CN112258622A - 图像处理方法、装置、可读介质及电子设备 - Google Patents
图像处理方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN112258622A CN112258622A CN202011159192.2A CN202011159192A CN112258622A CN 112258622 A CN112258622 A CN 112258622A CN 202011159192 A CN202011159192 A CN 202011159192A CN 112258622 A CN112258622 A CN 112258622A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- training
- target
- initial model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 139
- 238000005286 illumination Methods 0.000 claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000009877 rendering Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/506—Illumination models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Image Generation (AREA)
Abstract
本公开涉及一种图像处理方法、装置、可读介质及电子设备，以提升图像处理的光照效果。所述方法包括：获取第一图像和第二图像；通过信息提取模型，确定第一图像的目标属性信息；获取第二图像中指定位置处的目标光照信息；根据目标属性信息和目标光照信息，利用重光照技术对第一图像进行图像渲染，获得处理后的目标图像；其中，信息提取模型基于初始模型获得，初始模型用于提取图像属性信息及光照信息，在每一次训练过程中，将训练图像输入至初始模型后，根据初始模型针对训练图像的输出内容得到合成图像，并确定合成图像相比于训练图像的目标损失值，若不满足停止训练条件，利用目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
Description
技术领域
本公开涉及图像处理领域，具体地，涉及一种图像处理方法、装置、可读介质及电子设备。
背景技术
在一些情景中，常常需要将一张图像添加到另一张图像(例如，单个图像、视频中的图像等)中，进而将一张图像中的内容置入另一张图像的场景中。例如，在房屋装修设计中，会将某种家具的图像添加到房间图像中，以将该家具置入房间场景，从而观察该家具放置到房间中某个位置的效果。再例如，在商品展示过程中，通常需要观察将某商品添加到某个特定场景中的效果，从而需要将商品图像添加到场景图像中。而通常情况下，待添加的图像对应一定的光影变化，被添加内容的图像场景中也存在光影的变化，两种光影变化情况通常是不同的，若直接进行图像的添加，添加后所得到的新图像中一者的光影将与另一者的光影不一致，甚至相悖，图像处理效果不佳。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图像处理方法，所述方法包括：
获取第一图像和第二图像；
通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
获取所述第二图像中指定位置处的目标光照信息；
根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
第二方面，本公开提供一种图像处理装置，所述装置包括：
第一获取模块，用于获取第一图像和第二图像；
确定模块，用于通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
第二获取模块，用于获取所述第二图像中指定位置处的目标光照信息；
第一处理模块，用于根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，获取第一图像和第二图像后，通过信息提取模型，确定第一图像的目标属性信息，并获取第二图像中指定位置处的目标光照信息，之后，根据目标属性信息和目标光照信息，利用重光照技术对第一图像进行图像渲染，获得处理后的目标图像。信息提取模型基于初始模型获得，初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练信息提取模型的过程中，将训练图像输入至初始模型后，根据初始模型针对训练图像的输出内容得到合成图像，并确定合成图像相比于训练图像的目标损失值，若不满足停止训练条件，利用目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。这样，在训练信息提取模型时，利用初始模型从原始图像中提取出的属性信息和光照信息合成一图像，并计算合成的图像与原始图像之间的损失值，并将该损失值作用于初始模型的更新，以获得最终的信息提取模型，从而，使得通过信息提取模型提取出的目标属性信息更加准确，能够更好地反映第一图像的深度、法向、颜色、材质属性。并且，从第二图像中提取出指定位置的目标光照信息，并结合目标光照信息和目标属性信息对第一图像进行重光照技术处理，所获得的目标图像中光照变化情况能够更好地贴合第二图像中的光照变化，图像效果更加优秀。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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。在附图中：
图1是根据本公开的一种实施方式提供的图像处理方法的流程图；
图2是根据本公开的另一种实施方式提供的图像处理方法的流程图；
图3是根据本公开的一种实施方式提供的图像处理装置的框图；
图4示出了适于用来实现本公开实施例的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“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
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。
图1是根据本公开的一种实施方式提供的图像处理方法的流程图。如图1所述，该方法可以包括以下步骤。
在步骤11中，获取第一图像和第二图像。
在本公开所提供的场景中，需要将第一图像的图像内容添加到第二图像中的指定位置处，并使获得的新图像符合第二图像原本的光影变化情况。
在一种可能的实施方式中，需要将某张图像添加到另一张图像中，第一图像和第二图像均是各自独立的图像。在这种实施方式中，用户会指定第一图像和第二图像，从而，根据用户的指定内容，可以获取到第一图像和第二图像。
在另一种可能的实施方式中，需要将某张图像添加到某个视频中，而视频中包含多帧视频帧图像。在这种实施方式中，用户指定的是第一图像和视频，从而，可以将视频中的至少一帧视频帧图像作为第二图像，并执行后续的相关步骤，将第一图像添加到这一视频帧图像中，之后，在这一视频帧图像处理完毕后，还可以继续将其他的某帧视频帧图像作为第二图像，并再次执行相关步骤。在这一实施方式中，获取第一图像和第二图像，实际上就是获取第一图像和当前处理的视频帧图像。
在步骤12中，通过信息提取模型，确定第一图像的目标属性信息。
在本公开提供的方案中，属性信息可以包括深度信息、法向信息、颜色信息和材质信息中的至少一者。
信息提取模型用于提取图像的属性信息，它是预先训练好的模型，提取哪种或哪几种属性信息也是训练过程中设置的。例如，信息提取模型可以用于提取深度信息、法向信息、颜色信息和材质信息这四种属性信息，相应地，目标属性信息可以包括深度信息、法向信息、颜色信息和材质信息这四者。这样，信息提取模型提取出的属性信息种类足够丰富，有利于提升后续数据处理的准确性。
其中，信息提取模型基于初始模型获得，初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练信息提取模型的过程中，将训练图像输入至初始模型后，根据初始模型针对训练图像的输出内容得到合成图像，并确定合成图像相比于训练图像的目标损失值，若不满足停止训练条件，利用目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
其中，初始模型就是按照常规方式训练的能够提取属性信息和光照信息的模型，通过初始模型提取出的属性信息的准确性无法保证，因此，可以基于初始模型进一步进行训练，以获得属性提取更加准确的信息提取模型。
获得信息提取模型的思路在于，通过初始模型能够提取图像的属性信息和光照信息，利用提取出的这些信息，使用重光照技术进行图像渲染，能够获得一图像，而若属性信息的提取足够准确，获得的该图像应当与原始图像相同。基于这一思路，可以以初始模型为基础进行迭代训练，并且，在每一次的训练过程中，首先将训练图像输入至初始模型，初始模型会针对该训练图像输出一定的输出内容(包括属性信息和光照信息)，之后，基于这一输出内容，利用重光照技术进行图像渲染，得到合成图像，并确定合成图像相比于训练图像的目标损失值，并将目标损失值作用于模型内部参数的更新，从而，经过若干次迭代训练，更新后的模型将具备足够优秀的属性信息提取能力，也就是最终需要的信息提取模型。
需要说明的是，利用重光照技术渲染图像的方式属于本领域的公知常识，因此，本方案中有关于此的更加细节的处理方式此处不给出。
其中，在每一次训练信息提取模型的过程中，确定目标损失值之后，可以确定是否满足停止训练条件。停止训练条件可以根据实际需求灵活设置，例如，训练次数达到预设次数、目标损失值小于预设阈值、训练时长达到预设时长等。在不满足停止训练条件时，利用目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。而在满足停止训练条件时，将本次训练所使用的初始模型作为信息提取模型。
信息提取模型训练完成后，可将其应用于第一图像的属性信息提取中。将第一图像输入至信息提取模型，就可以得到信息提取模型针对第一图像输出的属性信息，即，目标属性信息。示例地，信息提取模型的输出结果可以体现为对应于不同类型的属性的图像，图像中每一像素点对应的值就是该像素点对应的属性值。
在步骤13中，获取第二图像中指定位置处的目标光照信息。
指定位置可以为第二图像的全局或局部。以及，提取某位置的光照信息的技术属于公知常识，因此，更加细节的处理方式不再给出。
在步骤14中，根据目标属性信息和目标光照信息，利用重光照技术对第一图像进行图像渲染，获得处理后的目标图像。
根据从第一图像中提取出的目标属性信息，以及从第二图像中提取出的目标光照信息，利用现有的重光照技术，能够对第一图像进行图像渲染，进而得到处理后的目标图像。并且，在目标图像中，光照变化情况与第二图像中指定位置的光照变化情况相符合。
通过上述技术方案，获取第一图像和第二图像后，通过信息提取模型，确定第一图像的目标属性信息，并获取第二图像中指定位置处的目标光照信息，之后，根据目标属性信息和目标光照信息，利用重光照技术对第一图像进行图像渲染，获得处理后的目标图像。信息提取模型基于初始模型获得，初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练信息提取模型的过程中，将训练图像输入至初始模型后，根据初始模型针对训练图像的输出内容得到合成图像，并确定合成图像相比于训练图像的目标损失值，若不满足停止训练条件，利用目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。这样，在训练信息提取模型时，利用初始模型从原始图像中提取出的属性信息和光照信息合成一图像，并计算合成的图像与原始图像之间的损失值，并将该损失值作用于初始模型的更新，以获得最终的信息提取模型，从而，使得通过信息提取模型提取出的目标属性信息更加准确，能够更好地反映第一图像的深度、法向、颜色、材质属性。并且，从第二图像中提取出指定位置的目标光照信息，并结合目标光照信息和目标属性信息对第一图像进行重光照技术处理，所获得的目标图像中光照变化情况能够更好地贴合第二图像中的光照变化，图像效果更加优秀。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面25对上文中的相应步骤及相关概念进行详细的说明。
首先对初始模型的训练方式进行详细说明。如上文所述，初始模型的作用在于提取图像的属性信息和光照信息。
在一种可能的实施方式中，初始模型可以包括多个级联的子模型，每个子模型用于提取光照信息或属性信息中的一者。例如，若初始模型用于提取图像的深度信息、法向信息和光照信息，则初始模型中可以包含3个级联的子模型，分别用于提取图像的深度信息、法向信息、光照信息。
在这一实施方式中，初始模型可以通过如下方式获得：
按照从初始模型输入层到初始模型输出层的方向，依次训练每个子模型，直至最靠近初始模型输出层的子模型训练完毕，以得到训练完成的初始模型。
也就是说，若初始模型中包含N(N为正整数)个子模型，按照从初始模型输入层到初始模型输出层的方向，依次为第一个子模型、第二个子模型、以此类推直至第N个子模型。那么，在训练初始模型时，可以首先训练第一个子模型，在第一个子模型训练完毕后，固定第一个子模型的参数，继续训练第二个子模型，在第二个子模型训练完毕后，固定前两个子模型的参数，继续训练第三个子模型，以此类推，直至第N个子模型训练完毕，并将得到的模型作为初始模型。
也就是说，每个子模型的训练独立进行，并且，每个子模型的训练方式相似。因此，下面以对用于提取指定信息的目标子模型的训练为例，对目标子模型的训练方式进行解释说明。其中，指定信息为光照信息或属性信息中的一者。
示例地，目标子模型可以通过如下方式获得：
获取目标子模型所需的训练数据；
根据训练数据，对神经网络模型进行训练，以获得目标子模型；
其中，目标子模型所需的训练数据可以包括第三图像和第三图像对应于指定信息的第一信息。示例地，若目标子模型用于提取深度信息，则其训练数据就包括第三图像和第三图像的深度信息。
在每一次的训练过程中，将第三图像作为神经网络模型的输入，并将第一信息作为神经网络模型的目标输出，根据神经网络模型针对第三图像的实际输出与该目标输出计算模型损失值，并在不满足停止训练条件的情况下，用该模型损失值对神经网络模型进行更新，直至满足停止训练条件，将得到的神经网络模型作为目标子模型。
另外，若目标子模型与初始模型输入层之间存在其他子模型，目标子模型所需的训练数据还可以包括第二信息。第二信息可以包括其他子模型中的任意一者或多者针对第三图像的输出内容。示例地，若目标子模型用于提取光照信息，且目标子模型与初始模型输入层之间存在用于提取深度信息的第一子模型和用于提取法向信息的第二子模型，则其训练数据不仅包括第三图像和第三图像的光照信息，还可以包括第一子模型针对第三图像输出的深度信息和/或第二子模型针对第三图像输出的法向信息。
在每一次的训练过程中，将第三图像和第二信息作为神经网络模型的输入，并将第一信息作为神经网络模型的目标输出，根据神经网络模型针对第三图像的实际输出与该目标输出计算模型损失值，并在不满足停止训练条件的情况下，用该模型损失值对神经网络模型进行更新，直至满足停止训练条件，将相应的神经网络模型作为目标子模型。本公开对于第三图像和第二信息输入神经网络模型的方式不限定，例如，可以作为两种类型的信息共同输入至神经网络模型，或者，可以将第三图像和第二信息进行叠加，并将叠加结果(如，基于第三图像和第二信息生成的新图像)输入至神经网络模型。
采用上述方式，若目标子模型处于中间位置，在训练目标子模型时，还可以进一步结合训练完成的其他子模型提取出的信息(属性信息或光照信息)，使得训练目标子模型所使用的数据更加丰富，从而提升目标子模型的准确率。
可选地，在设置初始模型内子模型的结构时，可以按照属性复杂程度由低到高的顺序，按照从初始模型输入层到初始模型输出层的方向依次布局各个子模型，这样，越后面训练的子模型就越能获得更多的信息，从而，能够保证子模型的准确性。
通常情况下，深度、法向、颜色、光照、材质这几者的复杂程度依次由低到高，因此，示例地，初始模型可以包括5个级联的子模型，并且，按照从初始模型输入层到初始模型输出层的方向，依次为用于提取深度信息的子模型、用于提取法向信息的子模型、用于提取颜色信息的子模型、用于提取光照信息的子模型和用于提取材质信息的子模型。
另外，在经步骤14获得目标图像后，本公开提供的方法还可以包括以下步骤，如图2所示：
在步骤21中，将目标图像添加至第二图像中的指定位置处。
通过将目标图像添加至第二图像中的指定位置处，就可以获得期望的将第一图像添加至第二图像中指定位置、且光照情况与第二图像相符合的新图像。通过这一新图像，能够十分直观、准确地展现第一图像中的内容被添加至第二图像中的场景后所形成的效果。
图3是根据本公开的一种实施方式提供的图像处理装置的框图。如图3所示，装置30可以包括：
第一获取模块31，用于获取第一图像和第二图像；
确定模块32，用于通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
第二获取模块33，用于获取所述第二图像中指定位置处的目标光照信息；
第一处理模块34，用于根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
可选地，所述装置30用于在每一次训练所述信息提取模型的过程中，若满足停止训练条件，则将本次训练所使用的初始模型作为所述信息提取模型。
可选地，所述初始模型包括多个级联的子模型，每个子模型用于提取光照信息或属性信息中的一者；
以及，所述初始模型通过如下方式获得：
按照从初始模型输入层到初始模型输出层的方向，依次训练每个子模型，直至最靠近初始模型输出层的子模型训练完毕，以得到训练完成的初始模型。
可选地，用于提取指定信息的目标子模型通过如下方式获得：
获取所述目标子模型所需的训练数据，所述训练数据包括第三图像和第三图像对应于所述指定信息的第一信息；
根据所述训练数据，对神经网络模型进行训练，以获得所述目标子模型；
其中，所述指定信息为光照信息或属性信息中的一者。
可选地，若所述目标子模型与初始模型输入层之间存在其他子模型，所述训练数据还包括第二信息，所述第二信息包括所述其他子模型中的任意一者或多者针对所述第三图像的输出内容。
可选地，所述初始模型包括5个级联的子模型，并且，按照从初始模型输入层到初始模型输出层的方向，依次为用于提取深度信息的子模型、用于提取法向信息的子模型、用于提取颜色信息的子模型、用于提取光照信息的子模型和用于提取材质信息的子模型。
可选地，所述装置30还包括：
第二处理模块，用于将所述目标图像添加至所述第二图像中的所述指定位置处。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端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4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，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，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，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：获取第一图像和第二图像；通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；获取所述第二图像中指定位置处的目标光照信息；根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
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但不限于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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取第一图像和第二图像的模块”。
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，提供了一种图像处理方法，所述方法包括：
获取第一图像和第二图像；
通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
获取所述第二图像中指定位置处的目标光照信息；
根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
根据本公开的一个或多个实施例，提供了一种图像处理方法，在每一次训练所述信息提取模型的过程中，若满足停止训练条件，则将本次训练所使用的初始模型作为所述信息提取模型。
根据本公开的一个或多个实施例，提供了一种图像处理方法，所述初始模型包括多个级联的子模型，每个子模型用于提取光照信息或属性信息中的一者；
以及，所述初始模型通过如下方式获得：
按照从初始模型输入层到初始模型输出层的方向，依次训练每个子模型，直至最靠近初始模型输出层的子模型训练完毕，以得到训练完成的初始模型。
根据本公开的一个或多个实施例，提供了一种图像处理方法，用于提取指定信息的目标子模型通过如下方式获得：
获取所述目标子模型所需的训练数据，所述训练数据包括第三图像和第三图像对应于所述指定信息的第一信息；
根据所述训练数据，对神经网络模型进行训练，以获得所述目标子模型；
其中，所述指定信息为光照信息或属性信息中的一者。
根据本公开的一个或多个实施例，提供了一种图像处理方法，若所述目标子模型与初始模型输入层之间存在其他子模型，所述训练数据还包括第二信息，所述第二信息包括所述其他子模型中的任意一者或多者针对所述第三图像的输出内容。
根据本公开的一个或多个实施例，提供了一种图像处理方法，所述初始模型包括5个级联的子模型，并且，按照从初始模型输入层到初始模型输出层的方向，依次为用于提取深度信息的子模型、用于提取法向信息的子模型、用于提取颜色信息的子模型、用于提取光照信息的子模型和用于提取材质信息的子模型。
根据本公开的一个或多个实施例，提供了一种图像处理方法，所述方法还包括：
将所述目标图像添加至所述第二图像中的所述指定位置处。
根据本公开的一个或多个实施例，提供了一种图像处理装置，所述装置包括：
第一获取模块，用于获取第一图像和第二图像；
确定模块，用于通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
第二获取模块，用于获取所述第二图像中指定位置处的目标光照信息；
第一处理模块，用于根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时本公开任意实施例所述的图像处理方法的步骤。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开任意实施例所述的图像处理方法的步骤。
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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取第一图像和第二图像；
通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
获取所述第二图像中指定位置处的目标光照信息；
根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
2.根据权利要求1所述的方法，其特征在于，在每一次训练所述信息提取模型的过程中，若满足停止训练条件，则将本次训练所使用的初始模型作为所述信息提取模型。
3.根据权利要求1所述的方法，其特征在于，所述初始模型包括多个级联的子模型，每个子模型用于提取光照信息或属性信息中的一者；
以及，所述初始模型通过如下方式获得：
按照从初始模型输入层到初始模型输出层的方向，依次训练每个子模型，直至最靠近初始模型输出层的子模型训练完毕，以得到训练完成的初始模型。
4.根据权利要求3所述的方法，其特征在于，用于提取指定信息的目标子模型通过如下方式获得：
获取所述目标子模型所需的训练数据，所述训练数据包括第三图像和第三图像对应于所述指定信息的第一信息；
根据所述训练数据，对神经网络模型进行训练，以获得所述目标子模型；
其中，所述指定信息为光照信息或属性信息中的一者。
5.根据权利要求4所述的方法，其特征在于，若所述目标子模型与初始模型输入层之间存在其他子模型，所述训练数据还包括第二信息，所述第二信息包括所述其他子模型中的任意一者或多者针对所述第三图像的输出内容。
6.根据权利要求3所述的方法，其特征在于，所述初始模型包括5个级联的子模型，并且，按照从初始模型输入层到初始模型输出层的方向，依次为用于提取深度信息的子模型、用于提取法向信息的子模型、用于提取颜色信息的子模型、用于提取光照信息的子模型和用于提取材质信息的子模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述目标图像添加至所述第二图像中的所述指定位置处。
8.一种图像处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取第一图像和第二图像；
确定模块，用于通过信息提取模型，确定所述第一图像的目标属性信息，属性信息包括深度信息、法向信息、颜色信息和材质信息中的至少一者；
第二获取模块，用于获取所述第二图像中指定位置处的目标光照信息；
第一处理模块，用于根据所述目标属性信息和所述目标光照信息，利用重光照技术对所述第一图像进行图像渲染，获得处理后的目标图像；
其中，所述信息提取模型基于初始模型获得，所述初始模型用于提取图像的属性信息及光照信息，以及，在每一次训练所述信息提取模型的过程中，将训练图像输入至所述初始模型后，根据所述初始模型针对所述训练图像的输出内容得到合成图像，并确定所述合成图像相比于所述训练图像的目标损失值，若不满足停止训练条件，利用所述目标损失值更新初始模型，并将更新后的初始模型用于下一次训练。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159192.2A CN112258622A (zh) | 2020-10-26 | 2020-10-26 | 图像处理方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159192.2A CN112258622A (zh) | 2020-10-26 | 2020-10-26 | 图像处理方法、装置、可读介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112258622A true CN112258622A (zh) | 2021-01-22 |
Family
ID=74262525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011159192.2A Pending CN112258622A (zh) | 2020-10-26 | 2020-10-26 | 图像处理方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258622A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949824A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 一种基于神经网络的多输出多任务特征评估方法、装置和电子设备 |
| CN115546041A (zh) * | 2022-02-28 | 2022-12-30 | 荣耀终端有限公司 | 补光模型的训练方法、图像处理方法及其相关设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101354784A (zh) * | 2008-08-21 | 2009-01-28 | 上海交通大学 | 基于图像的真实光源获取及重光照的方法 |
| CN105447906A (zh) * | 2015-11-12 | 2016-03-30 | 浙江大学 | 基于图像和模型计算光照参数进行重光照渲染的方法 |
| CN106327454A (zh) * | 2015-07-03 | 2017-01-11 | 株式会社理光 | 合成图像的方法和装置 |
| WO2019128508A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN110033049A (zh) * | 2019-04-18 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于生成模型、用于输出信息的方法和装置 |
| CN110288512A (zh) * | 2019-05-16 | 2019-09-27 | 成都品果科技有限公司 | 用于图像合成的光照重映射方法、装置、存储介质和处理器 |
| JP2020160945A (ja) * | 2019-03-27 | 2020-10-01 | キヤノン株式会社 | 画像処理装置及び画像処理方法、プログラム、記憶媒体 |
-
2020
- 2020-10-26 CN CN202011159192.2A patent/CN112258622A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101354784A (zh) * | 2008-08-21 | 2009-01-28 | 上海交通大学 | 基于图像的真实光源获取及重光照的方法 |
| CN106327454A (zh) * | 2015-07-03 | 2017-01-11 | 株式会社理光 | 合成图像的方法和装置 |
| CN105447906A (zh) * | 2015-11-12 | 2016-03-30 | 浙江大学 | 基于图像和模型计算光照参数进行重光照渲染的方法 |
| WO2019128508A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN109978754A (zh) * | 2017-12-28 | 2019-07-05 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| JP2020160945A (ja) * | 2019-03-27 | 2020-10-01 | キヤノン株式会社 | 画像処理装置及び画像処理方法、プログラム、記憶媒体 |
| CN110033049A (zh) * | 2019-04-18 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于生成模型、用于输出信息的方法和装置 |
| CN110288512A (zh) * | 2019-05-16 | 2019-09-27 | 成都品果科技有限公司 | 用于图像合成的光照重映射方法、装置、存储介质和处理器 |
Non-Patent Citations (4)
| Title |
|---|
| BIN LIAO ET AL.: "Illumination animating and editing in a single picture using scene structure estimation", 《COMPUTERS & GRAPHICS 》, vol. 82, 21 May 2019 (2019-05-21), pages 54 - 63 * |
| R. PINTUS, T. G. DULECHA ET AL.: "State-of-the-art in Multi-Light Image Collections for Surface Visualization and Analysis", 《COMPUTER GRAPHICS FORUM》, vol. 38, no. 3, 10 July 2019 (2019-07-10), pages 911 - 927 * |
| 吴洪宇等: "基于图像的虚拟光影技术研究热点", 《科技导报》, vol. 38, no. 6, 28 March 2020 (2020-03-28), pages 142 - 150 * |
| 皮慧婷: "基于球谐函数的人脸模型表面光场构建研究", 《软件导刊》, vol. 16, no. 9, 18 September 2017 (2017-09-18), pages 196 - 198 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949824A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 一种基于神经网络的多输出多任务特征评估方法、装置和电子设备 |
| CN115546041A (zh) * | 2022-02-28 | 2022-12-30 | 荣耀终端有限公司 | 补光模型的训练方法、图像处理方法及其相关设备 |
| CN115546041B (zh) * | 2022-02-28 | 2023-10-20 | 荣耀终端有限公司 | 补光模型的训练方法、图像处理方法及其相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN110825286B (zh) | 图像处理方法、装置和电子设备 | |
| CN111310815A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN113315924A (zh) | 图像特效处理方法及装置 | |
| CN112258622A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
| CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
| CN113610034A (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
| CN113535105A (zh) | 媒体文件处理方法、装置、设备、可读存储介质及产品 | |
| CN110134905B (zh) | 一种页面更新显示方法、装置、设备及存储介质 | |
| CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
| CN114125485B (zh) | 图像处理方法、装置、设备及介质 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN112492230B (zh) | 视频处理方法、装置、可读介质及电子设备 | |
| CN115170714A (zh) | 一种扫描图像渲染方法、装置、电子设备及存储介质 | |
| CN113709573B (zh) | 配置视频特效方法、装置、设备及存储介质 | |
| CN116527993A (zh) | 视频的处理方法、装置、电子设备、存储介质和程序产品 | |
| CN110084835B (zh) | 用于处理视频的方法和装置 | |
| CN113703704A (zh) | 界面显示方法、头戴式显示设备和计算机可读介质 | |
| CN113963000A (zh) | 图像分割方法、装置、电子设备及程序产品 | |
| CN113066166A (zh) | 图像处理方法、装置和电子设备 | |
| CN113238652A (zh) | 视线估计方法、装置、设备及存储介质 | |
| CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 |
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 |