CN111402112B - 图像处理方法、装置、电子设备及计算机可读介质 - Google Patents

图像处理方法、装置、电子设备及计算机可读介质 Download PDF

Info

Publication number
CN111402112B
CN111402112B CN202010157924.8A CN202010157924A CN111402112B CN 111402112 B CN111402112 B CN 111402112B CN 202010157924 A CN202010157924 A CN 202010157924A CN 111402112 B CN111402112 B CN 111402112B
Authority
CN
China
Prior art keywords
image
loss
network
training
false
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
Application number
CN202010157924.8A
Other languages
English (en)
Other versions
CN111402112A (zh
Inventor
李华夏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202010157924.8A priority Critical patent/CN111402112B/zh
Publication of CN111402112A publication Critical patent/CN111402112A/zh
Application granted granted Critical
Publication of CN111402112B publication Critical patent/CN111402112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

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)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像处理方法、装置、电子设备及计算机可读介质，该方法在训练目标风格化特效网络时，采用成对的原始风格图和目标风格图来训练预构建的对抗生成网络，并将训练好的对抗生成网络中的生成网络确定为目标风格化特效网络，能够有效提升网络的训练效果，在利用目标风格化特效网络对待处理图像进行目标风格化处理时，相较于现有技术，能够得到更加清晰、锐化程度更高的特效效果。

Description

图像处理方法、装置、电子设备及计算机可读介质
技术领域
本公开涉及计算机技术领域，具体而言，本公开涉及一种图像处理方法、装置、电子设备及计算机可读介质。
背景技术
随着计算机技术和通信技术的迅猛发展，智能终端的使用得到广泛普及，越来越多的应用程序被开发出来用于方便和丰富人们的工作与生活。目前，不少应用程序致力于为智能终端用户提供更加个性化与视觉感受更佳的视觉特效，例如滤镜效果、贴纸效果、形变效果等等。
其中，改变图像风格的特性是一种常见的视觉特效，通过改变图像的色彩、纹理等属性，能够将图像变成另一种风格。
现有技术中，通常简单地训练一个卷积神经网络(Convolutional NeuralNetworks，CNN)来实现图像风格变化的特效，但由于神经网络的训练中存在训练误差和泛化误差，通过一个简单的卷积神经网络来实现图像风格变化的特效，容易导致特效效果不佳，影响用户体验。
发明内容
为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：
第一方面，本公开提供了一种图像处理方法，该方法包括：
通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
第二方面，本公开提供了一种图像处理装置，该装置包括：
特效处理模块，用于通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
第三方面，本公开提供了一种训练装置，该装置包括：
样本获取模块，用于获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
网络获取模块，用于获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
生成网络用于对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
判别网络用于对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
网络训练模块，用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
第四方面，本公开提供了一种电子设备，该电子设备包括：
处理器和存储器，该存储器存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开的第一方面所示的方法。
第五方面，本公开提供了一种计算机可读介质，该计算机可读介质用于存储计算机指令、程序、代码集或指令集，当其在计算机上运行时，使得计算机执行如本公开的第一方面所示的方法。
本公开提供的图像处理方法、装置、电子设备及计算机可读介质，在训练目标风格化特效网络时，采用成对的原始风格图和目标风格图来训练预构建的对抗生成网络，并将训练好的对抗生成网络中的生成网络确定为目标风格化特效网络，能够有效提升网络的训练效果，在利用目标风格化特效网络对待处理图像进行目标风格化处理时，相较于现有技术，能够得到更加清晰、锐化程度更高的特效效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像处理方法的流程示意图；
图2为本公开实施例提供的对抗生成网络的示意图；
图3a为本公开实施例提供的待处理图像的示例图；
图3b为本公开实施例提供的黑白线条风格图像的示例图；
图4为本公开实施例提供的一种图像处理装置的结构示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
本公开实施例提供了一种图像处理方法，如图1所示，该方法包括：
步骤S100：通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
步骤S110：获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
本公开实施例中，不限定原始风格或目标风格的具体类型，例如可以为彩色照片风格、黑白照片风格、彩色油画风格、黑白线条风格等。本领域技术人员可以根据实际需求来确定原始风格和目标风格，并选取对应的原始风格图和目标风格图来训练目标风格化特效网络。作为示例地，若要训练目标风格化特效网络能够将图像从彩色照片风格转换为黑白线条风格，则可以选取训练样本集时，将彩色照片风格的图像作为原始风格图，将黑白线条风格的图像作为目标风格图，来训练目标风格化特效网络。
其中，训练样本集中包括成对的原始风格图和目标风格图，每一对相对应的原始风格图和目标风格图组成一组训练样本。其中，每一对相对应的原始风格图和目标风格图具有相同的图像内容。也就是说，每组训练样本中的目标风格图都可有由该组训练样本中的原始风格图经过风格变化得到。
步骤S120：获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
其中，对抗生成网络可以是基于各种类型的对抗式生成网络(GenerativeAdversarial Nets，GAN)构建的，GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。
对于本公开实施例，如图2所示，定义生成网络来作为生成器G，用于对训练样本中的原始风格图进行目标风格化处理，输出生成图像；定义判别网络来作为判别器D，用于对训练样本中的目标风格图以及生成图像的真实性进行判别，即判断目标风格图是真的(Real)还是假的(Fake)，以及判断生成图像是真的还是假的。
步骤S130：基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
具体而言，对抗训练可采用如下流程：
初始化生成网络的网络参数和判别网络的网络参数。
基于m组训练样本，包括原始风格图{a1，a2，…，am}和目标风格图{b1，b2，…，bm}，以及从生成网络得到的m个生成图像 进行对抗训练。
训练判别网络尽可能准确地区分真实的样本(目标风格图)和生成的样本(生成图像)；训练生成网络尽可能地减小生成的样本(生成图像)与真实的样本之间(目标风格图)的差距，也相当于尽量使得判别网络判别错误。也就是说，两个网络在对抗训练的过程中分别提高各自的生成能力和判别能力。
多次更新迭代之后，最终理想情况是判别网络判别不出样本是生成的样本还是真实的样本。
由于经过对抗训练，生成网络的生成能力达到了理想状态，将训练后的生成网络确定为目标风格化特效网络，能够实现良好的目标风格化处理特效效果。
本公开实施例提供的图像处理方法，在训练目标风格化特效网络时，采用成对的原始风格图和目标风格图来训练预构建的对抗生成网络，并将训练好的对抗生成网络中的生成网络确定为目标风格化特效网络，能够有效提升网络的训练效果，在利用目标风格化特效网络对待处理图像进行目标风格化处理时，相较于现有技术，能够得到更加清晰、锐化程度更高的特效效果。
本公开实施例中，为对抗训练过程提供了对应的损失函数，用于训练过程中更好地优化对抗生成网络。
具体而言，步骤S130包括如下步骤：
步骤S131：根据每组训练样本对应的判别结果来确定对应的对抗损失；
本公开实施例中，对抗损失可以包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
其中，由于判别网络需要将m个目标风格图均判断为真样本(即真实的样本，真的概率为1)，但实际训练过程中，每个目标风格图被判别网络判别为真的概率可能不为1，此时可以基于对目标风格图的真假概率的判断来确定一个对抗损失，本公开实施例中将其定义为目标风格图对应的真样本损失，为便于描述，下文中将目标风格图对应的真样本损失简称为L2_loss1。
由于判别网络需要将m个生成图像均判断为假样本(即生成的样本，真的概率为0)，但实际训练过程中，每个生成图像被判别网络判别为真的概率可能不为0。此时可以基于对生成图像的真假概率的判断来确定另一个对抗损失，本公开实施例中将其定义为生成图像对应的假样本真实损失，为便于描述，下文中将生成图像对应的假样本真实损失简称为L2_loss2。
由于生成网络需要尽可能地减小生成的样本(生成图像)与真实的样本之间(目标风格图)的差距，即生成网络尽量使得判别网络判断错误，将m个生成图像均判断为真样本。此时可以基于生成网络导致的对生成图像的真假概率的判断(错误的判断)来确定又一个对抗损失，本公开实施例中将其定义为生成图像对应的假样本虚假损失，为便于描述，下文中将生成图像对应的假样本虚假损失简称为L2_loss3。
实际应用中，这三个损失均可以基于最小二乘损失函数进行计算。
步骤S132：确定每组训练样本中的目标风格图与生成图像之间的图像损失；
其中，对于本领域技术人员而言清楚的是，每组训练样本中的目标风格图、原始风格图和对应的生成图像的图像尺寸是相同的，例如b1、a1和的图像尺寸是相同的。但每组训练样本中的目标风格图与对应的生成图像之间会存在不同，可以针对对应的目标风格图与生成图像，例如针对b1和逐一比对其中相同的像素，确定每个像素的差值，再根据每个像素的差值来确定目标风格图与生成图像之间的图像损失。
一种可行的实现方式中，将每个像素的差值进行求和，即可得到目标风格图与生成图像之间的图像损失。
下文中为便于描述，将目标风格图与生成图像之间的图像损失简称为L1_loss。
步骤S133：根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
即根据每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失，对对抗生成网络进行优化。
本公开实施例中，为步骤S133提供了一种可行的实现方式，具体而言，步骤S133可以包括如下步骤：
步骤S1331：根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失。
步骤S1332：根据每组训练样本对应的总损失，对对抗生成网络进行优化。
考虑到每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失、和图像损失对网络优化的贡献程度不同，本公开实施例中，设置每种损失分别对应的权重，用于表征每个损失的重要程度。
实际应用中，不同训练样本对应的真样本损失、假样本真实损失、假样本虚假损失或图像损失可以采用相同的权重。
本领域技术人员可以根据实际情况对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重进行调整，本公开实施例在此不做限定。
下文中，为便于描述，将每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重简称为w1、w2、w3和w4。
那么对于本公开实施例，针对每组训练样本，总损失Loss为：
Loss＝w4×L1_loss+w1×L2_loss1+w2×L2_loss2+w3×L2_loss3
继而在训练过程中，根据每组训练样本对应的总损失Loss，调节生成网络和判别网络的网络参数，对对抗生成网络进行优化，经过针对多组训练样本的调节后，使得Loss收敛，以完成对抗生成网络的训练。
本公开的发明人经大量实验发现，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100时，训练可以取得最好的结果。
因此，步骤S1331中，可以将每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重取值为1、1、2和100。
即可得到总损失为：
Loss＝100×L1_loss+1×L2_loss1+1×L2_loss2+2×L2_loss3
在步骤S1332中根据每组训练样本对应的该总损失来对对抗生成网络进行优化，以得到最佳的训练效果，此时在利用目标风格化特效网络处理图像的目标风格化特效时，能够得到最清晰、锐化程度最高的特效效果。
基于本公开的上述各实施例，本公开实施例中，对于步骤S100，目标风格化特效的处理指令可以通过用户在终端设备上的操作发出。其中，终端设备包括但不限于移动终端、智能终端等，例如移动电话、智能电话、平板电脑、笔记本电脑、个人数字助理、便携式多媒体播放器、导航装置等。本领域技术人员可以理解的是，除了特别用于移动目的的元件之外，根据本公开实施例的构造也能够应用于固定类型的终端，诸如数字电视、台式计算机等。
本公开实施例中，该方法的执行主体可以为该终端设备，或为安装于该终端设备上的应用程序。具体地，在接收到目标风格化特效的处理指令后，获取该处理指令对应的待处理图像，以及获取采用本公开上述任一实施例中所提供的训练步骤训练得到的目标风格化特效网络，其中，该待处理图像为该目标风格化特效网络对应的原始风格的图像。通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像。
进一步地，在得到目标风格图像之后，还可以包括步骤：将目标风格图像在显示屏幕上进行展示。
或者，该方法的执行主体可以为服务器，在接收到终端设备发出的目标风格化特效的处理指令后，接收该处理指令对应的待处理图像，以及获取采用本公开上述任一实施例中所提供的训练步骤训练得到的目标风格化特效网络，通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像，并将目标风格图像发送给终端设备进行展示。
实际应用中，待处理图像的数量可以为一个或多个。当待处理图像的数量为多个时，待处理图像也可以为待处理视频。其中，对于待处理视频中的每一帧图像，都可以采用上述图像处理方法进行处理，以得到目标风格视频。
下面以待处理图像以人脸图像，目标风格为黑白线条风格为例，如图3a所示，将图3a通过本公开上述任一实施例中所提供的训练步骤训练得到的目标风格化特效网络(黑白线条化特效网络)进行黑白线条化处理，便可得到如图3b所示的黑白线条风格图像。
相较于现有技术，通过本公开实施例提供的图像处理方法处理得到的目标风格图像更加清晰、锐化程度更高。
本公开实施例还提供了一种图像处理装置，如图4所示，该图像处理装置40可以包括：特效处理模块，其中，
特效处理模块401用于通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
在一种可选的实现方式中，基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练的过程，包括：
根据每组训练样本对应的判别结果来确定对应的对抗损失；
确定每组训练样本中的目标风格图与生成图像之间的图像损失；
根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
在一种可选的实现方式中，对抗损失包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
在一种可选的实现方式中，根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化的过程，包括：
根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失；
根据每组训练样本对应的总损失，对对抗生成网络进行优化。
在一种可选的实现方式中，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100。
本公开实施例所提供的图像处理装置，可以为设备上的特定硬件或者安装于设备上的软件或固件等，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，设备实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。
其中，对于目标风格化特效网络的训练，本公开实施例还提供了一种训练装置，该训练装置可以包括：样本获取模块、网络获取模块以及网络训练模块，其中，
样本获取模块用于获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
网络获取模块用于获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
其中，生成网络用于对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
判别网络用于对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
网络训练模块用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
在一种可选的实现方式中，网络训练模块在用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练时，具体用于：
根据每组训练样本对应的判别结果来确定对应的对抗损失；
确定每组训练样本中的目标风格图与生成图像之间的图像损失；
根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
在一种可选的实现方式中，对抗损失包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
在一种可选的实现方式中，网络训练模块在用于根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化时，具体用于：
根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失；
根据每组训练样本对应的总损失，对对抗生成网络进行优化。
在一种可选的实现方式中，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100。
本公开实施例所提供的训练装置，可以为设备上的特定硬件或者安装于设备上的软件或固件等，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，设备实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备50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5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。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置501，存储器可以包括下文中的只读存储器(ROM)502、随机访问存储器(RAM)503以及存储装置508中的至少一项，具体如下所示：
如图5所示，电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备50，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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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，使得该电子设备执行本公开上述任一实施例所示的图像处理方法。
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模块或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，模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图像处理方法，该方法包括：
通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
在一种可选的实现方式中，基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，包括：
根据每组训练样本对应的判别结果来确定对应的对抗损失；
确定每组训练样本中的目标风格图与生成图像之间的图像损失；
根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
在一种可选的实现方式中，对抗损失包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
在一种可选的实现方式中，根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化，包括：
根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失；
根据每组训练样本对应的总损失，对对抗生成网络进行优化。
在一种可选的实现方式中，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100。
根据本公开的一个或多个实施例，示例2提供了示例1的一种图像处理装置，该装置包括：
特效处理模块，用于通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
通过生成网络，对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
通过判别网络，对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
在一种可选的实现方式中，基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练的过程，包括：
根据每组训练样本对应的判别结果来确定对应的对抗损失；
确定每组训练样本中的目标风格图与生成图像之间的图像损失；
根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
在一种可选的实现方式中，对抗损失包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
在一种可选的实现方式中，根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化的过程，包括：
根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失；
根据每组训练样本对应的总损失，对对抗生成网络进行优化。
在一种可选的实现方式中，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100。
根据本公开的一个或多个实施例，示例3提供了一种训练装置，该装置包括：
样本获取模块，用于获取训练样本集，训练样本集中的每组训练样本包括对应的原始风格图和目标风格图；
网络获取模块，用于获取预构建的对抗生成网络，对抗生成网络包括生成网络和判别网络；
生成网络用于对每组训练样本中的原始风格图进行目标风格化处理，得到相应的生成图像；
判别网络用于对每组训练样本中的目标风格图和生成图像的真实性进行判别，得到相应的判别结果；
网络训练模块，用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练，并将训练后的生成网络确定为目标风格化特效网络。
在一种可选的实现方式中，网络训练模块在用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练时，具体用于：
根据每组训练样本对应的判别结果来确定对应的对抗损失；
确定每组训练样本中的目标风格图与生成图像之间的图像损失；
根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化。
在一种可选的实现方式中，对抗损失包括目标风格图对应的真样本损失、生成图像对应的假样本真实损失和生成图像对应的假样本虚假损失。
在一种可选的实现方式中，网络训练模块在用于根据每组训练样本对应的对抗损失和图像损失，对对抗生成网络进行优化时，具体用于：
根据每种损失的权重，对每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失进行加权融合处理，得到对应的总损失；
根据每组训练样本对应的总损失，对对抗生成网络进行优化。
在一种可选的实现方式中，每种损失的权重包括每组训练样本对应的真样本损失、假样本真实损失、假样本虚假损失和图像损失分别对应的权重的比例为1:1:2:100。
根据本公开的一个或多个实施例，示例4提供了一种电子设备，该电子设备包括：
处理器和存储器，该存储器存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开示例1或示例1任一可选的实现方式中所示的方法。
根据本公开的一个或多个实施例，示例5提供了一种计算机可读介质，该计算机可读介质用于存储计算机指令、程序、代码集或指令集，当其在计算机上运行时，使得计算机执行如本公开示例1或示例1任一可选的实现方式中所示的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (6)

1.一种图像处理方法，其特征在于，包括：
通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，所述目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，所述训练样本集中的每组训练样本包括对应的原始风格图像和目标风格图像；
获取预构建的对抗生成网络，所述对抗生成网络包括生成网络和判别网络；
通过所述生成网络，对所述每组训练样本中的所述原始风格图像进行目标风格化处理，得到相应的生成图像；
通过所述判别网络，对所述每组训练样本中的所述目标风格图像和所述生成图像的真实性进行判别，得到相应的判别结果；
基于所述每组训练样本对应的所述判别结果和所述生成图像，对所述对抗生成网络进行对抗训练，并将训练后的所述生成网络确定为目标风格化特效网络；
其中，基于所述每组训练样本对应的所述判别结果和所述生成图像，对所述对抗生成网络进行对抗训练，包括：
根据所述每组训练样本对应的所述判别结果来确定对应的对抗损失，所述对抗损失包括所述目标风格图像对应的真样本损失、所述生成图像对应的假样本真实损失和所述生成图像对应的假样本虚假损失；其中，所述目标风格图像对应的真样本损失是基于对目标风格图像的真假概率的判断来确定的，所述生成图像对应的假样本真实损失是基于对生成图像的真假概率的判断来确定，所述生成图像对应的假样本虚假损失是基于生成网络导致的对生成图像的真假概率的错误的判断来确定；
确定所述每组训练样本中的所述目标风格图像与所述生成图像之间的图像损失；其中，所述目标风格图像与所述生成图像的图像尺寸相同，所述目标风格图像与所述生成图像之间的图像损失是根据每个像素的差值来确定的，所述每个像素的差值是逐一比对所述目标风格图像与所述生成图像中的相同的像素确定的；
根据所述每组训练样本对应的所述对抗损失和所述图像损失，对所述对抗生成网络进行优化，其中包括：根据每种损失的权重，对所述每组训练样本对应的所述真样本损失、所述假样本真实损失、所述假样本虚假损失和所述图像损失进行加权融合处理，得到对应的总损失；
根据所述每组训练样本对应的所述总损失，对所述对抗生成网络进行优化。
2.根据权利要求1 所述的图像处理方法，其特征在于，所述每种损失的权重包括所述每组训练样本对应的所述真样本损失、所述假样本真实损失、所述假样本虚假损失和所述图像损失分别对应的权重的比例为1:1:2:100。
3.一种图像处理装置，其特征在于，包括：
特效处理模块，用于通过目标风格化特效网络对待处理图像进行目标风格化处理，得到目标风格图像；
其中，所述目标风格化特效网络是通过以下步骤训练得到的：
获取训练样本集，所述训练样本集中的每组训练样本包括对应的原始风格图像和目标风格图像；
获取预构建的对抗生成网络，所述对抗生成网络包括生成网络和判别网络；
通过所述生成网络，对所述每组训练样本中的所述原始风格图像进行目标风格化处理，得到相应的生成图像；
通过所述判别网络，对所述每组训练样本中的所述目标风格图像和所述生成图像的真实性进行判别，得到相应的判别结果；
基于所述每组训练样本对应的所述判别结果和所述生成图像，对所述对抗生成网络进行对抗训练，并将训练后的所述生成网络确定为目标风格化特效网络；
其中，基于所述每组训练样本对应的所述判别结果和所述生成图像，对所述对抗生成网络进行对抗训练，包括：
根据所述每组训练样本对应的所述判别结果来确定对应的对抗损失，所述对抗损失包括所述目标风格图像对应的真样本损失、所述生成图像对应的假样本真实损失和所述生成图像对应的假样本虚假损失；其中，所述目标风格图像对应的真样本损失是基于对目标风格图像的真假概率的判断来确定的，所述生成图像对应的假样本真实损失是基于对生成图像的真假概率的判断来确定，所述生成图像对应的假样本虚假损失是基于生成网络导致的对生成图像的真假概率的错误的判断来确定；
确定所述每组训练样本中的所述目标风格图像与所述生成图像之间的图像损失；其中，所述目标风格图像与所述生成图像的图像尺寸相同，所述目标风格图像与所述生成图像之间的图像损失是根据每个像素的差值来确定的，所述每个像素的差值是逐一比对所述目标风格图像与所述生成图像中的相同的像素确定的；
根据所述每组训练样本对应的所述对抗损失和所述图像损失，对所述对抗生成网络进行优化，其中包括：根据每种损失的权重，对所述每组训练样本对应的所述真样本损失、所述假样本真实损失、所述假样本虚假损失和所述图像损失进行加权融合处理，得到对应的总损失；
根据所述每组训练样本对应的所述总损失，对所述对抗生成网络进行优化。
4.一种训练装置，其特征在于，包括：
样本获取模块，用于获取训练样本集，所述训练样本集中的每组训练样本包括对应的原始风格图像和目标风格图像；
网络获取模块，用于获取预构建的对抗生成网络，所述对抗生成网络包括生成网络和判别网络；
所述生成网络用于对所述每组训练样本中的所述原始风格图像进行目标风格化处理，得到相应的生成图像；
所述判别网络用于对所述每组训练样本中的所述目标风格图像和所述生成图像的真实性进行判别，得到相应的判别结果；
网络训练模块，用于基于所述每组训练样本对应的所述判别结果和所述生成图像，对所述对抗生成网络进行对抗训练，并将训练后的所述生成网络确定为目标风格化特效网络；
所述网络训练模块在用于基于每组训练样本对应的判别结果和生成图像，对对抗生成网络进行对抗训练时，具体用于：
根据所述每组训练样本对应的所述判别结果来确定对应的对抗损失，所述对抗损失包括所述目标风格图像对应的真样本损失、所述生成图像对应的假样本真实损失和所述生成图像对应的假样本虚假损失；其中，所述目标风格图像对应的真样本损失是基于对目标风格图像的真假概率的判断来确定的，所述生成图像对应的假样本真实损失是基于对生成图像的真假概率的判断来确定，所述生成图像对应的假样本虚假损失是基于生成网络导致的对生成图像的真假概率的错误的判断来确定；
确定所述每组训练样本中的所述目标风格图像与所述生成图像之间的图像损失；其中，所述目标风格图像与所述生成图像的图像尺寸相同，所述目标风格图像与所述生成图像之间的图像损失是根据每个像素的差值来确定的，所述每个像素的差值是逐一比对所述目标风格图像与所述生成图像中的相同的像素确定的；
根据所述每组训练样本对应的所述对抗损失和所述图像损失，对所述对抗生成网络进行优化，其中包括：根据每种损失的权重，对所述每组训练样本对应的所述真样本损失、所述假样本真实损失、所述假样本虚假损失和所述图像损失进行加权融合处理，得到对应的总损失；
根据所述每组训练样本对应的所述总损失，对所述对抗生成网络进行优化。
5.一种电子设备，其特征在于，包括：
处理器和存储器，所述存储器存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-2 任一项所述的方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令、程序、代码集或指令集，当其在计算机上运行时，使得计算机执行如权利要求1-2 任一项所述的方法。
CN202010157924.8A 2020-03-09 2020-03-09 图像处理方法、装置、电子设备及计算机可读介质 Active CN111402112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010157924.8A CN111402112B (zh) 2020-03-09 2020-03-09 图像处理方法、装置、电子设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010157924.8A CN111402112B (zh) 2020-03-09 2020-03-09 图像处理方法、装置、电子设备及计算机可读介质

Publications (2)

Publication Number Publication Date
CN111402112A CN111402112A (zh) 2020-07-10
CN111402112B true CN111402112B (zh) 2024-07-26

Family

ID=71430602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010157924.8A Active CN111402112B (zh) 2020-03-09 2020-03-09 图像处理方法、装置、电子设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN111402112B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257653B (zh) * 2020-11-06 2024-06-07 Oppo广东移动通信有限公司 空间装饰效果图确定方法、装置、存储介质与电子设备
CN112967174B (zh) * 2021-01-21 2024-02-09 北京达佳互联信息技术有限公司 图像生成模型训练、图像生成方法、装置及存储介质
CN113837934B (zh) * 2021-11-26 2022-02-22 北京市商汤科技开发有限公司 图像生成方法及装置、电子设备和存储介质
CN113837933A (zh) * 2021-11-26 2021-12-24 北京市商汤科技开发有限公司 网络训练及图像生成方法、装置、电子设备和存储介质
CN116310615A (zh) * 2021-12-21 2023-06-23 北京字跳网络技术有限公司 图像处理方法、装置、设备及介质
CN114331820A (zh) * 2021-12-29 2022-04-12 北京字跳网络技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114429418A (zh) * 2022-01-20 2022-05-03 北京字跳网络技术有限公司 生成风格化图像的方法、装置、电子设备及存储介质
CN114418835B (zh) * 2022-01-25 2024-07-26 北京字跳网络技术有限公司 图像处理方法、装置、设备及介质
CN115170390B (zh) * 2022-08-31 2023-01-06 广州极尚网络技术有限公司 一种文件风格化方法、装置、设备及存储介质
CN118781376A (zh) * 2023-03-30 2024-10-15 北京字跳网络技术有限公司 模型的训练方法、图片生成方法、装置、介质和电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816589A (zh) * 2019-01-30 2019-05-28 北京字节跳动网络技术有限公司 用于生成漫画风格转换模型的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800732B (zh) * 2019-01-30 2021-01-15 北京字节跳动网络技术有限公司 用于生成漫画头像生成模型的方法和装置
CN109800730B (zh) * 2019-01-30 2022-03-08 北京字节跳动网络技术有限公司 用于生成头像生成模型的方法和装置
CN110222722A (zh) * 2019-05-14 2019-09-10 华南理工大学 交互式图像风格化处理方法、系统、计算设备及存储介质
CN110705625A (zh) * 2019-09-26 2020-01-17 北京奇艺世纪科技有限公司 一种图像处理方法、装置、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816589A (zh) * 2019-01-30 2019-05-28 北京字节跳动网络技术有限公司 用于生成漫画风格转换模型的方法和装置

Also Published As

Publication number Publication date
CN111402112A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111402112B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112184738A (zh) 一种图像分割方法、装置、设备及存储介质
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
CN111402151A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112800276B (zh) 视频封面确定方法、装置、介质及设备
CN111402113B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN117115070A (zh) 图像评估方法、装置、设备、存储介质和程序产品
CN111402133A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114422698B (zh) 视频生成方法、装置、设备及存储介质
CN115346278A (zh) 图像检测方法、装置、可读介质及电子设备
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN111402159B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN118071428A (zh) 用于多模态监测数据的智能处理系统及方法
CN111915689B (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN110399802B (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN116596748A (zh) 图像风格化处理方法、装置、设备、存储介质和程序产品
CN110852242A (zh) 基于多尺度网络的水印识别方法、装置、设备及存储介质
CN111369429B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN113031950B (zh) 一种图片生成方法、装置、设备及介质
CN111369468B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN111461964B (zh) 图片处理方法、装置、电子设备和计算机可读介质
CN116188254A (zh) 基于傅里叶域的超分图像处理方法、装置、设备及介质

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
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant