CN113837948A - 图像生成方法、设备及存储介质 - Google Patents
图像生成方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113837948A CN113837948A CN202111432793.0A CN202111432793A CN113837948A CN 113837948 A CN113837948 A CN 113837948A CN 202111432793 A CN202111432793 A CN 202111432793A CN 113837948 A CN113837948 A CN 113837948A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- control parameter
- resolution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000000875 corresponding effect Effects 0.000 claims description 189
- 230000006870 function Effects 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 27
- 230000000694 effects Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T3/40—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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种图像生成方法、设备及存储介质。图像生成方法包括:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;基于控制参数,确定与待处理图像相对应的图像特征;基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。本实施例提供的技术方案,有效地实现了对低分辨率的待处理图像进行超分辨处理,并可以稳定地获得高分辨率的目标图像,从而有效地保证了目标图像生成的质量和效率;另外,由于控制参数用于标识对待处理图像的细节增强程度,这样利用不同的控制参数可以生成不同细节增强程度的目标图像,这样有利于满足不同用户的图像生成需求。
Description
技术领域
本发明涉及图像生成技术领域,尤其涉及一种图像生成方法、设备及存储介质。
背景技术
图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像,具体的,图像超分辨率可以通过超分辨网络来实现,然而,在利用超分辨网络来生成高分辨率图像时,对于所生成的高分辨率图像而言,图像模糊或者图像失真的情况较为普遍,这样所生成的图像的质量和效果较低,并且无法满足用户的需求。
发明内容
本发明实施例提供了一种图像生成方法、设备及存储介质,能够利用不同的控制参数生成不同细节增强程度的目标图像,满足了不同用户的图像生成需求。
第一方面,本发明实施例提供一种图像生成方法,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的细节增强程度;
基于所述控制参数,确定与所述待处理图像相对应的图像特征;
基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第二方面,本发明实施例提供一种图像生成装置,包括:
第一获取模块,用于获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的细节增强程度;
第一确定模块,用于基于所述控制参数,确定与所述待处理图像相对应的图像特征;
第一处理模块,用于基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的图像生成方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面中的图像生成方法。
第五方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第一方面所示的图像生成方法中的步骤。
第六方面,本发明实施例提供了一种图像生成方法,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于限定在进行图像生成操作时的细节增强程度;
将所述待处理图像和所述控制参数输入至网络模型,获得所述网络模型输出的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第七方面,本发明实施例提供了一种图像生成装置,包括:
第二获取模块,用于获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于限定在进行图像生成操作时的细节增强程度;
第二处理模块,用于将所述待处理图像和所述控制参数输入至网络模型,获得所述网络模型输出的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第八方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第六方面中的图像生成方法。
第九方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第六方面中的图像生成方法。
第十方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第六方面所示的图像生成方法中的步骤。
第十一方面,本发明实施例提供了一种图像生成方法,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的风格化程度;
基于所述控制参数,确定与所述待处理图像相对应的图像特征;
基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的风格与所述待处理图像的风格不同。
第十二方面,本发明实施例提供一种图像生成装置,包括:
第三获取模块,用于获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的风格化程度;
第三确定模块,用于基于所述控制参数,确定与所述待处理图像相对应的图像特征;
第三处理模块,用于基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的风格与所述待处理图像的风格不同。
第十三方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第十一方面中的图像生成方法。
第十四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第十一方面中的图像生成方法。
第十五方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第十一方面所示的图像生成方法中的步骤。
第十六方面,本发明实施例提供了一种图像生成方法,包括:
响应于图像生成请求,确定图像生成服务对应的处理资源;
利用所述处理资源执行如下步骤:获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的细节增强程度;基于所述控制参数,确定与所述待处理图像相对应的图像特征;基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第十七方面,本发明实施例提供了一种图像生成装置,包括:
第四确定模块,用于响应于图像生成请求,确定图像生成服务对应的处理资源;
第四处理模块,用于利用所述处理资源执行如下步骤:获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的细节增强程度;基于所述控制参数,确定与所述待处理图像相对应的图像特征;基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第十八方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第十六方面中的图像生成方法。
第十九方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第十六方面中的图像生成方法。
第二十方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第十六方面所示的图像生成方法中的步骤。
第二十一方面,本发明实施例提供了一种图像生成方法,包括:
获取待处理图像;
显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度;
通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;
基于所述参数配置操作,生成目标控制参数;
在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第二十二方面,本发明实施例提供了一种图像生成装置,包括:
第五获取模块,用于获取待处理图像;
第五显示模块,用于显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度;
所述第五获取模块,用于通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;
第五生成模块,用于基于所述参数配置操作,生成目标控制参数;
第五处理模块,用于在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
第二十三方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第二十一方面中的图像生成方法。
第二十四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第二十一方面中的图像生成方法。
第二十五方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第二十一方面所示的图像生成方法中的步骤。
本实施例提供的技术方案,通过获取待处理图像和与所述待处理图像相对应的控制参数,而后基于所述控制参数确定与所述待处理图像相对应的图像特征;并基于所述图像特征生成与所述待处理图像相对应的目标图像,有效地实现了对低分辨率的待处理图像进行超分辨处理,可以稳定地获得高分辨率的目标图像,从而有效地保证了目标图像生成的质量和效率;另外,由于控制参数用于标识对待处理图像的细节增强程度,因此,通过利用不同的控制参数可以生成不同细节增强程度的目标图像,从而可以满足不同用户的图像生成需求,进一步提高了该图像生成方法的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像生成方法的场景示意图;
图2为本发明实施例提供的一种图像生成方法的流程示意图;
图2a为本发明实施例提供的控制参数与待处理图像的细节增强程度的示意图;
图2b为本发明实施例提供的控制参数与待处理图像的细节增强程度的示意图;
图3为本发明实施例提供的基于所述控制参数,确定与所述待处理图像相对应的图像特征的流程示意图;
图4为本发明实施例提供的另一种图像生成方法的流程示意图;
图5为本发明实施例提供的又一种图像生成方法的流程示意图;
图6为本发明应用实施例提供的一种图像生成方法的原理示意图;
图7为本发明实施例提供的又一种图像生成方法的流程示意图;
图8为本发明实施例提供的再一种图像生成方法的流程示意图;
图9为本发明实施例提供的一种图像生成装置的结构示意图;
图10为与图9所示实施例提供的图像生成装置对应的电子设备的结构示意图;
图11为本发明实施例提供的另一种图像生成装置的结构示意图;
图12为与图11所示实施例提供的图像生成装置对应的电子设备的结构示意图;
图13为本发明实施例提供的又一种图像生成装置的结构示意图;
图14为与图13所示实施例提供的图像生成装置对应的电子设备的结构示意图;
图15为本发明实施例提供的又一种图像生成装置的结构示意图;
图16为与图15所示实施例提供的图像生成装置对应的电子设备的结构示意图;
图17为本发明实施例提供的一种图像生成方法的流程示意图;
图18为本发明实施例提供的又一种图像生成装置的结构示意图;
图19为与图18所示实施例提供的图像生成装置对应的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
为了便于理解本申请中技术方案的具体实现过程和实现效果,下面对相关技术进行简要说明:
图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。具体的,图像超分辨率操作可以通过超分辨网络来实现,在利用超分辨网络来生成高分辨率图像时,对于所生成的高分辨率图像而言,图像模糊或者图像失真的情况较为普遍。例如,目前的超分辨网络主要包括以下两类网络:峰值信噪比(Peak Signal to Noise Ratio,简称PSNR)优先网络和感知优先网络,其中,psnr优先的超分网络能获得更高的psnr值,但是,所生成的图像往往比较模糊,这与人眼的感知不匹配。感知优先的超分网络则一般采用生成式对抗网络(Generative Adversarial Networks,简称GAN)来生成图像细节,这样能得到更符合人眼感知的图像,但是,在所生成的图像中会引入更多的生成瑕疵,从而容易引起图像失真。
为了解决上述技术问题,本实施例提供了一种图像生成方法、设备及存储介质,其中,图像生成方法的执行主体为图像生成装置,该图像生成装置通信连接有客户端/请求端,参考附图1所示:
其中,客户端可以是任何具有一定数据传输能力的计算设备,具体实现时,客户端可以是手机、平板电脑、设定应用程序等等。此外,客户端的基本结构可以包括:至少一个处理器。处理器的数量取决于客户端的配置和类型。客户端也可以包括存储器,该存储器可以为易失性的,例如RAM,也可以为非易失性的,例如只读存储器(Read-Only Memory,简称ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作系统(OperatingSystem,简称OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,客户端还包括一些基本配置,例如网卡芯片、IO总线、显示组件以及一些外围设备等。可选地,一些外围设备可以包括,例如键盘、鼠标、输入笔、打印机等。其它外围设备在本领域中是众所周知的,在此不做赘述。
图像生成装置是指可以在网络虚拟环境中提供图像生成服务的设备,通常是指利用网络进行信息规划、图像生成操作的装置。在物理实现上,图像生成装置可以是任何能够提供计算服务,响应服务请求,并进行处理的设备,例如:可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。图像生成装置的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
在上述本实施例中,客户端可以与图像生成装置进行网络连接,该网络连接可以是无线或有线网络连接。若客户端与图像生成装置是通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
在本申请实施例中,客户端可以获取用于待处理图像和用于生成图像生成操作的控制参数,具体的,可以基于用户输入的执行操作或者通过设定设备获取待处理图像和用于生成图像生成操作的控制参数,其中,待处理图像可以为低分辨率的图像,而控制参数用于标识对待处理图像的细节增强程度,不同的控制参数可以对应有不同的细节增强程度。在获取到待处理图像和控制参数之后,可以将待处理图像和控制参数发送至图像生成装置,以使得图像生成装置可以对所获取到的待处理图像和控制参数进行分析处理,以实现图像生成操作。
图像生成装置,用于获取待处理图像和与待处理图像相对应的控制参数;而后基于控制参数对待处理图像进行分析处理,以获取与待处理图像相对应的图像特征,需要注意的是,由于控制参数用于标识对待处理图像的细节增强程度,因此,不同的控制参数可以确定不同细节增强程度的图像特征。在获取到图像特征之后,可以对图像特征进行分析处理,以获得与待处理图像相对应的目标图像,该图像图像的分辨率大于待处理图像的分辨率,有效地实现了对低分辨率的待处理图像进行超分辨处理,从而可以稳定地获得高分辨率的目标图像。
本实施例提供的技术方案,通过获取待处理图像和与待处理图像相对应的控制参数,而后基于控制参数确定与待处理图像相对应的图像特征;并基于图像特征生成与待处理图像相对应的目标图像,有效地实现了对低分辨率的待处理图像进行超分辨处理,可以稳定地获得高分辨率的目标图像,从而有效地保证了目标图像生成的质量和效率;另外,由于控制参数用于标识对待处理图像的细节增强程度,因此,利用不同的控制参数可以生成不同细节增强程度的目标图像,从而可以满足不同用户的图像生成需求,进一步提高了该图像生成方法的实用性。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图2为本发明实施例提供的一种图像生成方法的流程示意图;参考附图2所示,
步骤S201:获取待处理图像和与待本实施例提供了一种图像生成方法,该方法的执行主体可以为图像生成装置,该图像生成装置可以实现为软件、或者软件和硬件的组合,具体的,该图像生成方法可以包括以下步骤:处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度。
步骤S202:基于控制参数,确定与待处理图像相对应的图像特征。
步骤S203:基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
下面对上述各个步骤进行详细说明:
步骤S201:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度。
其中,待处理图像可以是指需要进行图像超分辨处理操作的图像,该图像可以是低分辨率的图像,低分辨率是指图像的分辨率小于或等于预设阈值。本实施例对于获取待处理图像的具体实现方式不做限定,本领域技术人员可以根据具体的应用场景或者设计需求进行设置,在一些实例中,待处理图像可以存储在预设区域或者预设设备中,通过访问预设区域或者预设设备来获取待处理图像。在又一些实例中,获取待处理图像可以包括:获取用户输入的图像生成操作或者图像生成信号,基于图像生成操作或者图像生成信号来获取到待处理图像。
另外,在进行图像生成操作时,为了能够满足不同用户的图像生成需求,在获取待处理图像时,可以获取与待处理图像相对应的控制参数,该控制参数用于标识对待处理图像的细节增强程度,上述待处理图像的细节可以包括待处理图像的纹理信息。需要注意的是,不同的控制参数可以对应有不同的细节增强程度,在一些实例中,控制参数包括大于0、且小于1的数值,例如:控制参数为0.3、0.5、0.8等等,并且,控制参数的大小与在图像生成操作时的细节增强程度呈正相关,即在控制参数的数值越大时,则在进行图像生成操作时,对待处理图像进行图像增强操作的程度越高,在控制参数的数值越小时,则在进行图像生成操作时,对待处理图像进行图像增强操作的程度越低。
举例来说,参考附图2a,控制参数包括第一参数(例如:0.3、0.5等等)和第二参数(例如:0.6、0.8等等),第二参数大于第一参数,当利用第一参数对待处理图像进行图像超分处理时,则可以获取第一目标图像,所获得的第一目标图像的分辨率大于待处理图像的分辨率。当利用第二参数对待处理图像进行图像超分处理时,则可以获取第二目标图像,所获得的第二目标图像的分辨率大于待处理图像的分辨率。由于第一参数小于第二参数,而控制参数的大小与在图像生成操作时的细节增强程度呈正相关,则所获得的第二目标图像的分辨率大于第一目标图像的分辨率。
此外,本实施例对于获取与待处理图像相对应的控制参数的具体实现方式不做限定,本领域技术人员可以根据具体的应用场景或者设计需求进行设置,在一些实例中,与待处理图像相对应的控制参数可以存储在预设区域或者预设设备中,通过访问预设区域或者预设设备可以获取与待处理图像相对应的控制参数。在又一些实例中,获取与待处理图像相对应的控制参数可以包括:响应于用户输入的与待处理图像相对应的执行操作,获得与待处理图像相对应的控制参数。
具体的,图像生成装置上可以配置有交互界面,用户可以通过交互界面输入执行操作,该执行操作可以是参数生成操作或者参数生成信号,通过用户输入的执行操作,则可以基于用户输入的执行操作获得与待处理图像相对应的控制参数,从而有效地保证了对控制参数进行确定的准确可靠性。
步骤S202:基于控制参数,确定与待处理图像相对应的图像特征。
在获取到控制参数和待处理图像之后,可以基于控制参数对待处理图像进行分析处理,以确定与待处理图像相对应的图像特征,其中,图像特征可以是指经过图像细节增强处理之后的图像特征。在一些实例中,基于控制参数,确定与待处理图像相对应的图像特征可以包括:获取用于对待处理图像进行分析处理的机器学习模型,将控制参数和待处理图像输入到机器学习模型,从而可以获得与待处理图像相对应的图像特征,其中,机器学习模型被训练为用于对待处理图像进行细节增强处理,并可以获得进行细节增强处理后的图像特征。在另一些实例中,基于控制参数,确定与待处理图像相对应的图像特征可以包括:获取用于对待处理图像进行分析处理的图像增强算法,基于图像增强算法和控制参数对待处理图像进行分析处理,从而可以稳定地获得与待处理图像相对应的图像特征。
步骤S203:基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
在获取到图像特征之后,可以对图像特征进行分析处理,从而可以生成与待处理图像相对应的目标图像,该目标图像的分辨率大于待处理图像的分辨率,此时的目标图像即为超分辨率图像,超分辨率图像的分辨率大于预设阈值,从而实现了图像超分辨操作。
本实施例提供的图像生成方法,通过获取待处理图像和与待处理图像相对应的控制参数,而后基于控制参数确定与待处理图像相对应的图像特征;并基于图像特征生成与待处理图像相对应的目标图像,有效地实现了对低分辨率的待处理图像进行超分辨处理,可以稳定地获得高分辨率的目标图像,从而有效地保证了目标图像生成的质量和效率;另外,由于控制参数用于标识对待处理图像的细节增强程度,因此,利用不同的控制参数可以生成不同细节增强程度的目标图像,从而可以满足不同用户的图像生成需求,进一步提高了该图像生成方法的实用性。
图3为本发明实施例提供的基于控制参数,确定与待处理图像相对应的图像特征的流程示意图;参考附图3所示,本实施例提供了一种确定与待处理图像相对应的图像特征的实现方式,具体的,本实施例中的基于控制参数,确定与待处理图像相对应的图像特征可以包括:
步骤S301:获取与待处理图像相对应的纹理特征和非纹理特征。
其中,对于待处理图像而言,待处理图像可以包括纹理特征和非纹理特征,非纹理特征可以包括以下至少之一:颜色特征、形状特征、亮度特征、对比度特征、饱和度特征、空间关系特征等等,由于在对待处理图像进行细节增强处理时,细节增强处理的程度与待处理图像的纹理特征相关,因此,为了能够保证图像生成操作的稳定可靠性,则可以获取与待处理图像相对应的纹理特征和非纹理特征。具体的,本实施例对于纹理特征和非纹理特征的具体获取方式不做限定,本领域技术人员可以根据具体的应用场景或者应用需求进行设置,在一些实例中,预先训练有能够实现特征提取操作的机器学习模型,在获取到待处理图像之后,可以将待处理图像输入至机器学习模型,从而可以获得待处理图像相对应的纹理特征和非纹理特征。在另一些实例中,在获取到待处理图像之后,可以特征提取算法(例如:局部二值模式(Local Binary Patterns,简称LBP))对待处理图像进行分析处理,从而可以获得待处理图像相对应的纹理特征和非纹理特征。
步骤S302:基于控制参数、纹理特征和非纹理特征,确定与待处理图像相对应的图像特征。
在获取到纹理特征和非纹理特征之后,可以对控制参数、纹理特征和非纹理特征进行分析处理,以确定与待处理图像相对应的图像特征。在一些实例中,预先训练有用于基于控制参数对纹理特征和非纹理特征进行增强处理的机器学习模型,在获取到控制参数、纹理特征和非纹理特征之后,可以将控制参数、纹理特征和非纹理特征输入至机器学习模型,从而可以获得与待处理图像相对应的图像特征。
在另一些实例中,基于控制参数、纹理特征和非纹理特征,确定与待处理图像相对应的图像特征可以包括:基于控制参数和纹理特征,确定与待处理图像相对应的处理后特征;基于处理后特征和非纹理特征,确定与待处理图像相对应的图像特征。
具体的,由于控制参数可以是大于0、且小于1的数值,且控制参数的大小与在图像生成操作时的细节增强程度呈正相关,因此,在获取到纹理特征、控制参数和非纹理特征之后,可以对控制参数和纹理特征进行分析处理,从而可以获得与待处理图像相对应的处理后特征,在一些实例中,基于控制参数和纹理特征,确定与待处理图像相对应的处理后特征可以包括:对控制参数与纹理特征进行乘积处理,获得与待处理图像相对应的处理后特征。
需要注意的是,在纹理特征为一维特征时,在获取到控制参数之后,可以将控制参数转换为一维参数,将一维参数与纹理特征的乘积值确定为与待处理图像相对应的处理后特征。在纹理特征为多维特征时,在获取到控制参数之后,可以将控制参数转换为多维参数,将多维参数与纹理特征的乘积值确定为与待处理图像相对应的处理后特征。
在获取到处理后特征和非纹理特征之后,可以对处理后特征和非纹理特征进行分析处理,以确定与待处理图像相对应的图像特征,在一些实例中,可以对处理后特征和非纹理特征进行融合处理,例如:可以将处理后特征与非纹理特征进行拼接处理,或者,将处理后特征与非纹理特征按照预设规则(例如:以矩阵行为基准、以矩阵列为基准等等)进行组合处理等等,而后可以将融合处理后的特征确定为与待处理图像相对应的图像特征,从而可以获得与待处理图像相对应的图像特征。
本实施例中,通过获取与待处理图像相对应的纹理特征和非纹理特征,而后基于控制参数、纹理特征和非纹理特征来确定与待处理图像相对应的图像特征,从而有效地保证了对于待处理图像相对应的图像特征进行确定的准确可靠性,进一步提高了目标图像生成的质量和效率。
图4为本发明实施例提供的另一种图像生成方法的流程示意图;参考附图4所示,本实施例提供了一种图像生成方法,该方法的执行主体可以为图像生成装置,该图像生成装置可以实现为软件、或者软件和硬件的组合,具体的,该图像生成方法可以包括以下步骤:
步骤S401:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于限定在进行图像生成操作时的细节增强程度。
其中,本实施例中的获取待处理图像和与待处理图像相对应的控制参数的具体实现方式和实现效果与上述实施例中步骤S201的具体实现方式和实现效果相类似,具体可参考上述陈述内容,在此不再赘述。
步骤S402:将待处理图像和控制参数输入至网络模型,获得网络模型输出的目标图像,目标图像的分辨率大于待处理图像的分辨率。
在获取到待处理图像和控制参数之后,可以将待处理图像和控制参数输入至网络模型,该网络模型可以是训练好的用于进行图像超分辨操作的网络模型,或者,也可以是待训练的用于进行图像超分辨操作的网络模型。在获取到待处理图像和控制参数之后,可以将待处理图像和控制参数输入至网络模型中,而后网络模型可以输出目标图像,该目标图像的分辨率大于待处理图像的分辨率,从而实现了图像超分辨操作。
本实施例提供的图像生成方法,通过获取待处理图像和与待处理图像相对应的控制参数,而后将待处理图像和控制参数输入至网络模型,获得网络模型输出的目标图像,有效地实现了利用网络模型可以对低分辨率的待处理图像进行超分辨处理,并可以稳定地获得高分辨率的目标图像,从而有效地保证了目标图像生成的质量和效率;另外,由于控制参数用于标识对待处理图像的细节增强程度,因此,利用不同的控制参数可以生成不同细节增强程度的目标图像,满足了不同用户的图像生成需求,进一步提高了该图像生成方法的实用性。
图5为本发明实施例提供的又一种图像生成方法的流程示意图;参考附图5所示,在网络模型为待训练的网络模型时,在获得网络模型输出的目标图像之后,本实施例中的方法还可以包括:
步骤S501:获取与待处理图像相对应的标准超分辨率图像。
在网络模型为待训练的网络模型时,为了能够获得满足用户需求的网络模型,此时的待处理图像可以对应有标准超分辨率图像,其中,标准超分辨率图像可以是指分辨率满足预设需求的图像。具体的,为了能够实现网络训练和优化操作,在获取到待处理图像之后,可以对待处理图像进行分析处理,以获取与待处理图像相对应的标准超分辨率图像。在一些实例中,待处理图像的身份标识与标准超分辨率图像之间存在映射关系,通过映射关系和待处理图像的身份标识即可确定与待处理图像相对应的标准超分辨率图像。在另一些实例中,在获取到待处理图像之后,可以利用预设图像增强算法对待处理图像进行图像增强处理,从而可以获得满足设计需求的标准超分辨率图像。
步骤S502:基于标准超分辨率图像、目标图像和控制参数,确定网络模型的损失函数,损失函数用于对待训练的网络模型进行训练,以生成训练好的网络模型。
在获取到标准超分辨率图像之后,可以对标准超分辨率图像、目标图像和控制参数进行分析处理,确定网络模型的损失函数,该损失函数用于对待训练的网络模型进行训练,以生成训练好的网络模型。在一些实例中,基于标准超分辨率图像、目标图像和控制参数,获取网络模型的损失函数可以包括:基于标准超分辨率图像和目标图像,确定像素差异损失函数和感知损失函数;基于控制参数、像素差异损失函数和感知损失函数,确定网络模型的损失函数。
其中,在获取到标准超分辨率图像和目标图像之后,可以对标准超分辨率图像和目标图像进行分析处理,从而可以获取到像素点差异损失函数和感知损失函数,所获取到的像素点差异损失函数能够使网络模型输出的超分辨率图像在细节和纹理方面无限接近高分辨率图像,感知损失函数能够使网络模型输出的超分辨率图像在语义方面无限接近高分辨率图像。具体的,基于标准超分辨率图像和目标图像,确定像素差异损失函数和感知损失函数可以包括:获取标准超分辨率图像的第一像素点特征和目标图像的第二像素点特征,将第一像素点特征与第二像素点特征进行分析比较,以获取像素点差异损失函数;对标准超分辨率图像和目标图像进行分析比较,以获取感知损失函数。
在获取到像素点差异损失函数和感知损失函数之后,可以对控制参数、像素差异损失函数和感知损失函数进行分析处理,以确定网络模型的损失函数。在一些实例中,基于控制参数、像素差异损失函数和感知损失函数,确定网络模型的损失函数可以包括:基于控制参数与感知损失函数之间的乘积值,获得处理后损失函数;将像素差异损失函数与处理后损失函数的和值,确定为网络模型的损失函数。
具体的,由于控制参数用于标识对待处理图像的细节增强程度,因此,在获取到感知损失函数之后,可以获取控制参数与感知损失函数之间的乘积值,而后可以基于乘积值获得处理后损失函数,在一些实例中,可以将控制参数与感知损失函数之间的乘积值确定为处理后损失函数;而后可以将像素差异损失函数与处理后损失函数的和值确定为网络模型的损失函数,从而有效地保证了对网络模型的损失函数进行确定的准确可靠性。
本实施例中,通过获取与待处理图像相对应的标准超分辨率图像,而后基于标准超分辨率图像、目标图像和控制参数确定网络模型的损失函数,在获取到损失函数之后,可以利用损失函数对待训练的网络模型进行训练,从而可以生成训练好的网络模型,该训练好的网络模型可以稳定地进行图像的超分辨操作,进一步提高了该图像生成方法的实用性。
具体应用时,本应用实施例提供了一种用于对图像进行分析处理的网络模型,该网络模型可以为用于增强图像细节的超分辨率网络模型,也可以是用于调整图像风格的风格转换网络模型,具体的,该网络模型能够根据用户的设计需求自由地控制对图像进行分析处理的程度。该方法可以包括网络模型的训练过程和网络模型的使用过程,以网络模型为超分辨率网络模型为例,网络模型的训练过程可以包括:
步骤1:获取训练数据集和训练参数,训练数据集包括低分辨率图像和与低分辨率图像相对应的高分辨率图像,训练参数为位于0到1之间的数值,该训练参数用于标识对图像进行分析处理的程度,需要注意的是,在网络模型为超分辨率网络模型时,训练参数用于标识对图像进行细节增强的程度;在网络模型为风格转换网络模型时,训练参数用于标识对图像的风格进行转换的程度。
步骤2:基于训练参数和训练数据集进行网络训练,获得初始网络模型。
网络模型的使用过程可以包括:
步骤3:获取待处理图像和控制参数。
步骤4:将待处理图像和控制参数输入至初始网络模型,从而可以获得与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
其中,参考附图6所示,所生成的初始网络模型可以包括:输入层、卷积层、残差层、上采样层、输出层和鉴别层,输入层用于获取待处理图像,卷积层用于获取待处理图像的图像特征,残差层用于对图像特征进行线性整流操作;上采样层用于对图像特征进行采样处理,从而可以获得进行处理后的图像特征,输出层用于基于处理后的图像特征输出处理后图像,鉴别层用于将处理后图像与实际图像进行分析比较,以识别处理后图像是真是假。
需要注意的是,本实施例中的残差层可以包括多个卷积层,多个卷积层中前半部分的卷积层用于确定与图像纹理信息的图像特征P,多个卷积层中后半部分的卷积层用于确定与图像非纹理信息的图像特征Q,在获取到控制参数t(0到1的小数)之后,可以将控制参数t与P相乘,而后将相乘之后的特征与图像特征Q进行组合,从而可以获得图像特征。其中,控制参数t可以作为一个特征层与卷积层的级联参数,并可以基于特征的维度对控制参数进行调整,例如:在图像特征是一个h*w维度的矩阵特征时,在可控参数t与P相乘时,可以将控制参数t对应转换为一个h*w维度的参数信息,而后将多维度的控制参数t与图像特征P相乘。
在获取到图像特征之后,可以基于图像特征生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
步骤5:基于目标图像、高分辨率图像和控制参数确定网络模型的损失函数。
具体的,基于高分辨率图像和目标图像,确定像素差异损失函数L_1和感知损失函数L_G,获取控制参数t和感知损失函数L_G之间的乘积值t*L_G,并将上述的乘积值确定为处理后损失函数t*L_G,而后将像素差异损失函数t*L_G与处理后损失函数L_1的和值确定为网络模型的损失函数,即损失函数L=L_1+t*L_G,在模型训练的过程中,这样只需要输入不同的t,就能得到不能细节增强程度的超分图像。
步骤6:基于网络模型的损失函数对初始网络模型进行学习训练,从而可以获得目标网络模型。
具体的,以网络模型的损失函数最小来对初始网络模型进行学习训练,从而可以获得优化后的目标网络模型。
本应用实施例提供的技术方案,在网络模型为超分网络模型时,则可以通过超分网络模型对图像进行超分处理,并且,图像增强细节是在训练中学习得到的,从而保证了图像超分操作的稳定可靠性;另外,控制参数可以控制感知损失函数在总损失中的占比,而并不是简单的图像锐化操作,通过不同的控制参数可以获得满足不同用户、不同场景的超分结果,从而有效地实现了通过对超分网络和损失函数的改进优化,可以让超分网络自动学习不同程度的增强细节,避免了复杂的后续操作,进一步提高了数据处理的质量和效率;此外,上述的实现原理对于网络模型和训练方式的改动比较小,因此可以适用于任意的超分网络,进一步提高了该方法使用的灵活可靠性。
图7为本发明实施例提供的又一种图像生成方法的流程示意图;参考附图7所示,本实施例提供了一种图像生成方法,该方法的执行主体可以为图像生成装置,该图像生成装置可以实现为软件、或者软件和硬件的组合,具体的,该图像生成方法能够将任意图片转换指定的艺术图片的风格,比如梵高等名人的油画风格,或者一张卡通漫画的风格,甚至是毕加索抽象派的风格等。具体的,该图像生成方法可以包括以下步骤:
步骤S701:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的风格化程度。
步骤S702:基于控制参数,确定与待处理图像相对应的图像特征。
步骤S703:基于图像特征,生成与待处理图像相对应的目标图像,目标图像的风格与待处理图像的风格不同。
本实施例中的上述方法步骤的实现过程、实现原理和实现效果与上述图1-图6所示实施例的方法步骤的实现过程、实现原理和实现效果相类似,唯一不同的是,本实施例中的控制参数用于标识对待处理图像的风格化程度,控制参数的大小与在图像生成操作时的风格化程度呈正相关,具体的,本实施例未详细描述的部分,可参考对图1-图6所示实施例的相关说明。
本实施例提供的图像生成方法,通过获取待处理图像和与待处理图像相对应的控制参数,而后基于控制参数确定与待处理图像相对应的图像特征,并基于图像特征生成与待处理图像相对应的目标图像,有效地实现了对待处理图像进行风格化处理,另外,由于控制参数用于标识对待处理图像的风格化程度,因此,利用不同的控制参数可以生成不同程度风格化后的目标图像,从而有效地保证了目标图像生成的质量和效率,满足了不同用户的图像生成需求,进一步提高了该图像生成方法的实用性。
图8为本发明实施例提供的再一种图像生成方法的流程示意图;参考附图8所示,本实施例提供了一种图像生成方法,该方法的执行主体可以为图像生成装置,该图像生成装置可以实现为软件、或者软件和硬件的组合,具体的,该图像生成方法可以包括以下步骤:
步骤S801:响应于图像生成请求,确定图像生成服务对应的处理资源;
步骤S802:利用处理资源执行如下步骤:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;基于控制参数,确定与待处理图像相对应的图像特征;基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
具体的,本发明提供的图像生成方法可以在云端来执行,在云端可以部署有若干计算节点,每个计算节点中都具有计算、存储等处理资源。在云端,可以组织由多个计算节点来提供某种服务,当然,一个计算节点也可以提供一种或多种服务。
针对本发明提供的方案,云端可以提供有用于完成图像生成方法的服务,称为图像生成服务。当用户需要使用该图像生成服务的时候,调用该图像生成服务,以向云端触发调用该图像生成服务的请求,在该请求中可以携带有待处理图像和控制参数。云端确定响应该请求的计算节点,利用该计算节点中的处理资源执行如下步骤:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;基于控制参数,确定与待处理图像相对应的图像特征;基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
本实施例中的上述方法步骤的实现过程、实现原理和实现效果与上述图1-图6所示实施例的方法步骤的实现过程、实现原理和实现效果相类似,本实施例未详细描述的部分,可参考对图1-图6所示实施例的相关说明。
图9为本发明实施例提供的一种图像生成装置的结构示意图;参考附图9所示,本实施例提供了一种图像生成装置,该图像生成装置用于执行上述图2所示的图像生成方法,具体的,该图像生成装置可以包括:
第一获取模块11,用于获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;
第一确定模块12,用于基于控制参数,确定与待处理图像相对应的图像特征;
第一处理模块13,用于基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
在一些实例中,控制参数包括大于0、且小于1的数值,控制参数的大小与在图像生成操作时的细节增强程度呈正相关。
在一些实例中,在第一确定模块12基于控制参数,确定与待处理图像相对应的图像特征时,该第一确定模块12用于执行:获取与待处理图像相对应的纹理特征和非纹理特征;基于控制参数、纹理特征和非纹理特征,确定与待处理图像相对应的图像特征。
在一些实例中,在第一确定模块12基于控制参数、纹理特征和非纹理特征,确定与待处理图像相对应的图像特征时,该第一确定模块12用于执行:基于控制参数和纹理特征,确定与待处理图像相对应的处理后特征;基于处理后特征和非纹理特征,确定与待处理图像相对应的图像特征。
在一些实例中,在第一确定模块12基于控制参数和纹理特征,确定与待处理图像相对应的处理后特征时,该第一确定模块12用于执行:对控制参数与纹理特征进行乘积处理,获得与待处理图像相对应的处理后特征。
在一些实例中,在第一获取模块11获取与待处理图像相对应的控制参数时,该第一获取模块11用于执行:响应于用户输入的与待处理图像相对应的执行操作,获得与待处理图像相对应的控制参数。
图9所示装置可以执行图1-图6所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图6所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图9所示图像生成装置的结构可实现为一电子设备,该电子设备可以是电子设备、服务器等各种设备。如图10所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,第一存储器22用于存储相对应电子设备执行上述图1-图6所示实施例中图像生成方法的程序,第一处理器21被配置为用于执行第一存储器22中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第一处理器21执行时能够实现如下步骤:
获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;
基于控制参数,确定与待处理图像相对应的图像特征;
基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
进一步的,第一处理器21还用于执行前述图1-图6所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图1-图6所示方法实施例中图像生成方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行上述图1-图6所示的图像生成方法中的步骤。
图11为本发明实施例提供的另一种图像生成装置的结构示意图;参考附图11所示,本实施例提供了一种图像生成装置,该图像生成装置用于执行上述图4所示的图像生成方法,具体的,该图像生成装置可以包括:
第二获取模块31,用于获取待处理图像和与待处理图像相对应的控制参数,控制参数用于限定在进行图像生成操作时的细节增强程度;
第二处理模块32,用于将待处理图像和控制参数输入至网络模型,获得网络模型输出的目标图像,目标图像的分辨率大于待处理图像的分辨率。
在一些实例中,在网络模型为待训练的网络模型时,在获得网络模型输出的目标图像之后,本实施例中的第二获取模块31和第二处理模块32用于执行以下步骤:
第二获取模块31,用于获取与待处理图像相对应的标准超分辨率图像;
第二处理模块32,用于基于标准超分辨率图像、目标图像和控制参数,确定网络模型的损失函数,损失函数用于对待训练的网络模型进行训练,以生成训练好的网络模型。
在一些实例中,在第二处理模块32基于标准超分辨率图像、目标图像和控制参数,获取网络模型的损失函数时,该第二处理模块32用于执行:基于标准超分辨率图像和目标图像,确定像素差异损失函数和感知损失函数;基于控制参数、像素差异损失函数和感知损失函数,确定网络模型的损失函数。
在一些实例中,在第二处理模块32基于控制参数、像素差异损失函数和感知损失函数,确定网络模型的损失函数时,该第二处理模块32用于执行:基于控制参数与感知损失函数之间的乘积值,获得处理后损失函数;将像素差异损失函数与处理后损失函数的和值,确定为网络模型的损失函数。
图11所示装置可以执行图4-图6所示实施例的方法,本实施例未详细描述的部分,可参考对行图4-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见行图4-图6所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图11所示图像生成装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、电子设备、服务器等各种设备。如图12所示,该电子设备可以包括:第二处理器41和第二存储器42。其中,第二存储器42用于存储相对应电子设备执行上述图4所示实施例中提供的图像生成方法的程序,第二处理器41被配置为用于执行第二存储器42中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第二处理器41执行时能够实现如下步骤:
获取待处理图像和与待处理图像相对应的控制参数,控制参数用于限定在进行图像生成操作时的细节增强程度;
将待处理图像和控制参数输入至网络模型,获得网络模型输出的目标图像,目标图像的分辨率大于待处理图像的分辨率。
进一步的,第二处理器41还用于执行前述图4所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第二通信接口43,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图4所示方法实施例中图像生成方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行上述图4所示的图像生成方法中的步骤。
图13为本发明实施例提供的又一种图像生成装置的结构示意图;参考附图13所示,本实施例提供了一种图像生成装置,该图像生成装置用于执行上述图7所示的图像生成方法,具体的,该图像生成装置可以包括:
第三获取模块51,用于获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的风格化程度。
第三确定模块52,用于基于控制参数,确定与待处理图像相对应的图像特征。
第三处理模块53,用于基于图像特征,生成与待处理图像相对应的目标图像,目标图像的风格与待处理图像的风格不同。
图13所示装置可以执行图7所示实施例的方法,本实施例未详细描述的部分,可参考对行图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见行图7所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图13所示图像生成装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、电子设备、服务器等各种设备。如图14所示,该电子设备可以包括:第三处理器61和第三存储器62。其中,第三存储器62用于存储相对应电子设备执行上述图7所示实施例中提供的图像生成方法的程序,第三处理器61被配置为用于执行第三存储器62中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第三处理器61执行时能够实现如下步骤:
获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的风格化程度。
基于控制参数,确定与待处理图像相对应的图像特征。
基于图像特征,生成与待处理图像相对应的目标图像,目标图像的风格与待处理图像的风格不同。
进一步的,第三处理器61还用于执行前述图7所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第三通信接口63,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图7所示方法实施例中图像生成方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行上述图7所示的图像生成方法中的步骤。
图15为本发明实施例提供的又一种图像生成装置的结构示意图;参考附图15所示,本实施例提供了一种图像生成装置,该图像生成装置用于执行上述图8所示的图像生成方法,具体的,该图像生成装置可以包括:
第四确定模块71,用于响应于图像生成请求,确定图像生成服务对应的处理资源;
第四处理模块72,用于利用处理资源执行如下步骤:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;基于控制参数,确定与待处理图像相对应的图像特征;基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
图15所示装置可以执行图8所示实施例的方法,本实施例未详细描述的部分,可参考对行图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见行图8所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图15所示图像生成装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、电子设备、服务器等各种设备。如图16所示,该电子设备可以包括:第四处理器81和第四存储器82。其中,第四存储器82用于存储相对应电子设备执行上述图8所示实施例中提供的图像生成方法的程序,第四处理器81被配置为用于执行第四存储器82中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第四处理器81执行时能够实现如下步骤:
响应于图像生成请求,确定图像生成服务对应的处理资源;
利用处理资源执行如下步骤:获取待处理图像和与待处理图像相对应的控制参数,控制参数用于标识对待处理图像的细节增强程度;基于控制参数,确定与待处理图像相对应的图像特征;基于图像特征,生成与待处理图像相对应的目标图像,目标图像的分辨率大于待处理图像的分辨率。
进一步的,第四处理器81还用于执行前述图8所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第四通信接口83,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图8所示方法实施例中图像生成方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行上述图8所示的图像生成方法中的步骤。
图17为本发明实施例提供的一种图像生成方法的流程示意图;参考附图17所示,本实施例提供了一种图像生成方法,该方法的执行主体可以为图像生成装置,该图像生成装置可以实现为软件、或者软件和硬件的组合,具体的,该图像生成方法可以包括以下步骤:
步骤S1701:获取待处理图像。
步骤S1702:显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度。
在获取到待处理图像之后,为了能够满足用户对待处理图像的不同的图像处理需求,可以显示与控制参数相对应的参数配置界面,该参数配置界面中显示有用于对控制参数进行调整的参数调节控件,用户可以通过控件对控制参数进行调整,例如:可以通过控件增大控制参数或者减小控制参数,以满足不同的图像生成需求,并可以快速确定满足图像生成需求的控制参数。
步骤S1703:通过所述参数配置界面获取与所述控制参数相对应的参数配置操作。
在显示参数配置界面之后,则可以通过参数配置界面获取与控制参数相对应的参数配置操作,该参数配置参数用于生成或者调整与待处理图像相对应的控制参数。在一些实例中,参数配置界面中可以显示有默认的控制参数值(例如:0、0.5等等),此时,用户可以通过参数配置界面对默认的控制参数进行确认或者调整操作。具体的,参数配置界面中所包括的参数调节控件为字符输入控件,用户可以通过字符输入控件来输入相对应的字符,操作用户通过字符输入控件所输入的字符输入操作即为参数配置操作。举例来说,在参数配置界面中可以显示有预先配置的默认控制参数,例如,默认控制参数为0.5,在获取到待处理图像之后,在参数配置界面中可以显示字符输入控件,用户通过字符输入控件直接输入相对应的字符,例如:输入字符“0”、字符“.”以及字符“6”,从而可以获取到参数配置操作,通过上述的字符输入操作即可将默认控制参数0.5调整为0.6。
在另一些实例中,参数配置界面中所包括的参数调节控件为点击控件(“+” 控件和“-”控件)或者滑动控件,在参数调节控件为点击控件时,用户可以通过点击“+”控件来增大控制参数,通过点击“-”控件来减小控制参数,此时,所获取到的参数配置操作即为点击操作。在参数调节空间为滑动控件时,用户可以通过向左滑动或者向下滑动来减小控制参数,通过向右滑动或者向上滑动来增加控制参数,此时,所获取到的参数配置操作即为滑动操作。
步骤S1704:基于所述参数配置操作,生成目标控制参数。
在获取到参数配置操作之后,则可以基于参数配置操作生成目标控制参数,需要注意的是,目标控制参数与进行参数配置之前的控制参数可以相同或者不同。
步骤S1705:在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
在获取到目标控制参数之后,为了能够使得用户直观地获知到该目标控制参数所对应的图像生成效果,可以在参数配置界面中显示利用目标控制参数和待处理图像所生成的目标图像,此时的目标图像的分辨率大于待处理图像的分辨率。
需要注意的是,在通过参数配置界面中对控制参数进行调整,获取到不同的目标控制参数时,可以在参数配置界面的预设区域中显示与不同目标控制参数所对应的目标图像效果,例如:在获取到一待处理图像之后,用户可以通过参数配置界面获取到目标控制参数a时,则可以在参数配置界面中的预设区域中显示与目标控制参数a相对应的目标图像,以使得用户可以直接通过参数配置界面查看到目标图像的生成效果;若目标图像的生成效果不满足用户需求,用户可以继续通过采纳数配置界面进行控制参数的调节或者配置操作,从而可以获得目标控制参数b,该目标控制参数b与目标控制参数a不同,此时,则可以在参数配置界面中的预设区域中显示与目标控制参数b相对应的目标图像,以使得用户可以直接通过参数配置界面查看到目标图像的生成效果,若此时目标图像满足用户需求,则可以停止对控制参数进行配置操作,从而有效地实现了通过用户与参数配置界面进行交互操作对控制参数进行灵活、自由的调整,并且还可以通过参数配置界面即时查看到所生成目标图像的图像效果,进而用户可以直观地判断此时所生成的图像是否满足需求,若不满足需求,则可以再次对参数进行调整,若满足需求,则可以直接生成或者输入目标图像。
本实施例还可以包括与上述图2-图6所示实施例的方法,本实施例未详细描述的部分,可参考对图2-图6所示实施例的相关说明。
本实施例提供的图像生成方法,通过获取待处理图像;显示与控制参数相对应的参数配置界面,通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;基于所述参数配置操作,生成目标控制参数;在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率,从而有效地实现了通过用户与参数配置界面进行交互操作对控制参数进行灵活、自由的调整,并且还可以通过参数配置界面即时查看到所生成目标图像的图像增强效果,进而用户可以直观地判断此时所生成的图像是否满足需求,若不满足需求,则可以再次对参数进行调整,若满足需求,则可以直接生成或者输入目标图像,进一步提高了该方法使用的灵活可靠性,有利于市场的推广与应用。
图18为本发明实施例提供的又一种图像生成装置的结构示意图;参考附图18所示,本实施例提供了一种图像生成装置,该图像生成装置用于执行上述图17所示的图像生成方法,具体的,该图像生成装置可以包括:
第五获取模块91,用于获取待处理图像;
第五显示模块92,用于显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度;
所述第五获取模块91,用于通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;
第五生成模块93,用于基于所述参数配置操作,生成目标控制参数;
第五处理模块94,用于在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
图18所示装置可以执行图17所示实施例的方法,本实施例未详细描述的部分,可参考对行图17所示实施例的相关说明。该技术方案的执行过程和技术效果参见行图17所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图18所示图像生成装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、电子设备、服务器等各种设备。如图19所示,该电子设备可以包括:第五处理器101和第五存储器102。其中,第五存储器102用于存储相对应电子设备执行上述图17所示实施例中提供的图像生成方法的程序,第五处理器101被配置为用于执行第五存储器102中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第五处理器101执行时能够实现如下步骤:
获取待处理图像;
显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度;
通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;
基于所述参数配置操作,生成目标控制参数;
在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
进一步的,第五处理器101还用于执行前述图17所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第五通信接口103,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图17所示方法实施例中图像生成方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行上述图17所示的图像生成方法中的步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种图像生成方法,其特征在于,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的细节增强程度;
基于所述控制参数,确定与所述待处理图像相对应的图像特征;
基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
2.根据权利要求1所述的方法,其特征在于,所述控制参数包括大于0、且小于1的数值,所述控制参数的大小与在图像生成操作时的细节增强程度呈正相关。
3.根据权利要求1所述的方法,其特征在于,基于所述控制参数,确定与所述待处理图像相对应的图像特征,包括:
获取与所述待处理图像相对应的纹理特征和非纹理特征;
基于所述控制参数、纹理特征和非纹理特征,确定与所述待处理图像相对应的图像特征。
4.根据权利要求3所述的方法,其特征在于,基于所述控制参数、纹理特征和非纹理特征,确定与所述待处理图像相对应的图像特征,包括:
基于所述控制参数和所述纹理特征,确定与所述待处理图像相对应的处理后特征;
基于所述处理后特征和所述非纹理特征,确定与所述待处理图像相对应的图像特征。
5.根据权利要求4所述的方法,其特征在于,基于所述控制参数和所述纹理特征,确定与所述待处理图像相对应的处理后特征,包括:
对所述控制参数与所述纹理特征进行乘积处理,获得与所述待处理图像相对应的处理后特征。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,获取与所述待处理图像相对应的控制参数,包括:
响应于用户输入的与所述待处理图像相对应的执行操作,获得与所述待处理图像相对应的控制参数。
7.一种图像生成方法,其特征在于,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于限定在进行图像生成操作时的细节增强程度;
将所述待处理图像和所述控制参数输入至网络模型,获得所述网络模型输出的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
8.根据权利要求7所述的方法,其特征在于,在所述网络模型为待训练的网络模型时,在获得所述网络模型输出的目标图像之后,所述方法还包括:
获取与所述待处理图像相对应的标准超分辨率图像;
基于所述标准超分辨率图像、所述目标图像和所述控制参数,确定所述网络模型的损失函数,所述损失函数用于对所述待训练的网络模型进行训练,以生成训练好的网络模型。
9.根据权利要求8所述的方法,其特征在于,基于所述标准超分辨率图像、所述目标图像和所述控制参数,获取所述网络模型的损失函数,包括:
基于所述标准超分辨率图像和所述目标图像,确定像素差异损失函数和感知损失函数;
基于所述控制参数、像素差异损失函数和感知损失函数,确定所述网络模型的损失函数。
10.根据权利要求9所述的方法,其特征在于,基于所述控制参数、像素差异损失函数和感知损失函数,确定所述网络模型的损失函数,包括:
基于所述控制参数与感知损失函数之间的乘积值,获得处理后损失函数;
将所述像素差异损失函数与所述处理后损失函数的和值,确定为网络模型的损失函数。
11.一种图像生成方法,其特征在于,包括:
获取待处理图像和与所述待处理图像相对应的控制参数,所述控制参数用于标识对所述待处理图像的风格化程度;
基于所述控制参数,确定与所述待处理图像相对应的图像特征;
基于所述图像特征,生成与所述待处理图像相对应的目标图像,所述目标图像的风格与所述待处理图像的风格不同。
12.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-6中任一项所述的图像生成方法。
13.一种计算机存储介质,其特征在于,用于储存计算机程序,所述计算机程序使计算机执行时实现如权利要求1-6中任一项所述的图像生成方法。
14.一种图像生成方法,其特征在于,包括:
获取待处理图像;
显示与控制参数相对应的参数配置界面,其中,所述控制参数用于标识对所述待处理图像的细节增强程度;
通过所述参数配置界面获取与所述控制参数相对应的参数配置操作;
基于所述参数配置操作,生成目标控制参数;
在所述参数配置界面中显示利用所述目标控制参数和待处理图像所生成的目标图像,所述目标图像的分辨率大于所述待处理图像的分辨率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432793.0A CN113837948B (zh) | 2021-11-29 | 2021-11-29 | 图像生成方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432793.0A CN113837948B (zh) | 2021-11-29 | 2021-11-29 | 图像生成方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837948A true CN113837948A (zh) | 2021-12-24 |
CN113837948B CN113837948B (zh) | 2022-05-06 |
Family
ID=78971898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432793.0A Active CN113837948B (zh) | 2021-11-29 | 2021-11-29 | 图像生成方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837948B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
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 |
CN109712068A (zh) * | 2018-12-21 | 2019-05-03 | 云南大学 | 用于葫芦烙画的图像风格迁移与模拟方法 |
CN110310222A (zh) * | 2019-06-20 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种图像风格迁移方法、装置、电子设备及存储介质 |
US20200242153A1 (en) * | 2019-01-29 | 2020-07-30 | Samsung Electronics Co., Ltd. | Method, apparatus, electronic device and computer readable storage medium for image searching |
CN113538226A (zh) * | 2020-04-20 | 2021-10-22 | 华为技术有限公司 | 图像纹理增强方法、装置、设备及计算机可读存储介质 |
CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113628115A (zh) * | 2021-08-25 | 2021-11-09 | Oppo广东移动通信有限公司 | 图像重建的处理方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-29 CN CN202111432793.0A patent/CN113837948B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
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 |
CN109712068A (zh) * | 2018-12-21 | 2019-05-03 | 云南大学 | 用于葫芦烙画的图像风格迁移与模拟方法 |
US20200242153A1 (en) * | 2019-01-29 | 2020-07-30 | Samsung Electronics Co., Ltd. | Method, apparatus, electronic device and computer readable storage medium for image searching |
CN110310222A (zh) * | 2019-06-20 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种图像风格迁移方法、装置、电子设备及存储介质 |
CN113538226A (zh) * | 2020-04-20 | 2021-10-22 | 华为技术有限公司 | 图像纹理增强方法、装置、设备及计算机可读存储介质 |
CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113628115A (zh) * | 2021-08-25 | 2021-11-09 | Oppo广东移动通信有限公司 | 图像重建的处理方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
朱晓楠: ""基于多帧信息融合的视频超分辨深度学习网络的研究与实现"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
李延召: ""基于内容的视频检索技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
薛楠等: "基于残差网络的快速图像风格迁移研究", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837948B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220148285A1 (en) | Iteratively applying neural networks to automatically segment objects portrayed in digital images | |
US10373312B2 (en) | Automated skin lesion segmentation using deep side layers | |
US10699055B2 (en) | Generative adversarial networks for generating physical design layout patterns | |
US11321822B2 (en) | Determining image defects using image comparisons | |
US10706200B2 (en) | Generative adversarial networks for generating physical design layout patterns of integrated multi-layers | |
WO2022068320A1 (en) | Computer automated interactive activity recognition based on keypoint detection | |
US10846889B2 (en) | Color handle generation for digital image color gradients using machine learning | |
US11025500B2 (en) | Provisioning infrastructure from visual diagrams | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
US11934958B2 (en) | Compressing generative adversarial neural networks | |
US11379898B2 (en) | Touch and pressure-based apparel image searching | |
CN113837948B (zh) | 图像生成方法、设备及存储介质 | |
CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
US10255674B2 (en) | Surface reflectance reduction in images using non-specular portion replacement | |
US10586129B2 (en) | Generating artificial images for use in neural networks | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113298753A (zh) | 敏感肌的检测方法、图像处理方法、装置及设备 | |
CN112394809A (zh) | 一种实现增强现实的方法、装置及通信设备 | |
CN115222835A (zh) | 绘画建议的生成方法、装置及设备 | |
CN114299105A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
US20210232215A1 (en) | Stereo correspondence search | |
CN111383199A (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
CN113449697B (zh) | 视频信息处理方法、设备及计算机存储介质 | |
US11593961B2 (en) | Difference-guided video analysis | |
WO2022267728A1 (en) | Video action recognition and modifcation |
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 |