CN113436062A - 图像风格迁移方法、装置、电子设备及存储介质 - Google Patents
图像风格迁移方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113436062A CN113436062A CN202110858104.6A CN202110858104A CN113436062A CN 113436062 A CN113436062 A CN 113436062A CN 202110858104 A CN202110858104 A CN 202110858104A CN 113436062 A CN113436062 A CN 113436062A
- Authority
- CN
- China
- Prior art keywords
- image
- style
- trained
- resolution
- sample
- 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
- 230000005012 migration Effects 0.000 title claims abstract description 248
- 238000013508 migration Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 67
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像风格迁移方法、装置、电子设备及存储介质，所述方法包括：获取待处理图像；对所述待处理图像进行图像下采样处理，得到下采样后图像；将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。采用本公开实现在几乎不损失风格化迁移效果的前提下提高图像风格化迁移效率。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像风格迁移方法、装置、电子设备及存储介质。
背景技术
图像风格迁移是将一张图像在保持内容不变的同时换成另一种风格，使普通的人或景物图片转换为各种艺术风格效果，比如手绘风格、动画(二次元)风格等，此技术可广泛应用于图像处理、计算机图片合成和计算机视觉等方面。
相关技术中，目前的图像风格的图像方法，一般是通过训练好的神经网络直接将输入图像转换为低分辨率的目标风格图像，再基于低分辨率的目标风格图像生成最终的风格迁移结果，由于神经网络生成的是具有具体风格特征的图像，这使得该神经网络具有较大的数据计算量，增加了生成风格化结果所需时间，使得在显示风格迁移结果时容易出现卡顿感和延迟感，降低了图像风格迁移的效率。
发明内容
本公开提供一种图像风格迁移方法、装置、电子设备及存储介质，以至少解决相关技术中图像风格迁移效率不高的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像风格迁移方法，所述方法包括：
获取待处理图像；
对所述待处理图像进行图像下采样处理，得到下采样后图像；
将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；
对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。
在一种可能实现方式中，所述对所述风格迁移特征图进行超分辨率处理，得到目标风格图像，包括：
将所述风格迁移特征图输入至预训练的超分辨率图像滤波器，生成所述目标风格图像；其中，所述预训练的超分辨率图像滤波器用于对所述风格迁移特征图进行解码处理，得到所述目标风格图像。
在一种可能实现方式中，所述方法还包括：
获取训练样本集；每个所述训练样本包括样本图像以及所述样本图像对应的样本风格图像；其中，所述样本风格图像的图像风格与所述目标图像风格相同；所述样本风格图像的分辨率等于所述目标风格图像的分辨率；
基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；
当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一种可能实现方式中，所述基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练，包括：
对所述样本图像进行图像下采样处理，得到下采样后样本图像；其中，所述下采样后样本图像的分辨率与所述下采样后图像的分辨率相同；
将所述下采样后样本图像输入至所述待训练的风格迁移网络，得到中间特征图；
将所述中间特征图输入至所述待训练的超分辨率图像滤波器，生成预测风格图像；
根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
在一种可能实现方式中，所述根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练，包括：
获取所述预测风格图像与所述样本风格图像之间的差异；
基于所述差异，对所述待训练的风格迁移网络的参数和所述待训练的超分辨率图像滤波器的参数进行同步调整，直到得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一种可能实现方式中，所述获取所述预测风格图像与所述样本风格图像之间的差异，包括：
获取所述预测风格图像与所述样本风格图像之间的图像分辨率差异，以及，获取所述预测风格图像与所述样本风格图像之间的图像内容差异；
结合所述图像分辨率差异和所述图像内容差异，得到所述预测风格图像与所述样本风格图像之间的差异。
根据本公开实施例的第二方面，提供一种图像风格迁移装置，包括：
获取单元，被配置为执行获取待处理图像；
下采样单元，被配置为执行对所述待处理图像进行图像下采样处理，得到下采样后图像；
风格化单元，被配置为执行将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；
超分单元，被配置为执行对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。
在一种可能实现方式中，所述超分单元，具体被配置为执行将所述风格迁移特征图输入至预训练的超分辨率图像滤波器，生成所述目标风格图像；其中，所述预训练的超分辨率图像滤波器用于对所述风格迁移特征图进行解码处理，得到所述目标风格图像。
在一种可能实现方式中，所述装置还包括：样本获取单元，被配置为执行获取训练样本集；每个所述训练样本包括样本图像以及所述样本图像对应的样本风格图像；其中，所述样本风格图像的图像风格与所述目标图像风格相同；所述样本风格图像的分辨率等于所述目标风格图像的分辨率；训练单元，被配置为执行基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；确定单元，被配置为执行当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一种可能实现方式中，所述训练单元，具体被配置为执行对所述样本图像进行图像下采样处理，得到下采样后样本图像；其中，所述下采样后样本图像的分辨率与所述下采样后图像的分辨率相同；将所述下采样后样本图像输入至所述待训练的风格迁移网络，得到中间特征图；将所述中间特征图输入至所述待训练的超分辨率图像滤波器，生成预测风格图像；根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
在一种可能实现方式中，所述训练单元，具体被配置为执行获取所述预测风格图像与所述样本风格图像之间的差异；基于所述差异，对所述待训练的风格迁移网络的参数和所述待训练的超分辨率图像滤波器的参数进行同步调整，直到得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一种可能实现方式中，所述训练单元，具体被配置为执行获取所述预测风格图像与所述样本风格图像之间的图像分辨率差异，以及，获取所述预测风格图像与所述样本风格图像之间的图像内容差异；结合所述图像分辨率差异和所述图像内容差异，得到所述预测风格图像与所述样本风格图像之间的差异。
根据本公开实施例的第三方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任一种可能实现方式所述的图像风格迁移方法。
根据本公开实施例的第四方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任一种可能实现方式所述的图像风格迁移方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行第一方面的任一种可能实现方式所述的图像风格迁移方法。
本公开的实施例提供的技术方案至少带来以下有益效果：通过获取待处理图像，并对待处理图像进行图像下采样处理，得到下采样后图像；再将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图；最后，对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像；其中，预训练的风格迁移网络输出的风格迁移特征图并不是包含有完整的目标风格特征的风格化图像，而是携带有与目标图像风格相对应的抽象特征编码，如此，可以有效地减少风格迁移网络的数据处理量，使得预训练的风格迁移网络可以负责一部分的图像超分辨处理，有效地减少后续电子设备对风格迁移特征图进行超分辨率重建处理时的数据处理难度，进而实现高效地对待处理图像进行风格迁移处理。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像风格迁移方法的应用环境图。
图2是根据一示例性实施例示出的一种图像风格迁移方法的流程图。
图3是根据一示例性实施例示出的一种风格迁移特征图的可视化示意图。
图4是根据一示例性实施例示出的一种图像风格迁移方法的数据处理流程图。
图5是根据一示例性实施例示出的一种模型训练流程图。
图6是根据一示例性实施例示出的另一种图像风格迁移方法的流程图。
图7是根据一示例性实施例示出的一种图像风格迁移装置的框图。
图8是根据一示例性实施例示出的一种电子设备的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
本公开所提供的图像风格迁移方法，可以应用于如图1所示的应用环境中。计算机设备110可以获取待处理图像；计算机设备110对待处理图像进行图像下采样处理，得到下采样后图像；计算机设备110将下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；预训练的风格迁移网络用于对下采样后图像中的原始图像风格转化为目标图像风格；计算机设备110对风格迁移特征图进行超分辨率处理，得到目标风格图像。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，计算机设备110也可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2是根据一示例性实施例示出的一种图像风格迁移方法的流程图，如图2所示，该方法用于图1的计算机设备110中，包括以下步骤。
在步骤S210中，获取待处理图像。
其中，待处理图像可以是指需要进行风格迁移处理的图像。实际应用中，待处理图像可以是人脸图像、风景图像等。
具体实现中，当用户需要对待处理图像进行风格迁移时，用户可以将待处理图像Iinput输入至该计算机设备，计算机设备获取待处理图像Iinput。实际应用中，用户可以采用计算机设备的拍摄功能，采集需要进行风格迁移处理的图像作为待处理图像。
在步骤S220中，对待处理图像进行图像下采样处理，得到下采样后图像。
具体实现中，计算机设备在获取到待处理图像Iinput后，计算机设备则对待处理图像Iinput进行图像下采样处理，得到下采样后图像。其中，下采样后图像的分辨率小于待处理图像的分辨率。实际应用中，下采样后图像可以表示为DownSample(Iinput)；其中，DownSample()为图像下采样函数。
在步骤S230中，将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图。
其中，预训练的风格迁移网络用于对下采样后图像中的原始图像风格转化为目标图像风格。
其中，风格迁移网络可以是指用于对输入图像进行风格迁移处理的深度学习网络。
其中，第一分辨率可以大于下采样后图像的分辨率且小于待处理图像的分辨率。
其中，风格迁移特征图包括有与目标图像风格相对应的抽象特征编码。其中，风格迁移特征图也可以将风格迁移特征图命名为风格迁移中间结果。实际应用中，风格迁移特征图可以表示为Im＝G(DownSample(Iinput))；其中，G()为预训练的风格迁移网络的数学表式。
为了便于本领域技术人员的理解，图3提供了一种风格迁移特征图的可视化示意图。
具体实现中，计算机设备获取到下采样后图像后，计算机设备则将下采样后图像输入至预训练的风格迁移网络，通过该预训练的风格迁移网络完成一部分的超分辨率处理，将得到具有第一分辨率的且包括有与目标图像风格相对应的的风格迁移特征图。其中，该第一分辨率大于下采样后图像的分辨率且小于待处理图像的分辨率。
在步骤S240中，对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像。
其中，第二分辨率可以大于第一分辨率，或者，第二分辨率可以大于待处理图像的分辨率。
具体实现中，计算机设备获取到预训练的风格迁移网络输出的风格迁移特征图后，计算机设备则对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像。其中，该第二分辨率大于第一分辨率，或者，该第二分辨率大于或等于待处理图像的分辨率。
具体来说，计算机设备可以将风格迁移特征图输入预训练的图像超分重建网络(比如，SRCNN，(Super-Resolution Convolutional neural network)、预训练的图像滤波器等，以对风格迁移特征图中的抽象特征编码进行解码处理，实现对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像。实际应用中，目标风格图像可以表示为Ioutput＝SR(Im)；其中，SR()为超分辨率重建处理的数学表达。
为了便于本领域技术人员的理解，图4提供了一种图像风格迁移方法的数据处理流程图；其中，计算机设备将输入的待处理图像进行图像下采样处理，得到下采样后的待处理图像；然后，计算机设备于中央处理器上执行将下采样后的待处理图像输入至预训练的风格迁移网络(风格化网络)，得到第一分辨率的风格迁移特征图。然后，电子设备于图像处理器上执行对风格迁移特征图进行超分辨率滤波处理，得到目标风格图像。
上述图像风格迁移方法中，通过获取待处理图像，并对待处理图像进行图像下采样处理，得到下采样后图像；再将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图；最后，对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像；其中，预训练的风格迁移网络输出的风格迁移特征图并不是包含有完整的目标风格特征的风格化图像，而是携带有与目标图像风格相对应的抽象特征编码，如此，可以有效地减少风格迁移网络的数据处理量，使得预训练的风格迁移网络可以负责一部分的图像超分辨处理，有效地减少后续电子设备对风格迁移特征图进行超分辨率重建处理时的数据处理难度，进而实现高效地对待处理图像进行风格迁移处理。
在一示例性实施例中，对风格迁移特征图进行超分辨率处理，得到目标风格图像，包括：将风格迁移特征图输入至预训练的超分辨率图像滤波器，生成目标风格图像；其中，预训练的超分辨率图像滤波器用于对风格迁移特征图进行解码处理，得到目标风格图像。
其中，超分辨率图像滤波器可以是指用于对输入图像进行超分辨率重建运算的图像滤波器。
具体实现中，计算机设备在对风格迁移特征图进行超分辨率处理，得到目标风格图像的过程中，计算机设备可以将风格迁移特征图输入至预训练的超分辨率图像滤波器，通过该预训练的超分辨率图像滤波器对风格迁移特征图进行解码，生成上述的目标风格图像。实际应用中，预训练的超分辨率图像滤波器的输入通道和输出通道的通道数量均不超过4个，如此，可以方便地调用计算机设备的图形处理单元(GPU,Graphic ProcessingUnit,图像处理器)执行将风格迁移特征图输入至预训练的超分辨率图像滤波器，以对风格迁移特征图进行解码，生成目标风格图像的步骤，大大减少图像风格迁移的时间消耗。
本实施例的技术方案，通过采用预训练的超分辨率图像滤波器来对风格迁移特征图进行解码，可以实现在后续方便地调用计算机设备的图形处理单元对风格迁移特征图进行超分辨率重建处理，有效降低计算机设备的中央处理器的处理负荷。
在一示例性实施例中，应用于计算机设备，计算机设备包括图形处理单元，对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像，包括：将预训练的超分辨率图像滤波器的参数，以浮点数的形式写入至对图形处理单元的第一控制指令；传输风格迁移特征图至图形处理单元，并控制图形处理单元执行第一控制指令，以实现将风格迁移特征图输入至预训练的超分辨率图像滤波器，以对风格迁移特征图中进行解码，生成目标风格图像。
具体实现中，计算机设备在对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像的过程中，计算机设备可以将预训练的超分辨率图像滤波器的参数，以浮点数的形式写入至对图形处理单元的第一控制指令。然后，计算机设备传输风格迁移特征图至图形处理单元，并控制图形处理单元执行第一控制指令，以实现将风格迁移特征图输入至预训练的超分辨率图像滤波器，以对风格迁移特征图进行解码，生成目标风格图像。
举例来说，计算机设备可以提取出预训练的超分辨率图像滤波器的参数，采用Shader(一种运行于图像处理器的编程语言)以浮点数的形式写入至第一控制指令。计算机设备的CPU在实现将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图后，将风格迁移特征图传到GPU，再由GPU执行风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像。
本实施例的技术方案，通过将预训练的超分辨率图像滤波器的参数，以浮点数的形式写入至对图形处理单元的第一控制指令；并传输风格迁移特征图至图形处理单元，以及，控制图形处理单元执行第一控制指令，以实现将风格迁移特征图输入至预训练的超分辨率图像滤波器，以对风格迁移特征图中的抽象特征编码进行解码，生成目标风格图像；由于实现调用计算机设备的图形处理单元执行将风格迁移特征图输入至预训练的超分辨率图像滤波器，以对风格迁移特征图中的抽象特征编码进行解码，生成目标风格图像的步骤，大大减少图像风格迁移的时间消耗。
在一示例性实施例中，计算机设备还包括中央处理单元，将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图，包括：将预训练的风格迁移网络的参数，以整点数的形式写入至对中央处理单元的第二控制指令；控制中央处理单元执行第二控制指令，以实现将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图。
具体实现中，计算机设备在将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图的过程中，计算机设备可以将预训练的风格迁移网络的参数，以整点数的形式写入至对中央处理单元的第二控制指令。然后，计算机设备调用中央处理单元执行第二控制指令，以实现将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图。
例如，计算机设备可以将预训练的风格迁移网络转化为移动端定点数模型，进而使计算机设备可以利用移动端神经网络推理引擎，调用中央处理单元(CPU，CentralProcessing Unit,中央处理器)实现将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图。
本实施例的技术方案，通过中央处理器实现将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图的复杂运算，减低了风格迁移特征图的生成耗时。
在一示例性实施例中，方法还包括：获取训练样本集；每个训练样本包括样本图像以及样本图像对应的样本风格图像；基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到预训练的风格迁移网络和预训练的超分辨率图像滤波器。
其中，样本风格图像的图像风格与目标图像风格相同；样本风格图像的分辨率等于目标风格图像的分辨率。
其中，样本风格图像也可以命名为参考风格图像。换句话说，样本风格图像可以是指该样本图像对应的样本标签。
具体实现中，计算机设备还需要获取预训练的风格迁移网络和预训练的超分辨率图像滤波器；其中，计算机设备可以构建待训练的风格迁移网络和待训练的超分辨率图像滤波器进行训练，进而得到预训练的风格迁移网络和预训练的超分辨率图像滤波器。具体来说，计算机设备可以获取训练样本集；每个训练样本包括样本图像以及样本图像对应的样本风格图像。然后，计算机设备基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
其中，计算机设备可以将样本图像输入至待训练的风格迁移网络，并将待训练的风格迁移网络的输出结果输入至待训练的超分辨率图像滤波器，得到该样本图像对应的预测标签。然后，计算机设备再利用样本标签与预测标签计算损失函数，并在反向传播的过程中联合更新待训练的风格迁移网络和待训练的超分辨率图像滤波器的参数，直至训练后的风格迁移网络和训练后的超分辨率图像滤波器均符合预设的训练结束条件，得到预训练的风格迁移网络和预训练的超分辨率图像滤波器。
需要说明的是，可以采用服务器执行基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练的步骤，得到预训练的风格迁移网络和预训练的超分辨率图像滤波器。再将预训练的风格迁移网络和预训练的超分辨率图像滤波器的模型参数发送至终端，以使终端执行将下采样后图像输入至预训练的风格迁移网络，得到第一分辨率的风格迁移特征图；第一分辨率大于下采样后图像的分辨率且小于待处理图像的分辨率；风格迁移特征图包括有与目标图像风格相对应的抽象特征编码；对风格迁移特征图进行超分辨率重建处理，得到第二分辨率的目标风格图像的步骤。
本实施例的技术方案，通过获取训练样本集；每个训练样本包括样本图像以及样本图像对应的样本风格图像；基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练条件时，从而得到预训练的风格迁移网络和预训练的超分辨率图像滤波器；进而实现在后续可以采用预训练的风格迁移网络和预训练的超分辨率图像滤波器对待处理图像进行风格化迁移。
在一示例性实施例中，基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练，包括：对样本图像进行图像下采样处理，得到下采样后样本图像；将下采样后样本图像输入至待训练的风格迁移网络，得到中间特征图；将中间特征图输入至待训练的超分辨率图像滤波器，生成预测风格图像；基于预测风格图像与样本风格图像之间的差异，对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行调整；重新训练参数调整后的风格迁移网络和参数调整后的超分辨率图像滤波器，直到训练后的风格迁移网络和训练后的超分辨率图像滤波器满足训练条件。
其中，下采样后样本图像的分辨率与下采样后图像的分辨率相同。
其中，将预测风格图像与样本风格图像输入预设的损失函数，得到待训练的风格迁移网络和待训练的超分辨率图像滤波器的损失值；若损失值不在预设的阈值范围内，则基于损失函数，采用反向传播的方法对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行调整。
其中，损失值用于表征预测风格图像与样本风格图像之间的差异。
具体实现中，计算机设备在基于样本图像和样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练的过程中，计算机设备可以在训练样本集中随机采样一张样本图像IA；然后，计算机设备将该样本图像IA输入至进行图像下采样处理，得到下采样后样本图像DownSample(IA)；将下采样后样本图像DownSample(IA)输入至待训练的风格迁移网络，得到中间特征图Im＝G(DownSample(IA))；其中，中间特征图的通道数不多于4；然后，计算机设备将中间特征图Im＝G(DownSample(IA))输入至待训练的超分辨率图像滤波器SR，生成预测风格图像Is＝SR(Im)；基于预测风格图像Is与样本风格图像IB之间的差异，对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行调整。
计算机设备可以获取预测风格图像与样本风格图像之间的差异；其中，计算机设备获取预测风格图像与样本风格图像之间的图像分辨率差异，以及，计算机设备获取预测风格图像与样本风格图像之间的图像内容差异；然后，计算机设备结合图像分辨率差异和图像内容差异，得到预测风格图像与样本风格图像之间的差异；最后，计算机设备基于差异，对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行同步调整，直到得到预训练的风格迁移网络和预训练的超分辨率图像滤波器。举例来说，其中，计算机设备可以将预测风格图像Is与样本风格图像IB输入预设的损失函数，得到待训练的风格迁移网络和待训练的超分辨率图像滤波器的损失值。
若计算机设备判断损失值不在预设的阈值范围内，计算机设备则基于损失函数，采用反向传播的方法，计算对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数对应的梯度；计算机设备再基于该梯度，对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行调整。
计算机设备再次采用上述的联合训练方法，重新训练参数调整后的风格迁移网络和参数调整后的超分辨率图像滤波器，直到训练后的风格迁移网络和训练后的超分辨率图像滤波器满足训练条件。
为了便于本领域技术人员的理解，图5提供了一种模型训练流程图。
本实施例的技术方案，通过对样本图像进行图像下采样处理，得到下采样后样本图像；将下采样后样本图像输入至待训练的风格迁移网络，得到中间特征图；将中间特征图输入至待训练的超分辨率图像滤波器，生成预测风格图像；基于预测风格图像与样本风格图像之间的差异，对待训练的风格迁移网络的参数和待训练的超分辨率图像滤波器的参数进行调整；重新训练参数调整后的风格迁移网络和参数调整后的超分辨率图像滤波器，直到训练后的风格迁移网络和训练后的超分辨率图像滤波器满足训练条件，实现了对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
图6是根据一示例性实施例示出的另一种图像风格迁移方法的流程图，如图6所示，该方法用于图1中的计算机设备中，包括以下步骤。
在步骤S610中，获取训练样本集；每个所述训练样本包括样本图像以及所述样本图像对应的样本风格图像；其中，所述样本风格图像的图像风格与目标图像风格相同；所述样本风格图像的分辨率等于目标风格图像的分辨率。
在步骤S620中，基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
在步骤S630中，当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在步骤S640中，获取待处理图像。
在步骤S650中，对所述待处理图像进行图像下采样处理，得到下采样后图像。
在步骤S660中，将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格。
在步骤S670中，将所述风格迁移特征图输入至预训练的超分辨率图像滤波器，生成所述目标风格图像；其中，所述预训练的超分辨率图像滤波器用于对所述风格迁移特征图进行解码处理，得到所述目标风格图像。
需要说明的是，上述步骤的具体限定可以参见上文对一种图像风格迁移方法的具体限定，在此不再赘述。
应该理解的是，虽然图2和图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图7是根据一示例性实施例示出的一种图像风格迁移装置框图。参照图7，该装置包括:
获取单元710，被配置为执行获取待处理图像；
下采样单元720，被配置为执行对所述待处理图像进行图像下采样处理，得到下采样后图像；
风格化单元730，被配置为执行将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；
超分单元740，被配置为执行对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。
在一实例性实施例中，所述超分单元740，具体被配置为执行将所述风格迁移特征图输入至预训练的超分辨率图像滤波器，生成所述目标风格图像；其中，所述预训练的超分辨率图像滤波器用于对所述风格迁移特征图进行解码处理，得到所述目标风格图像。
在一实例性实施例中，所述装置还包括：样本获取单元，被配置为执行获取训练样本集；每个所述训练样本包括样本图像以及所述样本图像对应的样本风格图像；其中，所述样本风格图像的图像风格与所述目标图像风格相同；所述样本风格图像的分辨率等于所述目标风格图像的分辨率；训练单元，被配置为执行基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；确定单元，被配置为执行当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一实例性实施例中，所述训练单元，具体被配置为执行对所述样本图像进行图像下采样处理，得到下采样后样本图像；其中，所述下采样后样本图像的分辨率与所述下采样后图像的分辨率相同；将所述下采样后样本图像输入至所述待训练的风格迁移网络，得到中间特征图；将所述中间特征图输入至所述待训练的超分辨率图像滤波器，生成预测风格图像；根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
在一实例性实施例中，所述训练单元，具体被配置为执行获取所述预测风格图像与所述样本风格图像之间的差异；基于所述差异，对所述待训练的风格迁移网络的参数和所述待训练的超分辨率图像滤波器的参数进行同步调整，直到得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
在一实例性实施例中，所述训练单元，具体被配置为执行获取所述预测风格图像与所述样本风格图像之间的图像分辨率差异，以及，获取所述预测风格图像与所述样本风格图像之间的图像内容差异；结合所述图像分辨率差异和所述图像内容差异，得到所述预测风格图像与所述样本风格图像之间的差异
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种用于执行上述方法的设备800的框图。例如，设备800可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图8，设备800可以包括以下一个或多个组件：处理组件802、存储器804、电力组件806、多媒体组件808、音频组件810、输入/输出(I/O)的接口812、传感器组件814以及通信组件816。
处理组件802通常控制设备800的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在设备800上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。
电源组件806为设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为设备800的显示器和小键盘，传感器组件814还可以检测设备800或设备800一个组件的位置改变，用户与设备800接触的存在或不存在，设备800方位或加速/减速和设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件816被配置为便于设备800和其他设备之间有线或无线方式的通信。设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，所述计算机程序存储在计算机可读存储介质中，所述计算机程序可由电子设备Z00的处理器Z20执行以完成上述方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像风格迁移方法，其特征在于，所述方法包括：
获取待处理图像；
对所述待处理图像进行图像下采样处理，得到下采样后图像；
将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；
对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。
2.根据权利要求1所述的图像风格迁移方法，其特征在于，所述对所述风格迁移特征图进行超分辨率处理，得到目标风格图像，包括：
将所述风格迁移特征图输入至预训练的超分辨率图像滤波器，生成所述目标风格图像；其中，所述预训练的超分辨率图像滤波器用于对所述风格迁移特征图进行解码处理，得到所述目标风格图像。
3.根据权利要求2所述的图像风格迁移方法，其特征在于，所述方法还包括：
获取训练样本集；每个所述训练样本包括样本图像以及所述样本图像对应的样本风格图像；其中，所述样本风格图像的图像风格与所述目标图像风格相同；所述样本风格图像的分辨率等于所述目标风格图像的分辨率；
基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练；
当训练后的风格迁移网络和训练后的超分辨率图像滤波器满足预设的训练结束条件时，得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
4.根据权利要求3所述的图像风格迁移方法，其特征在于，所述基于所述样本图像和所述样本图像对应的样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练，包括：
对所述样本图像进行图像下采样处理，得到下采样后样本图像；其中，所述下采样后样本图像的分辨率与所述下采样后图像的分辨率相同；
将所述下采样后样本图像输入至所述待训练的风格迁移网络，得到中间特征图；
将所述中间特征图输入至所述待训练的超分辨率图像滤波器，生成预测风格图像；
根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练。
5.根据权利要求4所述的图像风格迁移方法，其特征在于，所述根据所述预测风格图像与所述样本风格图像，对待训练的风格迁移网络和待训练的超分辨率图像滤波器进行联合训练，包括：
获取所述预测风格图像与所述样本风格图像之间的差异；
基于所述差异，对所述待训练的风格迁移网络的参数和所述待训练的超分辨率图像滤波器的参数进行同步调整，直到得到所述预训练的风格迁移网络和所述预训练的超分辨率图像滤波器。
6.根据权利要求5所述的图像风格迁移方法，其特征在于，所述获取所述预测风格图像与所述样本风格图像之间的差异，包括：
获取所述预测风格图像与所述样本风格图像之间的图像分辨率差异，以及，获取所述预测风格图像与所述样本风格图像之间的图像内容差异；
结合所述图像分辨率差异和所述图像内容差异，得到所述预测风格图像与所述样本风格图像之间的差异。
7.一种图像风格迁移装置，其特征在于，包括：
获取单元，被配置为执行获取待处理图像；
下采样单元，被配置为执行对所述待处理图像进行图像下采样处理，得到下采样后图像；
风格化单元，被配置为执行将所述下采样后图像输入至预训练的风格迁移网络，得到风格迁移特征图；所述预训练的风格迁移网络用于对所述下采样后图像中的原始图像风格转化为目标图像风格；
超分单元，被配置为执行对所述风格迁移特征图进行超分辨率处理，得到目标风格图像。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的图像风格迁移方法。
9.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备/服务器的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的图像风格迁移方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的图像风格迁移方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858104.6A CN113436062B (zh) | 2021-07-28 | 2021-07-28 | 图像风格迁移方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858104.6A CN113436062B (zh) | 2021-07-28 | 2021-07-28 | 图像风格迁移方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113436062A true CN113436062A (zh) | 2021-09-24 |
| CN113436062B CN113436062B (zh) | 2024-06-21 |
Family
ID=77762396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110858104.6A Active CN113436062B (zh) | 2021-07-28 | 2021-07-28 | 图像风格迁移方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113436062B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564127A (zh) * | 2018-04-19 | 2018-09-21 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备及存储介质 |
| US20180357800A1 (en) * | 2017-06-09 | 2018-12-13 | Adobe Systems Incorporated | Multimodal style-transfer network for applying style features from multi-resolution style exemplars to input images |
| CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN112132923A (zh) * | 2020-09-24 | 2020-12-25 | 杭州火烧云科技有限公司 | 一种基于风格小图高清化的两阶段数字图像风格变换方法及系统 |
| CN112200031A (zh) * | 2020-09-27 | 2021-01-08 | 上海眼控科技股份有限公司 | 一种用于生成图像对应文字说明的网络模型训练方法与设备 |
| CN112348739A (zh) * | 2020-11-27 | 2021-02-09 | 广州博冠信息科技有限公司 | 图像处理方法、装置、设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110858104.6A patent/CN113436062B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357800A1 (en) * | 2017-06-09 | 2018-12-13 | Adobe Systems Incorporated | Multimodal style-transfer network for applying style features from multi-resolution style exemplars to input images |
| CN108564127A (zh) * | 2018-04-19 | 2018-09-21 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备及存储介质 |
| CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN112132923A (zh) * | 2020-09-24 | 2020-12-25 | 杭州火烧云科技有限公司 | 一种基于风格小图高清化的两阶段数字图像风格变换方法及系统 |
| CN112200031A (zh) * | 2020-09-27 | 2021-01-08 | 上海眼控科技股份有限公司 | 一种用于生成图像对应文字说明的网络模型训练方法与设备 |
| CN112348739A (zh) * | 2020-11-27 | 2021-02-09 | 广州博冠信息科技有限公司 | 图像处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113436062B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428378B (zh) | 图像的处理方法、装置及存储介质 | |
| JP7038853B2 (ja) | 画像処理方法及び装置、電子機器並びにコンピュータ可読記憶媒体 | |
| CN109636712B (zh) | 图像风格迁移及数据存储方法、装置和电子设备 | |
| CN107967459B (zh) | 卷积处理方法、装置及存储介质 | |
| CN112330570B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112130940B (zh) | 终端的控制方法、装置、存储介质和电子设备 | |
| CN111078170B (zh) | 显示控制方法、显示控制装置及计算机可读存储介质 | |
| US20170140254A1 (en) | Method and device for adding font | |
| CN111669502A (zh) | 目标对象显示方法、装置及电子设备 | |
| CN114096994A (zh) | 图像对齐方法及装置、电子设备、存储介质 | |
| CN111985635A (zh) | 一种加速神经网络推理处理的方法、装置及介质 | |
| CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 | |
| CN114595785A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN114581542A (zh) | 图像预览方法及装置、电子设备和存储介质 | |
| CN107239758B (zh) | 人脸关键点定位的方法及装置 | |
| CN112116528A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112734627A (zh) | 图像风格迁移模型的训练方法、图像风格迁移方法及装置 | |
| CN112188034A (zh) | 一种图像处理方法、装置、终端设备及介质 | |
| CN113436062B (zh) | 图像风格迁移方法、装置、电子设备及存储介质 | |
| CN111860552A (zh) | 基于核自编码器的模型训练方法、装置及存储介质 | |
| CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
| CN113099038B (zh) | 图像超分处理方法、图像超分处理装置及存储介质 | |
| US20220335250A1 (en) | Methods and apparatuses for fine-grained style-based generative neural networks | |
| CN112434714A (zh) | 多媒体识别的方法、装置、存储介质及电子设备 | |
| EP4060566A1 (en) | Method and apparatus for processing information, storage medium, electronic device and computer program product |
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 |