运算结果,得到所述真实边缘预测图。举例说明,根据抠图标准图像的透明度像素值,将训练集中修图标准图像的像素值乘以255后,将数值小于100的置零,应大于100的置一,如此便得到二值化的抠图标准图像,对二值化后的抠图标准图像分别进行膨胀运算和腐蚀运算,将膨胀运算的结果减去腐蚀运算的结果,便可得到抠图标准图像的真实边缘预测图,将抠图标准图像输入到边缘网络模型后,便可得到抠图标准图像的参考边缘预测图。
其中,感知边缘损失Y的具体计算公式如下:
其中,N表示样本数,即为单张图像的像素点总数,yi表示为输入实例的真实类别,pi表示为预测输入实例损失属于类别1的概率,对所有样本的对数损失表示对每个样本的对数损失的平均值。理想情况下,对数损失为0。训练边缘感知网络采用的边缘损失亦是相同形式的交叉熵损失。
可见,本示例中,边缘梯度网络模型包括了边缘网络模型和梯度网络模型,因此,第二抠图损失包括感知边缘损失和感知梯度损失,且感知梯度损失的计算依赖于感知边缘损失,需要先根据边缘网络模型计算得到感知边缘损失,便可根据感知边缘损失计算感知梯度损失,从而得到第二抠图损失。
在一个可能的示例中,所述根据所述感知边缘损失计算所述感知梯度损失,包括:根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型;将所述抠图样本图像和所述抠图标准图像分别输入训练后的边缘网络模型,得到第一边缘预测图和第二边缘预测图;将所述抠图样本图像和所述抠图标准图像分别输入所述梯度网络模型,得到所述抠图样本图像的第一坐标梯度和所述抠图标准图像的第二坐标梯度;对所述第一边缘预测图和所述第一坐标梯度进行预设计算,得到所述第一边缘梯度图,对所述第二边缘预测图和所述第二坐标梯度进行预设计算,得到所述第二边缘梯度图;根据所述第一边缘梯度图和所述第二边缘梯度图,计算感知边缘损失。
其中,如图1E所示,将通过抠图网络模型得到的抠图样本图像、抠图标准图像分别输入训练后的边缘网络模型,可得到第一边缘预测图和第二边缘预测图,将抠图样本图像、抠图标准图像分别输入梯度网络模型,可得到第一坐标梯度和第二坐标梯度,将第一边缘预测图和第一坐标梯度相乘,便可得到第一边缘梯度图,将第边缘预测题图和第二梯度相乘,便可得到第二边缘梯度图,从而,便可根据第一边缘梯度图和第二边缘梯度图计算感知梯度损失。
其中,感知梯度损失Z的具体计算公式如下:
其中,A表示梯度网络的输入,梯度网络输出输入图片在x和y方向上的梯度图Gx和Gy,因此,感知梯度损失具体形式为Alpha图和Label图的Gx和Gy对应的L1距离,这里的Alpha图指代抠图参考图像,Label图指代抠图标准图像。
可见,本示例中,将抠图样本图像、抠图标准图像作为边缘网络模型的输入,可得到第一边缘预测图和第二边缘预测图,将抠图样本图像、抠图标准图像作为梯度网络模型的输入,可得到第一坐标梯度和第二坐标梯度,进而可以计算出抠图样本图像对应的第一边缘梯度图和抠图标准图像对应的第二边缘梯度图,进而计算得到梯度网络模型的感知梯度损失。
在一个可能的示例中,所述根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型,包括:根据所述感知边缘损失,对所述边缘网络模型进行反向传播算法,以更新所述边缘网络模型的各项参数;通过所述训练集中的抠图标准图像多次计算感知边缘损失,以对所述边缘网络模型的各项参数多次进行更新,得到训练后的边缘网络模型。
其中,感知边缘损失为参考边缘预测图和真实边缘预测图之间的边缘交叉熵损失,根据感知边缘损失对边缘网络模型中等各个参数执行反向传播算法,便可更新参数,使用训练集中的抠图标准图像多次计算感知边缘损失,便可根据每次计算得到的感知边缘损失对边缘网络模型的各个参数多次进行更新,直到边缘网络收敛,多项参数固定不变或几乎不变,便可得到训练后的边缘网络模型。
可见,本示例中,根据感知边缘损失可调整边缘网络模型中各项参数,通过多次对各项参数进行更新,可得到训练后的边缘网络模型,从而有利于根据训练后的边缘网络模型,对梯度网络模型进行训练。
在一个可能的示例中,在检测到针对目标人像图的人像抠图操作时,将所述目标人像图输入到训练后的人像抠图网络模型应用;获取所述人像抠图网络模型应用输出的目标抠图标准图像;对所述目标抠图标准图像进行图像预处理。
其中,对于已经训练好的人像抠图网络模型应用可直接进行使用,将要处理的目标人像图输入到人像抠图网络模型应用,得到输出的目标抠图标准图像,该目标抠图标准图像本质上是透明度通道alpha图,利用该alpha图可以将目标人像图中的人像分离出来,从而有利于进行图像预处理,图像预处理包括美颜、替换背景、背景虚化等处理。
可见,本示例中,在对人像抠图网络模型进行训练后得到训练后的人像抠图网络模型应用,可以为美颜、替换背景、人像虚化等功能提供精确的抠图人像,从而实现高精度的抠像抠图效果。
与所述图1B所示的实施例一致的,请参阅图2,图2是本申请实施例提供的一种图像处理方法的流程示意图,应用于电子设备。如图所示,本图像处理方法包括:
S201,所述电子设备根据训练集中的样本数据对人像抠图网络模型应用进行训练,其中,所述人像抠图网络模型应用包括抠图网络模型和边缘梯度网络模型,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像。
S202,所述电子设备计算所述抠图网络模型对应的第一抠图损失,以及计算所述边缘梯度网络模型对应的第二抠图损失。
S203,所述电子设备根据所述第一抠图损失和所述第二抠图损失,得到所述人像抠图网络模型应用的抠图损失。
S204,所述电子设备根据所述抠图损失,调整所述抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用。
S205,所述电子设备使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
可以看出,本申请实施例中,电子设备首先根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像,其次,根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用,最后,使用所述训练后的人像抠图网络模型应用进行人像抠图处理。由于在人像抠图网络模型应用中加入了边缘梯度网络模型,边缘梯度网络模型可以学习人像图的边缘信息以及边缘上的梯度信息,从而有利于提升人像抠图的效果。
此外,与现有技术不同的是本申请中的人像抠图网络模型应用不仅包括抠图网络模型,还包括边缘梯度网络模型,因此,人像抠图网络模型应用的抠图损失包括抠图网络模型产生的第一扣图损失和边缘梯度网络模型产生的第二抠图损失,使用边缘梯度网络模型后可以获取图像的边缘信息及边缘上的梯度信息,有利于促进抠图效果。
与所述图1B、图2所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种电子设备300的结构示意图,该电子设备300运行有一个或多个应用程序和操作系统,如图所示,该电子设备300包括处理器310、存储器320、通信接口330以及一个或多个程序321,其中,所述一个或多个程序321被存储在所述存储器320中,并且被配置由所述处理器310执行,所述一个或多个程序321包括用于执行以下步骤的指令;
根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;
根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;
使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
可以看出,本申请实施例中,电子设备首先根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像,其次,根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用,最后,使用所述训练后的人像抠图网络模型应用进行人像抠图处理。由于在人像抠图网络模型应用中加入了边缘梯度网络模型,边缘梯度网络模型可以学习人像图的边缘信息以及边缘上的梯度信息,从而有利于提升人像抠图的效果。
在一个可能的示例中,在所述计算所述人像抠图网络模型应用的抠图损失方面,所述程序中的指令具体用于执行以下操作:计算所述抠图网络模型对应的第一抠图损失,以及计算所述边缘梯度网络模型对应的第二抠图损失;根据所述第一抠图损失和所述第二抠图损失,得到所述人像抠图网络模型应用的抠图损失。
在一个可能的示例中,在所述计算所述抠图网络模型对应的第一抠图损失方面,所述程序中的指令具体用于执行以下操作:将所述训练集中的人像图输入所述抠图网络模型,得到抠图样本图像;根据所述抠图样本图像和所述训练集中的所述人像图对应的抠图标准图像,计算所述抠图网络模型的第一抠图损失。
在一个可能的示例中,所述边缘梯度网络模型包括边缘网络模型和梯度网络模型,所述第二抠图损失包括所述边缘网络模型对应的感知边缘损失,以及所述梯度网络模型对应的感知梯度损失;在所述计算所述边缘梯度网络模型对应的第二抠图损失方面,所述程序中的指令具体用于执行以下操作:将所述训练集中的抠图标准图像输入所述边缘网络模型,得到所述抠图标准图像的参考边缘预测图;对所述抠图标准图像进行二值化处理,并对二值化处理后的抠图标准图像进行预设运算后得到所述抠图标准图像对应的真实边缘预测图;根据所述参考边缘预测图和所述真实边缘预测图计算感知边缘损失;根据所述感知边缘损失计算所述感知梯度损失,以得到所述第二抠图损失。
在一个可能的示例中,在所述根据所述感知边缘损失计算所述感知梯度损失方面,所述程序中的指令具体用于执行以下操作:根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型;将所述抠图样本图像和所述抠图标准图像分别输入训练后的边缘网络模型,得到第一边缘预测图和第二边缘预测图;将所述抠图样本图像和所述抠图标准图像分别输入所述梯度网络模型,得到所述抠图样本图像的第一坐标梯度和所述抠图标准图像的第二坐标梯度;对所述第一边缘预测图和所述第一坐标梯度进行预设计算,得到所述第一边缘梯度图,对所述第二边缘预测图和所述第二坐标梯度进行预设计算,得到所述第二边缘梯度图;根据所述第一边缘梯度图和所述第二边缘梯度图,计算感知边缘损失。
在一个可能的示例中,在所述根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型方面,所述程序中的指令具体用于执行以下操作:根据所述感知边缘损失,对所述边缘网络模型进行反向传播算法,以更新所述边缘网络模型的各项参数;通过所述训练集中的抠图标准图像多次计算感知边缘损失,以对所述边缘网络模型的各项参数多次进行更新,得到训练后的边缘网络模型。
在一个可能的示例中,所述程序中的指令具体用于执行以下操作:在检测到针对目标人像图的人像抠图操作时,将所述目标人像图输入到训练后的人像抠图网络模型应用;获取所述人像抠图网络模型应用输出的目标抠图标准图像;对所述目标抠图标准图像进行图像预处理。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个控制单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
图4是本申请实施例中所涉及的装置400的功能单元组成框图。该图像处理装置400应用于电子设备,图像处理装置400包括处理单元401和通信单元402,其中:
所述处理单元401,用于根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;以及用于根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;以及用于使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
可以看出,本申请实施例中,电子设备首先根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像,其次,根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用,最后,使用所述训练后的人像抠图网络模型应用进行人像抠图处理。由于在人像抠图网络模型应用中加入了边缘梯度网络模型,边缘梯度网络模型可以学习人像图的边缘信息以及边缘上的梯度信息,从而有利于提升人像抠图的效果。
在一个可能的示例中,在所述计算所述人像抠图网络模型应用的抠图损失方面,所述处理单元401具体用于:计算所述抠图网络模型对应的第一抠图损失,以及计算所述边缘梯度网络模型对应的第二抠图损失;以及用于根据所述第一抠图损失和所述第二抠图损失,得到所述人像抠图网络模型应用的抠图损失。
在一个可能的示例中,在所述计算所述抠图网络模型对应的第一抠图损失方面,所述处理单元401具体用于:将所述训练集中的人像图输入所述抠图网络模型,得到抠图样本图像;以及用于根据所述抠图样本图像和所述训练集中的所述人像图对应的抠图标准图像,计算所述抠图网络模型的第一抠图损失。
在一个可能的示例中,所述边缘梯度网络模型包括边缘网络模型和梯度网络模型,所述第二抠图损失包括所述边缘网络模型对应的感知边缘损失,以及所述梯度网络模型对应的感知梯度损失;在所述对所述参考人脸区域的边界框进行调整,得到标准人脸区域的边界框方面,所述处理单元401具体用于:将所述训练集中的抠图标准图像输入所述边缘网络模型,得到所述抠图标准图像的参考边缘预测图;以及用于对所述抠图标准图像进行二值化处理,并对二值化处理后的抠图标准图像进行预设运算后得到所述抠图标准图像对应的真实边缘预测图;以及用于根据所述参考边缘预测图和所述真实边缘预测图计算感知边缘损失;以及用于根据所述感知边缘损失计算所述感知梯度损失,以得到所述第二抠图损失。
在一个可能的示例中,在所述根据所述感知边缘损失计算所述感知梯度损失方面,所述处理单元401具体用于:根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型;以及用于将所述抠图样本图像和所述抠图标准图像分别输入训练后的边缘网络模型,得到第一边缘预测图和第二边缘预测图;预计用于将所述抠图样本图像和所述抠图标准图像分别输入所述梯度网络模型,得到所述抠图样本图像的第一坐标梯度和所述抠图标准图像的第二坐标梯度;以及用于对所述第一边缘预测图和所述第一坐标梯度进行预设计算,得到所述第一边缘梯度图,对所述第二边缘预测图和所述第二坐标梯度进行预设计算,得到所述第二边缘梯度图;以及用于根据所述第一边缘梯度图和所述第二边缘梯度图,计算感知边缘损失。
在一个可能的示例中,在所述根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型方面,所述处理单元401具体用于:根据所述感知边缘损失,对所述边缘网络模型进行反向传播算法,以更新所述边缘网络模型的各项参数;以及用于通过所述训练集中的抠图标准图像多次计算感知边缘损失,以对所述边缘网络模型的各项参数多次进行更新,得到训练后的边缘网络模型。
在一个可能的示例中,所述处理单元401具体用于:在检测到针对目标人像图的人像抠图操作时,将所述目标人像图输入到训练后的人像抠图网络模型应用;以及用于获取所述人像抠图网络模型应用输出的目标抠图标准图像;以及用于对所述目标抠图标准图像进行图像预处理。
其中,所述电子设备还可包括存储单元403,处理单元401和通信单元402可以是控制器或处理器,存储单元403可以是存储器。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括移动终端。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括移动终端。
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,本申请并不受所描述的动作顺序的限制,因为依据本申请,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申请所必须的。
在上述实施例中,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,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本申请各个实施例中的各功能单元可以集成在一个控制单元中,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。
上述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,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请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一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种人像抠图处理方法,其特征在于,应用于电子设备,所述方法包括:
根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;
根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;
使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
2.根据权利要求1所述的方法,其特征在于,所述计算所述人像抠图网络模型应用的抠图损失,包括:
计算所述抠图网络模型对应的第一抠图损失,以及计算所述边缘梯度网络模型对应的第二抠图损失;
根据所述第一抠图损失和所述第二抠图损失,得到所述人像抠图网络模型应用的抠图损失。
3.根据权利要求2所述的方法,其特征在于,所述计算所述抠图网络模型对应的第一抠图损失,包括:
将所述训练集中的人像图输入所述抠图网络模型,得到抠图样本图像;
根据所述抠图样本图像和所述训练集中的所述人像图对应的抠图标准图像,计算所述抠图网络模型的第一抠图损失。
4.根据权利要求2所述的方法,其特征在于,所述边缘梯度网络模型包括边缘网络模型和梯度网络模型,所述第二抠图损失包括所述边缘网络模型对应的感知边缘损失,以及所述梯度网络模型对应的感知梯度损失;所述计算所述边缘梯度网络模型对应的第二抠图损失,包括:
将所述训练集中的抠图标准图像输入所述边缘网络模型,得到所述抠图标准图像的参考边缘预测图;
对所述抠图标准图像进行二值化处理,并对二值化处理后的抠图标准图像进行预设运算后得到所述抠图标准图像对应的真实边缘预测图;
根据所述参考边缘预测图和所述真实边缘预测图计算感知边缘损失;
根据所述感知边缘损失计算所述感知梯度损失,以得到所述第二抠图损失。
5.根据权利要求4所述的方法,其特征在于,所述根据所述感知边缘损失计算所述感知梯度损失,包括:
根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型;
将所述抠图样本图像和所述抠图标准图像分别输入训练后的边缘网络模型,得到第一边缘预测图和第二边缘预测图;
将所述抠图样本图像和所述抠图标准图像分别输入所述梯度网络模型,得到所述抠图样本图像的第一坐标梯度和所述抠图标准图像的第二坐标梯度;
对所述第一边缘预测图和所述第一坐标梯度进行预设计算,得到所述第一边缘梯度图,对所述第二边缘预测图和所述第二坐标梯度进行预设计算,得到所述第二边缘梯度图;
根据所述第一边缘梯度图和所述第二边缘梯度图,计算感知边缘损失。
6.根据权利要求5所述的方法,其特征在于,所述根据所述感知边缘损失对所述边缘网络模型进行训练,得到训练后的边缘网络模型,包括:
根据所述感知边缘损失,对所述边缘网络模型进行反向传播算法,以更新所述边缘网络模型的各项参数;
通过所述训练集中的抠图标准图像多次计算感知边缘损失,以对所述边缘网络模型的各项参数多次进行更新,得到训练后的边缘网络模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法包括:
在检测到针对目标人像图的人像抠图操作时,将所述目标人像图输入到训练后的人像抠图网络模型应用;
获取所述人像抠图网络模型应用输出的目标抠图标准图像;
对所述目标抠图标准图像进行图像预处理。
8.一种图像处理装置,其特征在于,应用于电子设备,所述图像处理装置包括处理单元和通信单元,其中,
所述处理单元,用于根据训练集中的样本数据对人像抠图网络模型应用进行训练,以计算所述人像抠图网络模型应用的抠图损失,所述样本数据包括多张人像图和所述多张人像图对应的抠图标准图像;以及用于根据所述抠图损失,调整所述人像抠图网络模型应用包括的抠图网络模型以及所述边缘梯度网络模型中的各项参数,得到训练后的人像抠图网络模型应用;以及用于使用所述训练后的人像抠图网络模型应用进行人像抠图处理。
9.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的图像处理方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010186969.8A CN111311485B (zh) | 2020-03-17 | 2020-03-17 | 图像处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010186969.8A CN111311485B (zh) | 2020-03-17 | 2020-03-17 | 图像处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311485A true CN111311485A (zh) | 2020-06-19 |
CN111311485B CN111311485B (zh) | 2023-07-04 |
Family
ID=71160600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010186969.8A Active CN111311485B (zh) | 2020-03-17 | 2020-03-17 | 图像处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311485B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724300A (zh) * | 2020-06-30 | 2020-09-29 | 珠海复旦创新研究院 | 单张图片背景虚化方法、装置及设备 |
CN111784611A (zh) * | 2020-07-03 | 2020-10-16 | 厦门美图之家科技有限公司 | 人像美白方法、装置、电子设备和可读存储介质 |
US11074693B2 (en) * | 2013-01-29 | 2021-07-27 | Fujifilm Corporation | Ultrasound diagnostic apparatus and method of producing ultrasound image |
CN114710703A (zh) * | 2022-03-29 | 2022-07-05 | 稿定(厦门)科技有限公司 | 可变场景的直播方法及装置 |
CN115082724A (zh) * | 2022-03-30 | 2022-09-20 | Oppo广东移动通信有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN108876804A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 抠像模型训练和图像抠像方法、装置和系统及存储介质 |
CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
CN110197490A (zh) * | 2019-04-15 | 2019-09-03 | 广州像素数据技术股份有限公司 | 基于深度学习的人像自动抠图方法 |
CN110517278A (zh) * | 2019-08-07 | 2019-11-29 | 北京旷视科技有限公司 | 图像分割和图像分割网络的训练方法、装置和计算机设备 |
CN110660066A (zh) * | 2019-09-29 | 2020-01-07 | Oppo广东移动通信有限公司 | 网络的训练方法、图像处理方法、网络、终端设备及介质 |
-
2020
- 2020-03-17 CN CN202010186969.8A patent/CN111311485B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876804A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 抠像模型训练和图像抠像方法、装置和系统及存储介质 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
CN110197490A (zh) * | 2019-04-15 | 2019-09-03 | 广州像素数据技术股份有限公司 | 基于深度学习的人像自动抠图方法 |
CN110517278A (zh) * | 2019-08-07 | 2019-11-29 | 北京旷视科技有限公司 | 图像分割和图像分割网络的训练方法、装置和计算机设备 |
CN110660066A (zh) * | 2019-09-29 | 2020-01-07 | Oppo广东移动通信有限公司 | 网络的训练方法、图像处理方法、网络、终端设备及介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074693B2 (en) * | 2013-01-29 | 2021-07-27 | Fujifilm Corporation | Ultrasound diagnostic apparatus and method of producing ultrasound image |
CN111724300A (zh) * | 2020-06-30 | 2020-09-29 | 珠海复旦创新研究院 | 单张图片背景虚化方法、装置及设备 |
CN111724300B (zh) * | 2020-06-30 | 2023-10-13 | 珠海复旦创新研究院 | 单张图片背景虚化方法、装置及设备 |
CN111784611A (zh) * | 2020-07-03 | 2020-10-16 | 厦门美图之家科技有限公司 | 人像美白方法、装置、电子设备和可读存储介质 |
CN111784611B (zh) * | 2020-07-03 | 2023-11-03 | 厦门美图之家科技有限公司 | 人像美白方法、装置、电子设备和可读存储介质 |
CN114710703A (zh) * | 2022-03-29 | 2022-07-05 | 稿定(厦门)科技有限公司 | 可变场景的直播方法及装置 |
CN115082724A (zh) * | 2022-03-30 | 2022-09-20 | Oppo广东移动通信有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111311485B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311485A (zh) | 图像处理方法及相关装置 | |
CN108827307B (zh) | 导航方法、装置、终端及计算机可读存储介质 | |
CN109858445B (zh) | 用于生成模型的方法和装置 | |
CN112634170B (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
CN112101169B (zh) | 基于注意力机制的道路图像目标检测方法及相关设备 | |
CN109117742B (zh) | 手势检测模型处理方法、装置、设备及存储介质 | |
KR20190106853A (ko) | 텍스트 인식 장치 및 방법 | |
CN110852257B (zh) | 一种人脸关键点的检测方法、装置及存储介质 | |
CN110751659B (zh) | 图像分割方法及装置、终端、存储介质 | |
CN108427941B (zh) | 用于生成人脸检测模型的方法、人脸检测方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115471662B (zh) | 语义分割模型的训练方法、识别方法、装置和存储介质 | |
CN110751149A (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
US20230035366A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN112749695A (zh) | 文本识别的方法和装置 | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN111192312B (zh) | 基于深度学习的深度图像获取方法、装置、设备及介质 | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN112396060B (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
CN113723077A (zh) | 基于双向表征模型的句向量生成方法、装置及计算机设备 | |
CN111815748B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN111652245B (zh) | 车辆轮廓检测方法、装置、计算机设备及存储介质 | |
CN112966592A (zh) | 手部关键点检测方法、装置、设备和介质 |
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 |