CN113869960A - 海报生成方法、装置、存储介质及计算机设备 - Google Patents

Abstract

本发明提供的海报生成方法、装置、存储介质及计算机设备，在生成预设类别的商品海报之前，可以先获取与该预设类别的商品对应的多个不同排版样式的商品广告图，接着获取每一商品广告图在线上的点击率，以及，每一商品广告图在图片美观度模型中的美观度得分，由于每一商品广告图在线上的点击率可以在一定程度上代表该商品广告图对大众的吸引程度，而通过图片美观度模型预测的商品广告图的美观度得分，也能够在一定程度上反映大众对该商品广告图的偏好，从而使得本申请能够更加精确地反映该商品广告图的受众情况；在此基础上，本申请根据筛选后的商品广告图生成最终的海报图，能够进一步提高海报的吸引度。

Description

海报生成方法、装置、存储介质及计算机设备

技术领域

本发明涉及图像识别技术领域，尤其涉及一种海报生成方法、装置、存储介质及计算机设备。

背景技术

目前，业务扩展方式多种多样，而海报、传单等业务扩展方式，由于其投入成本较低，产生的收益却较为明显，因而在业务宣传方面被广泛采用。

现有的海报生成方式主要是通过人工进行设计，而人工设计的海报，主要依赖于设计师的审美认知以及相关设计经验，导致设计出的海报的局限性较大，难以满足大众的审美，且人工设计海报的成本较高，效率较为低下。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是人工设计的海报的局限性较大，难以满足大众的审美，且人工设计海报的成本较高，效率较为低下的技术缺陷。

本发明提供了一种海报生成方法，所述方法包括：

获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率；

确定目标图片美观度模型；

将每一商品广告图依次输入至所述目标图片美观度模型中，得到所述目标图片美观度模型输出的每一商品广告图的美观度得分；

基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分；

按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

可选地，所述确定目标图片美观度模型的步骤，包括：

获取不同类别的商品对应的样本商品广告图，以及对所述样本商品广告图标注后得到的真实美观度得分直方图；

将所述样本商品广告图输入至预先配置的初始图片美观度模型中，得到所述初始图片美观度模型输出的与所述样本商品广告图对应的预测美观度得分；

以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型；

当所述初始图片美观度模型满足预设的训练条件时，将训练完成的初始图片美观度模型作为目标图片美观度模型。

可选地，所述获取不同类别的商品对应的样本商品广告图的步骤，包括：

获取不同类别的商品对应的商品图；

扣取所述商品图中的商品主体；

获取与所述商品主体匹配的多个排版样式的底图模板；

将所述商品主体依次贴合到各个底图模板的对应位置处，得到与每一类别的商品对应的多个不同排版样式的样本商品广告图。

可选地，所述获取与所述商品主体匹配的多个排版样式的底图模板的步骤，包括：

将所述商品主体与不同风格的底图模板进行匹配，确定与所述商品主体对应风格的底图模板，其中，每一种风格的底图模板对应有多个不同的排版样式；

提取所述商品主体的代表色；

在与所述商品主体对应风格的底图模板中选取与所述商品主体的代表色匹配的底图模板，并将所述底图模板作为与所述商品主体匹配的多个排版样式的底图模板。

可选地，所述以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型的步骤，包括：

根据所述真实美观度得分直方图计算所述预测美观度得分的距离损失值；

根据所述距离损失值更新所述初始图片美观度模型中的参数。

可选地，所述基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分的步骤，包括：

针对每一商品广告图：

确定与所述商品广告图在线上的点击率对应的第一权重；

确定与所述商品广告图的美观度得分对应的第二权重；

依据所述商品广告图在线上的点击率、所述第一权重、所述商品广告图的美观度得分，以及所述第二权重，计算所述商品广告图的综合得分。

可选地，所述按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图的步骤，包括：

对各个商品广告图的综合得分进行排序；

按照预设的筛选策略，对排序后的各个商品广告图进行筛选；

依据筛选后的商品广告图生成最终的海报图。

本发明还提供了一种海报生成装置，包括：

数据获取模块，用于获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率；

模型确定模块，用于确定目标图片美观度模型；

模型预测模块，用于将每一商品广告图依次输入至所述目标图片美观度模型中，得到所述目标图片美观度模型输出的每一商品广告图的美观度得分；

综合得分模块，用于基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分；

海报生成模块，用于按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述实施例中任一项所述的海报生成方法。

本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述实施例中任一项所述的海报生成方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明提供的海报生成方法、装置、存储介质及计算机设备，在生成预设类别的商品海报之前，可以先获取与该预设类别的商品对应的多个不同排版样式的商品广告图，接着获取每一商品广告图在线上的点击率，以及，每一商品广告图在图片美观度模型中的美观度得分，由于每一商品广告图在线上的点击率可以在一定程度上代表该商品广告图对大众的吸引程度，而通过图片美观度模型预测的商品广告图的美观度得分，也能够在一定程度上反映大众对该商品广告图的偏好，从而使得本申请将每一商品广告图在线上的点击率与该商品广告图的美观度得分进行结合后，能够更加精确地反映该商品广告图的受众情况；在此基础上，本申请利用预设的筛选策略对不同排版样式的商品广告图进行筛选，以便筛选出所有的商品广告图中最具代表性的排版样式，根据该排版样式的商品广告图生成最终的海报图，能够进一步提高海报的吸引度；另外，本申请通过商品广告图来生成海报图，可以在一定程度上减少海报设计时对设计师的依赖，这样不仅降低了人工成本，还提高了工作效率。

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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种海报生成方法的流程示意图；

图2为本发明实施例提供的底图模板的结构示意图；

图3为本发明实施例提供的一种海报生成装置的结构示意图；

图4为本发明实施例提供的一种计算机设备的内部结构示意图。

具体实施方式

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，所描述的实施例仅仅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做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。

现有的海报生成方式主要是通过人工进行设计，而人工设计的海报，主要依赖于设计师的审美认知以及相关设计经验，导致设计出的海报的局限性较大，难以满足大众的审美，且人工设计海报的成本较高，效率较为低下。

基于此，本申请提出了以下技术方案，具体参见如下：

在一个实施例中，如图1所示，图1为本发明实施例提供的一种海报生成方法的流程示意图；本发明提供了一种海报生成方法，所述方法包括：

S110：获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率。

本步骤中，在生成预设类别的商品对应的海报之前，可以获取预设类别的商品对应的多个不同排版样式的商品广告图。

其中，本申请中的商品的预设类别包括但不限于玩具类、化妆品类、生活用品类、家电类、服装类、装饰品类等，在此不做限制。

本申请中的商品广告图指的是与预设类别的商品对应的广告图，该商品广告图可以通过将不同类别的商品的商品外观图与对应该商品类别的风格的底图模板进行匹配后、将配对成功的商品外观图与底图模板合成得到，该商品广告图还可以通过网络爬取技术从不同类别的数据图库中爬取获得，本实施例对具体获取商品广告图的方式不作限定。

在一种具体的实现方式中，本申请可以通过预先构造的底图元素库来设计特定风格、特定排版、特定尺寸、特定品类的底图模板，该底图模板中还可以设置相应的文案信息，使之可以表达出与商品相关的语义信息，满足用户的设计需求，更受大众的喜爱；在设计底图模板时，还可以考虑将底图模板的风格与商品类别进行对应，如玩具类商品，其底图模板可以设计为卡通类，这样与商品类别更为贴切，后续将底图模板与商品图融合后效果更佳，更符合玩具类商品受众的喜好，能进一步吸引消费者的注意力，提升商品销量。

另外，本申请在设计底图模板时，还可以考虑底图模板的色调。例如，相同风格的底图模板可以使用不同色调进行搭配，从而使得底图模板的选择更为多样。

而对于同一种风格的底图模板，可以设计多种不同的排版样式，这样，在使用与预设类别的商品对应的底图模板进行合成后，可以得到与该预设类别的商品对应的多个不同排版样式的商品广告图。

进一步地，本申请在合成与预设类别的商品对应的多个不同排版样式的商品广告图后，可以将多个商品广告图预先在网络端展示(即上线)，并统计各个商品广告图在线上的点击率。

在本实施例中，获取各个商品广告图在线上的点击率的方式可以通过线上埋点的方式进行获取，而线上埋点指的是网络端后台记录的用户点击某一商品广告图的点击数，其中，后台的记录包括但不限于用户的浏览记录、点击记录等。

S120：确定目标图片美观度模型。

本步骤中，通过S110获取预设类别的商品对应的多个不同排版样式的商品广告图后，接着可以根据不同排版样式的商品广告图来确定对应的目标图片美观度模型。

其中，本申请中的目标图片美观度模型指的是对输入图片的美观度进行预测的模型，该目标图片美观度模型在模型训练时，可以将不同类别的商品对应的商品广告图作为训练样本，并对每一个训练样本标注样本标签，具体的，可以将训练样本中的每一商品广告图同时分给多个人进行标注，通过不同的人对该商品广告图的美观度进行打分后形成美观度得分直方图，将该美观度得分直方图作为该商品广告图的样本标签。

当确定所有的训练样本标注完成后，将带有样本标签的训练样本输入预设的模型中进行前向传播以训练该模型在模型的反向传播过程中，使用预设的损失函数对模型进行参数调优，当模型满足训练的预设条件(例如迭代次数)或者参数的收敛条件时，视为训练完成，从而将训练完成的模型作为最终的目标图片美观度模型。

可以理解的是，本申请通过不同排版样式的商品广告图来确定对应的目标图片美观度模型后，可以将该目标图片美观度模型进行存储，以便下一次在预测商品广告图的美观度得分时，可以直接调用已经存储的目标图片美观度模型，从而实现对商品广告图快速预测美观度得分。

在本实施例中，由于残差网络可以解决深层网络(模型)的退化问题，提高模型的准确率，同时加速模型的训练，因此，本申请中的目标图片美观度模型可以选择残差网络作为预设的模型进行改进和训练得到，此外，本实施例还可以采用VGG-Net(Visual GeometryGroup Network)、SE-Net(Sequeeze-and-Excitation Network)作为预设的模型训练得到目标图片美观度模型，本实施例对此不作限定。

S130：将每一商品广告图依次输入至目标图片美观度模型中，得到目标图片美观度模型输出的每一商品广告图的美观度得分。

本步骤中，通过S120确定目标图片美观度模型后，可以将S110中获取的每一商品广告图依次输入至目标图片美观度模型中，以便通过该目标图片美观度模型进行预测后输出每一商品广告图的美观度得分。

可以理解的是，由于本申请中的目标图片美观度模型在训练时，是以不同的人对某一类别的商品广告图的美观度进行打分后形成美观度得分直方图，并将该美观度得分直方图作为该商品广告图的样本标签对该商品广告图进行训练的，因此，使用训练后得到的目标图片美观度模型对商品广告图的美观度得分进行预测后输出的美观度得分，可以在一定程度上反映大众对该商品广告图的偏好程度，并且该方法相比于其他方法的精度较高。

S140：基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分。

本步骤中，通过S110获取到每一商品广告图在线上的点击率，以及通过S130得到每一商品广告图的美观度得分后，进一步地，为了得到更为贴合大众喜好的商品广告图，本申请可以根据每一商品广告图在线上的点击率，以及该商品广告图的美观度得分，来确定该商品广告图的综合得分，进而根据综合得分来筛选最终的商品广告图。

在一种实现方式中，针对每一商品广告图，获取该商品广告图在线上的点击率以及该商品广告图经目标图片美观度模型预测得到的美观度得分，将该点击率转换为与美观度得分在同一度量单位上的点击分数，对点击分数和美观度得分进行归一化操作，通过加权的方式处理归一化后的点击分数和美观度得分，以确定每一商品广告图的综合得分。

在本申请中，获取每一商品广告图在线上的点击率可以表示网络端用户对该商品广告图的审美偏好，同时，通过经由大数据样本训练完成的模型对该商品广告图打分，预测得到美观度得分，该美观度得分可以进一步表征大多数用户对该商品广告图的美学评价标准，将点击率与美观度得分两者进行融合，可以更为精准地确定每一商品广告图的综合得分，该综合得分能够更有效的代表商品广告图对用户的吸引程度，有利于量化各个不同类别的商品对应的不同的商品广告图的美观程度，后续按照该综合得分对各商品广告图进行筛选，可以进一步提高为商品设计海报的效率，确定呈现效果更好的商品海报图。

S150：按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

本步骤中，通过S140得到每一商品广告图的综合得分后，进一步地，为了生成最终的海报图，本申请还可以按照预设的筛选策略来对各个商品广告图进行筛选，并根据筛选后的商品广告图来生成最终的海报图。

其中，本申请中预设的筛选策略可以包括对各个商品广告图的综合得分进行排序，并选择排序靠前的商品广告图作为最终的海报图的生成依据；还可以通过各个商品广告图的综合得分求取各个商品广告图的平均得分，接着选择与该平均得分相近的商品广告图作为最终的海报图的生成依据。

上述实施例中，在生成预设类别的商品海报之前，可以先获取与该预设类别的商品对应的多个不同排版样式的商品广告图，接着获取每一商品广告图在线上的点击率，以及，每一商品广告图在图片美观度模型中的美观度得分，由于每一商品广告图在线上的点击率可以在一定程度上代表该商品广告图对大众的吸引程度，而通过图片美观度模型预测的商品广告图的美观度得分，也能够在一定程度上反映大众对该商品广告图的偏好，从而使得本申请将每一商品广告图在线上的点击率与该商品广告图的美观度得分进行结合后，能够更加精确地反映该商品广告图的受众情况；在此基础上，本申请利用预设的筛选策略对不同排版样式的商品广告图进行筛选，以便筛选出所有的商品广告图中最具代表性的排版样式，根据该排版样式的商品广告图生成最终的海报图，能够进一步提高海报的吸引度；另外，本申请通过商品广告图来生成海报图，可以在一定程度上减少海报设计时对设计师的依赖，这样不仅降低了人工成本，还提高了工作效率。

上述实施例对本申请中海报生成方法的过程进行了展开描述，下面将对本申请的模型训练过程进行说明。

在一个实施例中，S120中确定目标图片美观度模型的步骤，可以包括：

S121：获取不同类别的商品对应的样本商品广告图，以及对所述样本商品广告图标注后得到的真实美观度得分直方图。

S122：将所述样本商品广告图输入至预先配置的初始图片美观度模型中，得到所述初始图片美观度模型输出的与所述样本商品广告图对应的预测美观度得分。

S123：以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型。

S124：当所述初始图片美观度模型满足预设的训练条件时，将训练完成的初始图片美观度模型作为目标图片美观度模型。

本实施例中，在确定目标图片美观度模型时，可以将不同类别的商品对应的样本商品广告图作为训练样本，并将每一样本商品广告图分给不同的人进行标注，通过不同的人对该样本商品广告图的美观度进行打分后形成真实美观度得分直方图，并将该真实美观度得分直方图作为该样本商品广告图的样本标签。

紧接着，将样本商品广告图输入至预先配置的初始图片美观度模型中，继而得到该初始图片美观度模型输出的与该样本商品广告图对应的预测美观度得分。

当得到该样本商品广告图对应的预测美观度得分后，可以以该预测美观度得分趋近于真实美观度得分直方图为目标，训练初始图片美观度模型，并当初始图片美观度模型满足预设的训练条件时，将训练完成的初始图片美观度模型作为目标图片美观度模型。

其中，在将每一样本商品广告图分给不同的人进行标注时，可以设定打分范围，如0-10分，且每次打分均取整数，由于每张样本商品广告图都有N个人打分，因此，每张样本商品广告图都会有N个分数值，但N个分数值均限定在0-10分这10个分数等级中，本申请可以将每一样本商品广告图的N个分数值均划分至10个分数等级中，计算每个分数等级下的分数值个数占据所有分数值的总数量的概率，统计每一样本商品广告图中所有分数等级的概率分布，作为该样本商品广告图对应的真实美观度得分直方图，后续模型在训练的过程中，可以学习该真实美观度得分直方图中的分数分布，使得模型输出的预测美观度得分可以在统计意义上更加贴合用户的真实偏好。

在一个实施例中，S121中获取不同类别的商品对应的样本商品广告图的步骤，可以包括：

S1211：获取不同类别的商品对应的商品图。

S1212：针对每一类别的商品对应的所述商品图，扣取所述商品图中的商品主体。

本实施例中的商品主体指代从商品图中扣取的表征商品主要外观的像素区域，该商品主体具有商品的主要属性，例如商品的外观，包括颜色、形状、图案等，又例如商品的类型，包括玩具类、生活家居类、美妆类等。

S1213：针对每一类别的商品对应的商品主体，获取与所述商品主体匹配的多个排版样式的底图模板。

在本实施例中，针对同一类别的商品对应的每一商品主体，为了丰富样本商品广告图的样式，扩大样本数据量，可以针对每一商品主体的商品属性(例如商品外观、商品类型等)获取与之匹配的具有多个排版样式的底图模板，其中，底图模板可以具有多种不同的风格，每一种风格的底图模板可以对应有多个不同的排版样式。

在S1213的具体实现中，可以按照商品主体的外观颜色确定匹配的底图模板，例如可以提取商品主体的三个基本代表色来筛选具有相同颜色的底图模板；也可以按照商品主体的商品标签确定匹配的底图模板，例如预先确定商品主体的商品标签或预先针对商品主体的类别配置商品标签，该商品标签可以包括玩具、美妆、日用品、零食等等。本实施例对获取与商品主体匹配的底图模板的具体方式不作限定。

S1214：将所述商品主体依次贴合到各个底图模板的对应位置处，得到与每一类别的商品对应的多个不同排版样式的样本商品广告图。

在S1214的具体实现中，可以将底图模板作为背景图、商品主体作为主体内容物构造每一类商品的样本商品广告图，即在获取到每一类别的商品对应的商品主体，以及与该商品主体匹配的具有多个排版样式的底图模板之后，可以针对每一类别的商品，将对应的商品主体所在的图像区域分别贴合在各个排版样式的底图模板的对应位置，在当前同一类别的商品对应的多个排版样式的底图模板均完成与其商品主体的匹配贴合后，再对下一个类别的商品所对应的底图模板和商品主体进行匹配贴合，直到完成所有类别的商品的底图模板与商品主体的匹配贴合，最终可以得到与每一类别的商品对应的多个不同排版样式的样本商品广告图。

本实施例中，在获取样本商品广告图之前，可以预先生成多种不同风格、不同排版样式、不同色调的商品广告图，该商品广告图既可以作为本申请中目标图片美观度模型训练时的训练样本，也可以作为后续生成海报时获取的商品广告图。而生成商品广告图的过程大致可以分为两部分，一是确定商品广告图中的主体部分，二是确定商品广告图中的背景部分。

在确定商品广告图的主体部分时，可以先获取不同类别的商品对应的商品图，如图片库中保存的不同类别的商品对应的商品图。由于该商品图较为简洁，无法直接吸引用户，因此，本申请可以通过对商品图中表征商品主体的像素区域进行扣取后，将扣取的商品主体贴合到预设的背景图中，合成吸引度较高的商品广告图。

而背景图的获取方式可以是先在底图库中查找与扣取的商品主体匹配的具有多个不同排版样式的底图模板，接着将商品主体依次贴合到各个不同排版样式的底图模板的对应位置处，从而得到每一类别的商品对应的多个不同排版样式的商品广告图。

当进行模型训练时，可以将不同类别的商品对应的多个排版样式的商品广告图作为样本商品广告图；当生成海报时，则可以获取预设类别的商品对应的不同排版样式的商品广告图。

可以理解的是，本申请中的底图库指的是保存有依据底图元素库中的不同元素进行设计后生成的特定风格、尺寸、特定品类的底版图；其中，底图元素库主要包括：背景层、纹理层、背景装饰层、蒙层、商品装饰层、以及一些文案信息等图层元素，底图元素库中的图层元素可以按照不同商品的属性分别标注并打上标签，比如根据商品品类进行标注得到的标签：家电、服装、玩具等，又比如根据商品使用类型进行标注得到的标签：日常、大促等。

示意性地，如图2所示，图2为本发明实施例提供的底图模板的结构示意图；由图2可知，本申请设计的底图模板的中间部分为空白，该部分可以填充商品主体以及一些文案信息，而文案信息指的是与商品主体的卖点对应的宣传文字，文案信息的合成是根据底图模板的位置写上的，比如按照文字字体，字号在对应位置处写上相应的文案。

进一步地，本申请中的底图模板可以有多种不同的风格，且每种风格的底图模板可以有多种不同的排版样式。其中，底图模板的风格包括但不限于复古风格，运动风格，立体风格，动感风格，田园风格，卡通人物风格，极简风格等；在具体实现中，底图模板的风格也可以根据商品类型进行设计，比如玩具类的商品对应的底图模板，其设计风格上可以更可爱一点，而美妆类型的商品对应的底图模板可以更简洁、更精致有美感，等等。

需要说明的是，本申请在模型训练时使用上述方式获取不同类别的商品对应的样本商品广告图，由于该样本商品广告图是依据不同风格、不同排版样式、不同色调的背景图与对应风格和色调的商品主体进行匹配后得到的，后续在生成海报时，也可以通过同样的方式获取预设类别的商品对应的商品广告图。因此，使用该样本商品广告图对初始图片美观度模型进行训练后得到的目标图片美观度模型，不仅可以适用于不同类别的商品对应的多个排版样式的商品广告图的美观度预测，还可以预测出更加贴合商品广告图实际美观度的美观度得分，将美观度进行量化，提供精准可靠的预测数据。

在一个实施例中，S1213中获取与所述商品主体匹配的多个排版样式的底图模板的步骤，可以包括：

S310：将所述商品主体与不同风格的底图模板进行匹配，确定与所述商品主体对应风格的底图模板，其中，每一种风格的底图模板对应有多个不同的排版样式。

本步骤中，在获取与商品主体匹配的多个排版样式的底图模板的过程中，可以将商品主体与不同风格的底图模板进行匹配，从而确定与该商品主体对应风格的底图模板。

可以理解的是，本申请在设计底图模板时，可以根据商品的类别进行设计，比如商品类别为玩具时，针对玩具，底图库中可以有多个对应风格的底图模板，如卡通类、可爱类、炫酷类等。本申请通过对不同类别的商品设计多种不同风格的底图模板，使得商品主体在搭配底图模板的过程中，不仅能够达到多样化的效果，而且使用该底图模板生成的样本商品广告图进行模型训练，还能够提升模型与实际产品的贴合度。

S311：提取所述商品主体的代表色。

本步骤中，在对商品主体与底图模板进行色调匹配之前，可以提取该商品主体的代表色，例如，可以使用kmeans算法提取商品主体的三种代表色，然后用三种代表色来匹配底图模板。

S312：在与所述商品主体对应风格的底图模板中选取与所述商品主体的代表色匹配的底图模板，并将所述底图模板作为与所述商品主体匹配的多个排版样式的底图模板。

本步骤中，当提取到商品主体对应的代表色后，可以利用该商品主体的代表色来进行色调匹配，具体地，可以在与该商品主体对应风格的底图模板中，选取与该商品主体的代表色匹配的底图模板，接着将选取后得到的底图模板作为与该商品主体匹配的底图模板，该底图模板可以包括多个不同排版样式的底图模板。

进一步地，本申请在确定与商品主体对应的多个不同排版样式的底图模板时，还可以先确定底图库中与该商品主体的代表色匹配的底图模板，接着在该类底图模板中选择与该商品主体对应风格的底图模板，并将该底图模板作为与该商品主体匹配的底图模板。

需要说明的是，本实施例对优先选择配色与商品主体匹配的底图模板还是优先选择风格与商品主体匹配的底图模板不做限定。

在一个实施例中，S123中以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型的步骤，可以包括：

S1231：根据所述真实美观度得分直方图计算所述预测美观度得分的距离损失值。

S1232：根据所述距离损失值更新所述初始图片美观度模型中的参数。

本实施例中，初始图片美观度模型在训练的过程中，可以使用相关的损失函数来计算每次训练时的损失值，并根据该损失值来更新初始图片美观度模型中的参数，使得模型在一次次迭代训练的过程中性能变得更好，对图片美观度的预测效果变得更佳。

进一步地，本申请可以使用EMD损失函数来计算真实美观度得分直方图与预测美观度得分之间的距离损失值。可以理解的是，EMD损失函数可以计算两个分布之间的距离损失，为实现本申请中的预测美观度得分趋近于真实美观度得分直方图，本申请可以将初始图片美观度模型输出的样本商品广告图在各个分数的概率值形成该样本商品广告图的预测美观度得分直方图，即预测美观度得分直方图可以分别基于每一样本商品广告图经由模型打分输出的预测美观度得分计算每个得分的概率分布得到，具体的，可以统计模型对每一样本商品广告图打分的多个预测美观度得分，计算每个预测美观度得分占据当前样本商品广告图的所有得分中的概率，统计所有预测美观度得分的概率分布得到预测美观度得分直方图；在确定了预测美观度得分直方图后，接着利用EMD损失函数计算预测美观度得分直方图与真实美观图得分直方图之间的距离损失值，并通过反向传播的方式，利用距离损失值更新初始图片美观度模型中的参数，以便初始图片美观度模型在数次迭代后能够收敛至满足预设的训练条件为止。

例如，本申请可以选用残差网络，如Resnet作为基础模型，使用不同类别的商品对应的样本商品广告图作为训练样本，使用对样本商品广告图标注后得到的真实美观度得分直方图作为样本标签，在模型训练过程中，使用EMD损失函数作为模型训练时的损失函数，其中，EMD损失函数的计算公式如下：

其中，p表示预设类别的商品对应的样本商品广告图的预测美观度得分，

表示预设类别的商品对应的样本商品广告图的真实美观度得分，N表示预设类别的商品对应的样本商品广告图的样本标签数量，k表示预设类别的商品对应的样本商品广告图的第k个样本标签，r表示收敛指标，CDF_p(k)表示预设类别的商品对应的样本商品广告图对应的预测美观度得分的概率分布，

表示预设类别的商品对应的样本商品广告图对应的真实美观度得分的概率分布。

可以理解的是，当对预设类别的商品对应的样本商品广告图进行多人打分后，可以将每个人打的分数值作为该样本商品广告图的样本标签，从而形成每个样本商品广告图对应的多个样本标签，而本申请使用的残差网络在进行模型训练时，由于残差网络包括卷积层、BN层、激活层、池化层和全连接层等，将样本商品广告图输入至该残差网络后，可以通过全连接层输出该样本商品广告图对应的多个预测美观度得分的概率，从而形成预测美观度得分的概率分布，接着通过EMD损失函数计算该样本商品广告图的每个预测美观度得分的概率与真实美观度得分的概率之间差值，然后计算累计概率差值后再除以样本标签数N，最后得到该样本商品广告图的距离损失值，若通过EMD损失函数计算的距离损失值小于预设的阈值，则可以表示模型收敛，训练完成。

进一步地，上述EMD损失函数中的r可以取任意值，但考虑到EMD损失函数的计算复杂度较高，因此，本申请中r的取值可以为2，其目的是为了加快模型收敛，以使模型的训练时间更短。

在一个实施例中，S140中基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分的步骤，可以包括：

S141：针对每一商品广告图：确定与所述商品广告图在线上的点击率对应的第一权重。

S142：确定与所述商品广告图的美观度得分对应的第二权重。

S143：依据所述商品广告图在线上的点击率、所述第一权重、所述商品广告图的美观度得分，以及所述第二权重，计算所述商品广告图的综合得分。

本实施例中，在确定每一商品广告图的综合得分的过程中，可以依据商品广告图的最终呈现效果来决定每一商品广告图在线上的点击率对应的侧重程度，以及该商品广告图的美观度得分的侧重程度，进而根据两者的侧重程度对两者进行融合，使得最终依据每一商品广告图的综合得分对各商品广告图进行筛选后，能够得到呈现效果较好的商品广告图。

具体地，本申请针对每一商品广告图，可以先确定与该商品广告图在线上的点击率对应的第一权重，接着确定与该商品广告图的美观度得分对应的第二权重，最后根据该商品广告图在线上的点击率及对应的第一权重、该商品广告图的美观度得分及对应的第二权重，来计算该商品广告图的综合得分。

上述计算商品广告图的综合得分的计算公式满足：Quality_score＝0.2*CTR+0.8*score，其中，CTR为商品广告图在线上的点击率，score为目标图片美观度模型输出的美观度得分，Quality_score为商品广告图最终输出的综合得分。

可以理解的是，上述计算公式中商品广告图在线上的点击率对应的第一权重，以及商品广告图的美观度得分对应的第二权重是依据实际情况做出的优选权重，本申请还可以根据实际情况设置其他不同的权重，在此不做限制。

在一个实施例中，S150中按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图的步骤，可以包括：

S151：对各个商品广告图的综合得分进行排序。

S152：按照预设的筛选策略，对排序后的各个商品广告图进行筛选。

S153：依据筛选后的商品广告图生成最终的海报图。

本实施例中，在利用预设的筛选策略对各个商品广告图进行筛选之前，可以根据各个商品广告图的综合得分对各个商品广告图进行排序，如降序或升序，接着按照预设的筛选策略，对排序后的各个商品广告图进行筛选，以便根据筛选后的商品广告图来生成最终的海报图。

进一步地，上述预设的筛选策略包括但不限于筛选出各个商品广告图中综合得分排名靠前的商品广告图，作为最终海报图的选择依据，也可以直接筛选各个商品广告图中综合得分排名第一的商品广告图来生成最终的海报图，从而过滤掉美观度不足的商品广告图，使用美观度较好的商品广告图对应的底图模板来批量生成具有吸引力的商品广告图，从而有效提高设计广告图的效率，并提高商品广告图的转化效率。

下面对本申请实施例提供的海报生成装置进行描述，下文描述的海报生成装置与上文描述的海报生成方法可相互对应参照。

在一个实施例中，如图3所示，图3为本发明实施例提供的一种海报生成装置的结构示意图；本发明还提供了一种海报生成装置，包括数据获取模块210、模型确定模块220、模型预测模块230、综合得分模块240、海报生成模块250，具体包括如下：

数据获取模块210，用于获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率。

模型确定模块220，用于确定目标图片美观度模型。

模型预测模块230，用于将每一商品广告图依次输入至所述目标图片美观度模型中，得到所述目标图片美观度模型输出的每一商品广告图的美观度得分。

综合得分模块240，用于基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分。

海报生成模块250，用于按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

上述实施例中，在生成预设类别的商品海报之前，可以先获取与该预设类别的商品对应的多个不同排版样式的商品广告图，接着获取每一商品广告图在线上的点击率，以及，每一商品广告图在图片美观度模型中的美观度得分，由于每一商品广告图在线上的点击率可以在一定程度上代表该商品广告图对大众的吸引程度，而通过图片美观度模型预测的商品广告图的美观度得分，也能够在一定程度上反映大众对该商品广告图的偏好，从而使得本申请将每一商品广告图在线上的点击率与该商品广告图的美观度得分进行结合后，能够更加精确地反映该商品广告图的受众情况；在此基础上，本申请利用预设的筛选策略对不同排版样式的商品广告图进行筛选，以便筛选出所有的商品广告图中最具代表性的排版样式，根据该排版样式的商品广告图生成最终的海报图，能够进一步提高海报的吸引度；另外，本申请通过商品广告图来生成海报图，可以在一定程度上减少海报设计时对设计师的依赖，这样不仅降低了人工成本，还提高了工作效率。

在一个实施例中，所述模型确定模块220可以包括：

样本获取模块，用于获取不同类别的商品对应的样本商品广告图，以及对所述样本商品广告图标注后得到的真实美观度得分直方图。

美观度得分预测模块，用于将所述样本商品广告图输入至预先配置的初始图片美观度模型中，得到所述初始图片美观度模型输出的与所述样本商品广告图对应的预测美观度得分。

迭代训练模块，用于以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型。

训练完成模块，用于当所述初始图片美观度模型满足预设的训练条件时，将训练完成的初始图片美观度模型作为目标图片美观度模型。

在一个实施例中，所述样本获取模块可以包括：

图片获取模块，用于获取不同类别的商品对应的商品图。

商品扣取模块，用于扣取所述商品图中的商品主体。

模板获取模块，用于获取与所述商品主体匹配的多个排版样式的底图模板。

贴合模块，用于将所述商品主体依次贴合到各个底图模板的对应位置处，得到与每一类别的商品对应的多个不同排版样式的样本商品广告图。

在一个实施例中，所述模板获取模块可以包括：

风格匹配模块，用于将所述商品主体与不同风格的底图模板进行匹配，确定与所述商品主体对应风格的底图模板，其中，每一种风格的底图模板对应有多个不同的排版样式。

颜色提取模块，用于提取所述商品主体的代表色。

色调匹配模块，用于在与所述商品主体对应风格的底图模板中选取与所述商品主体的代表色匹配的底图模板，并将所述底图模板作为与所述商品主体匹配的多个排版样式的底图模板。

在一个实施例中，所述迭代训练模块可以包括：

损失计算模块，用于根据所述真实美观度得分直方图计算所述预测美观度得分的距离损失值。

参数更新模块，用于根据所述距离损失值更新所述初始图片美观度模型中的参数。

在一个实施例中，所述综合得分模块240可以，包括：

第一确定模块，用于针对每一商品广告图：确定与所述商品广告图在线上的点击率对应的第一权重。

第二确定模块，用于确定与所述商品广告图的美观度得分对应的第二权重。

综合计算模块，用于依据所述商品广告图在线上的点击率、所述第一权重、所述商品广告图的美观度得分，以及所述第二权重，计算所述商品广告图的综合得分。

在一个实施例中，所述海报生成模块250可以包括：

排序模块，用于对各个商品广告图的综合得分进行排序。

筛选模块，用于按照预设的筛选策略，对排序后的各个商品广告图进行筛选。

生成模块，用于依据筛选后的商品广告图生成最终的海报图。

在一个实施例中，本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述实施例中任一项所述的海报生成方法。

在一个实施例中，本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述实施例中任一项所述的海报生成方法。

示意性地，如图4所示，图4为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备300可以被提供为一服务器。参照图4，计算机设备300包括处理组件302，其进一步包括一个或多个处理器，以及由存储器301所代表的存储器资源，用于存储可由处理组件302的执行的指令，例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件302被配置为执行指令，以执行上述任意实施例的海报生成方法。

计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理，一个有线或无线网络接口304被配置为将计算机设备300连接到网络，和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。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过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种海报生成方法，其特征在于，所述方法包括：

获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率；

确定目标图片美观度模型；

将每一商品广告图依次输入至所述目标图片美观度模型中，得到所述目标图片美观度模型输出的每一商品广告图的美观度得分；

基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分；

按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

2.根据权利要求1所述的海报生成方法，其特征在于，所述确定目标图片美观度模型的步骤，包括：

获取不同类别的商品对应的样本商品广告图，以及对所述样本商品广告图标注后得到的真实美观度得分直方图；

将所述样本商品广告图输入至预先配置的初始图片美观度模型中，得到所述初始图片美观度模型输出的与所述样本商品广告图对应的预测美观度得分；

以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型；

当所述初始图片美观度模型满足预设的训练条件时，将训练完成的初始图片美观度模型作为目标图片美观度模型。

3.根据权利要求2所述的海报生成方法，其特征在于，所述获取不同类别的商品对应的样本商品广告图的步骤，包括：

获取不同类别的商品对应的商品图；

扣取所述商品图中的商品主体；

获取与所述商品主体匹配的多个排版样式的底图模板；

将所述商品主体依次贴合到各个底图模板的对应位置处，得到与每一类别的商品对应的多个不同排版样式的样本商品广告图。

4.根据权利要求3所述的海报生成方法，其特征在于，所述获取与所述商品主体匹配的多个排版样式的底图模板的步骤，包括：

将所述商品主体与不同风格的底图模板进行匹配，确定与所述商品主体对应风格的底图模板，其中，每一种风格的底图模板对应有多个不同的排版样式；

提取所述商品主体的代表色；

在与所述商品主体对应风格的底图模板中选取与所述商品主体的代表色匹配的底图模板，并将所述底图模板作为与所述商品主体匹配的多个排版样式的底图模板。

5.根据权利要求2所述的海报生成方法，其特征在于，所述以所述预测美观度得分趋近于所述真实美观度得分直方图为目标，训练所述初始图片美观度模型的步骤，包括：

根据所述真实美观度得分直方图计算所述预测美观度得分的距离损失值；

根据所述距离损失值更新所述初始图片美观度模型中的参数。

6.根据权利要求1所述的海报生成方法，其特征在于，所述基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分的步骤，包括：

针对每一商品广告图：

确定与所述商品广告图在线上的点击率对应的第一权重；

确定与所述商品广告图的美观度得分对应的第二权重；

依据所述商品广告图在线上的点击率、所述第一权重、所述商品广告图的美观度得分，以及所述第二权重，计算所述商品广告图的综合得分。

7.根据权利要求1所述的海报生成方法，其特征在于，所述按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图的步骤，包括：

对各个商品广告图的综合得分进行排序；

按照预设的筛选策略，对排序后的各个商品广告图进行筛选；

依据筛选后的商品广告图生成最终的海报图。

8.一种海报生成装置，其特征在于，包括：

数据获取模块，用于获取预设类别的商品对应的多个不同排版样式的商品广告图，以及每一商品广告图在线上的点击率；

模型确定模块，用于确定目标图片美观度模型；

模型预测模块，用于将每一商品广告图依次输入至所述目标图片美观度模型中，得到所述目标图片美观度模型输出的每一商品广告图的美观度得分；

综合得分模块，用于基于每一商品广告图在线上的点击率和每一商品广告图的美观度得分，确定每一商品广告图的综合得分；

海报生成模块，用于按照预设的筛选策略以及各个商品广告图的综合得分，对各个商品广告图进行筛选，并依据筛选后的商品广告图生成最终的海报图。

9.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项所述的海报生成方法。

10.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项所述的海报生成方法。

Images