CN112862110B - 模型生成方法、装置和电子设备 - Google Patents
模型生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112862110B CN112862110B CN202110185658.4A CN202110185658A CN112862110B CN 112862110 B CN112862110 B CN 112862110B CN 202110185658 A CN202110185658 A CN 202110185658A CN 112862110 B CN112862110 B CN 112862110B
- Authority
- CN
- China
- Prior art keywords
- image
- real
- map
- conversion
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000006243 chemical reaction Methods 0.000 claims abstract description 157
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000009877 rendering Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 241000220223 Fragaria Species 0.000 description 5
- 235000016623 Fragaria vesca Nutrition 0.000 description 5
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 240000003768 Solanum lycopersicum Species 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开的实施例公开了模型生成方法、装置和电子设备。该方法的一具体实施方式包括：从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型；响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。由此，即使样本集合中的样本缺失对象的绘制图，仍然可以将初始模型训练为图像转换模型。
Description
技术领域
本公开的实施例涉及计算机技术领域，尤其涉及一种模型生成方法、装置和电子设备。
背景技术
实践中，可以利用多种类型的图像(例如，对象的手绘图、拍摄图)，体现对象的外貌特征。通常，不同类型的图像，体现出对象的外貌特征有所不同。
随着机器学习算法的发展，能够通过机器学习模型，将对象的真实图转换为该对象的手绘图。在相关技术中，机器学习的训练样本中，对象的手绘图和真实图一一对应。
发明内容
提供该公开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。该公开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。
本公开的实施例提供了一种模型生成方法、装置和电子设备，即使样本集合中的样本缺失对象的绘制图，仍然可以将初始模型训练为图像转换模型。
第一方面，本公开的实施例提供了一种模型生成方法，该方法包括：从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型；响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。
第二方面，本公开的实施例提供了一种图像生成方法，该方法包括：将第一图像输入至如上述第一方面所述方法训练生成的图像转换模型中，生成第二图像；第一图像和第二图像分别是绘制图和真实图；或者，第一图像和第二图像分别是真实图和绘制图。
第三方面，本公开的实施例提供了一种模型生成方法装置，该装置包括：选取单元，用于从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；第一执行单元，用于针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型；模型生成单元，用于响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。
第四方面，本公开的实施例提供了一种图像生成装置，该装置包括：图像生成单元，用于将第一图像输入至上述第一方面所述方法训练生成的图像转换模型中，生成第二图像；第一图像和第二图像分别是绘制图和真实图；或者，第一图像和第二图像分别是真实图和绘制图。
第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的模型生成方法，或者实现如第二方面所述的图像生成方法。
第六方面，本公开的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，该程序被处理器执行时实现如第一方面所述的模型生成方法的步骤，或者实现如第二方面所述的图像生成方法。
本公开的实施例提供的模型生成方法、装置和电子设备，样本集合中的样本包括第一类样本和第二类样本，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息。在从样本集合中选取目标样本后，可以针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型。响应于满足训练结束条件，可以将训练后的初始模型作为图像转换模型。由此，即使样本中缺失对象的绘制图，仍然能够训练出图像转换模型。从而，提供了一种训练图像转换模型的新方法。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的模型生成方法的一些实施例的流程图；
图2是根据本公开的模型生成方法的一些实施例中绘制图和真实图的示意图；
图3是根据本公开的模型生成方法的一些实施例的流程图；
图4是根据本公开的模型生成方法的一些实施例中执行训练步骤的示意图；
图5是根据本公开的图像生成方法的一些实施例的流程图；
图6A是根据本公开的模型生成装置的一些实施例的结构示意图；
图6B是根据本公开的图像生成装置的一些实施例的结构示意图；
图7是本公开的一些实施例的模型生成方法可以应用于其中的示例性系统架构；
图8是根据本公开的一些实施例提供的电子设备的基本结构的示意图。
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。
请参考图1，其示出了根据本公开的模型生成方法的一些实施例的流程。如图1所示，该模型生成方法，包括以下步骤：
步骤101，从样本集合中选取目标样本。
在本实施例中，模型生成方法的执行主体(例如，图7中所示的服务器701)可以从样本集合中选取目标样本。
样本集合是用于训练初始模型的多个样本形成的集合。样本集合中可以包括第一类样本和第二类样本。
第一类样本包括真实图和真实图所显示对象的第一类别信息。可见，第一类样本中缺少绘制图和第二类别信息。第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息。通常，同一个第二类样本包括的真实图和绘制图所显示的对象相同。
真实图可以是能够体现对象的真实特征的图像。例如，真实图可以是对象的拍摄图、软件合成图等。绘制图可以是绘制得到的对象的图像。例如，绘制图可以是对象的手绘图(例如，素描图)、软件绘制图等。通常，相比于绘制图，真实图能够体现出对象更多的特征。当然，真实图和绘制图也可以采用其它方式获取，此处不再一一列举。作为示例，图2A示出了一幅真实图，图2B示出了相应的绘制图。
第一对象类别可以是真实图所显示对象的对象类别。相应地，第一类别信息可以是表征第一对象类别的信息。第二对象类别可以是绘制图所显示对象的对象类别。相应地，第二类别信息可以是表征第二对象类别的信息。作为示例，真实图中显示的对象是“草莓”，相应地，该真实图所显示对象的第一对象类别是“草莓类别”。作为示例，绘制图中显示的对象是“飞机”，相应地，该绘制图所显示对象的第二对象类别是“飞机类别”。
在一些场景中，上述执行主体可以随机地从样本集合中选取目标样本。
步骤102，针对目标样本，执行训练步骤。
在本实施例中，上述执行主体可以针对选取的目标样本，执行训练步骤。训练步骤包括步骤1021和步骤1022。
步骤1021，基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图。
在本实施例中，上述执行主体可以基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图。
初始模型是为了训练图像转换模型所搭建的机器学习模型。
通常，目标绘制图所显示对象的类别信息和目标样本中的真实图像所显示对象的类别信息一致。在理想情况下，目标绘制图所显示对象和目标样本中的真实图所显示对象一致。
在一些场景中，初始模型包括绘制图生成器，上述执行主体可以利用绘制图生成器，将目标样本中的真实图转换为绘制图。如果目标样本是第一类样本，上述执行主体可以将转换后生成的绘制图作为目标绘制图。如果目标样本是第二类样本，上述执行主体可以将目标样本中的绘制图作为目标绘制图。
步骤1022，基于目标绘制图和目标样本中的真实图，训练初始模型。
在本实施例中，上述执行主体可以基于目标绘制图和目标样本中的真实图，训练初始模型。
在训练初始模型的过程中，需要调整初始模型的网络参数。
在执行上述训练步骤后，可以完成初始模型的一次训练。
步骤103，响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。
在本实施例中，响应于满足训练结束条件，上述执行主体可以将训练后的初始模型作为图像转换模型。
训练结束条件包括但不限于以下至少一者：训练时长超过预设时长，训练次数超过预设次数，产生的损失值符合预设损失条件。预设损失条件可以根据具体需求进行设置。例如，预设损失条件包括：产生的各个损失值的加权损失值小于预设的损失阈值。
在相关技术中，训练初始模型的每一个样本需要包括一一对应的真实图和手绘图(也即，同时包括同一个对象的真实图和绘制图)。如果样本中缺失对象的手绘图，则无法实现初始模型的训练。
在本实施例中，训练初始模型的样本包括第一类样本和第二类样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息。可见，第一类样本中缺失对象的绘制图。在训练初始模型的过程中，基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图，并且基于目标绘制图和目标样本中的真实图，训练初始模型。进一步，在满足训练结束条件时，将训练后的初始模型作为图像转换模型。由此，即使样本中缺失对象的手绘图，仍然能够将初始模型训练为图像转换模型。从而，提供了一种生成图像转换模型的新方法。
在一些实施例中，初始模型包括绘制图生成器和真实图生成器。初始模型包括绘制图生成器和真实图生成器。绘制图生成器可以是从真实图中转换绘制图的生成器。真实图生成器可以是将绘制图构建为真实图的生成器。
上述执行主体可以按照图3所示的流程，执行步骤1022。该流程包括步骤301和步骤302。
步骤301，基于目标绘制图和目标样本中的真实图，确定产生的损失值。
上述损失值包括训练过程中产生的至少一个损失值。
步骤302，基于上述损失值，调整绘制图生成器和真实图生成器的网络参数。
由此，通过训练中产生的损失值，联合训练绘制图生成器和真实图生成器。
在一些实施例中，上述执行主体可以按照如下方式，执行步骤301。
步骤3011，利用绘制图生成器，将目标样本中的真实图转换为转换绘制图。
转换绘制图可以是由真实图转换生成的绘制图。
在一些场景中，上述执行主体可以将目标样本中的真实图输入至绘制图生成器中，得到绘制图生成器输出的转换绘制图。
步骤3012，利用真实图生成器，将目标绘制图转换为第一转换真实图。
第一转换真实图可以是由目标绘制图转换生成的真实图。
在一些场景中，上述执行主体可以将目标绘制图输入至真实图生成器中，得到真实图生成器输出的第一转换真实图。
步骤3013，利用真实图生成器，将上述转换绘制图转换为第二转换真实图。
第二转换真实图可以是由上述转换绘制图转换生成的真实图。
在一些场景中，上述执行主体可以将上述转换绘制图输入至真实图生成器中，得到真实图生成器输出的第二转换真实图。
步骤3014，基于上述转换绘制图、第一转换真实图和第二转换真实图中的至少一者，确定上述损失值。
上述转换绘制图是由绘制图生成器所生成的，第一转换真实图和第二转换真实图是由真实图生成器所生成器。因此，基于上述转换绘制图、第一转换真实图和第二转换真实图，确定出的损失值，能够准确调整绘制图生成器和真实图生成器的网络参数。
在一些实施例中，初始模型还包括绘制图判别器。绘制图判别器用于确定第一置信度信息。第一置信度信息指示上述转换绘制图相对于目标绘制图的第一置信度。通常，第一置信度越高，上述转换绘制图和目标绘制图的绘制风格、绘制笔触、绘制对象形变程度等越接近。在这里，绘制对象形变程度可以是绘制图所显示对象相对于真实图所显示对象的形变程度。
上述执行主体可以按照如下方式，执行步骤3014。
第一步，利用绘制图判别器，确定转换绘制图相对于目标绘制图的第一置信度信息。
在一些场景中，上述执行主体可以将上述转换绘制图和目标绘制图输入至绘制图判别器中，得到绘制图判别器输出的第一置信度信息。
第二步，根据第一置信度信息，确定上述转换绘制图的第一图像损失值。
第一图像损失值可以是上述转换绘制图相对于目标绘制图的图像损失值。
上述步骤1022可以包括：基于第一图像损失值，调整绘制图判别器的网络参数。
不难发现，绘制图判别器与确定第一图像损失值的准确度密切相关。因此，基于所得到的第一图像损失值，调整绘制图判别器的网络参数，可以提升下一次训练中确定第一图像损失值的准确度。
在一些实施例中，初始模型还包括真实图判别器。真实图判别器用于确定第二置信度信息。第二置信度信息指示第一转换真实图相对于目标样本中的真实图的第二置信度。通常，第二置信度越高，上述第一转换真实图和目标样本中的真实图的图像特征越接近。
上述执行主体可以按照如下方式，执行步骤3014。
第一步，利用真实图判别器，确定第一转换真实图相对于目标样本中的真实图的第二置信度信息。
在一些场景中，上述执行主体可以将第一转换真实图和目标样本中的真实图输入至真实图判别器中，得到真实图判别器输出的第二置信度信息。
第二步，根据第二置信度信息，确定第一转换真实图的第二图像损失值。
第二图像损失值可以是第一转换真实图相对于目标样本中的真实图的图像损失值。
上述步骤1022可以包括：基于第二图像损失值，调整真实图判别器的网络参数。
不难发现，真实图判别器与确定第二图像损失值的准确度密切相关。因此，基于所得到的第二图像损失值，调整真实图判别器的网络参数，可以提升下一次训练中确定第二图像损失值的准确度。
在一些实施例中，初始模型还包括图像分类器。图像分类器用于确定真实图所显示对象的类别信息。
上述执行主体可以按照如下方式，执行步骤3014。
第一步，利用图像分类器，确定第一转换真实图所显示对象的目标第一类别信息。
可见，目标第一类别信息是第一转换真实图所显示对象的类别信息。
在一些场景中，上述执行主体可以将第一转换真实图输入至图像分类器中，得到图像分类器输出的目标第一类别信息。
第二步，根据目标第一类别信息和目标样本中的第一类别信息，确定第一转换真实图所显示对象相对于目标样本中的真实图所显示对象的类别损失值。
在一些场景中，上述执行主体可以利用损失函数，对目标第一类别信息和目标样本中的第一类别信息进行分析，确定出上述类别损失值。
通常，类别损失值越高，第一转换真实图所显示对象和目标样本中的真实图所显示对象的类别差距越大，反之，类别损失值越小，第一转换真实图所显示对象和目标样本中的真实图所显示对象的类别差距越小。作为示例，目标样本中的真实图显示“番茄对象”，第一转换真实图显示“苹果对象”，此时，“苹果对象”相对于“番茄对象”的类别损失值较大。
上述步骤1022可以包括：基于上述类别损失值，调整图像分类器的网络参数。
图像分类器与确定第一转换真实图所显示对象的类别损失值密切相关。因此，基于所得到的类别损失值，调整图像分类器的网络参数，可以提升下一次训练中确定第一转换真实图所显示对象的类别信息的准确度。
在一些实施例中，上述执行主体可以按照如下方式，执行步骤3014。
第一步，确定第二转换真实图的像素点特征和目标样本中的真实图的像素点特征。
像素点特征可以是图像所包括的像素点的特点。
在一些场景中，可以确定第二转换真实图包括的每一个像素点的像素点特证，以及确定目标样本中的真实图包括的每一个像素点的像素点特征。
实践中，像素点特征可以包括但不限于以下至少一者：像素点的灰度值，像素点的颜色值。通常，像素点的颜色值可以在RGB颜色空间、Lab颜色空间等颜色空间下获取。
第二步，根据第二转换真实图的像素点特征和目标样本中的真实图的像素点特征，确定第二转换真实图的第三图像损失值。
第三图像损失值可以是第二转换真实图相对于目标样本中的真实图的图像损失值。通常，第三图像损失值越小，意味着，第二转换真实图的像素点特征与目标样本中的真实图的像素点特征越接近。
在一些场景中，可以利用损失函数，对第二转换真实图的像素点特征和目标样本中的真实图的像素点特征进行分析，确定出第三图像损失值。
参见前述分析，利用绘制图生成器，将目标样本中的真实图转换为上述转换绘制图，利用真实图生成器，将上述转换绘制图转换为第二转换真实图。可见，第二转换真实图的生成，依赖于绘制图生成器和真实图生成器。由此，基于第三图像损失值，调整绘制图生成器和真实图生成器的网络参数，可以结合绘制图生成器和真实图生成器的依赖关系，实现二者的联合训练。从而，提升最终训练出的图像转换模型的转换准确度。
在一些实施例中，上述执行主体按照其它方式，执行步骤3012和/或步骤3013。
步骤3012可以包括：将目标绘制图和目标绘制图所显示对象的第二类别信息输入至真实图生成器中，生成第一转换真实图。
步骤3013可以包括：将转换绘制图和转换绘制图所显示对象的第二类别信息输入至真实图生成器中，生成第二转换真实图。
参见前述分析，上述转换绘制图由目标样本中的真实图转换生成。在一些场景中，在生成上述转换绘制图以后，可以将目标样本中的第一类别信息(也即，目标样本中的真实图所显示对象的类别信息)，复制为上述转换绘制图所显示对象的第二类别信息。
通常，结合绘制图所显示对象的类别信息，可以更加准确地将绘制图转换为对应的真实图。作为示例，绘制图显示“草莓对象”，结合“草莓对象类别”信息，可以更加准确地将该绘制图转换为显示“草莓对象”的真实图。
可见，结合目标绘制图所显示对象的第二类别信息，可以更加准确地将目标绘制图转换为第一转换真实图。同理，结合上述转换绘制图所显示对象的第二类别信息，可以更加准确地将上述转换绘制图转换为第二转换真实图。
在一些实施例中，上述执行主体还可以执行如下步骤。
具体地，将上述转换绘制图和上述转换绘制图所显示对象的第二类别信息关联存储至预定缓存区中。
在预定缓存区中，可以关联存储训练中产生的转换绘制图和转换绘制图所显示对象的类别信息。通常，初始模型需要经过多次训练。预定缓存区中存储的转换绘制图可以是先前训练(早于当前训练)中得到的转换绘制图。
由此，在初始模型的训练过程中，如果生成转换绘制图，可以将转换绘制图和转换绘制图所显示对象的类别信息关联存储至预定缓存区中。从而，在绘制图缺乏的情况下，扩充用于训练初始模型的绘制图。
在一些实施例中，训练中产生的损失值包括以下至少一者：上述转换绘制图的第一图像损失值；第一转换真实图的第二图像损失值；第一转换真实图所显示对象的类别损失值；第二转换真实图的第三图像损失值。
借助于多种损失值，可以更加准确地调整绘制图生成和真实图生成器的网络参数。从而，可以更加准确地训练绘制图生成器和真实图生成器。
在一些实施例中，上述执行主体可以按照如下方式，执行步骤302。
第一步，确定上述第一图像损失值、上述第二图像损失值、上述类别损失值和上述第三图像损失值的加权损失值。
作为示例，第一图像损失值L1、第二图像损失值L2、类别损失值L3和第三图像损失值L4的权重分别为W1、W2、W3和W4，相应地，加权损失值为“L1×W1+L2×W2+L3×W3+L4×W4”。
上述各个损失值的权重，可以根据具体需求进行设置，此处不做具体限定。
第二步，基于上述加权损失值，调整绘制图生成器和真实图生成器的网络参数。
损失值的权重可以体现损失值对于训练初始模型的重要程度。由此，基于上述各个损失值的加权损失值，调整绘制图生成和真实图生成器的网络参数，意味着，按照上述各个损失值的重要程度，调整绘制图生成器和真实图生成器的网络参数。从而，可以更加有针对性地调整绘制图生成器和真实图生成器的网络参数。
需要说明的是，计算第一图像损失值、第二图像损失值、第三图像损失值和类别损失值的损失函数可以是多种损失函数。例如，可以是绝对值损失函数、平方损失函数、指数损失函数、对数损失函数等。
需要说明的是，可以采用多种方式调整绘制图生成器、真实图生成器、绘制图判别器、真实图判别器和图像分类器的网络参数。例如，可以采用BP(Back Propgation，反向传播)算法、GD(Gradient Descent，梯度下降)算法等调整网络参数。
在一些实施例中，上述执行主体可以按照如下方式，执行上述步骤1021。
具体地，响应于目标样本属于第一类样本，从上述转换绘制图和预定缓存区中存储的多个转换绘制图中，确定目标绘制图。
目标样本属于第一类样本，意味着，目标样本中缺失用于训练初始模型的绘制图。
在一些场景中，上述执行主体可以随机地从上述转换绘制图和预定缓存区所存储的多个转换绘制图中选取一个绘制图，作为目标绘制图。
在一些场景中，上述执行主体可以按照预设的选取频率，从上述转换绘制图、预定缓存区所存储的多个转换绘制图中选取一个绘制图，作为目标绘制图。在这里，选取频率可以根据样本集合所包括的第一类样本和第二类样本的数量比例进行设置。例如，如果上述数量比例较大，可以设置选取频率较大，反之，可以设置选取频率较小。
在一些实施例中，上述执行主体可以按照如下方式，执行上述步骤1021。
具体地，响应于目标样本属于第二类样本，从上述转换绘制图、目标样本中的绘制图和预定缓存区所存储的多个转换绘制图中，确定目标绘制图。
与前述确定目标绘制图的方式类似，可以随机地或者按照选取频率，从上述转换绘制图、目标样本所包括的绘制图和预定缓存区所存储的多个转换绘制图中，选择一个绘制图，作为目标绘制图。
由此，训练初始模型的绘制图，并不局限于样本中的绘制图，还可以选取当前训练中得到的转换绘制图和先前训练中得到的转换绘制图。从而，可以克服训练样本中缺乏绘制图，造成无法训练初始模型的问题。
在一些实施例中，在步骤102之后，上述执行主体还可以执行以下步骤。
具体地，响应于未满足训练结束条件，从样本集合中重新选取目标样本，以及继续执行训练步骤。
由此，在不满足训练结束条件的前提下，针对重新选取的目标样本，继续训练初始模型，直至满足训练结束条件。通常，在满足训练结束条件时，可以将训练后的初始模型作为图像转换模型。
参见前述分析，上述执行主体可以针对从样本集合中选取的目标样本，执行训练步骤。下面结合图4，描述一些应用场景中执行训练步骤的方式。如图4所示，初始模型可以包括绘制图生成器401、绘制图判别器402、真实图生成器403、真实图判别器404和图像分类器405。
上述执行主体可以利用绘制图生成器401，将目标样本所包括的真实图406转换为转换绘制图407。上述执行主体可以基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图409。
上述执行主体可以利用绘制图判别器402，确定转换绘制图407相对于目标绘制图409的第一置信度信息(图4中未示出)。并且，可以根据该第一置信度信息，确定转换绘制图407的第一图像损失值408。进一步，可以基于第一图像损失值408，调整绘制图判别器402的网络参数。
上述执行主体可以利用真实图生成器403，将目标绘制图409转换为第一转换真实图410。可以利用真实图判别器404，确定第一转换真实图410相对于目标样本中的真实图406的第二置信度信息(图4中未示出)。并且，可以根据该第二置信度信息，确定第一转换真实图410的第二图像损失值411。进一步，可以基于第二图像损失值411，调整真实图判别器404的网络参数。
上述执行主体可以利用图像分类器405，确定第一转换真实图410所显示对象的目标第一类别信息(图4中未示出)。可以根据目标第一类别信息和目标样本中的第一类别信息，确定第一转换真实图像410所显示对象相对于目标样本中的真实图所显示对象的类别损失值414。进一步，可以基于类别损失值414，调整图像分类器405的网络参数。
上述执行主体可以利用真实图生成器403，将转换绘制图407转换为第二转换真实图412。可以分别确定第二转换真实图412的像素点特征(图4中未示出)和目标样本中的真实图406的像素点特征(图4中未示出)。进一步，可以根据第二转换真实图412的像素点特征和目标样本中的真实图406的像素点特征，确定第二转换真实图412的第三图像损失值413。
由此，上述执行主体可以基于第一图像损失值408、第二图像损失值411、第三图像损失值413和类别损失值414，调整绘制图生成器401和真实图生成器403的网络参数。从而，可以实现绘制图生成器401和真实图生成器403的联合训练。
本公开还提供了一种图像生成方法。图5示出了该图像生成方法的一些实施例的流程，该流程包括以下步骤：
步骤501，将第一图像输入至上述训练生成的图像转换模型中，生成第二图像。
在本实施例中，图像生成方法的执行主体(例如，图7所示的服务器702或者终端设备703)可以将第一图像输入至图像转换模型中，得到图像转换模型输出的第二图像。
实践中，图像转换模型的输入和输出可以根据具体需求，进行设置。
可选地，第一图像和第二图像分别是绘制图和真实图。作为示例，如果将图2B所示的绘制图输入至图像转换模型中，图像转换模型可以输出如图2A所示的真实图。在这里，图像转换模型可以通过所包括的真实图生成器，将输入的绘制图转换为真实图。
可选地，第一图像和第二图像分别是真实图和绘制图。作为示例，如果将图2A所示的真实图输入至图像转换模型中，图像转换模型可以输出如图2B所示的绘制图。在这里，图像转换模型可以通过所包括的绘制图生成器，将输入的真实图转换为绘制图。
由此，通过图像转换模型，可以实现绘制图转换为真实图，或者实现真实图转换为绘制图。
请参考图6A，作为对上述模型生成方法的实现，本公开提供了一种模型生成装置的一些实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的模型生成装置包括：选取单元601、第一执行单元602和模型生成单元603。选取单元601用于：从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息。第一执行单元602用于：针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型。模型生成单元603用于：响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。
在本实施例中，模型生成装置的选取单元601、第一执行单元602和模型生成单元603的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明，在此不再赘述。
在一些实施例中，初始模型包括绘制图生成器和真实图生成器。第一执行单元602进一步用于：基于目标绘制图和目标样本中的真实图，确定产生的损失值；基于上述损失值，调整绘制图生成器和真实图生成器的网络参数。
在一些实施例中，第一执行单元602进一步用于：利用绘制图生成器，将目标样本中的真实图转换为转换绘制图；利用真实图生成器，将目标绘制图转换为第一转换真实图；利用真实图生成器，将上述转换绘制图转换为第二转换真实图；基于上述转换绘制图、第一转换真实图和第二转换真实图中的至少一者，确定上述损失值。
在一些实施例中，初始模型还包括绘制图判别器。第一执行单元602进一步用于：利用绘制图判别器，确定上述转换绘制图相对于目标绘制图的第一置信度信息；根据第一置信度信息，确定上述转换绘制图的第一图像损失值。第一执行单元602进一步用于：基于第一图像损失值，调整绘制图判别器的网络参数。
在一些实施例中，初始模型还包括真实图判别器。第一执行单元602进一步用于：利用真实图判别器，确定第一转换真实图相对于目标样本中的真实图的第二置信度信息；根据第二置信度信息，确定第一转换真实图的第二图像损失值。第一执行单元602进一步用于：基于第二图像损失值，调整真实图判别器的网络参数。
在一些实施例中，初始模型还包括图像分类器。第一执行单元602进一步用于：利用图像分类器，确定第一转换真实图所显示对象的目标第一类别信息；根据目标第一类别信息和目标样本中的第一类别信息，确定第一转换真实图所显示对象相对于目标样本中的真实图所显示对象的类别损失值。第一执行单元602进一步用于：基于上述类别损失值，调整图像分类器的网络参数。
在一些实施例中，第一执行单元602进一步用于：确定第二转换真实图的像素点特征和目标样本中的真实图的像素点特征；根据第二转换真实图的像素点特征和目标样本中的真实图的像素点特征，确定第二转换真实图的第三图像损失值。
在一些实施例中，第一执行单元602进一步用于：将目标绘制图和目标绘制图所显示对象的第二类别信息输入至真实图生成器中，生成第一转换真实图；和/或，将上述转换绘制图和转换绘制图所显示对象的第二类别信息输入至真实图生成器中，生成第二转换真实图。
在一些实施例中，模型生成装置还包括存储单元(图中未示出)。存储单元用于：将上述转换绘制图和上述转换绘制图所显示对象的第二类别信息关联存储至预定缓存区中。
在一些实施例中，上述损失值包括以下至少一者：上述转换绘制图的第一图像损失值；第一转换真实图的第二图像损失值；第一转换真实图所显示对象的类别损失值；第二转换真实图的第三图像损失值。
在一些实施例中，第一执行单元602进一步用于：确定第一图像损失值、第二图像损失值、上述类别损失值和第三图像损失值的加权损失值；基于上述加权损失值，调整绘制图生成器和真实图生成器的网络参数。
在一些实施例中，第一执行单元602进一步用于：响应于目标样本属于第一类样本，从上述转换绘制图和预定缓存区中存储的多个转换绘制图中，确定目标绘制图。
在一些实施例中，第一执行单元602进一步用于：响应于目标样本属于第二类样本，从上述转换绘制图、目标样本中的绘制图和预定缓存区所存储的多个转换绘制图中，确定目标绘制图。
在一些实施例中，模型生成装置还包括第二执行单元(图中未示出)。第二执行单元用于：响应于未满足训练结束条件，从样本集合中重新选取目标样本，以及继续执行训练步骤。
请参考图6B，作为对上述图像生成方法的实现，本公开提供了一种图像生成装置的一些实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6B所示，本实施例的图像生成装置包括图像生成单元604。图像生成单元604用于：将第一图像输入至训练生成的图像转换模型中，生成第二图像；第一图像和第二图像分别是绘制图和真实图；或者，第一图像和第二图像分别是真实图和绘制图。
进一步参考图7，图7示出了本公开的一些实施例的模型生成方法可以应用于其中的示例性系统架构。如图7所示，系统架构可以包括服务器701、服务器702和终端设备703。
服务器701可以通过网络与服务器702、终端设备703进行交互。实践中，网络可以采用有线、无线通信链路或者光纤电缆等各种连接类型。
服务器701和服务器702可以是硬件，也可以是软件。当服务器701和服务器702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701和服务器702为软件时，可以实现成多个软件或软件模块(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。
服务器701可以是提供各种服务的服务器。在一些场景中，服务器701可以按照前述实施例所示的模型生成方法，将初始模型训练为图像转换模型。
终端设备703上可以安装有各种客户端应用。例如，终端设备703上可以安装有图像处理类应用。
终端设备703可以是硬件，也可以是软件。当终端设备703为硬件时，可以是具有显示屏并且支持信息交互的各种电子设备，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703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，也可以实现成单个软件或软件模块。在此不做具体限定。
在一些场景中，在生成图像转换模型后，服务器701可以将图像转换模型的网络参数发送至服务器702或者终端设备703。进一步，服务器702或者终端设备703，可以按照前述实施例所示的图像生成方法，利用图像转换模型，将第一图像转换为第二图像。
需要说明的是，在将初始模型训练为图像转换模型后，服务器701可以在本地利用图像转换模型，将第一图像转换为第二图像。此时，图7所示的系统架构图中可以不包括服务器702和终端设备703。
需要说明的是，本公开的实施例所提供的模型生成方法可以由服务器701执行，相应地，模型生成装置可以设置在服务器701中。
应该理解，图7中的终端设备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和服务器。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图7中的服务器或者终端设备)的结构示意图。本公开的一些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8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。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备，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。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801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，本公开的一些实施例所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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；针对目标样本，执行训练步骤：基于目标样本属于第一类样本或者第二类样本，确定用于训练初始模型的目标绘制图；基于目标绘制图和目标样本中的真实图，训练初始模型；响应于满足训练结束条件，将训练后的初始模型作为图像转换模型。
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：将第一图像输入至图像转换模型中，生成第二图像；第一图像和第二图像分别是绘制图和真实图；或者，第一图像和第二图像分别是真实图和绘制图。
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一些实施例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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，选取单元还可以被描述为“从样本集合中选取目标样本”的单元。
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。
以上描述仅为本公开的一些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，本公开的实施例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所公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (19)
1.一种模型生成方法，其特征在于，包括：
从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；
针对所述目标样本，执行训练步骤：基于所述目标样本属于所述第一类样本或者所述第二类样本，确定用于训练初始模型的目标绘制图；基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型；
响应于满足训练结束条件，将训练后的所述初始模型作为图像转换模型。
2.根据权利要求1所述的方法，其特征在于，所述初始模型包括绘制图生成器和真实图生成器；
所述基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型，包括：
基于所述目标绘制图和所述目标样本中的真实图，确定产生的损失值；
基于所述损失值，调整所述绘制图生成器和所述真实图生成器的网络参数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标绘制图和所述目标样本中的真实图，确定产生的损失值，包括：
利用所述绘制图生成器，将所述目标样本中的真实图转换为转换绘制图；
利用所述真实图生成器，将所述目标绘制图转换为第一转换真实图；
利用所述真实图生成器，将所述转换绘制图转换为第二转换真实图；
基于所述转换绘制图、所述第一转换真实图和所述第二转换真实图中的至少一者，确定所述损失值。
4.根据权利要求3所述的方法，其特征在于，所述初始模型还包括绘制图判别器；以及
所述基于所述转换绘制图、所述第一转换真实图和所述第二转换真实图中的至少一者，确定所述损失值，包括：
利用所述绘制图判别器，确定所述转换绘制图相对于所述目标绘制图的第一置信度信息；
根据所述第一置信度信息，确定所述转换绘制图的第一图像损失值；以及
所述基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型，还包括：
基于所述第一图像损失值，调整所述绘制图判别器的网络参数。
5.根据权利要求3所述的方法，其特征在于，所述初始模型还包括真实图判别器；以及
所述基于所述转换绘制图、所述第一转换真实图和所述第二转换真实图中的至少一者，确定所述损失值，包括：
利用所述真实图判别器，确定所述第一转换真实图相对于所述目标样本中的真实图的第二置信度信息；
根据所述第二置信度信息，确定所述第一转换真实图的第二图像损失值；以及
所述基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型，还包括：
基于所述第二图像损失值，调整所述真实图判别器的网络参数。
6.根据权利要求3所述的方法，其特征在于，所述初始模型还包括图像分类器；以及
所述基于所述转换绘制图、所述第一转换真实图和所述第二转换真实图中的至少一者，确定所述损失值，包括：
利用所述图像分类器，确定所述第一转换真实图所显示对象的目标第一类别信息；
根据所述目标第一类别信息和所述目标样本中的第一类别信息，确定所述第一转换真实图所显示对象相对于所述目标样本中的真实图所显示对象的类别损失值；以及
所述基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型，还包括：
基于所述类别损失值，调整所述图像分类器的网络参数。
7.根据权利要求3所述的方法，其特征在于，所述基于所述转换绘制图、所述第一转换真实图和所述第二转换真实图中的至少一者，确定所述损失值，包括：
确定所述第二转换真实图的像素点特征和所述目标样本中的真实图的像素点特征；
根据所述第二转换真实图的像素点特征和所述目标样本中的真实图的像素点特征，确定所述第二转换真实图的第三图像损失值。
8.根据权利要求3所述的方法，其特征在于，所述利用所述真实图生成器，将所述目标绘制图转换为第一转换真实图，包括：
将所述目标绘制图和所述目标绘制图所显示对象的第二类别信息输入至所述真实图生成器中，生成所述第一转换真实图；和/或
所述利用所述真实图生成器，将所述转换绘制图转换为第二转换真实图，包括：
将所述转换绘制图和所述转换绘制图所显示对象的第二类别信息输入至所述真实图生成器中，生成所述第二转换真实图。
9.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述转换绘制图和所述转换绘制图所显示对象的第二类别信息关联存储至预定缓存区中。
10.根据权利要求3所述的方法，其特征在于，所述损失值包括以下至少一者：所述转换绘制图的第一图像损失值；所述第一转换真实图的第二图像损失值；所述第一转换真实图所显示对象的类别损失值；所述第二转换真实图的第三图像损失值。
11.根据权利要求10所述的方法，其特征在于，所述基于所述损失值，调整所述绘制图生成器和所述真实图生成器的网络参数，包括：
确定所述第一图像损失值、所述第二图像损失值、所述类别损失值和所述第三图像损失值的加权损失值；
基于所述加权损失值，调整所述绘制图生成器和所述真实图生成器的网络参数。
12.根据权利要求3所述的方法，其特征在于，所述基于所述目标样本属于所述第一类样本或者所述第二类样本，确定用于训练初始模型的目标绘制图，包括：
响应于所述目标样本属于所述第一类样本，从所述转换绘制图和预定缓存区中存储的多个转换绘制图中，确定所述目标绘制图。
13.根据权利要求3所述的方法，其特征在于，所述基于所述目标样本属于所述第一类样本或者所述第二类样本，确定用于训练初始模型的目标绘制图，包括：
响应于所述目标样本属于所述第二类样本，从所述转换绘制图、所述目标样本中的绘制图和预定缓存区所存储的多个转换绘制图中，确定所述目标绘制图。
14.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于未满足所述训练结束条件，从所述样本集合中重新选取目标样本，以及继续执行所述训练步骤。
15.一种图像生成方法，其特征在于，包括：
将第一图像输入至如权利要求1-14中任一所述方法训练生成的图像转换模型中，生成第二图像；
所述第一图像和所述第二图像分别是绘制图和真实图；或者，所述第一图像和所述第二图像分别是真实图和绘制图。
16.一种模型生成装置，其特征在于，包括：
选取单元，用于从样本集合中选取目标样本，其中，第一类样本包括真实图和真实图所显示对象的第一类别信息，第二类样本包括真实图、第一类别信息、绘制图和绘制图所显示对象的第二类别信息；
第一执行单元，用于针对所述目标样本，执行训练步骤：基于所述目标样本属于所述第一类样本或者所述第二类样本，确定用于训练初始模型的目标绘制图；基于所述目标绘制图和所述目标样本中的真实图，训练所述初始模型；
模型生成单元，用于响应于满足训练结束条件，将训练后的所述初始模型作为图像转换模型。
17.一种图像生成装置，其特征在于，包括：
图像生成单元，用于将第一图像输入至如权利要求1-14中任一所述方法训练生成的图像转换模型中，生成第二图像；
所述第一图像和所述第二图像分别是绘制图和真实图；或者，所述第一图像和所述第二图像分别是真实图和绘制图。
18.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法，或者实现如权利要求15所述的方法。
19.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-14中任一所述的方法，或者实现如权利要求15所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185658.4A CN112862110B (zh) | 2021-02-11 | 2021-02-11 | 模型生成方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185658.4A CN112862110B (zh) | 2021-02-11 | 2021-02-11 | 模型生成方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862110A CN112862110A (zh) | 2021-05-28 |
| CN112862110B true CN112862110B (zh) | 2024-01-30 |
Family
ID=75987994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110185658.4A Active CN112862110B (zh) | 2021-02-11 | 2021-02-11 | 模型生成方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862110B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816589A (zh) * | 2019-01-30 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成漫画风格转换模型的方法和装置 |
| CN110163222A (zh) * | 2018-10-08 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种图像识别的方法、模型训练的方法以及服务器 |
| CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
| CN110659727A (zh) * | 2019-09-24 | 2020-01-07 | 中国科学技术大学 | 一种基于草图的图像生成方法 |
| CN110705625A (zh) * | 2019-09-26 | 2020-01-17 | 北京奇艺世纪科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111091493A (zh) * | 2019-12-24 | 2020-05-01 | 北京达佳互联信息技术有限公司 | 图像翻译模型训练方法、图像翻译方法及装置和电子设备 |
| CN111210382A (zh) * | 2020-01-03 | 2020-05-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
| CN111667007A (zh) * | 2020-06-08 | 2020-09-15 | 大连民族大学 | 一种基于对抗生成网络的人脸铅笔画图像生成方法 |
| CN111915701A (zh) * | 2020-08-17 | 2020-11-10 | 腾讯科技（上海）有限公司 | 一种基于人工智能的按钮图像生成方法和装置 |
| CN112035046A (zh) * | 2020-09-10 | 2020-12-04 | 脸萌有限公司 | 榜单信息显示方法、装置、电子设备及存储介质 |
| CN112132208A (zh) * | 2020-09-18 | 2020-12-25 | 北京奇艺世纪科技有限公司 | 图像转换模型的生成方法、装置、电子设备及存储介质 |
| CN112149699A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205813B (zh) * | 2016-12-16 | 2022-06-03 | 微软技术许可有限责任公司 | 基于学习网络的图像风格化 |
| CN108090508B (zh) * | 2017-12-12 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 一种分类训练方法、装置及存储介质 |
| CN109816764B (zh) * | 2019-02-02 | 2021-06-25 | 深圳市商汤科技有限公司 | 图像生成方法及装置、电子设备和存储介质 |
-
2021
- 2021-02-11 CN CN202110185658.4A patent/CN112862110B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163222A (zh) * | 2018-10-08 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种图像识别的方法、模型训练的方法以及服务器 |
| CN109816589A (zh) * | 2019-01-30 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成漫画风格转换模型的方法和装置 |
| CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
| CN112149699A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
| CN110659727A (zh) * | 2019-09-24 | 2020-01-07 | 中国科学技术大学 | 一种基于草图的图像生成方法 |
| CN110705625A (zh) * | 2019-09-26 | 2020-01-17 | 北京奇艺世纪科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111091493A (zh) * | 2019-12-24 | 2020-05-01 | 北京达佳互联信息技术有限公司 | 图像翻译模型训练方法、图像翻译方法及装置和电子设备 |
| CN111210382A (zh) * | 2020-01-03 | 2020-05-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
| CN111667007A (zh) * | 2020-06-08 | 2020-09-15 | 大连民族大学 | 一种基于对抗生成网络的人脸铅笔画图像生成方法 |
| CN111915701A (zh) * | 2020-08-17 | 2020-11-10 | 腾讯科技（上海）有限公司 | 一种基于人工智能的按钮图像生成方法和装置 |
| CN112035046A (zh) * | 2020-09-10 | 2020-12-04 | 脸萌有限公司 | 榜单信息显示方法、装置、电子设备及存储介质 |
| CN112132208A (zh) * | 2020-09-18 | 2020-12-25 | 北京奇艺世纪科技有限公司 | 图像转换模型的生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| Xiaoyu Xiang等.Adversial Open Domain Adaptation for Sketch-to-Photo Synthesis.《Proceedings of the IEEE/CVF Winter Conference on Applications of Comoputer Vision》.2021,1434-1444. * |
| Zeyu Li等.Staged Sketch-to-Image Synthesis via Semi-supervised Generative Adversarial Networks.《IEEE Transaction on Multimedia》.2020,第23卷2694-2705. * |
| 基于GAN的图像风格迁移研究;师永超等;《电子技术与软件工程》(第16期);140-143 * |
| 基于改进的CycleGAN模型的非配对的图像到图像的转换;何剑华等;《玉林师范学院学报》;第39卷(第2期);第2节，图4 * |
| 基于无监督生成对抗网络的人脸素描图像真实化;陈金龙等;《计算机工程与科学》;第43卷(第1期);第3.5节 * |
| 基于未配对数据的图像到图像转换;吴雪辉;《中国优秀硕士学位论文全文数据库（信息科技辑）》(第7期);I138-1272 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862110A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111475298B (zh) | 任务处理方法、装置、设备及存储介质 | |
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| KR20200109230A (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
| CN110021052B (zh) | 用于生成眼底图像生成模型的方法和装置 | |
| CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN110765752B (zh) | 试题的生成方法、装置、电子设备及计算机可读存储介质 | |
| CN112800276A (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN111652675A (zh) | 展示方法、装置和电子设备 | |
| CN113722738B (zh) | 数据保护方法、装置、介质及电子设备 | |
| CN111862081B (zh) | 图像评分方法、分数预测网络的训练方法、装置 | |
| WO2024001961A1 (zh) | 一种扫描图像渲染方法、装置、电子设备及存储介质 | |
| CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
| CN115022328B (zh) | 服务器集群以及服务器集群的测试方法、装置和电子设备 | |
| CN112862110B (zh) | 模型生成方法、装置和电子设备 | |
| CN111292406A (zh) | 模型渲染方法、装置、电子设备及介质 | |
| CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
| CN110689285A (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
| CN113792869B (zh) | 基于神经网络芯片的视频处理方法、装置和电子设备 | |
| CN114723600A (zh) | 美妆特效的生成方法、装置、设备、存储介质和程序产品 | |
| CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
| CN117373024B (zh) | 标注图像生成方法、装置、电子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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |