CN112464009A - 用于生成配对图像的方法、装置、电子设备及存储介质 - Google Patents
用于生成配对图像的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112464009A CN112464009A CN202011286919.3A CN202011286919A CN112464009A CN 112464009 A CN112464009 A CN 112464009A CN 202011286919 A CN202011286919 A CN 202011286919A CN 112464009 A CN112464009 A CN 112464009A
- Authority
- CN
- China
- Prior art keywords
- paired
- image
- style
- images
- gender
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005012 migration Effects 0.000 claims abstract description 31
- 238000013508 migration Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了用于生成配对图像的方法、装置、电子设备及计算机可读存储介质,涉及人工智能领域,具体涉及计算机视觉、深度学习技术等人工智能领域。该方法的一种实施方式为:获取用户传入的待配对图像和配对性别倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别倾向信息确定目标性别倾向,并将与目标性别倾向一致的风格相似图像确定为配对图像。该实施方式提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
Description
技术领域
本申请涉及人工智能领域,具体涉及计算机视觉、深度学习技术等人工智能领域,尤其涉及用于生成配对图像的方法、装置、电子设备及计算机可读存储介质。
背景技术
当前在互联网平台、社交软件中,允许用户根据自己的喜好设置对应的头像,尤其在新生代年轻情侣用户中,通常会希望选择有关联性的头像作为情侣头像,以表明用户之间的情侣关系。
现有技术中,对于情侣头像的选择通常是基于互联网平台寻找到的成组、成对的头像,或者将单独的一张图像拆为两部分供男女双方进行使用,然而已有的情侣头像无法满足差异化明显的用户需求。
发明内容
本申请提供了一种用于生成配对图像的方法、装置、电子设备以及存储介质。
第一方面,本申请的实施例提供了一种用于生成配对图像的方法,获取用户传入的待配对图像和配对性别倾向信息;利用预设风格迁移模型生成与待配对图像对应的候选图像;将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像;根据配对性别倾向信息确定目标性别倾向,并将与目标性别倾向一致的风格相似图像确定为配对图像。
第二方面,本申请的实施例提供了一种用于生成配对图像的装置,包括:待配对图像获取单元,被配置成获取用户传入的待配对图像和配对性别倾向信息;候选图像生成单元,被配置成利用预设风格迁移模型生成与待配对图像对应的候选图像;候选图像筛选单元,被配置成将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像;配对图像确定单元,被配置成根据配对性别倾向信息确定目标性别倾向,并将与目标性别倾向一致的风格相似图像确定为配对图像。
第三方面,本申请的实施例提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行任一实现方式描述的用于生成配对图像的方法。
第四方面,本申请的实施例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,包括:该计算机指令用于使该计算机执行任一实现方式描述的用于生成配对图像的方法。
本申请在获取预处理后的待识别人脸图像后,获取用户传入的待配对图像和配对性别倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别倾向信息确定目标性别倾向,并将与目标性别倾向一致的风格相似图像确定为配对图像,提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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是本申请的实施例可以应用于其中的示例性系统架构;
图2是根据本申请的用于生成配对图像的方法的一个实施例的流程图;
图3是根据本申请的用于生成配对图像的方法的另一个实施例的流程图;
图4是根据本申请的用于生成配对图像的一个应用场景下用户输入的待配对图像示意图;
图5-1和图5-2是根据本申请的用于生成配对图像的一个应用场景下的候选图像示意图;
图6是根据本申请的用于生成配对图像的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的用于生成配对图像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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成配对图像的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,神经网络104和服务器105。神经网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。神经网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过神经网络104与服务器105交互,以实现发送待配对图像和配对性别倾向信息等目的。终端设备101、102、103上可以安装有各种与配对图像有关的应用,例如图像搜索类应用、头像生成类应用等。
终端设备101、102、103可以是硬件,也可以是软件。硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如发送待配对图像和配对性别倾向信息等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103提供配对图像的服务器。例如:获取用户传入的待配对图像和配对性别倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别倾向信息确定目标性别倾向,并将与目标性别倾向一致的风格相似图像确定为配对图像。
需要说明的是,本申请的实施例所提供的用于生成配对图像的方法一般由服务器105执行,相应地,用于生成配对图像的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
此外,用于生成配对图像的方法也可以由终端设备101、102、103执行,相应地,用于生成配对图像的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100也可以不包括服务器105和神经网络104。
应该理解,图1中的终端设备、神经网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、神经网络和服务器。
继续参考图2,其示出了根据本申请的用于生成配对图像的方法的一个实施例流程200。该用于生成配对图像的方法,包括以下步骤:
步骤201,获取用户传入的待配对图像和配对性别分类倾向信息。
在本实施例中,用于生成配对图像的方法的执行主体(例如图1所示的服务器105)通常从非本地人机交互设备(例如图1所示的终端设备101、102、103)来获取待配对图像和配对性别分类倾向信息,本申请对此不做限定。
其中,待配对图像通常为用户上传的,用于上述执行主体根据待配对图像中的内容进行配对,以得到风格相近似、内容与配对性别分类倾向信息对应的配对图像的图像。
应当理解的是,待配对图像在不同的应用场景下根据用户的需求通常记载着不同的内容,示例性的,在生成情侣头像的应用场景下,待配对图像中可以记载有人脸图像、风景图像和卡通图像等。
此外,性别分类倾向信息可以根据由用户进行选择后发送给上述执行主体进行对应处理,也可以在上述执行主体获取到待配对图像后通过对待配对图像进行性别分类后,根据上述执行主体中根据不同应用场景预先设置的匹配规则来确定,例如在应用场景为情侣头像的匹配生成场景时,可以预先确定规则为与待配对图像中的性别分类结果相异的性别分类作为性别分类倾向信息,示例性的在待配对图像中的性别分类结果为男性时,将配对性别分类倾向信息确定为倾向女性。
步骤202,利用预设风格迁移模型生成与该待配对图像对应的候选图像。
在本实施例中,在获取到上述步骤201中用户传入的待配对图像后,将该待配对图像输入至预设风格迁移模型中,通过该预设风格迁移模型的处理生成多张风格与该待配对图像不同的候选图像。
其中,待配对图像的风格信息可以通过储存在上述执行主体本地的风格分类模型进行分析得到,也可以由储存在其他非本地的风格分类模型进行分析后进行对应的风格标注,上述执行主体可以通过该风格标注来确定待配对图像的风格信息,也可以由用户预先对待配对图像进行标注后,随待配对图像发送给上述执行主体。
通常情况下,风格分类包括但不限于素描、实景、卡通、简笔画等。
应当理解的是,预设风格迁移模型通常以预先构建的具有确定风格信息的图像数据集合对基于对抗生成神经网络模型或其变种的深度学习方法确定的原始神经网络模型进行训练后得到,以通过该预设风格迁移模型可以将输入的原始图像进行风格迁移生成,得到实体内容与原始图像近似,但对应的风格属于上述确定风格信息中其他风格分类的输出图像。
此外,预设风格迁移模型根据训练的规则不同,可以针对待配对图像生成不同数量的实体内容与原始图像近似但风格存在差异的输出图像,即候选图像,当中优选的,预设风格迁移模型生成的候选图像的数量根据风格信息的种类数量来确定,例如可以用于实现待配对图像风格分类的风格信息的数量为7种时,对应的生成6张候选图片,以保证现有的风格信息都有对应的候选图像,避免因生成图像数量不足而遗失了用户可能满意的风格。
步骤203,将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像。
在本实施例中,由上述步骤202中生成有多张候选图像后,将得到的多张候选图像逐一与待配对图像进行风格相似度比较,将与该待配对图像风格差异小于预设程度的候选图像确定为风格相似图像。
其中,通常可以通过基于特征提取的图像匹配模型,以风格信息为特征对待配对图像和候选图像进行匹配,以得到对应的相似度值或相似度向量等,以实现对匹配结果的量化,并根据该量化结果选择风格差异小于预设程度的候选图像。
应当理解的是,风格差异的预设程度可以由上述执行主体中进行预设,也可以根据用户的实际需求进行对应的调整,以满足用户对于候选图像的精度需求。
步骤204,根据配对性别分类倾向信息确定目标性别分类倾向,并将与目标性别分类倾向一致的风格相似图像确定为配对图像。
在本实施例中,在获取到风格相似图像后,可以采用性别分类模型等方式对得到的风格相似图像进行性别分类标注,以便于根据配对性别分类倾向信息来选择对应的风格相似图像。
其中,性别分类模型通常为通过预先确定的带有性别分类标注的图像样本集合进行训练的,由卷积神经网络等方式组成的神经网络,通过将候选图像输入至该性别分类模型中进行处理,便可根据得到的结果为候选图像添加性别分类标记,实现对候选图像的性别分类。
应当理解的是,最终得到的风格相似图像可以为确定的一张图像也可以为确定的多张图像,在最终确定的风格相似图像为多张图像时,可以基于这些图像生成图像候选集合,将该图像候选集合发送给用户以便于用户根据自身的喜好倾向来确定最终的配对图像。
在一些实施例中,在根据性别分类倾向信息确定对应的风格相似图像为多张图像后,也可以使用用户上传的待配对图像对这些图像进行例如图像内容特征匹配的方式进行筛选,以确定与用户上传的待配对图像最为接近的风格相似图像作为配对图像,为用户提供由特征分析确定的最优配对图像,提升用户体验。
在一些实施例中,在对于上述风格分类模型和性别分类模型进行训练时,可以预先采用一个同时带有性别分类标识和风格分类标识的样本集,以建立风格分类模型和性别分类模型之间的关联性,以提升得到的配对图像的质量。
本申请实施例提供的用于生成配对图像的方法,获取用户传入的待配对图像和配对性别分类倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别分类倾向信息确定目标性别分类倾向,并将与目标性别分类倾向一致的风格相似图像确定为配对图像,提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
在本实施例的一些可选实现方式中,得到预设风格迁移模型的过程包括:
分别获取不同风格的样本图像集;将任意风格的一个样本图像集作为输入、与输入的风格不同的另一样本图像集作为输出,对原始神经网络进行训练,得到该风格迁移模型;其中,该原始神经网络包括生成对抗神经网络、卷积神经网络、残差神经网络中的至少一种。
具体的,在获取多个确定的不同风格的样本图像集后,将其中一个风格的样本图像集作为输入,分别将其余风格的样本图像集作为输出,对基于至少包括对抗神经网络、卷积神经网络、残差神经网络中一种神经网络确定的原始神经网络模型进行训练,以实现训练后的原始神经网络模型可以根据该输入的风格对应的图像生成其余风格的输出图像,通过这种方式将各个不同风格的样本图像集作为输入进行训练后,最终得到的神经网络作为风格迁移模型,得到的风格迁移模型可以根据上述不同风格中的确定风格的待配对图像生成出其余各个风格的对应的图像,为用户提供现有环境中不存在的候选图像,提供更多差异化明显的配对图像选择。
在本实施例的一些可选实现方式中,将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,包括:分别计算每张候选图像与待配对图像的相似度值;将相似度值大于预设阈值的候选图像确定为风格相似图像。
具体的,在获取有多张候选图像时,可以通过基于图像内容特征确定的相似度计算神经网络、图像重合度计算神经网络等方式,分别计算每张候选图像与配对图像的相似度值,以实现候选图像和待配对图像相似度的量化,在候选图像和待配对图像相似度满足预先确定的阈值条件时,确定该候选图像为风格相似图像,通过这种方式对候选图像实现筛选,减少风格差异多大的无效数据,以最终提升呈现给用户的配对图像的质量。
在本实施例的一些可选实现方式中,根据配对性别分类倾向信息确定目标性别分类倾向,包括:响应于配对性别分类倾向为同性配对,将与待配对图像的性别分类倾向相同的性别分类倾向确定为目标性别分类倾向。
具体的,在上述执行主体通过用户指令、系统更新指令等方式接收信息、确定配对性别分类倾向为同性配对时,将与待配对图像的性别分类倾向相同的性别分类倾向确定为目标性别分类倾向,以调整最终对配对图像的确定方向,以更好的满足用户多样化的选择需求。
在本实施例的一些可选实现方式中,根据配对性别分类倾向信息确定目标性别分类倾向,包括:响应于配对性别分类倾向为异性配对,将与待配对图像的性别分类倾向相反的性别分类倾向确定为目标性别分类倾向。
具体的,在上述执行主体通过用户指令、系统更新指令等方式接收信息、确定配对性别分类倾向为异性配对时,将与待配对图像的性别分类倾向相反的性别分类倾向确定为目标性别分类倾向,以调整最终对配对图像的确定方向,以更好的满足用户多样化的选择需求。
上述实施例的基础上,本申请还通过图3提供了一种用于生成配对图像的方法的另一个实施例的300,提供了一种在确定配对图像后的继续处理方式,具体包括:
步骤301,获取用户传入的待配对图像和配对性别分类倾向信息。
步骤302,利用预设风格迁移模型生成与该待配对图像对应的候选图像。
步骤303,将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像。
步骤304,响应于配对性别分类倾向为异性配对,将与待配对图像的性别分类倾向相反的性别分类倾向确定为目标性别分类倾向。
步骤305,将配对图像输出为情侣配对图像。
具体的,在得到相对于用户上传的待配对图像的异性的配对图像后,将该配对图像作为情侣配对图像提供给用户,以使得用户得到现有图像中不存在的配对图像,用户提供了更多差异化明显的配对图像选择。
步骤306,响应于待配对图像中包含有角色头像,将包含有角色头像的配对图像输出为情侣配对头像。
具体的,在确定待配对图像中存在角色头像时可确定用户上传待配对图像的目的在于寻找与该待配对图像对应的异性头像作为情侣头像,因配对图像基于待配对图像进行风格迁移得到,因此配对图像中同样可以包含有角色头像,将包含有角色头像的配对头像输出为情侣配对头像,为用户提供不同于现有图像的情侣配对头像,以满足用户获取差异化配对头像的需求。
在本实施例中,步骤301-304与图2所示实施例中的步骤201-204相似,对此不再赘述。通过本实施例提供的用于生成配对图像的方法,可以基于用户上传的待配对图像生成对应的图像,在用户上传的待配对图像中存在角色头像时,即判断用户期望获取作为情侣配对头像的图像时,为用户提供情侣配对头像,为用户提供了基于风格迁移模型生成的现有图像数据中不存在的图像,为用户提供了更多差异化明显的配对图像选择。
为加深理解,本申请还结合一个具体应用场景,给出了一种具体的实现方案。在该具体应用场景下,用户传入了如图4所示的待配对图像和配对性别分类倾向信息为异性。
将图4输入至预设风格迁移模型生成与图4对应的候选图像,并从中选取和图4风格差异小于预设程度的候选图像,确定如图5-1和图5-2的风格相似图像。
获取待配对图像的性别分类分别结果为男性,并根据性别分类倾向信息确定目标性别分类为女性,对图5-1和图5-2进行性别分类。
得到图5-1性别分类的结果为男性,图5-2性别分类的结果为女性,将图5-2确定为配对图像。
通过本应用场景可以看出,本申请实施例提供的用于生成配对图像的方法,获取用户传入的待配对图像和配对性别分类倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别分类倾向信息确定目标性别分类倾向,并将与目标性别分类倾向一致的风格相似图像确定为配对图像,提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
如图6所示,本实施例的用于生成配对图像的装置600可以包括:待配对图像获取单元601,被配置成获取用户传入的待配对图像和配对性别分类倾向信息;候选图像生成单元602,被配置成利用预设风格迁移模型生成与该待配对图像对应的候选图像;候选图像筛选单元603,被配置成将与该待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像;配对图像确定单元604,被配置成根据该配对性别分类倾向信息确定目标性别分类倾向,并将与该目标性别分类倾向一致的风格相似图像确定为配对图像。
在本实施例的一些可选的实现方式中,候选图像生成单元602中包括:样本获取子单元,被配置成分别获取不同风格的样本图像集;模型训练子单元,被配置成将任意风格的一个样本图像集作为输入、与输入的风格不同的另一样本图像集作为输出,对原始神经网络进行训练,得到该风格迁移模型;其中,该原始神经网络包括生成对抗神经网络、卷积神经网络、残差神经网络中的至少一种。
在本实施例的一些可选的实现方式中,候选图像筛选单元603包括:相似度计算子单元,被配置成分别计算每张候选图像与该待配对图像的相似度值;相似度比较子单元,被配置成将该相似度值大于预设阈值的候选图像确定为该风格相似图像。
在本实施例的一些可选的实现方式中,配对图像确定单元604进一步被配置成:响应于该配对性别分类倾向为同性配对,将与该待配对图像的性别分类倾向相同的性别分类倾向确定为该目标性别分类倾向。
在本实施例的一些可选的实现方式中,配对图像确定单元604进一步被配置成:响应于该配对性别分类倾向为异性配对,将与该待配对图像的性别分类倾向相反的性别分类倾向确定为该目标性别分类倾向。
在本实施例的一些可选的实现方式中,上述用于生成配对图像的装置还包括:图像输出单元,被配置成将该配对图像输出为情侣配对图像。
在本实施例的一些可选的实现方式中,上述用于生成配对图像的装置还包括:头像输出单元,被配置成响应于该待配对图像中包含有角色头像,将包含有角色头像的配对图像输出为情侣配对头像。
本实施例作为对应于上述方法实施例的装置实施例存在,相同内容参考对于上述方法实施例的说明,对此不再赘述。通过本申请实施例提供的用于生成配对图像的装置,提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
如图7所示,是根据本申请实施例的用于生成配对图像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7所示,该电子设备包括:一个或多个处理器701、存储器702,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7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,该存储器存储有可由至少一个处理器执行的指令,以使上述至少一个处理器执行本申请所提供的用于生成配对图像的方法。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用于生成配对图像的方法。
存储器702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用于生成配对图像的方法的对应的程序指令/模块(例如,图6所示的待配对图像获取单元601、候选图像生成单元602、候选图像筛选单元603和配对图像确定单元604)。处理器701通过运行存储在存储器702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用于生成配对图像的方法。
存储器702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用于生成配对图像的电子设备的使用所创建的数据等。此外,存储器702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702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过神经网络连接用于生成配对图像的电子设备。上述神经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。
用于执行用于生成配对图像的方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与用于生成配对图像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704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上述存储系统、上述至少一个输入装置、和上述至少一个输出装置。
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神经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神经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,通信神经网络)来将系统的部件相互连接。通信神经网络的示例包括: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神经网络进行交互。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。
根据本申请实施例的技术方案,获取用户传入的待配对图像和配对性别分类倾向信息后,利用预设风格迁移模型生成与待配对图像对应的候选图像,然后将与待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,最后根据配对性别分类倾向信息确定目标性别分类倾向,并将与目标性别分类倾向一致的风格相似图像确定为配对图像,提供了一种不拘泥于从现有图像中选取配对图像的配对图像生成方式,为用户提供了更多差异化明显的配对图像选择。
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 (16)
1.一种用于生成配对图像的方法,包括:
获取用户传入的待配对图像和配对性别倾向信息;
利用预设风格迁移模型生成与所述待配对图像对应的候选图像;
将与所述待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像;
根据所述配对性别倾向信息确定目标性别倾向,并将与所述目标性别倾向一致的风格相似图像确定为配对图像。
2.根据权利要求1所述的方法,其中,得到所述预设风格迁移模型的过程包括:
分别获取不同风格的样本图像集;
将任意风格的一个样本图像集作为输入、与输入的风格不同的另一样本图像集作为输出,对原始神经网络进行训练,得到所述风格迁移模型;其中,所述原始神经网络包括生成对抗神经网络、卷积神经网络、残差神经网络中的至少一种。
3.根据权利要求1所述的方法,其中,所述将与所述待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像,包括:
分别计算每张候选图像与所述待配对图像的相似度值;
将所述相似度值大于预设阈值的候选图像确定为所述风格相似图像。
4.根据权利要求1-3所述的方法,其中,所述根据所述配对性别倾向信息确定目标性别倾向,包括:
响应于所述配对性别倾向为同性配对,将与所述待配对图像的性别倾向相同的性别倾向确定为所述目标性别倾向。
5.根据权利要求1-3所述的方法,其中,所述根据所述配对性别倾向信息确定目标性别倾向,包括:
响应于所述配对性别倾向为异性配对,将与所述待配对图像的性别倾向相反的性别倾向确定为所述目标性别倾向。
6.根据权利要求5所述的方法,还包括:
将所述配对图像输出为情侣配对图像。
7.根据权利要求5所述的方法,还包括:
响应于所述待配对图像中包含有角色头像,将包含有角色头像的配对图像输出为情侣配对头像。
8.一种用于生成配对图像的装置,包括:
待配对图像获取单元,被配置成获取用户传入的待配对图像和配对性别倾向信息;
候选图像生成单元,被配置成利用预设风格迁移模型生成与所述待配对图像对应的候选图像;
候选图像筛选单元,被配置成将与所述待配对图像的风格差异小于预设程度的候选图像确定为风格相似图像;
配对图像确定单元,被配置成根据所述配对性别倾向信息确定目标性别倾向,并将与所述目标性别倾向一致的风格相似图像确定为配对图像。
9.根据权利要求8所述的装置,其中,所述候选图像生成单元中包括:
样本获取子单元,被配置成分别获取不同风格的样本图像集;
模型训练子单元,被配置成将任意风格的一个样本图像集作为输入、与输入的风格不同的另一样本图像集作为输出,对原始神经网络进行训练,得到所述风格迁移模型;其中,所述原始神经网络包括生成对抗神经网络、卷积神经网络、残差神经网络中的至少一种。
10.根据权利要求8所述的装置,其中,所述候选图像筛选单元包括:
相似度计算子单元,被配置成分别计算每张候选图像与所述待配对图像的相似度值;
相似度比较子单元,被配置成将所述相似度值大于预设阈值的候选图像确定为所述风格相似图像。
11.根据权利要求8-10中任一项所述的装置,其中,所述配对图像确定单元进一步被配置成:
响应于所述配对性别倾向为同性配对,将与所述待配对图像的性别倾向相同的性别倾向确定为所述目标性别倾向。
12.根据权利要求8-10中任一项所述的装置,其中,所述配对图像确定单元进一步被配置成:
响应于所述配对性别倾向为异性配对,将与所述待配对图像的性别倾向相反的性别倾向确定为所述目标性别倾向。
13.根据权利要求12所述的装置,还包括:
图像输出单元,被配置成将所述配对图像输出为情侣配对图像。
14.根据权利要求12所述的装置,还包括:
头像输出单元,被配置成响应于所述待配对图像中包含有角色头像,将包含有角色头像的配对图像输出为情侣配对头像。
15.一种电子设备,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1-7中任一项所述的用于生成配对图像的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,包括:所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于生成配对图像的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286919.3A CN112464009A (zh) | 2020-11-17 | 2020-11-17 | 用于生成配对图像的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286919.3A CN112464009A (zh) | 2020-11-17 | 2020-11-17 | 用于生成配对图像的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464009A true CN112464009A (zh) | 2021-03-09 |
Family
ID=74837116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011286919.3A Pending CN112464009A (zh) | 2020-11-17 | 2020-11-17 | 用于生成配对图像的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464009A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361357A (zh) * | 2021-05-31 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
CN116401394A (zh) * | 2023-06-06 | 2023-07-07 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248710A1 (en) * | 2013-02-26 | 2015-09-03 | Adience Ser Ltd. | Matching users across indentifiable services vased on images |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互系统及工作方法 |
CA2986860A1 (en) * | 2016-11-30 | 2018-05-30 | Altumview Systems Inc. | Face detection using small-scale convolutional neural network (cnn) modules for embedded systems |
CN111368763A (zh) * | 2020-03-09 | 2020-07-03 | 北京奇艺世纪科技有限公司 | 基于头像的图像处理方法、装置及计算机可读存储介质 |
CN111539897A (zh) * | 2020-05-09 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像转换模型的方法和装置 |
CN111738910A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
-
2020
- 2020-11-17 CN CN202011286919.3A patent/CN112464009A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248710A1 (en) * | 2013-02-26 | 2015-09-03 | Adience Ser Ltd. | Matching users across indentifiable services vased on images |
CA2986860A1 (en) * | 2016-11-30 | 2018-05-30 | Altumview Systems Inc. | Face detection using small-scale convolutional neural network (cnn) modules for embedded systems |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互系统及工作方法 |
CN111368763A (zh) * | 2020-03-09 | 2020-07-03 | 北京奇艺世纪科技有限公司 | 基于头像的图像处理方法、装置及计算机可读存储介质 |
CN111539897A (zh) * | 2020-05-09 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像转换模型的方法和装置 |
CN111738910A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
田景瑞: ""关于个性化脸型匹配模型的研究"", 《中国高新区》, 1 February 2018 (2018-02-01), pages 36 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361357A (zh) * | 2021-05-31 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
CN116401394A (zh) * | 2023-06-06 | 2023-07-07 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
CN116401394B (zh) * | 2023-06-06 | 2023-08-29 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652828B (zh) | 人脸图像生成方法、装置、设备和介质 | |
CN111931591B (zh) | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 | |
CN111860167B (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN112667068A (zh) | 虚拟人物的驱动方法、装置、设备及存储介质 | |
CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN112241764A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111862277A (zh) | 用于生成动画的方法、装置、设备以及存储介质 | |
CN111695698B (zh) | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 | |
CN111709875B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN111524166A (zh) | 视频帧的处理方法和装置 | |
CN112084366A (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
CN111563855A (zh) | 图像处理的方法及装置 | |
CN112102462A (zh) | 图像的渲染方法、装置 | |
CN112464009A (zh) | 用于生成配对图像的方法、装置、电子设备及存储介质 | |
CN112149634A (zh) | 图像生成器的训练方法、装置、设备以及存储介质 | |
CN112116525B (zh) | 换脸识别方法、装置、设备和计算机可读存储介质 | |
CN111158924A (zh) | 内容分享方法、装置、电子设备及可读存储介质 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN111291218B (zh) | 视频融合方法、装置、电子设备及可读存储介质 | |
CN111523467A (zh) | 人脸跟踪方法和装置 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN112381927A (zh) | 图像生成的方法、装置、设备以及存储介质 | |
CN112269928A (zh) | 用户推荐方法及装置、电子设备、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 |