CN112184851B - 图像编辑方法、网络训练方法、相关装置及电子设备 - Google Patents
图像编辑方法、网络训练方法、相关装置及电子设备 Download PDFInfo
- Publication number
- CN112184851B CN112184851B CN202011155186.XA CN202011155186A CN112184851B CN 112184851 B CN112184851 B CN 112184851B CN 202011155186 A CN202011155186 A CN 202011155186A CN 112184851 B CN112184851 B CN 112184851B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- target image
- target
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000009466 transformation Effects 0.000 claims abstract description 102
- 230000033001 locomotion Effects 0.000 claims abstract description 74
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 73
- 230000001131 transforming effect Effects 0.000 claims abstract description 26
- 125000004122 cyclic group Chemical group 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000037303 wrinkles Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G06T3/04—
Abstract
本申请公开了图像编辑方法、网络训练方法、相关装置及电子设备,涉及计算机视觉、深度学习等人工智能技术领域。具体实现方案为:获取第一图像;将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;基于所述第一自发运动模块生成的所述第二图像,输出第三图像。根据本申请的技术,解决了图像编辑技术存在的输出图像质量比较低的问题,提高了图像编辑的输出图像质量。
Description
技术领域
本申请涉及人工智能领域,尤其涉及计算机视觉、及深度学习技术领域,具体涉及一种图像编辑方法、网络训练方法、相关装置及电子设备。
背景技术
图像编辑技术指的是对给定的图像进行编辑,以在目标域中生成编辑后的图像的一种技术,该技术可以广泛应用于风格样式转换、草图至照片的转换、基于标签的图像合成以及人脸编辑等。
目前,图像编辑方式通常是通过卷积神经网络进行图像纹理或者外观的转换,然而,编辑后输出的图像很容易生成伪影和失真部分。
发明内容
本公开提供了一种图像编辑方法、网络训练方法、相关装置及电子设备。
根据本公开的第一方面,提供了一种图像编辑方法,包括:
获取第一图像;
将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;
基于所述第一自发运动模块生成的所述第二图像,输出第三图像。
根据本公开的第二方面,提供了一种网络训练方法,包括:
获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系。
根据本公开的第三方面,提供了一种图像编辑装置,包括:
第一获取模块,用于获取第一图像;
第一输入模块,用于将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;
输出模块,用于基于所述第一自发运动模块生成的所述第二图像,输出第三图像。
根据本公开的第四方面,提供了一种网络训练装置,包括:
第二获取模块,用于获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
第二输入模块,用于将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
第一更新模块,用于基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法,或者执行第二方面中的任一项方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行第一方面中的任一项方法,或者执行第二方面中的任一项方法。
根据本公开的第七方面,提供了一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,所述电子设备能够执行第一方面中的任一项方法,或者执行第二方面中的任一项方法。
根据本申请的技术解决了图像编辑技术存在的输出图像质量比较低的问题,提高了图像编辑的输出图像质量。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的图像编辑方法的流程示意图;
图2是根据本申请第二实施例的网络训练方法的流程示意图;
图3是循环一致性生成对抗网络的框架示意图;
图4是根据本申请第三实施例的图像编辑装置的结构示意图;
图5是根据本申请第四实施例的网络训练装置的结构示意图;
图6是用来实现本申请实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
如图1所示,本申请提供一种图像编辑方法,包括如下步骤:
步骤S101:获取第一图像。
本实施例中,图像编辑方法涉及人工智能领域,具体涉及计算机视觉技术、及深度学习技术领域,其可以应用于电子设备,该电子设备可以为服务器,也可以为终端,这里不做具体限定。
所述第一图像可以为实时采集的图像,也可以为预先存储的图像,还可以为其他设备发送的图片,或者还可以为从网络上获取的图片。
比如,可以采用手机或者电脑等设备实时采集一张图像,并对该图像进行图像编辑,或者获取之前拍摄的且存储在设备中的一张图像,并对该图像进行图像编辑,或者接收其他设备发送的一张图像,并对该图像进行图像编辑,当然,也可以从网络上获取一张图像,并对该图像进行图像编辑。
所述第一图像中可以包括待编辑的图像内容,所述待编辑的图像内容可以基于图像编辑方式确定,比如,图像编辑方式为人脸编辑时,所述待编辑的图像内容可以为所述第一图像中人脸对应的图像内容。
又比如,图像编辑方式为风格样式转换时,所述待编辑的图像内容可以为所述第一图像中所需要转换的风格样式对应的图像内容。
还比如,图像编辑方式为草图至照片的转换时,所述待编辑的图像内容可以为草图中待转换的图像内容。或者,图像编辑方式为基于标签的图像合成时,所述待编辑的图像内容可以为标签对应的图像内容。
所述第一图像可以称之为源域图像,其是作为输入图像输入至图像编辑器以进行图像编辑,图像编辑后输出目标域图像。其中,源域和目标域作为图像的两个域,其图像区别在于基于图像编辑器所编辑前后的图像内容。
步骤S102:将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容。
该步骤中,在获取到第一图像的情况下,可以将第一图像输入至图像编辑器,该图像编辑器用于对所述第一图像进行预设编辑,以输出编辑后的图像。
其中,所述预设编辑由图像编辑器的图像编辑方式确定,比如,图像编辑方式为人脸编辑时,所述预设编辑即为对所述第一图像中所包括的人脸进行编辑。更具体的,图像编辑方式为人脸编辑,且是将小孩的人脸变换为老人的人脸时,所述预设编辑即为将所述第一图像中小孩的人脸变换成老人的人脸,从而模拟出该小孩变成老人时的模样。
又比如,图像编辑方式为草图至照片的转换时,所述预设编辑即为对所述第一图像中待转换的图像内容进行编辑。更具体的,图像编辑方式为将草图中所包括的人物转换成照片的虚拟人时,所述预设编辑即为将线条的人物转换成虚拟人,从而模拟出草图中人物的模样。
所述图像编辑器可以为循环一致性生成对抗网络,所述循环一致性生成对抗网络的特点是采用弱监督的图像编辑,从而在训练时不需限定使用配对的数据。
所述循环一致性生成对抗网络包括两个生成对抗网络,分别可以称之为第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络用于对源域图像进行图像编辑,以生成目标域图像,而第二生成对抗网络用于将目标域图像进行还原,并检测目标域图像进行还原后的图像是否与源域图像一致。
在图像编辑过程中,需要用到循环一致性生成对抗网络中的第一生成对抗网络。具体的,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像。
其中,所述第一几何变换关系为预先训练好的几何变换关系,也就是说,在图像编辑之前,需要预先训练循环一致性生成对抗网络,以使所述第一自发运动模块对应的第一几何变换关系训练好,达到其收敛的目的。
所述第一自发运动模块可以看成是一种运动偏置,以将第一图像中的待编辑的图像内容基于第一几何变换关系进行运动,达到图像编辑的目的。
所述第一自发运动模块可以有多种方式对第一图像中待编辑的图像内容进行变换,比如,将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并重新组合所述第二像素点,以生成所述第二图像。又比如,将所述第一图像中待编辑的图像内容的图像特征按照所述第一几何变换关系进行变换,得到变换后的图像特征,并基于变换后的图像特征生成第二图像。
步骤S103:基于所述第一自发运动模块生成的所述第二图像,输出第三图像。
该步骤中,可以将所述第二图像直接作为图像编辑器的输出,输出第三图像,此时,输出的第三图像即为第一自发运动模块生成的第二图像。
也可以在第一自发运动模块生成第二图像后,基于第一生成器的其他模块对所述第二图像中变换后的所述图像内容再次进行编辑,得到第三图像之后,将第三图像进行输出,此时,所述第三图像中包括基于所述第一生成器对所述第二图像中变换后的所述图像内容进行编辑后的图像内容。
本实施例中,通过循环一致性生成对抗网络中的第一生成器的第一自发运动模块,来建模源域和目标域之间的图像的几何变换关系,并基于该几何变换关系对源域图像进行变换,输出目标域图像。由于目标域图像是基于源域图像按照几何变换关系进行变换得到,因而在源域和目标域不一致的情况下也能很好地完成图像编辑,并且有效增强了目标域图像的真实性,提高了图像编辑的输出图像质量。
可选的,所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述步骤S103具体包括:
基于所述第一注意力模块,采用注意力机制监督所述第二图像中变换后的所述图像内容的纹理信息,以获取所述第二图像中变换后的所述图像内容的纹理调节区域;
基于所述第一纹理调整模块,对所述纹理调节区域中的纹理信息进行调节,输出第三图像。
本实施方式中,第一自发运动模块可能会由于较大的预测自由度,而使得生成的第二图像中变换后的所述图像内容的纹理出现偏差,如纹理出现错误或纹理缺失,为了进一步提高图像编辑的输出图像质量,所述第一生成器中可以包括第一注意力模块和第一纹理调整模块。
所述第一注意力模块用于采用注意力机制监督所述第二图像中变换后的所述图像内容的纹理信息,以获取所述第二图像中变换后的所述图像内容的纹理调节区域。所述第一纹理调整模块用于对所述纹理调节区域中的纹理信息进行调节,输出第三图像。
以人脸编辑为例,目的是将小孩的人脸转换为老人的人脸,基于第一自发运动模块按照第一几何变换关系将小孩的人脸变换为老人的人脸之后,由于小孩人脸的纹理与老人人脸的纹理差别比较大,即第一自发运动模块的预测自由度比较大,此时,可能会使变换得到的老人人脸的纹理出现偏差,比如,老人人脸上的皱纹比较少。
在该种情况下,可以基于第一注意力模块监督变换后的所述图像内容的纹理信息,以确定该图像内容中出现偏差的纹理信息,从而确定纹理调节区域,即确定需要纹理调整的区域,比如,确定老人人脸上需要在哪些地方加上皱纹,以更加体现输出图像的真实性。
相应的,可以基于第一纹理调整模块对所述纹理调节区域的纹理信息进行调节,最终输出高质量的第三图像。
本实施方式中,通过第一生成器中的第一注意力模块和第一纹理调整模块,来调整第二图像中变换后的所述图像内容的纹理信息,以得到更精细的纹理特征,从而进一步提高了目标域图像的真实性,进而进一步提高了图像编辑的输出图像质量。
可选的,所述第一自发运动模块具体用于将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并基于所述第二像素点生成所述第二图像。
本实施方式中,可以将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并基于所述第二像素点生成所述第二图像。
具体的,所述第一自发运动模块可以在待编辑的图像内容的相应位置采集多个第一像素点,按照第一几何变换关系映射得到多个位置,以及这多个位置的第二像素点,并将这多个位置的第二像素点重新组织得到变换后的图像内容,以生成第二图像。
以人脸编辑为例,目的是将小孩的人脸转换为老人的人脸,以模拟出小孩成长后的模样,所述第一图像包括小孩的人脸对应的图像内容,所述第一自发运动模块可以基于小孩的人脸与老人的人脸之间的几何变换关系对所述第一图像中小孩的人脸对应的图像内容做变换。
比如,小孩的人脸相对于老人的人脸具有婴儿肥和无皱纹的特点,若要将小孩的人脸转换为老人的人脸,通常需要消除小孩人脸的婴儿肥,并添加皱纹。所述第一自发运动模块可以采集第一图像中小孩人脸对应的图像内容的多个第一像素点,按照上述几何变换关系进行变换,得到这多个第一像素点对应的第二像素点,并重新组织这些第二像素点,最终生成第二图像。这样,生成的第二图像中即可以呈现出老人的人脸,该老人人脸相对于编辑前的小孩人脸,其婴儿肥消除,人脸变瘦,皱纹增加。
本实施方式中,通过第一自发运动模块将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并重新组织所述第二像素点,最终生成所述第二图像。如此,所述第二图像是在第一图像的原图信息基础上进行变换得到,从而提高了目标域图像的真实性。
第二实施例
如图2所示,本申请提供一种网络训练方法,包括如下步骤:
步骤S201:获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
步骤S202:将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
步骤S203:基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系。
本实施例描述的是循环一致性生成对抗网络的训练过程,其目的是建模源域和目标域的图像之间的几何变换关系。
在步骤S201中,所述循环一致性生成对抗网络采用弱监督的学习形式,其采用循环一致性损失和潜在的空间假设来学习训练样本图像,也就是说,训练样本图像可以不必限定是配对数据,其训练的数据比较自由。
换句话说,训练样本图像中的训练输入图像和训练输出图像既可以是配对数据,也可以是非配对数据。配对数据指的是源域图像的图像内容和目标域图像的图像内容是同一对象的图像内容,非配对数据指的是源域图像的图像内容和目标域图像的图像内容未限定是同一对象的图像内容。即第一图像内容和第二图像内容可以为同一对象的图像内容,也可以为不同对象的图像内容,这里不做具体限定。
比如,第一图像内容为小孩人脸对应的图像内容,第二图像内容为老人人脸对应的图像内容,若训练输入图像和训练输出图像是配对数据,则要求小孩人脸和老人人脸是同一对象的人脸,若是非配对数据,则小孩人脸和老人人脸可以是不同对象的人脸。
参见图3,图3是循环一致性生成对抗网络的框架示意图,如图3所示,循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,第一生成对抗网络用于对源域图像进行图像编辑,以生成目标域图像,而第二生成对抗网络用于将目标域图像进行还原,并检测目标域图像进行还原后的图像是否与源域图像一致。
第一生成对抗网络包括第一生成器和第一域分类器,第二生成对抗网络包括第二生成器和第二域分类器,所述第一生成器用于将第一源域图像进行图像编辑,以生成第一目标域图像,所述第二生成器用于将第一目标域图像进行还原,所述第二域分类器用于检测第一目标域图像进行还原后的图像是否与第一源域图像一致。
所述第二生成器还用于将第二目标域图像进行图像编辑,以生成第二源域图像,所述第一生成器还用于将第二源域图像进行还原,所述第一域分类器还用于检测第二源域图像进行还原后的图像是否与第二目标域图像一致。
所述第一生成器包括第一自发运动模块,所述第二生成器包括第二自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对第一源域图像进行变换,以使第一生成器输出第一目标域图像,所述第二自发运动模块用于按照第二几何变换关系对第二目标域图像进行变换,以使第二生成器输出第二源域图像。
所述第一自发运动模块还用于按照所述第一几何变换关系对第二源域图像进行变换,以使所述第一生成器将第二源域图像还原,所述第二自发运动模块还用于按照所述第二几何变换关系对第一目标域图像进行变换,以使第二生成器将第一目标图像域还原。
所述第一源域图像指的是训练输入图像,所述第一目标域图像指的是对训练输入图像中的第一图像内容进行编辑后所生成的图像,所述第二目标域图像指的是训练输出图像,所述第二源域图像指的是对训练输出图像中的第二图像内容进行编辑后所生成的图像。
另外,所述训练样本图像的数量包括多个。
在步骤S202中,可以将这多个训练样本图像输入至循环一致性生成对抗网络,以使循环一致性生成对抗网络采用弱监督的学习形式学习这些训练样本图像,以得到第一几何变换关系。
具体的,可以基于第一自发运动模块按照第一几何变换关系对所述第一图像内容进行变换,以得到第一目标图像,第一目标域图像可以基于所述第一目标图像生成。还可以基于第一自发运动模块按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容,即第二源域图像中的图像内容进行变换,以生成第二目标图像,其目的是基于第二目标图像将第二源域图像还原。
在步骤S203中,可以基于所述第一目标图像和第二目标图像,更新所述第一几何变换关系。具体的,可以基于第一域分类器监督第二目标图像,以确定第二目标图像是否与训练输出图像一致,同时,可以基于第二域分类器监督第三目标图像,以确定第三目标图像是否与训练输入图像一致,所述第三目标图像为所述第二生成器还原所述第一目标图像中变换后的所述第一图像内容后所生成的图像。
在训练过程中,第二域分类器不断监督第一源域图像编辑后再还原的图像是否与第一源域图像一致,第一域分类器不断监督第二目标域图像编辑后再还原的图像是否与第二目标域图像一致,以不断学习并更新第一几何变换关系,直至其收敛。
另外,也可以按照第一几何变换关系的建模方式对第二几何变换关系进行建模,以不断学习并更新第二几何变换关系,直至其收敛。
本实施例中,通过对循环一致性生成对抗网络进行训练,以采用弱监督的学习形式监督第一自发运动模块所生成的图像,以对第一自发运动模块对应的第一几何变换关系进行建模。这样,在训练中可以减少源域和目标域变换过程中的解空间,从而可以减小网络的训练难度,在极少的数据下就能完成网络的训练,从而显著地降低了图像编辑的成本。
可选的,所述第一生成对抗网络还包括第一域分类器,所述第二生成对抗网络包括第二域分类器,所述基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系包括:
基于所述第一域分类器,采用循环一致性损失函数监督所述第二目标图像和所述训练输出图像的差异信息,并基于所述第二域分类器,采用循环一致性损失函数监督第三目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系;
其中,所述第三目标图像为所述第二生成对抗网络还原所述第一目标图像中变换后的所述第一图像内容后所生成的图像。
本实施方式中,可以基于第一域分类器,采用循环一致性损失函数监督所述第二目标图像和所述训练输出图像的差异信息,以更新第一几何变换关系,使第二目标图像不断接近训练输出图像,即使第二目标图像与训练输出图像的差异最小。同时,可以基于第二域分类器,采用循环一致性损失函数监督第三目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系,使第三目标图像不断接近训练输入图像,即使第三目标图像与训练输入图像的差异最小。
在第二目标图像与训练输出图像的差异最小,以及第三目标图像与训练输入图像的差异最小的情况下,即说明第一几何变换关系更新完成。
本实施方式中,在训练过程中,通过第一域分类器和第二域分类器监督网络还原后的图像与训练图像是否一致,以不断学习并更新第一几何变换关系,如此可以减少源域和目标域变换过程中的解空间,从而可以减小网络的训练难度。
可选的,所述基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系之后,还包括:
基于第四目标图像和第五目标图像,更新所述第一几何变换关系;其中,所述第四目标图像为所述第一生成器基于所述第一目标图像输出的图像,所述第五目标图像为所述第一生成器基于所述第二目标图像输出的图像。
本实施方式中,如图3所示,第一生成器除了包括第一自发运动模块之外,还可以包括第一注意力模块和第一纹理调整模块,第二生成器除了包括第二自发运动模块之外,还可以包括第二注意力模块和第二纹理调整模块。
所述第一注意力模块用于采用注意力机制监督第一目标图像的纹理信息,以获取所述第一目标图像中的第一纹理调节区域,所述第一纹理调整模块用于对第一纹理调节区域中的纹理信息进行调节,输出第四目标图像即第一目标域图像。
所述第二注意力模块用于采用注意力机制监督第二目标图像的纹理信息,以获取所述第二目标图像中的第二纹理调节区域,所述第二纹理调整模块用于对第二纹理调节区域中的纹理信息进行调节,输出第五目标图像即第二源域图像还原后的图像。
可以基于第四目标图像和第五目标图像,进一步更新所述第一几何变换关系。具体的,可以基于第一域分类器,采用循环一致性损失函数监督所述第五目标图像和所述训练输出图像的差异信息,以更新第一几何变换关系,使第五目标图像不断接近训练输出图像,即使第五目标图像与训练输出图像的差异最小。
同时,可以基于第二域分类器,采用循环一致性损失函数监督第六目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系,使第六目标图像不断接近训练输入图像,即使第六目标图像与训练输入图像的差异最小。所述第六目标图像为所述第二生成器还原所述第四目标图像后所生成的图像。
在第五目标图像与训练输出图像的差异最小,以及第六目标图像与训练输入图像的差异最小的情况下,即说明第一几何变换关系更新完成。
本实施方式中,通过对循环一致性生成对抗网络进行训练,以采用弱监督的学习形式监督第一生成器所输出的图像,以对第一自发运动模块对应的第一几何变换关系进行建模。这样,可以提高第一几何变换关系的建模精度。
第三实施例
如图4所示,本申请提供一种图像编辑装置400,包括:
第一获取模块401,用于获取第一图像;
第一输入模块402,用于将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;
输出模块403,用于基于所述第一自发运动模块生成的所述第二图像,输出第三图像。
可选的,其中,所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述输出模块403包括:
监督单元,用于基于所述第一注意力模块,采用注意力机制监督所述第二图像中变换后的所述图像内容的纹理信息,以获取所述第二图像中变换后的所述图像内容的纹理调节区域;
调节单元,用于基于所述第一纹理调整模块,对所述纹理调节区域中的纹理信息进行调节,输出第三图像。
可选的,其中,所述第一自发运动模块具体用于将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并基于所述第二像素点生成所述第二图像。
本申请提供的图像编辑装置400能够实现上述图像编辑方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
第四实施例
如图5所示,本申请提供一种网络训练装置500,包括:
第二获取模块501,用于获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
第二输入模块502,用于将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
第一更新模块503,用于基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系。
可选的,其中,所述第一生成对抗网络还包括第一域分类器,所述第二生成对抗网络包括第二域分类器,所述第一更新模块,具体用于基于所述第一域分类器,采用循环一致性损失函数监督所述第二目标图像和所述训练输出图像的差异信息,并基于所述第二域分类器,采用循环一致性损失函数监督第三目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系;
其中,所述第三目标图像为所述第二生成对抗网络还原所述第一目标图像中变换后的所述第一图像内容后所生成的图像。
可选的,还包括:
第二更新模块,用于基于第四目标图像和第五目标图像,更新所述第一几何变换关系;其中,所述第四目标图像为所述第一生成器基于所述第一目标图像输出的图像,所述第五目标图像为所述第一生成器基于所述第二目标图像输出的图像。
本申请提供的网络训练装置500能够实现上述网络训练方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备、计算机程序产品和一种可读存储介质。
如图6所示,是根据本申请实施例的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图像编辑方法或网络训练方法。本申请的非瞬时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计算机执行本申请所提供的图像编辑方法或网络训练方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像编辑方法对应的程序指令/模块(例如,附图4所示的第一获取模块401、第一输入模块402和输出模块403),或者如本申请实施例中的网络训练方法对应的程序指令/模块(例如,附图5所示的第二获取模块501、第二输入模块502和第一更新模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像编辑方法,或者实现上述方法实施例中的网络训练方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据本申请实施例的方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至图像编辑方法的电子设备,或者连接至网络训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与本申请实施例的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。
本实施例中,通过循环一致性生成对抗网络中的第一生成器的第一自发运动模块,来建模源域和目标域之间的图像的几何变换关系,并基于该几何变换关系对源域图像进行变换,输出目标域图像。由于目标域图像是基于源域图像按照几何变换关系进行变换得到,因而在源域和目标域不一致的情况下也能很好地完成图像编辑,并且有效增强了目标域图像的真实性,提高了图像编辑的输出图像质量。因此,根据本申请实施例的技术方案,很好地解决了图像编辑技术存在的输出图像质量比较低的问题。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种图像编辑方法,包括:
获取第一图像;
将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;
基于所述第一自发运动模块生成的所述第二图像,输出第三图像;
所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述基于所述第一自发运动模块生成的所述第二图像,输出第三图像包括:
基于所述第一注意力模块,采用注意力机制监督所述第二图像中变换后的所述图像内容的纹理信息,以获取所述第二图像中变换后的所述图像内容的纹理调节区域;
基于所述第一纹理调整模块,对所述纹理调节区域中的纹理信息进行调节,输出第三图像。
2.根据权利要求1所述的方法,其中,所述第一自发运动模块具体用于将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并基于所述第二像素点生成所述第二图像。
3.一种网络训练方法,包括:
获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系;
所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述第一注意力模块用于采用注意力机制监督所述第一目标图像中变换后的第一图像内容的纹理信息,以获取所述第一目标图像中变换后的第一图像内容的纹理调节区域;所述第一纹理调整模块用于对所述纹理调节区域中的纹理信息进行调节,输出训练输出图像。
4.根据权利要求3所述的方法,其中,所述第一生成对抗网络还包括第一域分类器,所述第二生成对抗网络包括第二域分类器,所述基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系包括:
基于所述第一域分类器,采用循环一致性损失函数监督所述第二目标图像和所述训练输出图像的差异信息,并基于所述第二域分类器,采用循环一致性损失函数监督第三目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系;
其中,所述第三目标图像为所述第二生成对抗网络还原所述第一目标图像中变换后的所述第一图像内容后所生成的图像。
5.根据权利要求3所述的方法,所述基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系之后,还包括:
基于第四目标图像和第五目标图像,更新所述第一几何变换关系;其中,所述第四目标图像为所述第一生成器基于所述第一目标图像输出的图像,所述第五目标图像为所述第一生成器基于所述第二目标图像输出的图像。
6.一种图像编辑装置,包括:
第一获取模块,用于获取第一图像;
第一输入模块,用于将所述第一图像输入至已训练的循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照已训练的第一几何变换关系对所述第一图像中的待编辑的图像内容进行变换,以生成第二图像,所述第二图像中包括变换后的所述图像内容;
输出模块,用于基于所述第一自发运动模块生成的所述第二图像,输出第三图像;
所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述输出模块包括:
监督单元,用于基于所述第一注意力模块,采用注意力机制监督所述第二图像中变换后的所述图像内容的纹理信息,以获取所述第二图像中变换后的所述图像内容的纹理调节区域;
调节单元,用于基于所述第一纹理调整模块,对所述纹理调节区域中的纹理信息进行调节,输出第三图像。
7.根据权利要求6所述的装置,其中,所述第一自发运动模块具体用于将所述第一图像中待编辑的图像内容对应的第一像素点按照所述第一几何变换关系进行变换,得到所述第一像素点对应的第二像素点;并基于所述第二像素点生成所述第二图像。
8.一种网络训练装置,包括:
第二获取模块,用于获取训练样本图像;其中,所述训练样本图像包括训练输入图像和训练输出图像,所述训练输入图像中包括第一图像内容,所述训练输出图像中包括第二图像内容;
第二输入模块,用于将所述训练样本图像输入至循环一致性生成对抗网络;其中,所述循环一致性生成对抗网络包括第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络包括第一生成器,所述第一生成器包括第一自发运动模块,所述第一自发运动模块用于按照第一几何变换关系对所述第一图像内容进行变换,以生成第一目标图像,所述第一自发运动模块还用于按照所述第一几何变换关系对基于所述第二生成对抗网络编辑后的所述第二图像内容进行变换,以生成第二目标图像;
第一更新模块,用于基于所述第一目标图像和所述第二目标图像,更新所述第一几何变换关系;
所述第一生成器还包括第一注意力模块和第一纹理调整模块;所述第一注意力模块用于采用注意力机制监督所述第一目标图像中变换后的第一图像内容的纹理信息,以获取所述第一目标图像中变换后的第一图像内容的纹理调节区域;所述第一纹理调整模块用于对所述纹理调节区域中的纹理信息进行调节,输出训练输出图像。
9.根据权利要求8所述的装置,其中,所述第一生成对抗网络还包括第一域分类器,所述第二生成对抗网络包括第二域分类器,所述第一更新模块,具体用于基于所述第一域分类器,采用循环一致性损失函数监督所述第二目标图像和所述训练输出图像的差异信息,并基于所述第二域分类器,采用循环一致性损失函数监督第三目标图像和所述训练输入图像的差异信息,以更新所述第一几何变换关系;
其中,所述第三目标图像为所述第二生成对抗网络还原所述第一目标图像中变换后的所述第一图像内容后所生成的图像。
10.根据权利要求8所述的装置,还包括:
第二更新模块,用于基于第四目标图像和第五目标图像,更新所述第一几何变换关系;其中,所述第四目标图像为所述第一生成器基于所述第一目标图像输出的图像,所述第五目标图像为所述第一生成器基于所述第二目标图像输出的图像。
11.一种电子设备,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权利要求1-2中任一项所述的方法,或者执行权利要求3-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-2中任一项所述的方法,或者执行权利要求3-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155186.XA CN112184851B (zh) | 2020-10-26 | 2020-10-26 | 图像编辑方法、网络训练方法、相关装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155186.XA CN112184851B (zh) | 2020-10-26 | 2020-10-26 | 图像编辑方法、网络训练方法、相关装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184851A CN112184851A (zh) | 2021-01-05 |
CN112184851B true CN112184851B (zh) | 2023-09-26 |
Family
ID=73922102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011155186.XA Active CN112184851B (zh) | 2020-10-26 | 2020-10-26 | 图像编辑方法、网络训练方法、相关装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184851B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837213A (zh) * | 2021-02-07 | 2021-05-25 | 北京字跳网络技术有限公司 | 脸型调整图像生成方法、模型训练方法、装置和设备 |
CN113487475B (zh) * | 2021-09-08 | 2021-12-07 | 联想新视界(南昌)人工智能工研院有限公司 | 交互式图像编辑方法、系统、可读存储介质及电子设备 |
CN113963087B (zh) * | 2021-10-12 | 2023-10-27 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理模型训练方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
CN109637634A (zh) * | 2018-12-11 | 2019-04-16 | 厦门大学 | 一种基于生成对抗网络的医学图像合成方法 |
CN111179187A (zh) * | 2019-12-09 | 2020-05-19 | 南京理工大学 | 基于循环生成对抗网络的单幅图像去雨方法 |
CN111192201A (zh) * | 2020-04-08 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 一种生成人脸图像及其模型训练的方法、装置及电子设备 |
WO2020113355A1 (en) * | 2018-12-03 | 2020-06-11 | Intel Corporation | A content adaptive attention model for neural network-based image and video encoders |
CN111709873A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像转换模型生成器的训练方法和装置 |
CN111798369A (zh) * | 2020-06-29 | 2020-10-20 | 电子科技大学 | 一种基于循环条件生成对抗网络的人脸衰老图像合成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018109505A1 (en) * | 2016-12-15 | 2018-06-21 | Google Llc | Transforming source domain images into target domain images |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
-
2020
- 2020-10-26 CN CN202011155186.XA patent/CN112184851B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
WO2020113355A1 (en) * | 2018-12-03 | 2020-06-11 | Intel Corporation | A content adaptive attention model for neural network-based image and video encoders |
CN109637634A (zh) * | 2018-12-11 | 2019-04-16 | 厦门大学 | 一种基于生成对抗网络的医学图像合成方法 |
CN111179187A (zh) * | 2019-12-09 | 2020-05-19 | 南京理工大学 | 基于循环生成对抗网络的单幅图像去雨方法 |
CN111192201A (zh) * | 2020-04-08 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 一种生成人脸图像及其模型训练的方法、装置及电子设备 |
CN111709873A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像转换模型生成器的训练方法和装置 |
CN111798369A (zh) * | 2020-06-29 | 2020-10-20 | 电子科技大学 | 一种基于循环条件生成对抗网络的人脸衰老图像合成方法 |
Non-Patent Citations (4)
Title |
---|
Face Aging with Identity-Preserved Conditional Generative Adversarial Networks;Zongwei Wang等;IEEE;7939-7947 * |
基于对抗生成网络的身份保持人脸老化;汤旭;;电子设计工程(07);180-184+190 * |
基于改进的CycleGAN模型非配对的图像到图像转换;何剑华;龙法宁;朱晓姝;;玉林师范学院学报(02);128-132 * |
基于生成对抗网络的低秩图像生成方法;赵树阳;李建武;;自动化学报(05);64-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184851A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184851B (zh) | 图像编辑方法、网络训练方法、相关装置及电子设备 | |
JP7212741B2 (ja) | 3次元アバタ生成方法、装置、電子機器及び記憶媒体 | |
KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
US20210383605A1 (en) | Driving method and apparatus of an avatar, device and medium | |
CN111598818B (zh) | 人脸融合模型训练方法、装置及电子设备 | |
CN112509099B (zh) | 虚拟形象驱动方法、装置、设备和存储介质 | |
KR102566277B1 (ko) | 이미지 편집 모델 구축 방법 및 장치 | |
CN111860167B (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN111524166B (zh) | 视频帧的处理方法和装置 | |
CN113963087A (zh) | 图像处理方法、图像处理模型训练方法、装置及存储介质 | |
US20230186583A1 (en) | Method and device for processing virtual digital human, and model training method and device | |
CN111507111B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
US11641446B2 (en) | Method for video frame interpolation, and electronic device | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112330805B (zh) | 人脸3d模型生成方法、装置、设备及可读存储介质 | |
CN111340905B (zh) | 图像风格化方法、装置、设备和介质 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
US20220101642A1 (en) | Method for character recognition, electronic device, and storage medium | |
CN111294665A (zh) | 视频的生成方法、装置、电子设备及可读存储介质 | |
CN111291218B (zh) | 视频融合方法、装置、电子设备及可读存储介质 | |
US11836836B2 (en) | Methods and apparatuses for generating model and generating 3D animation, devices and storage mediums | |
CN112508964B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
US20220004867A1 (en) | Optimizer learning method and apparatus, electronic device and readable storage medium | |
CN111523467B (zh) | 人脸跟踪方法和装置 | |
CN111680623B (zh) | 姿态转换方法及装置、电子设备、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 |