CN113034393A - 照片修复方法、装置、设备以及存储介质 - Google Patents
照片修复方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113034393A CN113034393A CN202110317893.2A CN202110317893A CN113034393A CN 113034393 A CN113034393 A CN 113034393A CN 202110317893 A CN202110317893 A CN 202110317893A CN 113034393 A CN113034393 A CN 113034393A
- Authority
- CN
- China
- Prior art keywords
- photo
- old
- repaired
- sample
- face
- 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 85
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000008439 repair process Effects 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000004040 coloring Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 101100355584 Mus musculus Rad51 gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 5
- 101150079601 recA gene Proteins 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101150021083 recB gene Proteins 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种照片修复方法、装置、设备以及存储介质,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于图像处理场景下。该方法的一具体实施方式包括:获取待修复老照片,其中,待修复老照片包含人脸;利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。该实施方式能去掉老照片中的折痕、污渍和噪点,且学习门槛低,普通用户也可以使用。
Description
技术领域
本申请实施例涉及计算机领域,具体涉及计算机视觉和深度学习等人工智能领域,尤其涉及照片修复方法、装置、设备以及存储介质。
背景技术
通常一些老照片由于年代久远、保存不当等因素会出现照片泛黄、噪声多、划痕和污渍等问题。由于老照片寄托了人们的很多情感,因此如何对老照片进行修复变得十分有意义。现有的人工对老照片进行修复的方式,费时费力,而且有一定门槛,普通用户无法使用。
发明内容
本申请实施例提出了一种照片修复方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种照片修复方法,包括:获取待修复老照片,其中,待修复老照片包含人脸;利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
第二方面,本申请实施例提出了一种照片修复装置,包括:第一获取模块,被配置成获取待修复老照片,其中,待修复老照片包含人脸;修复模块,被配置成利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
第三方面,本申请实施例提出了一种电子设备,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如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面,本申请实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的照片修复方法、装置、设备以及存储介质,首先获取待修复老照片,其中,待修复老照片包含人脸;然后利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。本申请提供了一种照片修复方法,该方法能够去掉照片的折痕、污渍和噪点,且学习门槛低,普通用户也可以使用。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的照片修复方法的第一实施例的流程图;
图3是根据本申请的照片修复方法的第二实施例的流程图;
图4是全图修复模型的训练过程示意图;
图5是根据本申请的照片修复方法的第三实施例的流程图;
图6是根据本申请的照片修复方法的第四实施例的流程图;
图7是根据本申请的照片修复方法的实现流程图;
图8是根据本申请的照片修复装置的一个实施例的结构示意图;
图9是用来实现本申请实施例的照片修复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照片修复方法或照片修复装置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,网络104和服务器105。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。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通过网络104与服务器105交互,以接收或发送待修复老照片等。终端设备101、102、103上可以安装有各种客户端应用,例如拍摄软件等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,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。
服务器105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取到的待修复老照片进行处理,并生成处理结果(例如修复照片)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的照片修复方法一般由服务器105执行,相应地,照片修复装置一般设置于服务器105中。
应该理解,图1中的终端设备、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、网络和服务器。
继续参考图2,其示出了根据本申请的照片修复方法的第一实施例的流程200。该照片修复方法包括以下步骤:
步骤201,获取待修复老照片,其中,待修复老照片包含人脸。
在本实施例中,照片修复方法的执行主体(例如图1所示的服务器105)可以获取待修复老照片,获取方式可以是用户通过上传的方式,其中,待修复老照片包含人脸。应当说明的是,待修复老照片应该为包含人脸的老照片,因为老照片由于年代久远会出现折痕、污渍、噪点等问题,而本申请中的全图修复模型可以利用老照片中包含的人脸特征去掉老照片中的折痕、污渍、噪点等;若是包含人脸的新照片,则不需要使用全图修复模型来进行修复,直接对照片中的人脸部分进行检测和增强即可;另外若是照片中不包含人脸,无论该照片是新照片还是老照片,都不需要使用全图修复模型来进行修复。作为示例,可通过预先训练的新老照片二分类模型来判断该照片为新照片还是老照片,将照片输入至新老照片二分类模型中,就可以得到该照片为新照片还是老照片的判定结果。
步骤202,利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
在本实施例中,上述执行主体可以利用预先训练好的全图修复模型对步骤201获取的待修复老照片进行修复,从而得到修复照片。本实施例中的全图修复模型为一个改进的CycleGAN(Cycle Generative Adversarial Networks,循环生成对抗网络)模型。
CycleGAN模型总结构有四个网络,第一个网络为生成(转化)网络命名为G,将图像从源域A转换为目标域B,即A->B;第二个网络为生成(转化)网络命名为F,将图像从目标域B转换为源域A,即B->A;第三个网络为对抗网络命名为DA,鉴别输入图像是不是A;第四个网络为对抗网络命名为DB,鉴别输入图像是不是B。这四个网络仅有两个网络结构,即G和F都是生成(转化)网络,这两者的网络结构相同,DA和DB都是对抗性网络,这两者的网络结构相同。
作为示例,将本申请实施例中的待修复老照片a对应于域A,修复照片b对应于域B,G网络基于a生成一个伪修复照片fakeb,Db判断输入照片来自b还是fakeb,其中,生成器G的目标是其生成的样本fakeb和域B中的样本尽可能相似,判别器Db的输入有两种:b和fakeb,Db的优化目标是尽可能区分出b和fakeb。对于网络F和判别器Da也是同理,F网络基于b生成一个伪老照片fakea,Da判断输入照片来自a还是fakea,其中,生成器F的目标是其生成的样本fakea和域A中的样本尽可能相似,判别器Da的输入有两种:a和fakea,DA的优化目标是尽可能区分出a和fakea。
尽管上述的对抗性损失能够让生成器G和生成器F学习到域A和域B的分布,但是却没有保证从a得到fakeb时图像的内容不变,因为fakeb只需要符合域B分布即可,并没有对其施加约束,所以a到fakeb包含很多种可能的映射。为此,使用循环一致性损失来作为约束,使得G生成的fakeb在内容上仍然能和a保持一致。循环一致性的表述为:从a得到fakeb以后,再次将fakeb送入生成器F获得重建老照片F(fakeb),将其记为reca,同时约束重建老照片reca=a,这就是循环一致性(同理,约束重建修复照片G(fakea)=b)。
在CycleGAN模型中,损失函数一共有两类,分别是对抗损失和循环损失(又称为重建损失)。对抗损失分为生成器和判别器损失,循环损失分A->B和B->A的损失。对抗损失:生成器损失计算造假图像经过判别器判断为1的损失;判别器计算造假图像经过判别器判断为0的损失+真实图像经过判别器判断为1的损失。循环损失:分别计算待修复老照片a->重建老照片reca的(a,reca)L1损失以及修复照片b->重建修复照片recb(b,recb)的L1损失。
对于本实施例中的全图修复模型,希望把待修复老照片转换成类似新照片的感觉,处理掉老照片中的折痕、污渍、噪点等,因此,利用待修复老照片a与基于待修复老照片生成的重建老照片reca的人脸特征来计算重建损失。作为示例,可使用预先训练好的人脸识别模型来提取修复老照片a与重建老照片reca的人脸特征,将两个特征做差再求距离代替原来的将两个图像像素做差再求距离,通过提取a和reca两幅图像中的人脸特征,能使得a和reca中人还是那个人,但是减小了其他的约束,从而去掉老照片中的折痕、噪点、污渍等。
本申请实施例提供的照片修复方法,首先获取待修复老照片,其中,待修复老照片包含人脸;然后利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。本申请提供了一种照片修复方法,该方法通过全图修复模型对待修复老照片进行修复,修复过程无需人工参与,由AI(Artificial Intelligence,人工智能)自动修复,省时省力,且该方法学习门槛低,普通用户也可以使用;另外全图修复模型中使用样本老照片与样本重建老照片的人脸特征来计算重建损失,能够在保留老照片中人脸特征的前提下,去掉老照片中的折痕、污渍和噪点。
继续参考图3,图3示出了根据本申请的照片修复方法的第二实施例的流程300。该照片修复方法包括以下步骤:
步骤301,获取待修复照片。
在本实施例中,照片修复方法的执行主体可以获取待修复照片,获取的方式可以是用户上传的方式,在这里,待修复照片为包含人脸的黑白或彩色照片。
步骤302,将待修复照片输入至预先训练好的新老照片二分类模型中,确定待修复照片是否为老照片。
在本实施例中,上述执行主体在获取到待修复照片之后,会将待修复照片输入至预先训练好的新老照片二分类模型中,判断该待修复照片是否为老照片,并有针对性地进行处理。
在本实施例的一些可选实现方式中,新老照片二分类模型通过如下步骤训练得到的:获取训练样本集,其中,训练样本集中的训练样本包括样本老照片和样本新照片,其中,样本老照片包含人脸;将样本老照片作为输入,将样本新照片作为输出,训练得到该新老照片二分类模型。该新老照片二分类模型可对输入的照片进行判断,判断其是否为老照片。
步骤303,将待修复照片记为待修复老照片。
在本实施例中,若待修复照片是老照片,则将待修复照片记为待修复老照片。
步骤304,对待修复照片进行处理。
在本实施例中,若待修复照片不是老照片,则对待修复照片进行处理。作为示例,可对待修复照片进行人脸关键点检测及人脸分割,并使用预先训练好的人脸增强模型对其进行人脸增强,从而得到修复后的照片。
步骤305,对待修复老照片进行色彩增强。
在本实施例中,上述执行主体会对待修复老照片进行色彩增强。例如可使用预先训练好的色彩增强模型对待修复老照片进行色彩增强,从而使待修复老照片色彩更加丰富,色调、饱和度更高。
步骤306,利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片。
在本实施例中,上述执行主体可以利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。步骤306与前述实施例的步骤202相对应,具体实现方式可以参考前述对步骤202的描述,此处不再赘述。
在本实施例的一些可选实现方式中,全图修复模型的训练过程包括以下步骤:
①获取训练样本集,其中,训练样本集中的训练样本包括样本老照片和对应的样本修复照片。
可参考图4,图4是全图修复模型的训练过程示意图,如图4所示,首先会获取训练样本集,训练样本集中的训练样本包括样本老照片imageA和对应的样本修复照片imageB。
②将样本老照片和样本修复照片分别输入至CycleGAN模型中,得到样本重建老照片和样本重建修复照片。
将imageA输入至CycleGAN模型中,CycleGAN模型的生成器GA-B会基于imageA生成一个样本伪修复照片fakeB,判别器DB判断输入照片是来自fakeB还是imageB,直至无法区分出fakeB与imageB。另外,生成器GB-A会基于fakeB生成一个样本重建老照片recA。
将imageB输入至CycleGAN模型中,生成器GB-A会基于imageB生成一个样本伪老照片fakeA,判别器DA判断输入照片是来自fakeA还是imageA,直至无法区分出fakeA与imageA。另外,生成器GA-B会基于fakeA生成一个样本重建修复照片recB。
③利用预先训练好的人脸识别模型提取样本老照片与样本重建老照片的人脸特征。
利用预先训练好的人脸识别模型提取imageA和recA的人脸特征,以使得后续基于提取的人脸特征来计算重建损失。
④基于样本老照片与样本重建老照片的人脸特征计算第一重建损失。
利用提取的imageA和recA的人脸特征来计算第一重建损失,具体的,将imageA和recA的人脸特征做差,再求L1距离,从而得到第一重建损失。
⑤基于样本修复照片与样本重建修复照片的像素计算第二重建损失。
将imageB和recB的像素做差,再求L1距离,从而得到第二重建损失。
⑥基于第一重建损失和第二重建损失调整CycleGAN模型的参数,得到全图修复模型。
最后,基于第一重建损失和第二重建损失去调整CycleGAN模型的参数,得到全图修复模型。
通过上述步骤训练得到的全图修复模型能在保留imageA和recA中的人脸特征的前提下,对老照片imageA进行修复,并去掉imageA中的折痕、污渍和噪点。
本申请实施例提供的照片修复方法,首先获取待修复照片,然后将待修复照片输入至预先训练好的新老照片二分类模型中,确定待修复照片是否为老照片,若待修复照片是老照片,将待修复照片记为待修复老照片,并对待修复老照片进行色彩增强;若待修复照片不是老照片,对待修复照片进行处理,最后利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片。本实施例提供的照片修复方法,能基于预先训练好的新老照片二分类模型判断待修复照片是否为老照片,并针对性地进行修复,还能使用全图修复模型去掉老照片中的折痕、污渍和噪点,该修复方法学习门槛低,普通用户也可以使用。
继续参考图5,图5示出了根据本申请的照片修复方法的第三实施例的流程500。该照片修复方法包括以下步骤:
步骤501,获取待检测照片。
在本实施例中,照片修复方法的执行主体可以获取待检测照片。应该说明的是,本实施例中对待检测照片不做具体限定,待检测照片可以为用户想要进行检测或修复的彩色照片、黑白照片、包含人脸的照片、不包含人脸的照片、新照片、老照片等均可。
步骤502,确定待检测照片是否为彩色照片。
在本实施例中,上述执行主体会判断待检测照片是否为彩色照片。若待检测照片是为彩色照片,则继续执行步骤504。
步骤503,对待检测照片进行上色。
在本实施例中,若待检测照片不是彩色照片,则对待检测照片进行上色。例如可采用预先训练好的黑白图像转彩色图像模型来将待检测照片进行上色,将其转为彩色照片,以丰富待检测照片的色彩度。
步骤504,对待检测照片进行人脸检测,判断待检测照片中是否包含人脸。
在本实施例中,上述执行主体可以对上色后的待检测照片或彩色待检测照片进行人脸检测,以判断待检测照片是否包含人脸。作为示例,可采用预先训练好的人脸检测模型对待检测照片进行人脸检测,以判断待检测照片中是否包含人脸。
步骤505,将待检测照片记为待修复照片。
在本实施例中,若待检测照片中包含人脸,则将其记为待修复照片。
步骤506,输出上色后的待检测照片。
在本实施例中,若待检测照片中不包含人脸,则将上色后的待检测照片作为修复后的照片,直接输出。
步骤507,利用预先训练好的全图修复模型对待修复照片进行修复,得到修复照片。
在本实施例中,上述执行主体可以利用预先训练好的全图修复模型对步骤505获取的待修复照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。步骤507与前述实施例的步骤202相对应,具体实现方式可以参考前述对步骤202的描述,此处不再赘述。
本申请实施例提供的照片修复方法,首先获取待检测照片,并确定待检测照片是否为彩色照片,若待检测照片是彩色照片,则直接对待检测照片进行人脸检测;若待检测照片不是彩色照片,则对待检测照片进行上色,并对上色后的待检测照片进行人脸检测,判断待检测照片中是否包含人脸;若待检测照片中包含人脸,则将待检测照片记为待修复照片;若待检测照片中不包含人脸,则输出上色后的待检测照片;最后利用预先训练好的全图修复模型对待修复照片进行修复,得到修复照片。本申请提供的照片修复方法,能判断待检测照片是否是彩色照片,并会对黑白照片进行自动上色,使之变成彩色照片,还可以对待修复照片进行人脸检测,并使用全图修复模型对包含人脸的待修复照片进行修复,以在保留待修复照片中的人脸特征的前提下,去掉待修复照片中的折痕、污渍和噪点等。并且,该方法由AI自动对老照片进行修复,用户只需上传一张照片,即可得到修复后的照片,学习门槛低,普通用户也可以使用。
继续参考图6,图6示出了根据本申请的照片修复方法的第四实施例的流程600。该照片修复方法包括以下步骤:
步骤601,获取待修复老照片,其中,待修复老照片包含人脸。
步骤602,利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片。
在本实施例中,步骤601-602具体操作已在图2所示的实施例中步骤201-202进行了详细的介绍,在此不再赘述。
步骤603,对修复照片进行人脸关键点检测及人脸分割,并基于预先训练好的人脸增强模型对修复照片进行人脸增强,得到最终的修复照片。
在本实施例中,上述执行主体可以对步骤602得到的修复照片进行人脸关键点检测及人脸分割,并使用预先训练好的人脸增强模型对其进行人脸增强,从而得到最终的修复照片,并将其返回给用户。可选地,可使用预先训练好的人脸关键点检测和人脸分割模型对修复照片中的人脸部分进行人脸关键点检测及人脸分割,以基于检测和分割的结果,使用人脸增强模型有针对性地对人脸的各个部分进行增强,从而使得修复照片中的人脸更加清晰。
本申请实施例提供的照片修复方法,首先获取待修复老照片,其中,待修复老照片包含人脸,然后利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,最后对修复照片进行人脸关键点检测及人脸分割,并基于预先训练好的人脸增强模型对修复照片进行人脸增强,得到最终的修复照片。本申请提供的照片修复方法,能使用全图修复模型对待修复老照片进行修复,以去掉照片中的折痕、污渍和噪点,并对修复后的照片进行人脸增强,从而使老照片中的人脸更加清晰。另外,该方法由AI自动对老照片进行修复,用户只需上传一张照片,即可得到修复后的照片,学习门槛低,普通用户也可以使用。
继续参考图7,图7示出了根据本申请的照片修复方法的实现流程700,该照片修复方法包括以下步骤:
步骤701,接收用户输入的待检测照片。
步骤702,判断该待检测照片是否为彩色照片,若待检测照片不是彩色照片,则执行步骤703;若待检测照片是彩色照片,则执行步骤704。
步骤703,对待检测照片进行上色。
步骤704,对上色后的待检测照片进行人脸检测,判断待检测照片是否包含人脸。若检测出待检测照片中不包含人脸,则执行步骤709;若检测出待检测照片中包含人脸,则执行步骤705。
步骤705,将待检测照片输入至预先训练好的新老照片二分类模型中,以判断该待检测照片是否为老照片。若检测出待检测照片不是老照片,则执行步骤708;若该待检测照片是老照片,则执行步骤706。
步骤706,对待检测照片进行色彩增强,得到增强后的照片。
步骤707,使用全图修复模型对增强后的照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。全图修复模型能去掉老照片中的折痕、污渍和噪点。
步骤708,使用人脸关键点检测模型、人脸分割模型和人脸增强模型对修复照片中的人脸部分进行人脸关键点检测、人脸分割及人脸增强,以使照片中的人脸更加清晰,从而得到最终的修复后的照片。
步骤709,将最终的修复后的照片返回给用户。
本申请提供的老照片的修复方法,能判断待检测照片是否是黑白老照片,并会对黑白老照片进行自动上色,使之变成彩色照片,并对彩色照片进行色彩增强,以使彩色老照片色彩更加丰富,色调、饱和度更高,除此之外,还能通过全图修复模型去掉老照片中的折痕、污渍和噪点等,并对修复后的照片进行人脸增强,从而使老照片中的人脸更加清晰。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了一种照片修复装置的一个实施例,该装置实施例与图2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8所示,本实施例的照片修复装置800可以包括:第一获取模块801和修复模块802。其中,第一获取模块801,被配置成获取待修复老照片,其中,待修复老照片包含人脸;修复模块802,被配置成利用预先训练好的全图修复模型对待修复老照片进行修复,得到修复照片,其中,全图修复模型训练时利用样本老照片与基于样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
在本实施例中,照片修复装置800中:第一获取模块801和修复模块802的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,全图修复模型通过如下步骤训练得到的:获取训练样本集,其中,训练样本集中的训练样本包括样本老照片和对应的样本修复照片,样本老照片包含人脸;将样本老照片和样本修复照片分别输入至CycleGAN模型中,得到样本重建老照片和样本重建修复照片;利用预先训练好的人脸识别模型提取样本老照片与样本重建老照片的人脸特征;基于样本老照片与样本重建老照片的人脸特征计算第一重建损失;基于样本修复照片与样本重建修复照片的像素计算第二重建损失;基于第一重建损失和第二重建损失调整CycleGAN模型的参数,得到全图修复模型。
在本实施例的一些可选的实现方式中,该照片修复装置还包括:第二获取模块,被配置成获取待修复照片;第一确定模块,被配置成将待修复照片输入至预先训练好的新老照片二分类模型中,确定待修复照片是否为老照片;第二确定模块,被配置成响应于待修复照片是老照片,则将待修复照片记为待修复老照片。
在本实施例的一些可选的实现方式中,该照片修复装置还包括:第三获取模块,被配置成获取待检测照片;检测模块,被配置成对待检测照片进行人脸检测,响应于待检测照片包含人脸,将待检测照片记为待修复照片。
在本实施例的一些可选的实现方式中,该照片修复装置还包括:判断模块,被配置成确定待检测照片是否为彩色照片;上色模块,被配置成响应于待检测照片不是彩色照片,则对待检测照片进行上色。
在本实施例的一些可选的实现方式中,该照片修复装置还包括:增强模块,被配置成对待修复老照片进行色彩增强。
在本实施例的一些可选的实现方式中,该照片修复装置还包括:分割模块,被配置成对修复照片进行人脸关键点检测及人脸分割,并基于预先训练好的人脸增强模型对修复照片进行人脸增强。
根据本申请的实施例,本申请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9示出了可以用来实施本公开的实施例的示例电子设备900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/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如照片修复方法。例如,在一些实施例中,照片修复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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的照片修复方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行照片修复方法。
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,本发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 (17)
1.一种照片修复方法,包括:
获取待修复老照片,其中,所述待修复老照片包含人脸;
利用预先训练好的全图修复模型对所述待修复老照片进行修复,得到修复照片,其中,所述全图修复模型训练时利用样本老照片与基于所述样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
2.根据权利要求1所述的方法,其中,所述全图修复模型通过如下步骤训练得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括样本老照片和对应的样本修复照片;
将所述样本老照片和样本修复照片分别输入至循环生成对抗网络CycleGAN模型中,得到样本重建老照片和样本重建修复照片;
利用预先训练好的人脸识别模型提取所述样本老照片与所述样本重建老照片的人脸特征;
基于所述样本老照片与所述样本重建老照片的人脸特征计算第一重建损失;
基于所述样本修复照片与所述样本重建修复照片的像素计算第二重建损失;
基于所述第一重建损失和所述第二重建损失调整所述CycleGAN模型的参数,得到所述全图修复模型。
3.根据权利要求1所述的方法,其中,在所述获取待修复老照片之前,所述方法还包括:
获取待修复照片;
将所述待修复照片输入至预先训练好的新老照片二分类模型中,确定所述待修复照片是否为老照片;
响应于所述待修复照片是老照片,则将所述待修复照片记为待修复老照片。
4.根据权利要求3所述的方法,其中,所述方法还包括:
获取待检测照片;
对所述待检测照片进行人脸检测,响应于所述待检测照片包含人脸,将所述待检测照片记为待修复照片。
5.根据权利要求4所述的方法,其中,在所述对所述待检测照片进行人脸检测之前,所述方法还包括:
确定所述待检测照片是否为彩色照片;
响应于所述待检测照片不是彩色照片,则对所述待检测照片进行上色。
6.根据权利要求1-5任一项所述的方法,其中,在所述利用预先训练好的全图修复模型对所述待修复老照片进行修复之前,所述方法还包括:
对所述待修复老照片进行色彩增强。
7.根据权利要求6所述的方法,其中,在所述利用预先训练好的全图修复模型对所述待修复老照片进行修复,得到修复照片之后,所述方法还包括:
对所述修复照片进行人脸关键点检测及人脸分割,并基于预先训练好的人脸增强模型对所述修复照片进行人脸增强。
8.一种照片修复装置,包括:
第一获取模块,被配置成获取待修复老照片,其中,所述待修复老照片包含人脸;
修复模块,被配置成利用预先训练好的全图修复模型对所述待修复老照片进行修复,得到修复照片,其中,所述全图修复模型训练时利用样本老照片与基于所述样本老照片生成的样本重建老照片的人脸特征来计算重建损失。
9.根据权利要求8所述的装置,其中,所述全图修复模型通过如下步骤训练得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括样本老照片和对应的样本修复照片;
将所述样本老照片和样本修复照片分别输入至循环生成对抗网络CycleGAN模型中,得到样本重建老照片和样本重建修复照片;
利用预先训练好的人脸识别模型提取所述样本老照片与所述样本重建老照片的人脸特征;
基于所述样本老照片与所述样本重建老照片的人脸特征计算第一重建损失;
基于所述样本修复照片与所述样本重建修复照片的像素计算第二重建损失;
基于所述第一重建损失和所述第二重建损失调整所述CycleGAN模型的参数,得到所述全图修复模型。
10.根据权利要求8所述的装置,其中,所述装置还包括:
第二获取模块,被配置成获取待修复照片;
第一确定模块,被配置成将所述待修复照片输入至预先训练好的新老照片二分类模型中,确定所述待修复照片是否为老照片;
第二确定模块,被配置成响应于所述待修复照片是老照片,则将所述待修复照片记为待修复老照片。
11.根据权利要求10所述的装置,其中,所述装置还包括:
第三获取模块,被配置成获取待检测照片;
检测模块,被配置成对所述待检测照片进行人脸检测,响应于所述待检测照片包含人脸,将所述待检测照片记为待修复照片。
12.根据权利要求11所述的装置,其中,所述装置还包括:
判断模块,被配置成确定所述待检测照片是否为彩色照片;
上色模块,被配置成响应于所述待检测照片不是彩色照片,则对所述待检测照片进行上色。
13.根据权利要求8-12任一项所述的装置,其中,所述装置还包括:
增强模块,被配置成对所述待修复老照片进行色彩增强。
14.根据权利要求13所述的装置,其中,所述装置还包括:
分割模块,被配置成对所述修复照片进行人脸关键点检测及人脸分割,并基于预先训练好的人脸增强模型对所述修复照片进行人脸增强。
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,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317893.2A CN113034393A (zh) | 2021-03-25 | 2021-03-25 | 照片修复方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317893.2A CN113034393A (zh) | 2021-03-25 | 2021-03-25 | 照片修复方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034393A true CN113034393A (zh) | 2021-06-25 |
Family
ID=76473533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317893.2A Pending CN113034393A (zh) | 2021-03-25 | 2021-03-25 | 照片修复方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034393A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592732A (zh) * | 2021-07-19 | 2021-11-02 | 杨薇 | 基于大数据和智慧安防的图像处理方法 |
CN114627012A (zh) * | 2022-03-09 | 2022-06-14 | 上海应用技术大学 | 基于自动编码器的老照片复原方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
CN110428385A (zh) * | 2019-08-09 | 2019-11-08 | 南京工业大学 | 一种基于无监督对抗神经网络的sd-oct去噪方法 |
CN110889811A (zh) * | 2019-12-05 | 2020-03-17 | 中南大学 | 一种照片修复系统构建方法、照片修复方法及系统 |
CN111507138A (zh) * | 2019-01-31 | 2020-08-07 | 北京奇虎科技有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
CN111681182A (zh) * | 2020-06-04 | 2020-09-18 | Oppo广东移动通信有限公司 | 图片修复方法、装置、终端设备以及存储介质 |
CN112330574A (zh) * | 2020-11-30 | 2021-02-05 | 深圳市慧鲤科技有限公司 | 人像修复方法、装置、电子设备及计算机存储介质 |
WO2021023003A1 (zh) * | 2019-08-05 | 2021-02-11 | 深圳Tcl新技术有限公司 | 一种人脸转换模型的训练方法、存储介质及终端设备 |
-
2021
- 2021-03-25 CN CN202110317893.2A patent/CN113034393A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
CN111507138A (zh) * | 2019-01-31 | 2020-08-07 | 北京奇虎科技有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
WO2021023003A1 (zh) * | 2019-08-05 | 2021-02-11 | 深圳Tcl新技术有限公司 | 一种人脸转换模型的训练方法、存储介质及终端设备 |
CN110428385A (zh) * | 2019-08-09 | 2019-11-08 | 南京工业大学 | 一种基于无监督对抗神经网络的sd-oct去噪方法 |
CN110889811A (zh) * | 2019-12-05 | 2020-03-17 | 中南大学 | 一种照片修复系统构建方法、照片修复方法及系统 |
CN111681182A (zh) * | 2020-06-04 | 2020-09-18 | Oppo广东移动通信有限公司 | 图片修复方法、装置、终端设备以及存储介质 |
CN112330574A (zh) * | 2020-11-30 | 2021-02-05 | 深圳市慧鲤科技有限公司 | 人像修复方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
倪静媛;付剑锋;张旭洁;: "基于Hough模型的老照片划痕修复系统", 电脑编程技巧与维护, no. 07, pages 240 - 242 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592732A (zh) * | 2021-07-19 | 2021-11-02 | 杨薇 | 基于大数据和智慧安防的图像处理方法 |
CN114627012A (zh) * | 2022-03-09 | 2022-06-14 | 上海应用技术大学 | 基于自动编码器的老照片复原方法 |
CN114627012B (zh) * | 2022-03-09 | 2024-04-19 | 上海应用技术大学 | 基于自动编码器的老照片复原方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN109389096B (zh) | 检测方法和装置 | |
CN111275784A (zh) | 生成图像的方法和装置 | |
CN113034393A (zh) | 照片修复方法、装置、设备以及存储介质 | |
KR20160053749A (ko) | 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템 | |
CN113066034A (zh) | 人脸图像的修复方法与装置、修复模型、介质和设备 | |
CN111626956A (zh) | 图像去模糊方法和装置 | |
CN111861867A (zh) | 图像背景虚化方法和装置 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113177892A (zh) | 生成图像修复模型的方法、设备、介质及程序产品 | |
Agaian et al. | New haze removal scheme and novel measure of enhancement | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN115578614B (zh) | 图像处理模型的训练方法、图像处理方法和装置 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN110555799A (zh) | 用于处理视频的方法和装置 | |
CN114140320B (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
CN113361455B (zh) | 人脸鉴伪模型的训练方法、相关装置及计算机程序产品 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114882557A (zh) | 一种人脸识别方法和装置 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN116264606A (zh) | 用于处理视频的方法、设备和计算机程序产品 |
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 |