CN114529574A - 基于图像分割的图像抠图方法、装置、计算机设备及介质 - Google Patents

基于图像分割的图像抠图方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN114529574A
CN114529574A CN202210168421.XA CN202210168421A CN114529574A CN 114529574 A CN114529574 A CN 114529574A CN 202210168421 A CN202210168421 A CN 202210168421A CN 114529574 A CN114529574 A CN 114529574A
Authority
CN
China
Prior art keywords
image
layer
segmentation
matting
loss function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210168421.XA
Other languages
English (en)
Inventor
郑喜民
张祎頔
舒畅
陈又新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210168421.XA priority Critical patent/CN114529574A/zh
Priority to PCT/CN2022/089507 priority patent/WO2023159746A1/zh
Publication of CN114529574A publication Critical patent/CN114529574A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于人工智能技术领域，涉及一种基于图像分割的图像抠图方法，包括将获取的训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层；通过图像分割层对训练图像集中的图像进行分割，得到初步分割图像集；将初步分割图像集输入至图像抠图层，得到细化分割图像；基于细化分割图像确定目标损失函数，根据目标损失函数对初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；将目标图像输入图像抠图模型，得到抠图结果。本申请还提供一种基于图像分割的图像抠图装置、计算机设备及介质。此外，本申请还涉及区块链技术，目标图像可存储于区块链中。本申请可以提高图像抠图的精确度和准确率。

Description

基于图像分割的图像抠图方法、装置、计算机设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于图像分割的图像抠图方法、装置、计算机设备及介质。
背景技术
图像抠图(Image Matting)是指对于一张给定的图像，网络可以分离其前景区域和背景区域，是目前计算机视觉领域的重要课题，广泛应用于视频会议、图像编辑和后期制作等场景中。目前，图像抠图技术通常使用额外输入，如：trimap、背景图像等，通过额外输入来实现蒙版的生成，利用蒙版提取抠图对象。
但是，额外输入的生成往往需要人工干预，例如trimap等先验蒙版的生成；有时额外输入的获取并不总是可行的，例如完整背景图像的获取，这使得图像抠图费时费力，同时，造成图像抠图效率低下以及抠图结果不准确。
发明内容
本申请实施例的目的在于提出一种基于图像分割的图像抠图方法、装置、计算机设备及存储介质，以解决相关技术中图像抠图费时费力，图像抠图效率低下以及抠图结果不准确的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于图像分割的图像抠图方法，采用了如下所述的技术方案：
获取训练图像集，将所述训练图像集输入预构建的初始图像抠图模型，其中，所述初始图像抠图模型包括图像分割层和图像抠图层；
通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集；
将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像；
基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；
获取目标图像，将所述目标图像输入图像抠图模型，得到抠图结果。
进一步的，在所述通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集的步骤之前还包括：
将获取到的原始图像集输入图像分割层，输出重构图像；
根据所述重构图像得到第一损失函数，基于所述第一损失函数对所述图像分割层进行迭代更新，输出预训练完成的所述图像分割层。
进一步的，所述图像抠图层至少包括编码器、解码器、渐进注意力细化层以及辅助输出层，所述将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像的步骤包括：
将所述初步分割图像集输入至所述编码器进行特征提取，得到编码特征；
通过所述解码器将所述编码特征进行解码，输出解码特征；
将所述解码特征输入所述辅助输出层，得到输出特征；
通过所述渐进注意力细化层对所述输出特征进行注意力计算，得到注意力特征，并根据所述注意力特征输出所述细化分割图像。
进一步的，通过所述渐进注意力细化层对所述输出特征进行注意力计算，得到注意力特征的步骤包括：
将前一层辅助输出层输出的输出特征上采样到与当前层辅助输出层的输出特征相同尺寸，得到上采样输出特征，根据所述上采样输出特征计算得到不确定区域掩膜；
对所述不确定区域掩膜进行特征提取，得到不确定区域特征，对所述不确定区域特征进行注意力计算，得到注意力分数；
根据所述注意力分数修正不确定区域特征，得到修正后的不确定区域特征作为注意力特征。
进一步的，所述根据所述注意力特征输出所述细化分割图像的步骤包括：
对当前层辅助输出层的输出特征进行特征提取，得到提取特征，将所述注意力特征与所述提取特征进行拼接，得到拼接特征；
将所述拼接特征进行解码，输出所述细化分割图像。
进一步的，所述基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型的步骤包括：
根据所述细化分割图像得到第二损失函数；
基于所述第一损失函数和所述第二损失函数确定目标损失函数；
根据所述调整所述初始图像抠图模型的模型参数；
当满足迭代结束条件时，根据所述模型参数生成训练完成的图像抠图模型。
进一步的，所述根据所述重构图像得到第一损失函数，基于所述第一损失函数对所述图像分割层进行迭代更新，输出预训练完成的所述图像分割层的步骤包括：
根据所述重构图像和所述原始图像集中的原始图像计算得到重构损失；
根据所述重构损失确定所述第一损失函数；
基于所述第一损失函数调整所述图像分割层的分割参数；
当满足迭代结束条件时，根据所述分割参数输出预训练完成的图像分割层。
为了解决上述技术问题，本申请实施例还提供一种基于图像分割的图像抠图装置，采用了如下所述的技术方案：
获取模块，用于获取训练图像集，将所述训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层；
初步分割模块，用于通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集；
细化分割模块，用于将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像；
训练模块，用于基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；
抠图模块，用于获取目标图像，将所述目标图像输入图像抠图模型，得到抠图结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于图像分割的图像抠图方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于图像分割的图像抠图方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过获取训练图像集，将训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层；通过图像分割层对训练图像集中的图像进行分割，得到初步分割图像集；将初步分割图像集输入至图像抠图层，得到细化分割图像；基于细化分割图像确定目标损失函数，根据目标损失函数对初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；获取目标图像，将目标图像输入图像抠图模型，得到抠图结果；本申请通过训练完成的图像抠图模型中的图像分割层对图像进行初步分割，再将初步分割结果输出图像抠图层进一步进行细化分割，可以实现无需任何额外输入来进行图像抠图，并且完全避免了人工干预，达到完全的自动化抠图，提高了图像抠图效率，同时，通过图像抠图模型可以达到更精确的抠图结果，进一步提高图像抠图的精确度和准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于图像分割的图像抠图方法的一个实施例的流程图；
图3是图2中步骤S203的一种具体实施方式的流程图；
图4是根据本申请的基于图像分割的图像抠图方法的另一个实施例的流程图；
图5是根据本申请的基于图像分割的图像抠图装置的一个实施例的结构示意图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请提供了一种基于图像分割的图像抠图方法，涉及人工智能，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于图像分割的图像抠图方法一般由服务器/终端设备执行，相应地，基于图像分割的图像抠图装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于图像分割的图像抠图方法的一个实施例的流程图，包括以下步骤：
步骤S201，获取训练图像集，将训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层。
在本实施例中，预构建的初始图像抠图模型包括图像分割层和图像抠图层，其中，图像分割层可以采用Double DIP(Deep-Image-Priors，深度图像先验)网络，Double DIP网络利用两个DIP网络将输入图像分割为前景层和背景层；图像抠图层主干使用U-Net网络进行编码解码，并在解码部分的后基层加入辅助输出层，进行深度监督，并加入渐进注意力细化模块(Progressive Attention Refinement Module，PAR)，利用解码器的中间层输出进行逐层细化，获得最终的精确蒙版，以得到精确的分割图像。
在本实施例中，训练图像集可以从公开数据集获取，例如，Alphamatting数据集，Alphamatting数据集包含27张训练图像和8张测试图像，这些图像均有抠图后前景和后景的标准结果图，然后，将这些图像的前景图分别与500张室内场景图像以及500张室外场景图像进行组合，对组合后的图像进行三个不同角度的旋转，这样得到的图像作为训练图像集和测试图像集；也可以根据获取的原始图片生成，具体的，获取原始图片(例如，人像图片、商品图片、环境图片、动物图片、交通工具图片等)，计算每张原始图片对应的信噪比，并根据信噪比对原始图片进行过滤，对过滤后的原始图片中的显著性前景进行标注，以便根据标注后的原始图片生成训练数据集。
步骤S202，通过图像分割层对训练图像集中的图像进行分割，得到初步分割图像集。
在本实施例中，图像分割层将训练图像集中的训练图像进行前景层和背景层分割，并通过掩膜将前景层和背景层进行混合，得到重构图像，重构图像即为初步分割图像。
具体的，将训练图像集中的训练图像输入图像分割层，为每个图层分配一个DIP网络，每个DIP网络输入一个随机噪声zi，通过yi＝DIP(zi)计算得到前景层y1和背景层y2，前景层和背景层两个图层通过掩膜m进行融合，得到重构图像I’，公式如下：
I'＝my1+(1-m)y2
应当理解，图像分割层为预训练完成的。
步骤S203，将初步分割图像集输入至图像抠图层，得到细化分割图像。
在本实施例中，图像抠图层至少包括编码器、解码器、渐进注意力细化层(Progressive Attention Refinement，PAR)以及辅助输出层(Output)，将初步分割图像输入图像抠图层进行细化分割，得到细化分割图像。
在一些可选的实现方式中，上述将初步分割图像集输入至图像抠图层，得到细化分割图像的步骤包括：
步骤S301，将初步分割图像集输入至编码器进行特征提取，得到编码特征。
其中，编码器包括多个卷积神经网络层(Convolution neural network，CNN)和下采样层，下采样层可以为最大池化层(max-pooling)。通过CNN层提取空间特征，生成特征图，max-pooling层对特征图进行下采样，保留较强特征。
可选的，编码器包括5个卷积层和4个下采样层，5个卷积层分别为第一编码卷积层、第二编码卷积层、第三编码卷积层、第四编码卷积层和第五编码卷积层，第一编码卷积层与第二编码卷积层之间、第二编码卷积层与第三编码卷积层之间、第三编码卷积层与第四编码卷积层之间以及第四编码卷积层与第五编码卷积层之间，均设置有一个下采样层，分别为第一下采样层、第二下采样层、第三下采样层以及第四下采样层。
初步分割图像集中的初步分割图像依次通过第一编码卷积层、第一下采样层、第二编码卷积层、第二下采样层、第三编码卷积层、第三下采样层、第四编码卷积层、第四下采样层和第五编码卷积层进行特征提取，得到编码特征。
应当理解，编码器卷积层的卷积核和卷积步长可以根据实际情况进行设置。
步骤S302，通过解码器将编码特征进行解码，输出解码特征。
在本实施例中，解码器由多个解码模块组成，每个解码模块包括多个上采样层(Up-sampling layer)和CNN层。每经过一次解码，特征图的大小增加相应倍数，经过多次解码，得到与原始输入的初步分割图像大小相同的特征图，即解码特征。此外，每次解码后的解码特征与编码阶段对应的同样大小的编码特征连接，以融合低级和高级特征。
可选的，解码器包括5个卷积层和4个上采样层，5个卷积层分别为第一解码卷积层、第二解码卷积层、第三解码卷积层、第四解码卷积层和第五解码卷积层，第一解码卷积层与第二解码卷积层之间、第二解码卷积层与第三解码卷积层之间、第三解码卷积层与第四解码卷积层之间以及第四解码卷积层与第五解码卷积层之间，均设置有一个上采样层，分别为第一上采样层、第二上采样层、第三上采样层以及第四上采样层。
将编码特征输入解码器，依次通过第一解码卷积层、第一上采样层、第二解码卷积层、第二上采样层、第三解码卷积层、第三上采样层、第四解码卷积层、第四上采样层和第五解码卷积层进行解码，得到解码特征。
应当理解，解码器卷积层的卷积核和卷积步长也是可以根据实际情况进行设置。
步骤S303，将解码特征输入辅助输出层，得到输出特征。
在本实施例中，解码器每个卷积层后对应设置连接有一个辅助输出层，用于对输出的特征进行卷积池化操作，已保留图像更多的特征信息。
步骤S304，通过渐进注意力细化层对输出特征进行注意力计算，得到注意力特征，并根据注意力特征输出细化分割图像。
在本实施例中，渐进注意力层分别与前一层辅助输出层、与当前解码卷积层连接的当前解码辅助输出层以及渐进注意力层对应的辅助输出层(当前层辅助输出层)连接，具体的，渐进注意力层的输入为前一层辅助输出层以及当前解码辅助输出层的输出，进行注意力操作后，通过当前层辅助输出层输出。
需要说明的是，第一解码卷积层没有设置对应的渐进注意力层与其连接，如果第一解码卷积层为当前层，与其连接的辅助输出层既是当前解码输出层，也相当于当前层输出层。
渐进注意力层至少包括编码层、注意力卷积层、第一融合层、softmax层、第二融合层、连接层以及解码层，将输出特征依次通过编码层、注意力卷积层、第一融合层、softmax层、第二融合层、连接层以及解码层进行相应计算，输出更精确的细化分割图像。
步骤S204，基于细化分割图像确定目标损失函数，根据目标损失函数对初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型。
在本实施例中，将训练图像集输入至初始图像抠图模型中进行训练，一轮训练结束后，计算初始图像抠图模型的目标损失函数，得到损失函数值，根据损失函数值调整模型参数，继续进行迭代训练，模型训练到一定程度，此时，模型的性能达到最优状态，损失函数值无法继续下降，即收敛。而判断收敛的方式只需要计算前后两轮迭代中的损失函数值，若损失函数值仍在变化，则继续选择训练图像输入至调整模型参数后的图像抠图模型中，以对图像抠图模型继续进行迭代训练；若损失函数值没有显著变化，则可认为模型收敛。模型收敛后，输出最终的图像抠图模型。
步骤S205，获取目标图像，将目标图像输入图像抠图模型，得到抠图结果。
在本实施例中，将获取到的目标图像输入至训练完成的图像抠图模型中进行抠图操作，可以得到对应的抠图结果。
需要强调的是，为进一步保证目标图像的私密和安全性，上述目标图像还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请通过训练完成的图像抠图模型中的图像分割层对图像进行初步分割，再将初步分割结果输出图像抠图层进一步进行细化分割，可以实现无需任何额外输入来进行图像抠图，并且完全避免了人工干预，达到完全的自动化抠图，提高了图像抠图效率，同时，通过图像抠图模型可以达到更精确的抠图结果，进一步提高抠图精确度和准确率。
在本实施例的一些可选的实现方式中，在上述通过图像分割层对训练图像集中的图像进行分割，得到初步分割图像集的步骤之前还包括：
对图像分割层进行预训练，得到预训练完成的图像分割层，具体包括：
将获取到的原始图像集输入图像分割层，输出重构图像；
根据重构图像得到第一损失函数，基于第一损失函数对图像分割层进行迭代更新，输出预训练完成的图像分割层。
在本实施例中，原始图像集可以与上述训练数据集的获取渠道相同，也可以不同，根据实际需要进行选择。
将原始图像集中的原始图像输入图像分割层，分割为前景层y1和背景层y2，通过初始掩膜m0将前景层y1和背景层y2进行融合，得到重构图像I’。其中，初始掩膜m0可以是预先设置的，也可以是随机生成的，随机生成则是根据输入随机噪声获得。
在一些可选的实现方式中，上述根据重构图像得到第一损失函数，基于第一损失函数对图像分割层进行迭代更新，输出预训练完成的图像分割层的步骤包括：
根据重构图像和原始图像集中的原始图像计算得到重构损失；
根据重构损失确定第一损失函数；
基于第一损失函数调整图像分割层的分割参数；
当满足迭代结束条件时，根据分割参数输出预训练完成的图像分割层。
其中，第一损失函数采用如下公式计算：
LossDDIP＝LossReconst+β·LossExcl+γ·LossReg
其中，LossReconst为重构损失，LossReconst＝||I-I'||，I为原始图像；LossExcl为一种互斥损失，让y1和y2的梯度之间相关性最小化；LossReg＝(∑x|m(x)-0.5|)-1，LossReg为正则化损失，主要是用来约束融合mask(掩膜)的，用于将前景初始掩膜m0二值化，β、γ为预设的加权参数。
计算出第一损失函数，基于第一损失函数调整图像分割层的分割参数，继续进行迭代训练，图像分割层训练到一定程度，此时，图像分割层的性能达到预设状态，预设状态可以是收敛，也可以是第一损失函数的损失函数值达到预设阈值，即说明满足迭代结束条件，图像分割层预训练完成，根据迭代结束时的分割参数输出图像分割层。
本实施例通过对图像分割层进行预训练，调整图像分割层的初始掩膜m0，预训练完成后，获得预训练的图像分割层的掩膜m，掩膜m在之后的训练过程中仍会进行学习调整，以便获得更加精确的前景掩膜m，用于后续图像抠图层。
在本实施例的一些可选的实现方式中，上述通过渐进注意力细化层对输出特征进行注意力计算，得到注意力特征的步骤包括：
步骤S401，将前一层辅助输出层输出的输出特征上采样到与当前层辅助输出层的输出特征相同尺寸，得到上采样输出特征，根据上采样输出特征计算得到不确定区域掩膜。
具体的，前一层辅助输出层输出的输出特征αl-1上采样到与当前辅助输出层输出特征αl相同尺寸，之后通过以下变换公式：
Figure BDA0003517568240000121
其中fα→m(x,y)为图像(x,y)点处由α蒙版获得不确定区域掩膜m的变换公式，αl为当前层辅助输出层l的α蒙版。通过
Figure BDA0003517568240000122
可以获得前一层辅助输出层输出的不确定区域掩膜ml-1，以及当前层辅助输出层输出的不确定区域掩膜ml。
步骤S402，对不确定区域掩膜进行特征提取，得到不确定区域特征，对不确定区域特征进行注意力计算，得到注意力分数。
将前一层辅助输出层输出的不确定区域掩膜ml-1与当前层辅助输出层输出的不确定区域掩膜ml经过CNN组成的编码层分别进行特征提取，得到
Figure BDA0003517568240000131
和
Figure BDA0003517568240000132
然后通过如下公式，计算获得注意力分数，作为优化趋势作用并修正于当前层辅助输出层输出的不确定区域特征
Figure BDA0003517568240000133
注意力分数计算公式如下：
Figure BDA0003517568240000134
其中，
Figure BDA0003517568240000135
为1x1的卷积操作，
Figure BDA0003517568240000136
为l-1层的不确定区域特征，
Figure BDA0003517568240000137
为l层的不确定区域特征，X为计算的优化趋势注意力分数。
步骤S403，根据注意力分数修正不确定区域特征，得到修正后的不确定区域特征作为注意力特征。
采用如下公式对不确定区域特征进行修正：
Figure BDA0003517568240000138
其中，
Figure BDA0003517568240000139
为1x1的卷积操作，
Figure BDA00035175682400001310
为修正后的l层的不确定区域特征。
本实施例通过注意力计算修正不确定区域特征得到注意力特征，可以保证后续细化抠图更加精确。
在一些可选的实现方式中，上述根据注意力特征输出细化分割图像的步骤包括：
对当前层辅助输出层的输出特征进行特征提取，得到提取特征，将注意力特征与提取特征进行拼接，得到拼接特征；
将拼接特征进行解码，输出细化分割图像。
具体的，将当前层辅助输出层输出αl通过由CNN组成的编码层进行特征提取，将提取的特征Fα与获得的修正后的当前层辅助输出层注意力特征进行特征拼接，如下公式：
Figure BDA00035175682400001311
其中，
Figure BDA00035175682400001312
为注意力特征，Fα为当前层辅助输出层αl蒙版经过编码层提取的特征，Fα'为修正的当前辅助输出层α蒙版特征，即拼接特征。
通过由CNN组成的解码层对拼接特征Fα′进行解码，并获得细化分割图像。
在本实施例的一些可选的实现方式中，上述基于细化分割图像确定目标损失函数，根据目标损失函数对初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型的步骤包括：
根据细化分割图像得到第二损失函数；
基于第一损失函数和第二损失函数确定目标损失函数；
根据调整初始图像抠图模型的模型参数；
当满足迭代结束条件时，根据模型参数生成训练完成的图像抠图模型。
具体的，第二损失函数的计算公式如下：
Figure BDA0003517568240000141
其中，ωl为超参；αgt表示当前层辅助输出层的输出真值；Lossl表示当前层辅助输出层的不确定区域的损失，包括L1损失、组合损失和拉普拉斯损失，公式为：
Lossl(αgt·ml,αl·ml)＝LossL1(αgt·ml,αl·ml)+Losscomp(αgt·ml,αl·ml)+Losslap(αgt·ml,αl·ml)
基于第一损失函数和第二损失函数确定目标损失函数，则目标损失函数计算公式如下：
Loss＝δLossDDIP+ε·LossMatting
其中，δ和ε为预设的加权参数。
在本实施例中，根据损失函数值调整模型参数，继续进行迭代训练，模型训练到一定程度，此时，模型的性能达到最优状态，损失函数值无法继续下降，即收敛。
满足迭代结束条件即为模型收敛，模型收敛后，根据最终调整的模型参数输出最终的图像抠图模型。
本实施例通过训练预构建的图像抠图模型，可以提高图像抠图模型的抠图精确度和准确率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种基于图像分割的图像抠图装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的基于图像分割的图像抠图装置500包括：获取模块501、初步分割模块502、细化分割模块503、训练模块504以及抠图模块505。其中：
获取模块501用于获取训练图像集，将所述训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层。
初步分割模块502用于通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集；
细化分割模块503用于将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像；
训练模块504用于基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；
抠图模块505用于获取目标图像，将所述目标图像输入图像抠图模型，得到抠图结果。
上述基于图像分割的图像抠图装置，通过训练完成的图像抠图模型中的图像分割层对图像进行初步分割，再将初步分割结果输出图像抠图层进一步进行细化分割，可以实现无需任何额外输入来进行图像抠图，并且完全避免了人工干预，达到完全的自动化抠图，提高了图像抠图效率，同时，通过图像抠图模型可以达到更精确的抠图结果，提高抠图精确度和准确率。
在本实施例的一些可选的实现方式中，初步分割模块502包括重构子模块和预训练子模块，其中，重构子模块用于将获取到的原始图像集输入图像分割层，输出重构图像；预训练子模块用于根据所述重构图像得到第一损失函数，基于所述第一损失函数对所述图像分割层进行迭代更新，输出预训练完成的所述图像分割层。
本实施例通过对图像分割层进行预训练，调整图像分割层的初始掩膜，预训练完成后，获得预训练的图像分割层的掩膜，保证在之后的训练过程中获得更加精确的前景掩膜，用于后续图像抠图层进行抠图。
在本实施例中，细化分割模块503包括特征提取子模块、解码子模块、输出子模块以及注意力子模块，其中：
特征提取子模块用于将所述初步分割图像集输入至所述编码器进行特征提取，得到编码特征；
解码子模块用于通过所述解码器将所述编码特征进行解码，输出解码特征；
输出子模块用于将所述解码特征输入所述辅助输出层，得到输出特征；
注意力子模块用于通过所述渐进注意力细化层对所述输出特征进行注意力计算，得到注意力特征，并根据所述注意力特征输出所述细化分割图像。
本实施例通过注意力计算得到注意力特征，可以输出更精确的细化分割图像。
在本实施例中，注意力子模块包括上采样单元、注意力计算单元以及修正单元，其中：
上采样单元用于将前一层辅助输出层输出的输出特征上采样到与当前层辅助输出层的输出特征相同尺寸，得到上采样输出特征，根据所述上采样输出特征计算得到不确定区域掩膜；
注意力计算单元用于对所述不确定区域掩膜进行特征提取，得到不确定区域特征，对所述不确定区域特征进行注意力计算，得到注意力分数；
修正单元用于根据所述注意力分数修正不确定区域特征，得到修正后的不确定区域特征作为注意力特征。
本实施例通过注意力计算修正不确定区域特征得到注意力特征，可以保证后续细化抠图更加精确。
在一些可选的实现方式中，注意力子模块还包括拼接单元和解码单元，其中：
拼接单元用于对当前层辅助输出层的输出特征进行特征提取，得到提取特征，将所述注意力特征与所述提取特征进行拼接，得到拼接特征；
解码单元用于将所述拼接特征进行解码，输出所述细化分割图像。
在本实施例中，训练模块504包括损失函数计算子模块、调整子模块以及生成子模块，其中：
损失函数计算子模块用于根据所述细化分割图像得到第二损失函数；
损失函数计算子模块还用于基于所述第一损失函数和所述第二损失函数确定目标损失函数；
调整子模块用于根据所述调整所述初始图像抠图模型的模型参数；
生成子模块用于当满足迭代结束条件时，根据所述模型参数生成训练完成的图像抠图模型。
本实施例通过训练预构建的图像抠图模型，可以提高图像抠图模型的抠图精确度和准确率。
在本实施例中，预训练子模块包括计算单元、调整单元以及输出单元，其中：
计算单元用于根据所述重构图像和所述原始图像集中的原始图像计算得到重构损失；
计算单元还用于根据所述重构损失确定所述第一损失函数；
调整单元用于基于所述第一损失函数调整所述图像分割层的分割参数；
输出单元用于当满足迭代结束条件时，根据所述分割参数输出预训练完成的图像分割层。
本实施例通过根据重构损失确定的第一损失函数进行参数调整，可以提升预训练效率，同时保证后续训练获得更精确的掩膜。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如基于图像分割的图像抠图方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述基于图像分割的图像抠图方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于图像分割的图像抠图方法的步骤，通过训练完成的图像抠图模型中的图像分割层对图像进行初步分割，再将初步分割结果输出图像抠图层进一步进行细化分割，可以实现无需任何额外输入来进行图像抠图，并且完全避免了人工干预，达到完全的自动化抠图，提高了图像抠图效率，同时，通过图像抠图模型可以达到更精确的抠图结果，提高抠图精确度和准确率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于图像分割的图像抠图方法的步骤，通过训练完成的图像抠图模型中的图像分割层对图像进行初步分割，再将初步分割结果输出图像抠图层进一步进行细化分割，可以实现无需任何额外输入来进行图像抠图，并且完全避免了人工干预，达到完全的自动化抠图，提高了图像抠图效率，同时，通过图像抠图模型可以达到更精确的抠图结果，提高抠图精确度和准确率。
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上述实施例方法可借助软件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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于图像分割的图像抠图方法，其特征在于，包括下述步骤：
获取训练图像集，将所述训练图像集输入预构建的初始图像抠图模型，其中，所述初始图像抠图模型包括图像分割层和图像抠图层；
通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集；
将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像；
基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；
获取目标图像，将所述目标图像输入图像抠图模型，得到抠图结果。
2.根据权利要求1所述的基于图像分割的图像抠图方法，其特征在于，在所述通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集的步骤之前还包括：
将获取到的原始图像集输入图像分割层，输出重构图像；
根据所述重构图像得到第一损失函数，基于所述第一损失函数对所述图像分割层进行迭代更新，输出预训练完成的所述图像分割层。
3.根据权利要求2所述的基于图像分割的图像抠图方法，其特征在于，所述图像抠图层至少包括编码器、解码器、渐进注意力细化层以及辅助输出层，所述将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像的步骤包括：
将所述初步分割图像集输入至所述编码器进行特征提取，得到编码特征；
通过所述解码器将所述编码特征进行解码，输出解码特征；
将所述解码特征输入所述辅助输出层，得到输出特征；
通过所述渐进注意力细化层对所述输出特征进行注意力计算，得到注意力特征，并根据所述注意力特征输出所述细化分割图像。
4.根据权利要求3所述的基于图像分割的图像抠图方法，其特征在于，所述通过所述渐进注意力细化层对所述输出特征进行注意力计算，得到注意力特征的步骤包括：
将前一层辅助输出层输出的输出特征上采样到与当前层辅助输出层的输出特征相同尺寸，得到上采样输出特征，根据所述上采样输出特征计算得到不确定区域掩膜；
对所述不确定区域掩膜进行特征提取，得到不确定区域特征，对所述不确定区域特征进行注意力计算，得到注意力分数；
根据所述注意力分数修正不确定区域特征，得到修正后的不确定区域特征作为注意力特征。
5.根据权利要求4所述的基于图像分割的图像抠图方法，其特征在于，所述根据所述注意力特征输出所述细化分割图像的步骤包括：
对当前层辅助输出层的输出特征进行特征提取，得到提取特征，将所述注意力特征与所述提取特征进行拼接，得到拼接特征；
将所述拼接特征进行解码，输出所述细化分割图像。
6.根据权利要求2至5中任一项所述的基于图像分割的图像抠图方法，其特征在于，所述基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型的步骤包括：
根据所述细化分割图像得到第二损失函数；
基于所述第一损失函数和所述第二损失函数确定目标损失函数；
根据所述调整所述初始图像抠图模型的模型参数；
当满足迭代结束条件时，根据所述模型参数生成训练完成的图像抠图模型。
7.根据权利要求2所述的基于图像分割的图像抠图方法，其特征在于，所述根据所述重构图像得到第一损失函数，基于所述第一损失函数对所述图像分割层进行迭代更新，输出预训练完成的所述图像分割层的步骤包括：
根据所述重构图像和所述原始图像集中的原始图像计算得到重构损失；
根据所述重构损失确定所述第一损失函数；
基于所述第一损失函数调整所述图像分割层的分割参数；
当满足迭代结束条件时，根据所述分割参数输出预训练完成的图像分割层。
8.一种基于图像分割的图像抠图装置，其特征在于，包括：
获取模块，用于获取训练图像集，将所述训练图像集输入预构建的初始图像抠图模型，其中，图像抠图模型包括图像分割层和图像抠图层；
初步分割模块，用于通过所述图像分割层对所述训练图像集中的图像进行分割，得到初步分割图像集；
细化分割模块，用于将所述初步分割图像集输入至所述图像抠图层，得到细化分割图像；
训练模块，用于基于所述细化分割图像确定目标损失函数，根据所述目标损失函数对所述初始图像抠图模型进行迭代更新，输出训练完成的图像抠图模型；
抠图模块，用于获取目标图像，将所述目标图像输入图像抠图模型，得到抠图结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于图像分割的图像抠图方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于图像分割的图像抠图方法的步骤。
CN202210168421.XA 2022-02-23 2022-02-23 基于图像分割的图像抠图方法、装置、计算机设备及介质 Pending CN114529574A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210168421.XA CN114529574A (zh) 2022-02-23 2022-02-23 基于图像分割的图像抠图方法、装置、计算机设备及介质
PCT/CN2022/089507 WO2023159746A1 (zh) 2022-02-23 2022-04-27 基于图像分割的图像抠图方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210168421.XA CN114529574A (zh) 2022-02-23 2022-02-23 基于图像分割的图像抠图方法、装置、计算机设备及介质

Publications (1)

Publication Number Publication Date
CN114529574A true CN114529574A (zh) 2022-05-24

Family

ID=81623939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210168421.XA Pending CN114529574A (zh) 2022-02-23 2022-02-23 基于图像分割的图像抠图方法、装置、计算机设备及介质

Country Status (2)

Country Link
CN (1) CN114529574A (zh)
WO (1) WO2023159746A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782460A (zh) * 2022-06-21 2022-07-22 阿里巴巴达摩院(杭州)科技有限公司 图像分割模型的生成方法及图像的分割方法、计算机设备
CN116167922A (zh) * 2023-04-24 2023-05-26 广州趣丸网络科技有限公司 一种抠图方法、装置、存储介质及计算机设备
CN116524577A (zh) * 2023-07-05 2023-08-01 电子科技大学 一种基于渐进细化算法的人像抠图方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576076A (zh) * 2023-12-14 2024-02-20 湖州宇泛智能科技有限公司 一种裸土检测方法、装置和电子设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961303B (zh) * 2018-07-23 2021-05-07 北京旷视科技有限公司 一种图像处理方法、装置、电子设备和计算机可读介质
US10984558B2 (en) * 2019-05-09 2021-04-20 Disney Enterprises, Inc. Learning-based sampling for image matting
CN112446380A (zh) * 2019-09-02 2021-03-05 华为技术有限公司 图像处理方法和装置
CN111311629B (zh) * 2020-02-21 2023-12-01 京东方科技集团股份有限公司 图像处理方法、图像处理装置及设备
CN111815649B (zh) * 2020-06-30 2023-12-01 清华大学深圳国际研究生院 一种人像抠图方法及计算机可读存储介质
CN113706372A (zh) * 2020-06-30 2021-11-26 稿定（厦门）科技有限公司 自动抠图模型建立方法及系统
CN112529913A (zh) * 2020-12-14 2021-03-19 北京达佳互联信息技术有限公司 图像分割模型训练方法、图像处理方法及装置
CN113379786B (zh) * 2021-06-30 2024-02-02 深圳万兴软件有限公司 图像抠图方法、装置、计算机设备及存储介质
CN114038006A (zh) * 2021-08-09 2022-02-11 奥比中光科技集团股份有限公司 一种抠图网络训练方法及抠图方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782460A (zh) * 2022-06-21 2022-07-22 阿里巴巴达摩院(杭州)科技有限公司 图像分割模型的生成方法及图像的分割方法、计算机设备
CN116167922A (zh) * 2023-04-24 2023-05-26 广州趣丸网络科技有限公司 一种抠图方法、装置、存储介质及计算机设备
CN116167922B (zh) * 2023-04-24 2023-07-18 广州趣丸网络科技有限公司 一种抠图方法、装置、存储介质及计算机设备
CN116524577A (zh) * 2023-07-05 2023-08-01 电子科技大学 一种基于渐进细化算法的人像抠图方法

Also Published As

Publication number Publication date
WO2023159746A1 (zh) 2023-08-31

Similar Documents

Publication Publication Date Title
CN112396613B (zh) 图像分割方法、装置、计算机设备及存储介质
CN114529574A (zh) 基于图像分割的图像抠图方法、装置、计算机设备及介质
US10970938B2 (en) Method and apparatus for generating 3D information
WO2023035531A1 (zh) 文本图像超分辨率重建方法及其相关设备
CN112418292A (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN112528029A (zh) 文本分类模型处理方法、装置、计算机设备及存储介质
CN115757725A (zh) 问答处理方法、装置、计算机设备及存储介质
US20230237713A1 (en) Method, device, and computer program product for generating virtual image
CN117095019B (zh) 一种图像分割方法及相关装置
CN112651399B (zh) 检测倾斜图像中同行文字的方法及其相关设备
CN112434746B (zh) 基于层次化迁移学习的预标注方法及其相关设备
CN111488886B (zh) 排列注意力特征的全景图像显著性预测方法、系统及终端
CN112991274A (zh) 一种人群计数方法、装置、计算机设备及存储介质
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法
CN116975347A (zh) 图像生成模型训练方法及相关装置
CN115601235A (zh) 一种图像超分辨率网络训练方法、装置、设备及存储介质
CN112950501B (zh) 基于噪声场的图像降噪方法、装置、设备及存储介质
CN114040129A (zh) 视频生成方法、装置、设备及存储介质
CN117011156A (zh) 图像处理方法、装置、设备及存储介质
CN113362249A (zh) 文字图像合成方法、装置、计算机设备及存储介质
CN112966150A (zh) 一种视频内容抽取的方法、装置、计算机设备及存储介质
CN113592074A (zh) 一种训练方法、生成方法及装置、电子设备
CN113361535A (zh) 图像分割模型训练、图像分割方法及相关装置
CN113554655A (zh) 基于多特征增强的光学遥感图像分割方法及装置

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