CN114387160A - 训练方法、图像的处理方法、装置、电子设备及存储介质 - Google Patents
训练方法、图像的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114387160A CN114387160A CN202210285096.5A CN202210285096A CN114387160A CN 114387160 A CN114387160 A CN 114387160A CN 202210285096 A CN202210285096 A CN 202210285096A CN 114387160 A CN114387160 A CN 114387160A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- generating
- style
- sub
- 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
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003672 processing method Methods 0.000 title description 8
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 58
- 239000002131 composite material Substances 0.000 claims description 35
- 230000000875 corresponding effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010014970 Ephelides Diseases 0.000 description 2
- 208000003351 Melanosis Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本公开涉及一种训练方法、图像的处理方法、装置、电子设备及存储介质，所述训练方法包括：获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；将所述真实图像输入至所述生成网络，得到合成图像；模糊化所述风格图像中的边缘，得到第一图像；通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。本公开实施例可使得训练后的生成网络所生成的合成图像不仅接近于风格图像，而且其边缘清晰度也能够得以提高。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种训练方法、图像的处理方法、装置、电子设备及存储介质。
背景技术
目前，图像风格转换功能在深度学习领域得到了广泛的关注，但是在剪枝小模型、转换特定风格等场景下通常会造成生成图像模糊的情况，降低了该功能的实用性，故如何提升生成图像的清晰度，是一个亟需解决的问题。
发明内容
本公开提出了一种训练、图像处理技术方案。
根据本公开的一方面，提供了一种训练方法，应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，所述训练方法包括：获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；将所述真实图像输入至所述生成网络，得到合成图像；模糊化所述风格图像中的边缘，得到第一图像；通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。
在一种可能的实施方式中，所述模糊化所述风格图像中的边缘，得到第一图像，包括：模糊化所述风格图像，得到第二图像；根据所述第二图像，生成保留边缘部分的第一子图像；根据所述第一子图像、所述风格图像，生成所述第一图像。
在一种可能的实施方式中，所述根据所述第二图像，生成保留边缘部分的第一子图像，包括：根据所述第二图像，生成边缘掩码矩阵；根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像；所述根据所述第一子图像、所述风格图像，生成所述第一图像，包括：根据所述边缘掩码矩阵对应的反码矩阵、所述风格图像，生成第二子图像；根据所述第一子图像、所述第二子图像，生成所述第一图像。
在一种可能的实施方式中，在所述根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像之后，还包括：在确定所述第一子图像与所述合成图像之间模糊度的差值大于预设差值的情况下，模糊化所述第一子图像；所述根据所述第一子图像、所述第二子图像，生成所述第一图像，包括：根据模糊化后的第一子图像、所述第二子图像，生成所述第一图像。
在一种可能的实施方式中，所述根据所述第二图像，生成边缘掩码矩阵，包括：根据所述第二图像，生成掩码梯度矩阵；根据预设门限、所述掩码梯度矩阵，生成所述边缘掩码矩阵。
在一种可能的实施方式中，所述通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，包括：通过所述判别网络，根据所述合成图像与所述第一图像的第一差异，生成第一损失值；通过所述判别网络，根据所述合成图像与所述风格图像的第二差异，生成第二损失值；通过所述判别网络，基于所述第一损失值、第二损失值，生成综合损失值；其中，所述综合损失值与所述第一损失值负相关，与所述第二损失值正相关；基于所述综合损失值，调节所述判别网络以及所述生成网络。
根据本公开的一方面，提供了一种图像的处理方法，所述处理方法包括：获取待转换图像；将所述待转换图像输入生成网络中，输出风格图像；其中，所述生成网络通过上述训练方法训练得到；所述待转换图像与所述风格图像的图像风格不同。
根据本公开的一方面，提供了一种训练装置，应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，所述训练装置包括：图像获取模块，用以获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；合成图像生成模块，用以将所述真实图像输入至所述生成网络，得到合成图像；第一图像生成模块，用以模糊化所述风格图像中的边缘，得到第一图像；网络参数调节模块，用以通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。
根据本公开的一方面，提供了一种图像的处理装置，所述处理装置包括：待转换图像获取模块，用以获取待转换图像；风格图像生成模块，用以将所述待转换图像输入生成网络中，输出风格图像；其中，所述生成网络通过上述训练方法训练得到；所述待转换图像与所述风格图像的图像风格不同。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，可获取真实图像以及所述真实图像对应的风格图像，而后将所述真实图像输入至所述生成网络，得到合成图像，再通过模糊化所述风格图像中的边缘，得到第一图像，最后通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。由于生成对抗网络中增加了合成图像与第一图像的差异判别，故判别网络可将边缘清晰度不佳的合成图像判别为虚假图像，以使训练后的生成网络所生成的合成图像不仅接近于风格图像，而且其合成图像的边缘清晰度也能够得以提高。此外，上述训练方法可在不增加数据集规模、不更改生成网络以及判别网络结构、不更改图像尺寸的情况下，仍然可以实现图像清晰度的提升，即相较于相关技术，可节约生成对抗网络的训练成本。
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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出了根据本公开实施例提供的一种训练方法的流程图。
图2示出了根据本公开实施例提供的一种训练方法的参考示意图。
图3示出了根据本公开实施例提供的一种训练方法的流程图。
图4示出了根据本公开实施例提供的一种图像的处理方法的流程图。
图5示出了根据本公开实施例提供的训练装置的框图。
图6示出了根据本公开实施例提供的图像的处理装置的框图。
图7示出了根据本公开实施例提供的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
相关技术中，为提高生成的风格图像的清晰度，通常会采用如下几种方式：1、增加数据集规模以提高图像细节，但是增加数据集规模通常会增加数据增广成本。2、增加生成网络或判别网络中的神经元数量（也即采用更深或更宽的网络结构）以提升图像清晰度，但是更改网络结构通常会增加生成对抗网络的构建成本，且更深、更宽的网络结构会增加参数量，进而增加了算力成本。3、提高输入图像输入网络时的图像尺寸以提高图像清晰度，但是提高图像尺寸通常会增加模型的计算耗时。
有鉴于此，本公开实施例提供了一种训练方法，应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，所述训练方法包括：获取真实图像以及所述真实图像对应的风格图像。而后将所述真实图像输入至所述生成网络，得到合成图像。再通过模糊化所述风格图像中的边缘，得到第一图像。最后通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。由于生成对抗网络中增加了合成图像与第一图像的差异判别，故判别网络可将边缘清晰度不佳的合成图像判别为虚假图像，以使训练后的生成网络所生成的合成图像不仅接近于风格图像，而且其合成图像的边缘清晰度也能够得以提高。此外，上述训练方法可在不增加数据集规模、不更改生成网络以及判别网络结构、不更改图像尺寸的情况下，仍然可以实现图像清晰度的提升，即相较于相关技术，可节约生成对抗网络的训练成本。
在一种可能的实现方式中，本公开实施例提供的训练方法可以由终端设备或服务器等电子设备执行。其中，终端设备可以为用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等固定或移动终端。服务器可以为单独的服务器或者多个服务器组成的服务器集群。对于任意电子设备，可以通过处理器调用存储器中存储的计算机可读指令的方式来实现该训练方法。
结合图1、图2所示，图1示出了根据本公开实施例提供的一种训练方法的流程图，图2示出了根据本公开实施例提供的一种训练方法的参考示意图，上述训练方法可应用于生成对抗网络，上述生成对抗网络包括生成网络以及判别网络，如图1所示，上述训练方法，可包括：步骤S100，获取真实图像以及所述真实图像对应的风格图像（可参考图2中提供的一种示例性的效果图，如图2中的B1所示），其中，所述真实图像与所述风格图像的图像风格不同。示例性地，上述真实图像可包括：人物图像、风景图像、物体图像等。上述图像风格可包括：漫画风格、油画风格、素描风格等。上述真实图像可为图像采集设备实际采集的图像，上述风格图像可为在特定图像风格下，基于真实图像所绘制、或经过图像处理后的图像。上述真实图像、风格图像的数量，本公开实施例在此不作限制。示例性地，生成对抗网络可在真实图像训练集As={A1，A2，A3…}中依次选取一个图像作为上述真实图像，在风格图像训练集Bs={B1，B2，B3…}中依次选取与A对应的图像作为上述风格图像，两个训练集可通过使用相同索引号的方式，建立真实图像与风格图像之间的对应关系。
步骤S200，将所述真实图像输入至所述生成网络，得到合成图像。上述生成网络生成合成图像的方式可参考相关技术，本公开实施例在此不作赘述。
步骤S300，模糊化所述风格图像中的边缘，得到第一图像（可参考图2中提供的一种示例性的效果图，如图2中的B1_c所示）。
参阅图3所示，图3示出了根据本公开实施例提供的一种训练方法的流程图，如图3所示，步骤S300可包括：步骤S310，模糊化所述风格图像，得到第二图像（可参考图2中提供的一种示例性的效果图，如图2中的B1_a所示）。示例性地，在该步骤中可通过较小的高斯核（示例性的，‘较小’可定义为小于A*A大小的高斯核，例如：可使用B*B大小的高斯核，其中，A大于B，A、B为正整数）对风格图像进行高斯模糊，从而降低风格图像中不可见的高频噪声（例如：光影纹路、雀斑、较浅的皱纹等）对后续边缘提取的影响，以使得后续提取到的边缘接近于风格图像中内容物的有效边缘。基于此所训练而成的生成网络，其合成的图像中的内容物也更加符合风格图像，可降低合成的图像的违和感。此外，由于较小的高斯核其计算参数较少，故模糊化风格图像的速度较快，利于节约整体训练流程的耗时。
步骤S320，根据所述第二图像，生成保留边缘部分的第一子图像。示例性地，可通过相关技术中的边缘提取算法确定边缘，而后对第二图像中的非边缘部分进行掩码处理，即可得到保留边缘部分的第一子图像。
在一种可能的实施方式中，步骤S320可包括：根据所述第二图像，生成边缘掩码矩阵。示例性地，上述边缘掩码矩阵可为整数型矩阵，其中，边缘掩码矩阵中的每个值对应了第二图像中的一个像素点，边缘掩码矩阵中的值即代表第二图像中对应的像素点是否为构成边缘的一个像素点，该矩阵中的每个值为0或1，0代表对应的像素点为非边缘像素点，后续将予以舍弃，1代表对应的像素点为边缘像素点，后续将予以保留。在一个示例中，上述根据所述第二图像，生成边缘掩码矩阵可包括：根据所述第二图像，生成掩码梯度矩阵。根据预设门限、所述掩码梯度矩阵，生成所述边缘掩码矩阵。其中，所述掩码梯度矩阵为浮点型矩阵，即掩码梯度矩阵中的每个值在0与1之间，可视为对应像素点为边缘像素点的置信度，值越高，对应的像素点为边缘像素点的几率越高。示例性地，上述掩码梯度矩阵可通过相关技术中的边缘提取算法得到，例如：Sobel边缘提取算法（或称索贝尔边缘提取算法）、Canny边缘提取算法（或称凯尼边缘提取算法）等，本公开实施例在此不作赘述。研究人员可根据实际情况，设定上述预设门限，当掩码梯度矩阵中的值大于该预设门限时，该值在掩码梯度矩阵中的值变为1，在将掩码梯度矩阵中的每个浮点值更新后，浮点型的掩码梯度矩阵，更新为整数型的边缘掩码矩阵。可选地，若上述预设门限设定为C，则可将掩码梯度矩阵中大于C的值更新为1，否则更新为0。此处以风格图像为人脸图像为例，在上述预设门限设定为C左右时（如：0.25-0.30），边缘掩码矩阵可更好地将人脸图像中的五官边缘、人脸轮廓提取出来，而降低雀斑、皱纹、胡子等其他高频噪声被提取出来的可能。而后根据所述边缘掩码矩阵（可参考图2中提供的一种示例性的效果图，如图2中的M_1所示）、所述第二图像，生成保留边缘部分的第一子图像（可参考图2中提供的一种示例性的效果图，如图2中的B1_b所示）。示例性地，上述边缘掩码矩阵可与上述第二图像进行点乘，以得到掩码后的第一子图像，换言之，第一子图像保留了模糊化后的风格图像中内容物的边缘部分，而舍弃了模糊化后的风格图像中的非边缘部分（例如：风格图像中的背景、内容物的填充颜色等）。
在一种可能的实施方式中，在所述根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像之后，上述训练方法还包括：在确定所述第一子图像与所述合成图像之间模糊度的差值大于预设差值的情况下，模糊化所述第一子图像。上述模糊度可通过相关技术中的图像模糊度算法确定，本公开实施例在此不作赘述。例如：灰度方差算法、Brenner算法（一种清晰度检测算法）、灰度差分平方和方差算法等。在一个示例中，可通过较大的高斯核（可定义为大于N*N大小的高斯核，例如：可使用大小为P*P的高斯核，其中，P大于N，P、N为正整数）对第一子图像进行高斯模糊。在本公开实施例中，可根据合成图像的模糊度，为其匹配模糊度相近的第一子图像，以提高合成图像与第一图像之间的有效差异，进而提升训练后的生成网络所生成的风格图像的图像质量。
步骤S330，根据所述第一子图像、所述风格图像，生成所述第一图像。示例性地，可根据第一子图像中保留的轮廓部分确定非轮廓部分，而后保留风格图像中的非轮廓部分，即可将二者结合为第一图像。
在一种可能的实施方式中，步骤S330可包括：根据所述边缘掩码矩阵对应的反码矩阵、所述风格图像，生成第二子图像。示例性地，上述边缘掩码矩阵经反码后即可得到上述反码矩阵，即在反码矩阵中，每个值为0或1，0代表对应的像素点为边缘像素点，后续将予以舍弃，1代表对应的像素点为非边缘像素点，后续将予以保留。上述反码矩阵（可参考图2中提供的一种示例性的效果图，如图2中的M_2所示）可与风格图像进行点乘，以生成第一子图像。在本公开实施例中，通过使用反码矩阵的方式，可降低后续第一子图像、第二子图像在叠加为第一图像时出现像素值溢出问题的几率。而后根据所述第一子图像、所述第二子图像，生成所述第一图像。示例性地，上述第一子图像、第二子图像可通过将两个子图像中相同位置的像素点对应的像素值（也称RGB值）相加的方式，生成上述第一图像。由于第一子图像是基于第二图像生成的，第二子图像是基于风格图像生成的，故生成的第一图像可作为模糊化边缘的风格图像。在一个示例中，若上述训练方法包括模糊化所述第一子图像，则所述根据所述第一子图像、所述第二子图像，生成所述第一图像，包括：根据模糊化后的第一子图像、所述第二子图像，生成所述第一图像。本公开实施例可根据合成图像的模糊度，为其匹配模糊度相近的第一子图像，以提高合成图像与第一图像之间的有效差异，进而提升训练后的生成网络所生成的风格图像的图像质量。
继续参阅图1，步骤S400，通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。示例性地，上述第一差异、第二差异可通过对应的损失函数得到，研究人员可根据实际需求，确定上述损失函数，本公开实施例在此不作限制。上述生成对抗网络中判别网络、生成网络的训练过程，本公开实施例也不作限制。例如：可先训练判别网络，使得其能够对输入的图像进行分类，例如：可以‘将第一图像判定为合成图像，将风格图像判定为非合成图像’为约束训练上述判别网络。而后训练生成网络，使其基于目前的判别网络的判别标准，进行自我调整，再将新的合成图像作为判别网络的训练集，通过交替训练判别网络与生成网络的方式，使得二者达到纳什平衡（也称纳什均衡，当生成网络、判别网络二者期望收益总和达到了最大值，则认为二者的判别策略是最优的，结合实际情况，通常情况下可认为生成网络生成的合成图像，经由判别网络识别出的真假标签的数量比例趋近于1:1，则可认为二者达到了纳什平衡），可以此作为训练结束的条件。在训练结束后即可得到合成图像高度类似于风格图像的生成网络，以及可较为准确确定输入图像是否为合成图像的判别网络。此外，由于本公开实施例中判别网络中以“期望将第一图像划分为生成网络的合成图像”作为一种约束（例如表现为上述第一差异），结合图2所示，可训练判别器D，使其能判断第一图像为假图像，风格图像为真图像，进而使得训练完成后的生成网络所生成的合成图像不仅类似于风格图像，而且其合成图像中边缘的清晰度也能够得以提升。本公开实施例相较于全局模糊的判别机制，更加倾向于提高判别网络对于高频信息的敏感度，不仅能够提高判别网络对于高频信息的敏感度，而且能够减少全局模糊中无用的计算损失。
在一种可能的实施方式中，上述步骤S400可包括如下步骤：通过所述判别网络，根据所述合成图像与所述第一图像的第一差异，生成第一损失值。通过所述判别网络，根据所述合成图像与所述风格图像的第二差异，生成第二损失值。通过所述判别网络，基于所述第一损失值、第二损失值，生成综合损失值；其中，所述综合损失值与所述第一损失值负相关，与所述第二损失值正相关。示例性地，上述综合损失值可为第一损失值、第二损失值的加权值。上述综合损失值也可包括其他相关的损失值，如：对抗损失值（Adversarial loss）、重构损失值（Reconstruction loss）、感知损失值（Perceptual loss）等，本公开实施例在此不作赘述。
基于所述综合损失值，调节所述判别网络以及所述生成网络。换言之，若合成图像与第一图像相像，则判别网络易于将其判定为生成网络生成的合成图像，若合成图像与风格图像相像，则判别网络易于将其判定为非合成图像，判别网络在均衡两个情况（若综合损失值还包括其他损失值，则可为均衡多个情况）后所确立的判别规则可指导生成网络生成与风格图像相像且边缘清晰的合成图像。
参阅图4，图4示出了根据本公开实施例提供的图像的处理方法的流程图，在一种可能的实施方式中，本公开实施例还提供了一种图像的处理方法，所述处理方法包括：步骤S600，获取待转换图像。示例性地，上述待转换图像可为需要进行图像风格转换的图像，可以通过图像采集装置实时采集，也可直接自存储介质中读取。
步骤S700，将所述待转换图像输入生成网络中，输出风格图像。其中，所述生成网络通过上述训练方法训练得到，所述待转换图像与所述风格图像的图像风格不同。
示例性地，本公开实施例提供了一种应用场景，上述生成网络可集成于一移动终端的应用程序中，用户通过将人脸图像或视频上传至该应用程序中，即可获取漫画风格的人脸图像或视频，上述应用程序也可转换实时的图像（如直播场景），本公开实施例在此不作限制。
在本公开实施例中，由于上述风格图像是通过上述生成网络所生成的，故其生成的风格图像不仅边缘清晰，而且降低了与待转换图像的违和感。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了训练装置、图像的处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种训练方法或图像的处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出了根据本公开实施例提供的训练装置的框图，如图5所示，所述训练装置100应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，所述训练装置100包括：图像获取模块110，用以获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；合成图像生成模块120，用以将所述真实图像输入至所述生成网络，得到合成图像；第一图像生成模块130，用以模糊化所述风格图像中的边缘，得到第一图像；网络参数调节模块140，用以通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异，调节所述生成对抗网络，得到用于生成风格图像的生成网络。
在一种可能的实施方式中，所述模糊化所述风格图像中的边缘，得到第一图像，包括：模糊化所述风格图像，得到第二图像；根据所述第二图像，生成保留边缘部分的第一子图像；根据所述第一子图像、所述风格图像，生成所述第一图像。
在一种可能的实施方式中，所述根据所述第二图像，生成保留边缘部分的第一子图像，包括：根据所述第二图像，生成边缘掩码矩阵；根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像；所述根据所述第一子图像、所述风格图像，生成所述第一图像，包括：根据所述边缘掩码矩阵对应的反码矩阵、所述风格图像，生成第二子图像；根据所述第一子图像、所述第二子图像，生成所述第一图像。
在一种可能的实施方式中，在所述根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像之后，还包括：在确定所述第一子图像与所述合成图像之间模糊度的差值大于预设差值的情况下，模糊化所述第一子图像；所述根据所述第一子图像、所述第二子图像，生成所述第一图像，包括：根据模糊化后的第一子图像、所述第二子图像，生成所述第一图像。
在一种可能的实施方式中，所述根据所述第二图像，生成边缘掩码矩阵，包括：根据所述第二图像，生成掩码梯度矩阵；根据预设门限、所述掩码梯度矩阵，生成所述边缘掩码矩阵。
在一种可能的实施方式中，所述通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，包括：通过所述判别网络，根据所述合成图像与所述第一图像的第一差异，生成第一损失值；通过所述判别网络，根据所述合成图像与所述风格图像的第二差异，生成第二损失值；通过所述判别网络，基于所述第一损失值、第二损失值，生成综合损失值；其中，所述综合损失值与所述第一损失值负相关，与所述第二损失值正相关；基于所述综合损失值，调节所述判别网络以及所述生成网络。
参阅图6，图6示出了根据本公开实施例提供的图像的处理装置的框图，如图6所示，所述处理装置200包括：待转换图像获取模块210，用以获取待转换图像；风格图像生成模块220，用以将所述待转换图像输入生成网络中，输出风格图像；其中，所述生成网络通过上述训练方法训练得到；所述待转换图像与所述风格图像的图像风格不同。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，处理器820，电源组件806，多媒体组件808，音频组件810，输入/输出（I/O）接口812，传感器组件814，以及通信组件816。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开涉及增强现实领域，通过获取现实环境中的目标对象的图像信息，进而借助各类视觉相关算法实现对目标对象的相关特征、状态及属性进行检测或识别处理，从而得到与具体应用匹配的虚拟与现实相结合的AR效果。示例性的，目标对象可涉及与人体相关的脸部、肢体、手势、动作等，或者与物体相关的标识物、标志物，或者与场馆或场所相关的沙盘、展示区域或展示物品等。视觉相关算法可涉及视觉定位、SLAM、三维重建、图像注册、背景分割、对象的关键点提取及跟踪、对象的位姿或深度检测等。具体应用不仅可以涉及跟真实场景或物品相关的导览、导航、讲解、重建、虚拟效果叠加展示等交互场景，还可以涉及与人相关的特效处理，比如妆容美化、肢体美化、特效展示、虚拟模型展示等交互场景。可通过卷积神经网络，实现对目标对象的相关特征、状态及属性进行检测或识别处理。上述卷积神经网络是基于深度学习框架进行模型训练而得到的网络模型。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是（但不限于）电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种训练方法，应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，其特征在于，所述训练方法包括：
获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；
将所述真实图像输入至所述生成网络，得到合成图像；
模糊化所述风格图像中的边缘，得到第一图像；
通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。
2.如权利要求1所述的训练方法，其特征在于，所述模糊化所述风格图像中的边缘，得到第一图像，包括：
模糊化所述风格图像，得到第二图像；
根据所述第二图像，生成保留边缘部分的第一子图像；
根据所述第一子图像、所述风格图像，生成所述第一图像。
3.如权利要求2所述的训练方法，其特征在于，所述根据所述第二图像，生成保留边缘部分的第一子图像，包括：
根据所述第二图像，生成边缘掩码矩阵；
根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像；
所述根据所述第一子图像、所述风格图像，生成所述第一图像，包括：
根据所述边缘掩码矩阵对应的反码矩阵、所述风格图像，生成第二子图像；
根据所述第一子图像、所述第二子图像，生成所述第一图像。
4.如权利要求3所述的训练方法，其特征在于，在所述根据所述边缘掩码矩阵、所述第二图像，生成保留边缘部分的第一子图像之后，还包括：
在确定所述第一子图像与所述合成图像之间模糊度的差值大于预设差值的情况下，模糊化所述第一子图像；
所述根据所述第一子图像、所述第二子图像，生成所述第一图像，包括：
根据模糊化后的第一子图像、所述第二子图像，生成所述第一图像。
5.如权利要求3或4所述的训练方法，其特征在于，所述根据所述第二图像，生成边缘掩码矩阵，包括：
根据所述第二图像，生成掩码梯度矩阵；
根据预设门限、所述掩码梯度矩阵，生成所述边缘掩码矩阵。
6.如权利要求1所述的训练方法，其特征在于，所述通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，包括：
通过所述判别网络，根据所述合成图像与所述第一图像的第一差异，生成第一损失值；
通过所述判别网络，根据所述合成图像与所述风格图像的第二差异，生成第二损失值；
通过所述判别网络，基于所述第一损失值、第二损失值，生成综合损失值；其中，所述综合损失值与所述第一损失值负相关，与所述第二损失值正相关；
基于所述综合损失值，调节所述判别网络以及所述生成网络。
7.一种图像的处理方法，其特征在于，所述处理方法包括：
获取待转换图像；
将所述待转换图像输入生成网络中，输出风格图像；其中，所述生成网络通过权利要求1至6中任意一项所述的训练方法训练得到；所述待转换图像与所述风格图像的图像风格不同。
8.一种训练装置，应用于生成对抗网络，所述生成对抗网络包括：生成网络以及判别网络，其特征在于，所述训练装置包括：
图像获取模块，用以获取真实图像以及所述真实图像对应的风格图像，其中，所述真实图像与所述风格图像的图像风格不同；
合成图像生成模块，用以将所述真实图像输入至所述生成网络，得到合成图像；
第一图像生成模块，用以模糊化所述风格图像中的边缘，得到第一图像；
网络参数调节模块，用以通过所述判别网络，根据所述合成图像与所述第一图像的第一差异、以及所述合成图像与所述风格图像的第二差异调节所述生成对抗网络，得到用于生成风格图像的生成网络。
9.一种图像的处理装置，其特征在于，所述处理装置包括：
待转换图像获取模块，用以获取待转换图像；
风格图像生成模块，用以将所述待转换图像输入生成网络中，输出风格图像；其中，所述生成网络通过权利要求1至6中任意一项所述的训练方法训练得到；所述待转换图像与所述风格图像的图像风格不同。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时，实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210285096.5A CN114387160B (zh) | 2022-03-23 | 2022-03-23 | 训练方法、图像的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210285096.5A CN114387160B (zh) | 2022-03-23 | 2022-03-23 | 训练方法、图像的处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114387160A true CN114387160A (zh) | 2022-04-22 |
| CN114387160B CN114387160B (zh) | 2022-06-24 |
Family
ID=81205959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210285096.5A Active CN114387160B (zh) | 2022-03-23 | 2022-03-23 | 训练方法、图像的处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387160B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
| CN111507909A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种有雾图像清晰化的方法、装置及存储介质 |
| CN111862274A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像风格迁移方法及装置 |
| CN112581358A (zh) * | 2020-12-17 | 2021-03-30 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
| US20210227152A1 (en) * | 2020-01-20 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image |
| CN113409342A (zh) * | 2021-05-12 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 图像风格迁移模型的训练方法、装置及电子设备 |
| CN113822798A (zh) * | 2021-11-25 | 2021-12-21 | 北京市商汤科技开发有限公司 | 生成对抗网络训练方法及装置、电子设备和存储介质 |
-
2022
- 2022-03-23 CN CN202210285096.5A patent/CN114387160B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
| US20210227152A1 (en) * | 2020-01-20 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image |
| CN111507909A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种有雾图像清晰化的方法、装置及存储介质 |
| CN111862274A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像风格迁移方法及装置 |
| CN112581358A (zh) * | 2020-12-17 | 2021-03-30 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
| CN113409342A (zh) * | 2021-05-12 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 图像风格迁移模型的训练方法、装置及电子设备 |
| CN113822798A (zh) * | 2021-11-25 | 2021-12-21 | 北京市商汤科技开发有限公司 | 生成对抗网络训练方法及装置、电子设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| RU LI 等: "SDP-GAN: Saliency Detail Preservation Generative Adversarial Networks for High Perceptual Quality Style Transfer", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 30, 16 November 2020 (2020-11-16), pages 374 - 385, XP011822506, DOI: 10.1109/TIP.2020.3036754 * |
| 乔平安 等: "多通道CartoonGAN下的图像风格动漫化", 《计算机应用研究》, vol. 38, no. 11, 5 November 2021 (2021-11-05), pages 3517 - 3520 * |
| 常建英: "基于生成对抗网络的图像风格转换", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》, no. 03, 15 March 2022 (2022-03-15), pages 138 - 1818 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114387160B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | Low-light image enhancement via a deep hybrid network | |
| US11727596B1 (en) | Controllable video characters with natural motions extracted from real-world videos | |
| KR102134405B1 (ko) | 적대적 생성망을 이용한 저조도 영상 개선을 위한 장치 및 방법 | |
| CN110889851B (zh) | 针对深度和视差估计的语义分割的稳健用途 | |
| CN111583097A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111275034B (zh) | 从图像中提取文本区域的方法、装置、设备和存储介质 | |
| Panetta et al. | Tmo-net: A parameter-free tone mapping operator using generative adversarial network, and performance benchmarking on large scale hdr dataset | |
| CN111046763B (zh) | 一种人像卡通化的方法和装置 | |
| CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
| CN111832745A (zh) | 数据增广的方法、装置及电子设备 | |
| Kumar et al. | Structure-preserving NPR framework for image abstraction and stylization | |
| CN113850168A (zh) | 人脸图片的融合方法、装置、设备及存储介质 | |
| CN116363261B (zh) | 图像编辑模型的训练方法、图像编辑方法和装置 | |
| CN113487618B (zh) | 人像分割方法、装置、电子设备及存储介质 | |
| CN112308866A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| KR20240089729A (ko) | 화상 처리 방법, 장치, 저장 매체 및 전자 기기 | |
| CN111833360A (zh) | 一种图像处理方法、装置、设备以及计算机可读存储介质 | |
| US20220398704A1 (en) | Intelligent Portrait Photography Enhancement System | |
| CN114862729A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN113920023B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
| Polasek et al. | Vision UFormer: Long-range monocular absolute depth estimation | |
| CN114387160B (zh) | 训练方法、图像的处理方法、装置、电子设备及存储介质 | |
| CN116612263A (zh) | 一种感知潜视觉合成一致性动态拟合的方法及装置 | |
| Purps et al. | Reconstructing facial expressions of hmd users for avatars in vr |
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 |