CN112669431A - 图像处理方法、装置、设备、存储介质以及程序产品 - Google Patents
图像处理方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112669431A CN112669431A CN202011610672.6A CN202011610672A CN112669431A CN 112669431 A CN112669431 A CN 112669431A CN 202011610672 A CN202011610672 A CN 202011610672A CN 112669431 A CN112669431 A CN 112669431A
- Authority
- CN
- China
- Prior art keywords
- target object
- image
- node element
- texture
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本公开公开了图像处理方法、装置、设备、存储介质及程序产品,涉及图像处理技术领域。具体实现方案为:从包括目标对象的图像中,获取目标对象的至少一个部件的待处理图像;将至少一个部件的待处理图像作为结点元素,利用结点元素构建目标对象的所有部件的关联图;将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像。本公开实施例可针对目标对象生成高质量的完整的三维纹理贴图,能够显著降低三维纹理重建的成本,实现目标对象全方位的仿真渲染。
Description
技术领域
本公开涉及一种计算机技术领域,尤其涉及一种图像处理技术领域。
背景技术
三维模型纹理贴图补全技术是重建外观完整的三维模型的必要途径,也是使用重建模型进行仿真并为深度神经网络提供训练资源的重要步骤。目前在单目图像纹理重建任务中,由于图像拍摄视角单一性,无法获取目标对象的完整的纹理贴图。以车辆作为目标对象为例,从正面对车辆进行拍摄,无法拍摄到车辆的尾灯。因此需要采用三维模型纹理贴图补全技术将目标对象中的缺失部分进行补全。
目前三维模型纹理贴图补全采用的纯色填充和双线性插值的方法生成图像的视觉效果不佳,且无法对物体纹理语义特征进行重构,例如无法重构车灯、车窗等部件。
发明内容
本公开提供了一种图像处理方法、装置、设备、存储介质及程序产品。
根据本公开的一方面,提供了一种图像处理方法,包括:
从包括目标对象的图像中,获取目标对象的至少一个部件的待处理图像;
将至少一个部件的待处理图像作为结点元素,利用结点元素构建目标对象的所有部件的关联图;
将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像。
根据本公开的另一方面,提供了一种图像处理装置,包括:
获取单元,用于从包括目标对象的图像中,获取目标对象的至少一个部件的待处理图像;
第一构建单元,用于将至少一个部件的待处理图像作为结点元素,利用结点元素构建目标对象的所有部件的关联图;
处理单元,用于将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像。
根据本公开的又一方面,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,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本公开任意一项实施例所提供的方法。
根据本公开的又一方面,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该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开任意一项实施例所提供的方法。
上述申请中的一个实施例具有如下优点或有益效果:可针对目标对象生成高质量的完整的三维纹理贴图,能够显著降低三维纹理重建的成本,实现目标对象全方位的仿真渲染。以车辆作为目标对象为例,通过车辆的三维模型重建可极大地丰富自动驾驶仿真数据库,为感知系统训练提供了丰富的资源。
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,不构成对本公开的限定。其中:
图1是根据本公开一实施例的图像处理方法的流程图;
图2是根据本公开另一实施例的图像处理方法的纹理补全的流程图;
图3是根据本公开另一实施例的图像处理方法的纹理补全的流程图;
图4是根据本公开另一实施例的图像处理方法的模型训练的流程图;
图5是根据本公开另一实施例的图像处理方法的流程图;
图6是根据本公开另一实施例的图像处理方法的纹理补全效果示意图;
图7是根据本公开一实施例的图像处理装置的示意图;
图8是根据本公开另一实施例的图像处理装置的示意图;
图9是根据本公开另一实施例的图像处理装置的示意图;
图10是用来实现本公开实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
图1是根据本公开一实施例的图像处理方法的流程图。参见图1,该图像处理方法包括:
步骤S110,从包括目标对象的图像中,获取目标对象的至少一个部件的待处理图像;
步骤S120,将至少一个部件的待处理图像作为结点元素,利用结点元素构建目标对象的所有部件的关联图;
步骤S130,将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像。
在目标对象的三维模型重建的任务中,通常需要根据单目图像重构三维模型的纹理贴图。由于单目图像拍摄视角单一性,无法获取目标对象的完整的纹理贴图。以车辆作为目标对象为例,从正面对车辆进行拍摄,无法拍摄到车辆的尾灯。另外,由于拍摄视角单一,可能拍摄到的目标对象的图像中有些部件的图像纹理是不完整的。因此需要将目标对象中的缺失部分进行补全,才能对目标对象进行三维模型重建。
在步骤S110中,首先将包括目标对象的图像进行分割,得到包括目标对象的至少一个部件的分割图像。
以车辆作为目标对象为例,将需要重建的模型对象分割成若干个Part(部件)。例如可将车辆分割成4个车轮、前盖、后盖、尾灯等多个部件。在一个示例中,若拍摄到的车辆的图像是从正面拍摄的,则图像中可能只前盖和2个前轮,而没有后盖和尾灯。也就是说,有一部分部件是在拍摄到的图像中可见的,还有一部分部件可能是在拍摄到的图像中不可见的。另外由于拍摄角度的限制,该图像中的前盖和2个前轮的图像纹理也可能是不完整的。可对拍摄到的车辆的图像进行分割,得到包括图像中的各个部件的分割图像。
在一个示例中,可将分割图像作为目标对象的至少一个部件的待处理图像。
在另一个示例中,还可以在包括目标对象的图像中,对目标对象的位姿进行标注,得到位姿标注信息。尽管对同一个目标对象进行拍摄,由于拍摄角度不同,可能导致呈现在图像上的目标对象的位姿不同,目标对象的各个部件的图像也可能因为拍摄角度的不同而不同。因此,可利用识别算法对目标对象的位姿进行识别,得到位姿标注信息。也可以通过人工标注的方式,得到位姿标注信息。然后根据位姿标注信息将分割图像投影,可利用图像投影算法对分割图像进行投影操作,以矫正目标对象的不同位姿所导致的分割图像的偏差,投影后得到目标对象的至少一个部件的待处理图像。
在步骤S120中,可预先构建目标对象的所有部件的关联图的数据结构。在关联图的数据结构中,图中的每个结点元素用于表示目标对象的一个部件。在以车辆作为目标对象的示例中,关联图中可包括n个结点,每个结点代表车辆的一个部件,例如车轮、前盖、尾灯等。在步骤S110中对包括目标对象的图像进行分割时,也是根据关联图的数据结构中定义的结点进行图像分割。分割后得到的待处理图像中的各个部件在关联图中都可以找到与该部件对应的结点。
对于在拍摄到的包括目标对象的图像中可见的部件,在关联图中可以找到该部件对应的结点。可分别将待处理图像中的各个部件的图像赋值给关联图中对应的结点元素。对于在拍摄到的包括目标对象的图像中不可见的部件,也就是图像中没有拍到的部件,在关联图中将该部件对应的结点赋值为空结点。最后利用赋值后的所有部件对应的结点元素,构建目标对象的所有部件的关联图。
在步骤S130中,将步骤S120中构建的关联图输入到图神经网络模型。在输入的关联图中,图中结点表示目标对象的部件的图像,有的部件的图像纹理可能是不完整的,还有的部件的图像纹理可能是完全没有的。利用图神经网络模型将输入的关联图中不完整的或者完全没有的图像纹理补全,输出目标对象的所有部件的纹理补全的图像。
本公开实施例可针对目标对象生成高质量的完整的三维纹理贴图,能够显著降低三维纹理重建的成本,实现目标对象全方位的仿真渲染。以车辆作为目标对象为例,通过车辆的三维模型重建可极大地丰富自动驾驶仿真数据库,为感知系统训练提供了丰富的资源。
图2是根据本公开另一实施例的图像处理方法的纹理补全的流程图。如图2所示,在一种实施方式中,图1中的步骤S130,将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像,具体可包括:
步骤S210,在图神经网络模型的各层结构中,将关联图中的各个结点元素分别与关联图中的所有结点元素进行关系聚合操作,得到各个结点元素对应的关系聚合张量;
步骤S220,分别将各个结点元素对应的关系聚合张量进行解码操作,得到各个结点元素对应的部件的纹理补全的图像;
步骤S230,将各个结点元素对应的部件的纹理补全的图像组合,构成目标对象的所有部件的纹理补全的图像。
本公开实施例中使用图神经网络模型对目标对象的各个部件之间的纹理关联进行建模。在图神经网络模型中,可以先对图像中可见的部件进行特征提取。通过纹理关联建模,使得图神经网络模型能够将提取到的特征传播到其他待填充的不可见区域中,保持整个纹理贴图的风格一致性与协调性。
例如,关联图中的一些结点中的待处理图像的纹理可能是不完整的,通过纹理关联建模,可采用与提取到的特征一致的纹理风格将不完整的纹理补全。
再如,对于关联图中的空结点,也就是图像中没有拍到的部件,也可以通过纹理关联建模采用与提取到的特征一致的纹理风格,再结合在模型训练过程中学习到的部件的轮廓线条等信息,将图像中没有拍到的部件的纹理补全。通过纹理关联建模使得在图神经网络模型中每个结点中提取到的特征都能够传播到其他结点中,通过特征传播可将待处理图像中不可见的部件的纹理补全,对目标对象的纹理语义特征进行重构,恢复图像中不可见的语义部件,例如图像中没有拍到的车窗、车门等。
在步骤S210中,将关联图中的每个结点元素分别与关联图中的所有结点元素进行关系聚合操作,使得从图像中可见的部件中提取的特征传播到关联图中的每个结点中。在图神经网络模型的各层结构中进行关系聚合操作,最终得到的关系聚合张量中包含了纹理补全的图像信息。
在步骤S220中,在解码(decode)阶段,使用部件级解码器用于恢复对应部件的纹理贴图,将各个结点元素对应的关系聚合张量还原成各个结点元素对应的部件的纹理补全的图像。在步骤S230中,从关联图的各个结点中获取对应的部件的纹理补全的图像,将各个部件的纹理补全的图像组合,构成目标对象的所有部件的纹理补全的图像。
本公开实施例通过纹理关联建模可以重构出风格和谐一致且具有语义特征的完整纹理贴图,能够显著降低三维纹理重建的成本,实现目标对象360度的仿真渲染。
图3是根据本公开另一实施例的图像处理方法的纹理补全的流程图。如图3所示,在一种实施方式中,图2中的步骤S210,将各个结点元素分别与关联图中的所有结点元素进行关系聚合操作,得到各个结点元素对应的关系聚合张量,具体可包括:
步骤S212,对关联图中的各个结点元素中的待处理图像分别进行特征提取,得到各个结点元素对应的特征张量;
步骤S214,将各个结点元素对应的特征张量分别与关联图中的所有结点元素的聚合张量进行关系聚合操作,得到各个结点元素对应的关系聚合张量。
在一个示例中,p表示纹理贴图中的一个部件,目标对象的所有部件可表示为{p1,p2,p3,…,pn},其中的每个部件可以表示成关联图(graph)中的一个结点(node),定义图神经网络模型的一层结构的传播过程为:
其中,表示图网络第l层的特征,特别地表示图神经网络模型的输入信息,即纹理贴图中的每个部件的图像。genc(·)表示提取图像特征,表示各个结点元素对应的特征张量。表示对所有结点进行特征聚合操作,表示关联图中的所有结点元素的聚合张量。在一个示例中,特征聚合操作可包括在所有的特征中取最大值的操作。表示对结点pi与所有结点进行关系聚合操作,即对和进行关系聚合操作,得到各个结点元素对应的关系聚合张量。在一个示例中,关系聚合操作可包括将结点元素自身的特征张量与聚合张量进行拼接操作。
在图神经网络模型中通过若干层部件特征提取与传播,使得每个结点中的部件图像获取到全局的特征,用于生成外观风格一致的图像。在解码(decode)阶段,使用部件级解码器用于恢复对应部件的纹理贴图,将各个结点元素对应的关系聚合张量还原成各个结点元素对应的部件的纹理补全的图像。
本公开实施例通过关系聚合操作可以使得每个结点中的部件图像获取到全局的特征,在图神经网络模型中通过若干层部件特征提取与传播,可生成外观风格一致的图像。
图4是根据本公开另一实施例的图像处理方法的模型训练的流程图。如图4所示,在一种实施方式中,上述方法还包括:
步骤S310,利用掩膜对包括所有部件的样本对象的图像进行遮挡;
步骤S320,将利用遮挡后的图像构成的关联图作为输入信息,将包括所有部件的样本对象作为参照输出信息,对图神经网络模型进行训练。
图5是根据本公开另一实施例的图像处理方法的流程图。如图5所示,首先获取作为样本对象的原始纹理(Raw Texture)图像,利用掩膜(Mask)对原始纹理图像进行遮挡,将遮挡后的图像输入到图神经网络模型的编码器,对图神经网络模型进行训练。
图5中的矩形虚线框表示编码器(Encoder)中的图神经网络模型的一层网络结构。参见图5的示例,输入特征(Input Features)中包括由例如18个部件对应的结点组成的关联图。在图神经网络模型的一层网络结构中,对输入特征进行结点特征提取,得到每个结点对应的特征张量。再将所有结点对应的特征张量进行特征聚合操作得到所有结点元素的聚合张量,即聚合结果。再将聚合结果分别与结点元素自身的特征张量进行关系聚合操作例如关系聚合操作可以包括拼接(Concat)操作,得到输出特征(OutputFeatures)。输出特征中包括各个结点元素对应的关系聚合张量。在编码器中每一层网络结构的输出特征作为下一层的输入特征,经过若干层网络结构的对图像进行处理,得到最终的关系聚合张量。最终得到的关系聚合张量中包含了纹理补全的图像信息。
在解码(decode)阶段,使用部件级解码器(Part-wise Decoder)将各个结点元素对应的关系聚合张量还原成各个结点元素对应的部件的纹理补全的图像,得到重建纹理(Recons.Texture)图像。可将原始纹理图像作为参照输出信息,将重建纹理图像与原始纹理图像进行对比。在一个示例中,可利用平滑版L1损失函数(Smooth L1 Loss)计算重建纹理图像与原始纹理图像之间的差别,利用损失函数的值对图神经网络模型进行训练。在模型训练过程中使用大量样本,可以使模型学习到比较全面的知识。
本公开实施例在模型训练过程中使用无监督的训练方式,将输入的纹理贴图训练数据的可见部件进行随机的遮挡,使得模型能够学习到如何通过已有部件对遮挡部件进行预测。并且,采用以上方式训练模型,无需完整的纹理贴图数据作为监督数据,训练数据较易获得。
图6是根据本公开另一实施例的图像处理方法的纹理补全效果示意图。图6中的左框表示输入图神经网络模型的待处理图像。根据图6中的左框所示的待处理图像中的纹理特征,可得到图6中的右框所示的目标对象的所有部件的纹理补全的图像。在一个示例中,根据左框所示的待处理图像中的纹理特征,基本可以判断目标对象是一辆白色的车辆。利用图神经网络模型对待处理图像进行处理,可以将待处理图像中纹理不完整的部件进行纹理补全,也可以重构待处理图像中不可见的语义部件。模型预测时结合在模型训练过程中学习到的知识,将目标对象的所有部件的纹理补全,且与输入信息的风格一致。最后图神经网络模型输出如图6的右框中所示的目标对象的所有部件的纹理补全的图像。
在一种实施方式中,上述方法还包括:利用目标对象的所有部件的纹理补全的图像,构建目标对象的三维模型。
以车辆作为目标对象为例,利用车辆的所有部件的纹理补全的图像,再结合使用基于各种不同车型的三维模型的可变形模板,可以构建对应不同车型的各种外观形状不同的车辆的三维模型。
以车辆作为目标对象为例,本公开实施例中通过纹理补全实现车辆的三维模型重建,可极大地丰富自动驾驶仿真数据库,为感知系统训练提供了丰富的资源。
图7是根据本公开一实施例的图像处理装置的示意图。参见图7,该图像处理装置包括:
获取单元100,用于从包括目标对象的图像中,获取目标对象的至少一个部件的待处理图像;
第一构建单元200,用于将至少一个部件的待处理图像作为结点元素,利用结点元素构建目标对象的所有部件的关联图;
处理单元300,用于将关联图输入到图神经网络模型,利用图神经网络模型输出目标对象的所有部件的纹理补全的图像。
图8是根据本公开另一实施例的图像处理装置的示意图。如图8所示,在一种实施方式中,处理单元300包括:
聚合子单元310,用于在图神经网络模型的各层结构中,将关联图中的各个结点元素分别与关联图中的所有结点元素进行关系聚合操作,得到各个结点元素对应的关系聚合张量;
解码子单元320,用于分别将各个结点元素对应的关系聚合张量进行解码操作,得到各个结点元素对应的部件的纹理补全的图像;
组合子单元330,用于将各个结点元素对应的部件的纹理补全的图像组合,构成目标对象的所有部件的纹理补全的图像。
在一种实施方式中,聚合子单元310用于:
对关联图中的各个结点元素中的待处理图像分别进行特征提取,得到各个结点元素对应的特征张量;
将各个结点元素对应的特征张量分别与关联图中的所有结点元素的聚合张量进行关系聚合操作,得到各个结点元素对应的关系聚合张量。
图9是根据本公开另一实施例的图像处理装置的示意图。如图9所示,在一种实施方式中,上述装置还包括训练单元350,训练单元350用于:
利用掩膜对包括所有部件的样本对象的图像进行遮挡;
将利用遮挡后的图像构成的关联图作为输入信息,将包括所有部件的样本对象作为参照输出信息,对图神经网络模型进行训练。
参见图9,在一种实施方式中,上述装置还包括第二构建单元400,第二构建单元400用于:
利用目标对象的所有部件的纹理补全的图像,构建目标对象的三维模型。
本公开实施例的图像处理装置中的各单元、子单元的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或要求的本公开的实现。
如图10所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种图像处理方法,包括:
从包括目标对象的图像中,获取所述目标对象的至少一个部件的待处理图像;
将所述至少一个部件的待处理图像作为结点元素,利用所述结点元素构建所述目标对象的所有部件的关联图;
将所述关联图输入到图神经网络模型,利用所述图神经网络模型输出所述目标对象的所有部件的纹理补全的图像。
2.根据权利要求1所述的方法,其中,所述将所述关联图输入到图神经网络模型,利用所述图神经网络模型输出所述目标对象的所有部件的纹理补全的图像,包括:
在所述图神经网络模型的各层结构中,将所述关联图中的各个结点元素分别与所述关联图中的所有结点元素进行关系聚合操作,得到所述各个结点元素对应的关系聚合张量;
分别将所述各个结点元素对应的关系聚合张量进行解码操作,得到所述各个结点元素对应的部件的纹理补全的图像;
将所述各个结点元素对应的部件的纹理补全的图像组合,构成所述目标对象的所有部件的纹理补全的图像。
3.根据权利要求2所述的方法,其中,所述将所述关联图中的各个结点元素分别与所述关联图中的所有结点元素进行关系聚合操作,得到所述各个结点元素对应的关系聚合张量,包括:
对所述关联图中的各个结点元素中的待处理图像分别进行特征提取,得到所述各个结点元素对应的特征张量;
将所述各个结点元素对应的特征张量分别与所述关联图中的所有结点元素的聚合张量进行关系聚合操作,得到所述各个结点元素对应的关系聚合张量。
4.根据权利要求1至3中任一项所述的方法,所述方法还包括:
利用掩膜对包括所有部件的样本对象的图像进行遮挡;
将利用遮挡后的图像构成的关联图作为输入信息,将所述包括所有部件的样本对象作为参照输出信息,对所述图神经网络模型进行训练。
5.根据权利要求1至3中任一项所述的方法,所述方法还包括:
利用所述目标对象的所有部件的纹理补全的图像,构建所述目标对象的三维模型。
6.一种图像处理装置,包括:
获取单元,用于从包括目标对象的图像中,获取所述目标对象的至少一个部件的待处理图像;
第一构建单元,用于将所述至少一个部件的待处理图像作为结点元素,利用所述结点元素构建所述目标对象的所有部件的关联图;
处理单元,用于将所述关联图输入到图神经网络模型,利用所述图神经网络模型输出所述目标对象的所有部件的纹理补全的图像。
7.根据权利要求6所述的装置,其中,所述处理单元包括:
聚合子单元,用于在所述图神经网络模型的各层结构中,将所述关联图中的各个结点元素分别与所述关联图中的所有结点元素进行关系聚合操作,得到所述各个结点元素对应的关系聚合张量;
解码子单元,用于分别将所述各个结点元素对应的关系聚合张量进行解码操作,得到所述各个结点元素对应的部件的纹理补全的图像;
组合子单元,用于将所述各个结点元素对应的部件的纹理补全的图像组合,构成所述目标对象的所有部件的纹理补全的图像。
8.根据权利要求7所述的装置,其中,所述聚合子单元用于:
对所述关联图中的各个结点元素中的待处理图像分别进行特征提取,得到所述各个结点元素对应的特征张量;
将所述各个结点元素对应的特征张量分别与所述关联图中的所有结点元素的聚合张量进行关系聚合操作,得到所述各个结点元素对应的关系聚合张量。
9.根据权利要求6至8中任一项所述的装置,所述装置还包括训练单元,所述训练单元用于:
利用掩膜对包括所有部件的样本对象的图像进行遮挡;
将利用遮挡后的图像构成的关联图作为输入信息,将所述包括所有部件的样本对象作为参照输出信息,对所述图神经网络模型进行训练。
10.根据权利要求6至8中任一项所述的装置,所述装置还包括第二构建单元,所述第二构建单元用于:
利用所述目标对象的所有部件的纹理补全的图像,构建所述目标对象的三维模型。
11.一种电子设备,其特征在于,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1-5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,其特征在于,所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610672.6A CN112669431B (zh) | 2020-12-30 | 2020-12-30 | 图像处理方法、装置、设备、存储介质以及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610672.6A CN112669431B (zh) | 2020-12-30 | 2020-12-30 | 图像处理方法、装置、设备、存储介质以及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669431A true CN112669431A (zh) | 2021-04-16 |
CN112669431B CN112669431B (zh) | 2023-10-20 |
Family
ID=75411060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011610672.6A Active CN112669431B (zh) | 2020-12-30 | 2020-12-30 | 图像处理方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
CN113421335A (zh) * | 2021-07-21 | 2021-09-21 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005603A1 (en) * | 2017-06-30 | 2019-01-03 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
CN110163953A (zh) * | 2019-03-11 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 三维人脸重建方法、装置、存储介质和电子装置 |
CN110378947A (zh) * | 2019-07-02 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 3d模型重建方法、装置及电子设备 |
CN110473151A (zh) * | 2019-07-04 | 2019-11-19 | 北京航空航天大学 | 基于分区卷积和关联损失的双阶段图像补全方法及系统 |
CN111968165A (zh) * | 2020-08-19 | 2020-11-20 | 北京拙河科技有限公司 | 动态人体三维模型补全方法、装置、设备和介质 |
-
2020
- 2020-12-30 CN CN202011610672.6A patent/CN112669431B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005603A1 (en) * | 2017-06-30 | 2019-01-03 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
CN110163953A (zh) * | 2019-03-11 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 三维人脸重建方法、装置、存储介质和电子装置 |
CN110378947A (zh) * | 2019-07-02 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 3d模型重建方法、装置及电子设备 |
CN110473151A (zh) * | 2019-07-04 | 2019-11-19 | 北京航空航天大学 | 基于分区卷积和关联损失的双阶段图像补全方法及系统 |
CN111968165A (zh) * | 2020-08-19 | 2020-11-20 | 北京拙河科技有限公司 | 动态人体三维模型补全方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
TAO ZHOU等: "Online learning of multi-feature weights for robust object tracking", 《2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
于波;方业全;刘闽;董君陶;: "基于深度卷积神经网络的图像重建算法", 计算机系统应用, no. 09 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
CN113421335A (zh) * | 2021-07-21 | 2021-09-21 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和存储介质 |
CN113421335B (zh) * | 2021-07-21 | 2022-04-26 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112669431B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105125A1 (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN111832570A (zh) | 一种图像语义分割模型训练方法及系统 | |
CN113409430B (zh) | 可驱动三维人物生成方法、装置、电子设备及存储介质 | |
CN113901909B (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
CA3137297C (en) | Adaptive convolutions in neural networks | |
CN112669431B (zh) | 图像处理方法、装置、设备、存储介质以及程序产品 | |
CN114627006B (zh) | 一种基于深度解耦网络的渐进式图像修复方法 | |
CN111340905B (zh) | 图像风格化方法、装置、设备和介质 | |
CN113393371B (zh) | 一种图像处理方法、装置及电子设备 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN111768467B (zh) | 图像填充方法、装置、设备及存储介质 | |
CN112651881A (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
CN114187624A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN113379877A (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
EP4123605A2 (en) | Method of transferring image, and method and apparatus of training image transfer model | |
US20220375093A1 (en) | Image processing apparatus and operating method thereof | |
CN113421335B (zh) | 图像处理方法、图像处理装置、电子设备和存储介质 | |
CN115688917A (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN115222895A (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN115035173A (zh) | 基于帧间相关性的单目深度估计方法及系统 | |
CN111768466B (zh) | 图像填充方法、装置、设备及存储介质 | |
CN114529785A (zh) | 模型的训练方法、视频生成方法和装置、设备、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 |