CN114723855A - 图像生成方法及装置、设备和介质 - Google Patents
图像生成方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN114723855A CN114723855A CN202210365249.7A CN202210365249A CN114723855A CN 114723855 A CN114723855 A CN 114723855A CN 202210365249 A CN202210365249 A CN 202210365249A CN 114723855 A CN114723855 A CN 114723855A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- model
- material images
- arrangement information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 239000000463 material Substances 0.000 claims abstract description 188
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 230000003936 working memory Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012769 display material Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种图像生成方法及装置、设备和介质,涉及人工智能领域,尤其涉及图像处理技术领域。实现方案为:获取多个素材图像;基于所述多个素材的参数信息,获取所述多个素材图像的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。
Description
技术领域
本公开涉及人工智能领域,尤其涉及图像处理技术领域,具体涉及一种图像生成方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
实际应用场景经常需要以图片的形式进行可视化的信息展示,例如商品海报、餐厅中的菜单图片等,较为美观并且多样化的图片能够有效地在商用场景下提升用户体验。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种图像生成方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种图像生成方法,包括:获取多个素材图像;基于所述多个素材的参数信息,获取所述多个素材图像的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。
根据本公开的另一方面,提供了一种页面展示方法,用于订单系统,所述方法包括:获取用户的订单信息,所述订单信息包括多个素材;利用如上所述的图像生成方法生成所述订单信息相应的目标图像;以及在订单显示页面中展示所述目标图像。
根据本公开的另一方面,提供了一种图像生成装置,包括:第一获取单元,被配置用于获取多个素材图像;第二获取单元,被配置用于基于所述多个素材的参数信息,获取所述多个素材的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及生成单元,被配置用于基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。
根据本公开的另一方面,提供了一种页面展示装置,被配置用于订单系统,包括:获取单元,被配置用于获取用户的订单信息,所述订单信息包括多个素材;如上所述的图像生成装置,被配置用于生成所述订单信息相应的目标图像;以及展示单元,被配置用于在订单显示页面中展示所述目标图像。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现上述任一项所述的方法。
根据本公开的一个或多个实施例,可以生成更具多样性并且更符合人类审美的图像。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的图像生成方法的流程图;
图2示出了根据本公开示例性实施例的图像生成方法的流程图;
图3示出了根据本公开示例性实施例的图像参数生成模型的训练过程的流程图;
图4示出了根据本公开示例性实施例的图像参数生成模型的结构示意图;
图5示出了根据本公开示例性实施例的页面展示方法的流程图;
图6示出了根据本公开示例性实施例的页面展示方法的流程图;
图7示出了根据本公开示例性实施例的页面展示效果的参考图;
图8示出了根据本公开示例性实施例的图像生成装置的结构框图;
图9示出了根据本公开示例性实施例的图像参数生成模型的训练装置的结构框图;
图10示出了根据本公开示例性实施例的页面展示装置的结构框图;
图11示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,通常应用基于深度学习的图像生成方式来获取多样化的图像,但是深度学习模型的性能提升通常需要利用大量数据进行训练,训练所需的成本过高。此外,由于图像的特征较为复杂,深度学习模型的拟合效果较难达到要求,完全依赖深度学习模型所输出的图像随机性过强,难以还原真实世界中物体的视觉特征,可能并不符合实际应用场景的需求。例如,当订单系统中需要利用图像向用户展示订单所包括的商品,这种情况下,不同的图像所包括的相同商品应当具有完全相同的视觉特征,但由于深度学习模型的输出结果具有一定随机性,从而可能针对相同的商品展现出不同的视觉效果,无法满足上述需求。
基于此,本公开提供了一种图像生成方法,通过获取更具多样性的素材图像的排布信息,并基于所述素材图像和素材图像的排布信息生成目标图像,在生成更具多样性的图像的同时,能够保留素材图像所具有的视觉特征,使得所生成的图像更符合人类审美,进而提升用户体验,满足特定应用场景下的需求。
以下将结合附图,详细描述本公开的实施例。
图1示出了根据本公开示例性实施例的图像生成方法的流程图。如图1所示,所述方法包括:步骤S101、获取多个素材图像;步骤S102、基于所述多个素材的参数信息,获取所述多个素材图像的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及步骤S103、基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。所述多个素材各自的内容信息例如可以是用于指示该素材相应的类型。由此,能够通过获取更具多样性的素材图像的排布信息来生成相应的目标图像,在改变素材图像的排布的同时保留了素材图像所具有的视觉特征,从而能够在保证素材不失真的前提下增加目标图像的多样性。
示例性地,所述素材图像可以是二维图像,进而通过将二维的素材图像进行叠加或拼贴生成目标图像。根据一些实施例,所述素材图像还可以是三维图像,从而能够基于此生成三维的目标图像,以适应更多应用场景的需求。
进一步地,在一些示例中,也可以是利用素材图像和素材图像的排布信息生成多个目标图像,并将所述多个目标图像拼接成视频或动图,从而能够得到更具多样性的视频或动图。
示例性地,所述素材图像可以是目标图像所包括的某一元素相应的图像。例如,所述图像生成方法可以被应用在订单系统中,利用所生成的目标图像向用户展示订单所包括的多件商品。在这种情况下,所述素材图像可以是某一特定商品的图像。例如,当用户的订单包括A、B、C三件商品,则可以获取A、B、C三件商品各自相应的素材图像,基于此获取素材图像的排布信息,进而生成目标图像并向用户展示,从而能够直观地向用户展示订单所包括的商品的信息,提升用户体验。
示例性地,所述参数信息所包括的所述多个素材各自的内容信息可以是用于指示该素材相应的内容类别。例如,在前文所描述的应用于订单系统的图像生成方法中,素材图像是某一特定商品的图像,则该素材相应的内容信息可以是该商品的名称。进一步地,在另一个示例中,所述参数信息所包括的所述多个素材各自的内容信息也可以包含更丰富的该素材相应的内容特征,例如色彩信息等。基于所述多个各自相应的内容特征信息,能够获取更符合素材内容的排布信息,以使得所生成的目标图像更加符合人类审美。
应当理解,上述应用方法仅是对本公开所述的图像生成方法的一个示例,所述图像生成方法可以被应用于其他实际场景,例如基于素材图像进行海报拼贴等,对此不作限定。
根据一些实施例,所述步骤S102中获取所述多个素材图像的排布信息包括:将所述多个素材的参数信息输入图像参数生成模型,以获取所述图像参数生成模型所输出的所述多个素材图像的排布信息。由此,能够利用图像参数生成模型简便快捷地得到更具多样性的素材图像的排布信息,进而提升目标图像的多样性。
示例性地,所述图像参数生成模型可以是基于各种结构的神经网络模型,例如前向神经网络,所述图像参数生成模型能够基于所输入的素材的数量及其各自的内容信息,输出素材图像的排布信息,从而能够基于所述素材图像及其排布信息生成目标图像。
根据一些实施例,所述图像参数生成模型包括生成模型,所述生成模型是利用判别模型训练得到的,并且其中,所述获取所述多个素材图像的排布信息包括:将所述多个素材的参数信息输入生成模型,以获取所述生成模型所输出的所述多个素材图像的排布信息。由此,能够利用生成对抗学习来训练得到所述图像参数生成模型,提升模型性能。
示例性地,也可以是通过其他方式获取所述多个素材图像的排布信息,例如可以是将素材的参数信息以及相应的人工配置的排布信息以键-值对的形式存储在数据库中,从而能够利用查表的方式获取多个素材图像的排布信息。进一步地,每组参数信息例如可以对应多组排布信息,从而能够在查表的基础随机获取其中一组排布信息,以提升用于生成目标图像的排布信息的多样性。
根据一些实施例,所述排布信息可以但不限于包括以下各项中的至少一项:所述多个素材图像的图层顺序信息、所述多个素材图像的相对位置信息和所述多个素材图像的相对大小信息。由此,能够基于素材图像排布信息对素材图像进行叠加或拼贴,从而能够简捷快速地生成目标图像。
根据一些实施例,当所述排布信息包括所述多个素材图像的图层顺序信息、相对位置信息和相对大小信息时,所述步骤S103中基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像包括:基于所述多个素材图像的相对大小信息,调整所述多个素材图像的尺寸;以及基于所述多个素材图像的图层顺序信息和相对位置信息,依次叠加调整尺寸后的所述多个素材图像,生成所述目标图像。由此,能够基于多个素材图像的图层顺序信息、相对位置信息和相对大小信息对素材图像进行调整和拼贴,能够简便快捷地得到相应的目标图像,提升图像生成的效率。
示例性地,在步骤S103之前,可以先对所述多个素材图像进行预处理,并基于预处理后的素材图像生成目标图像,从而能够使得所生成的目标图像更加符合实际应用场景的需求。
在一些示例中,所述预处理可以包括对所述多个素材图像进行实例分割,进一步提取素材图像中所需要的部分。例如,所述素材图像中可能包括与所需要的对象无关的背景,可以利用实例分割将所需要的对象与背景分离,以避免背景对目标图像可能产生的影响。所述实例分割过程可以是利用各种技术手段实现的,例如透明度变换、灰度变换、边缘检测、霍夫变换、深度学习实例分割算法等,对此不作限定。
在一些示例中,所述预处理还可以包括为所述多个素材图像添加阴影,以适应实际应用场景的需求。所述添加阴影的过程可以是利用各种技术手段实现的,例如图层的灰度化处理与叠加等,对此不作限定。
应当理解,上述方式仅是对预处理方法的示例,可以是根据实际需求对所述素材进行各种预处理,例如色彩调整、清晰度调整等,以提升所生成的目标图像的质量。
图2示出了根据本公开示例性实施例的图像生成方法的流程图。如图2所示,所述方法包括:步骤S201、获取多个素材图像;步骤S202、将所述多个素材的参数信息输入图像参数生成模型,以获取所述图像参数生成模型所输出的多个素材图像的排布信息,所述排布信息包括所述多个素材图像的图层顺序信息、相对位置信息和相对大小信息;步骤S203、基于所述多个素材图像的相对大小信息,调整每个素材图像的大小;以及步骤S204、基于所述多个素材图像的图层顺序信息和相对位置信息,依次叠加所述多个调整后的素材图像,生成所述目标图像。所述方法能够利用图像参数生成模型得到多样化的素材图像的排布信息,再基于此对素材图像进行调整和拼贴,能够简便快捷地得到相应的目标图像,提升图像生成的多样性和效率。
图3示出了根据本公开示例性实施例的图像参数生成模型的训练过程的流程图。如图3所示,所述方法包括:步骤S301、获取多个样本素材图像的真实排布信息和所述多个样本素材的参数信息,所述参数信息包括所述多个样本素材各自的内容信息;步骤S302、将所述多个样本素材的参数信息输入图像参数生成模型,并获取所述图像参数生成模型所输出的多个样本素材图像的预测排布信息;以及步骤S303、基于所述真实排布信息和预测排布信息,对所述图像参数生成模型进行调参。由此,能够利用样本素材图像的真实排布信息对所述图像参数生成模型进行训练,使得所述图像参数生成模型能够基于素材的参数信息输出更符合美学特征的素材图像排布信息,从而能够利用该图像参数生成模型实现高效率、多样化的图像生成。
根据一些实施例,当所述图像参数生成模型包括生成模型并且所述生成模型是利用判别模型训练得到时,所述多个样本素材的参数信息被分别输入所述判别模型和生成模型,所述预测排布信息为所述生成模型的输出,并且所述真实排布信息和预测排布信息还被输入所述判别模型,并且所述步骤S303中基于所述真实排布信息和预测排布信息,对所述图像参数生成模型进行调参包括:基于所述真实排布信息和预测排布信息之间的相似度分别对所述判别模型和生成模型进行调参。由此,能够利用生成对抗学习来训练所述图像参数生成模型,提高了训练效率和效果。
图4示出了根据本公开示例性实施例的图像参数生成模型400的结构示意图。图4中的箭头示出了信号流的方向,其中实线箭头示出了信号的前向传播过程,虚线箭头示出了信号的反向传播过程。如图4所示,所述多个样本素材的参数信息被输入生成模型401,生成模型401所输出的预测排布信息被输入判别模型402,判别模型402同时还获取所述多个样本素材的参数信息和真实排布信息,基于此输出用于指示真实排布信息和预测排布信息之间的相似度的判别结果,并反向传播给生成模型401和判别模型402。
示例性地,所述基于所述真实排布信息和预测排布信息之间的相似度分别对所述判别模型和生成模型进行调参可以包括:获取所述判别模型所输出的针对所述真实排布信息和预测排布信息的判别结果,所述判别结果例如可以是以预测概率的形式表征某一排布信息属于真实排布信息的概率,进而能够指示所述真实排布信息和预测排布信息之间的相似度。例如,当判别模型对真实排布信息的预测概率为80%,而对预测排布信息的预测概率为20%,则表明所述真实排布信息和预测排布信息之间的相似度较低,预测排布信息与真实排布信息还存在较大的差距,则可基于所述相似度对所述判别模型和生成模型进行调参。再例如,当判别模型对真实排布信息和预测排布信息的预测概率均为50%,则表明所述真实排布信息和预测排布信息之间的相似度较高,可以基于此结束训练。
应当理解,上述内容仅是对模型调参优化过程的一个示例,所述判别模型也可以输出其他形式的判别结果,用于指示所述真实排布信息和预测排布信息之间的相似度。相应地,也可以是设置其他形式的优化目标,以作为模型训练结束的条件。
根据一些实施例,所述判别模型的训练过程包括:将所述多个样本素材的参数信息输入所述生成模型,并获取所述生成模型所输出的初始预测排布信息;将所述多个样本素材的参数信息、所述初始预测排布信息和所述真实排布信息输入所述判别模型,并获取所述判别模型所输出的所述初始预测排布信息和所述真实排布信息之间的第一相似度;以及基于所述第一相似度对所述判别模型进行调参,其中,所述生成模型的训练过程包括:在所述判别模型训练完成之后,将所述多个样本素材的参数信息输入所述生成模型;将所述生成模型所输出的预测排布信息、所述多个样本素材的参数信息和所述真实排布信息输入所述判别模型,并获取所述判别模型所输出的所述初始预测排布信息和所述真实排布信息之间的第二相似度;以及基于所述第二相似度对所述生成模型进行调参。由此,能够实现先训练判别模型,再利用训练完成的判别模型所输出的结果来训练生成模型,从而能够更加简捷地得到性能优化的生成模型,以利用所述生成模型得到所需要的素材排布信息。
示例性地,也可以是利用其他方式对所述判别模型和所述生成模型进行训练,例如可以是通过如下过程:将所述多个样本素材的参数信息输入所述生成模型,并获取所述生成模型所输出的预测排布信息;将所述多个样本素材的参数信息、所述预测排布信息和所述真实排布信息输入所述判别模型,并获取所述判别模型所输出的所述预测排布信息和所述真实排布信息之间的第三相似度;以及基于所述第三相似度,利用不同的调参优化目标分别对所述生成模型和判别模型进行调参,其中,以使得所述第三相似度最大化为优化目标对所述判别模型进行调参,并且以使得所述第三相似度最小化为优化目标对所述生成模型进行调参。上述过程中,生成模型与判别模型对相应的参数进行调整以令第三相似度最大或最小,二者在动态博弈过程中达到均衡点,以此作为训练结束的条件,从而能够得到相对最优的参数取值。或者,也可是根据实际需求,设置其他形式的训练结束条件,只要能够得到性能达到实际要求的生成模型和判别模型即可,对此不作限定。
根据一些实施例,所述图像参数生成模型的训练过程还包括:基于所述多个样本素材图像和所述多个样本素材图像的预测排布信息,生成目标图像;确定所述目标图像相应的评价分值;以及响应于所述目标图像相应的评价分值不满足预设条件,利用预设规则调整所述目标图像中的多个样本素材图像的排布,以使得所述目标图像相应的评价分值满足预设条件;利用调整后的所述目标图像相应的多个样本素材图像和所述多个样本素材图像的预测排布信息训练所述图像参数生成模型。由此,能够对所生成的图像进行质检,并基于质检结果对图像进行调整,将调整后的图像返回以进行模型训练,从而能够实现训练数据集的扩充,进而提升模型的训练效果,提升模型性能。
示例性地,可以是利用人工来确定所述目标图像相应的评价分值以及调整所述目标图像。由此,能够利用人工质检和调整来得到满足相应条件的图像,以用于扩充训练数据集,进而提升模型训练的效果。
图5示出了根据本公开示例性实施例的页面展示方法的流程图。如图5所示,所述方法包括:步骤S501、获取用户的订单信息,所述订单信息包括多个素材;步骤S502、利用前文所描述的图像生成方法生成所述订单信息相应的目标图像;以及步骤S503、在订单显示页面中展示所述目标图像。由此,能够将图像生成方法应用于订单系统,基于用户的订单信息生成相应的图片并向用户展示,所述图片可视化地示出了用户的订单信息,使得用户能够直观地获取到相应的订单信息,从而能够更方便快捷地对订单信息进行确认,由此能够有效提升用户体验。
示例性地,所述订单信息所包括的多个素材可以是对应该用户的订单所包括的多个商品,基于此生成的目标图像可以相应对用户订单所包括的商品进行可视化展示,以提升用户体验。
根据一些实施例,所述页面展示方法还包括:基于所述用户的订单信息,获取针对该用户的推荐信息;基于所述推荐信息,获取待推荐素材;将所述待推荐素材添加到所述目标图像中,并且其中,在订单显示页面中展示添加待推荐素材后的所述目标图像。由此,能够根据订单系统中对推荐信息的展示需要,在目标图像中添加相应的待推荐素材,充分满足实际应用场景的需求。
示例性地,所述推荐信息可以是针对该用户或针对该订单的促销信息等,所述待推荐素材可以是与推荐信息相应的文本、图像、动画等内容。
根据一些实施例,所述页面展示方法还包括:基于所述用户的历史订单信息,获取所述用户的与所述多个素材相关的偏好信息;基于所述用户的所述偏好信息,对所述目标图像中的多个素材图像的排布进行调整,其中,在订单显示页面中展示调整排布后的所述目标图像。由此,能够根据用户的个性化偏好信息,有针对性地调整目标图像中素材图像的排布,以进一步提升用户体验。
根据一些实施例,所述页面展示方法还包括:基于所述用户的相关信息,获取针对所述用户的目标背景图像;将所述目标图像添加到所述目标背景图像中,并且其中,在订单显示页面中展示背景为所述目标背景图像的所述目标图像。所述用户的相关信息例如可以包括该用户针对背景图像的偏好信息等,从而能够根据用户的个性化需求获取目标背景图像并相应展示,以进一步提升用户体验。
根据一些实施例,所述页面展示方法还包括:基于所述用户的订单信息,获取订单交互信息;基于所述订单交互信息,获取订单交互素材;响应于所述用户输入的交互操作,将所述订单交互素材添加到所述目标图像中。由此,能够根据订单系统中对人机交互过程的需要,在目标图像中添加相应的订单交互素材,充分满足实际应用场景的需求。
示例性地,所述订单交互素材可以是图形用户界面上能够通过用户的点击或触摸操作来进行交互的面板、按钮、弹窗等组件,利用交互素材来指引用户的操作或为用户展示所需要的信息,从而能够进一步提升用户体验。
示例性地,在基于上述任一种方法生成目标图像后,还可以对所述目标图像进行后处理,以进一步提升目标图像的质量,使得所述方法更加符合实际应用场景的需求。
在一些示例中,所述后处理可以包括将预定义素材添加到所述目标图像中,所述预定义素材例如可以是文字、图片、表格等。例如,可以将预定义的文字提示信息添加到所述目标图像中,以达到提示用户的目的。再例如,还可以将预定义的海报图像或用于向用户进行推荐的商品图像添加到所述目标图像中,以向用户推荐相应信息。
在一些示例中,所述后处理还可以包括调整所述目标图像的展示位置。例如,当所述目标图像的尺寸与页面大小不匹配,导致目标图像不能被完整地展示时,则可以调整所述目标图像的展示位置,例如使其整体居中,以使得所述目标图像的主体信息能够被显示在页面上。
应当理解,上述方式仅是对后处理方法的示例,可以是根据实际需求对所述目标图像进行各种后处理,例如清晰度调整等,以使得所述目标图像能够更适应于所需展示的页面,提升页面展示的质量。
图6示出了根据本公开示例性实施例的页面展示方法的流程图。如图6所示,所述方法包括:步骤S601、获取用户的订单信息,所述订单信息包括多个素材;步骤S602、利用前文所描述的图像生成方法生成所述订单信息相应的目标图像;步骤S603、基于所述用户的订单信息,获取针对该用户的推荐信息;步骤S604、基于所述推荐信息,获取待推荐素材;步骤S605、将所述待推荐素材添加到所述目标图像中;步骤S606、基于所述用户的相关信息,获取针对所述用户的目标背景图像;步骤S607、将添加推荐素材后的所述目标图像添加到所述目标背景图像中;以及步骤S608、在订单显示页面中展示背景为所述目标背景图像的所述目标图像。由此,能够将图像生成方法应用于订单系统,并基于根据订单系统中对其他信息的展示需要添加相应的展示素材,根据用户的个性化需求进行页面展示,能够有效提升用户体验。
图7示出了根据本公开示例性实施例的页面展示效果的参考图。如图7所示,在相应的订单系统页面中,可以是同时以文字和图像的形式向用户展示其订单信息。具体地,可以是将该订单所包括的商品全部展示给用户,图像所示出的可视化信息与文字信息相对应,使得用户能够直观地获取到相应的订单信息,能够方便快捷地对订单信息进行确认,从而提升用户体验。
图8示出了根据本公开示例性实施例的图像生成装置800的结构框图。如图8所示,所述图像生成装置800包括:第一获取单元801,被配置用于获取多个素材图像;第二获取单元802,被配置用于基于所述多个素材的参数信息,获取所述多个素材的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及生成单元803,被配置用于基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。图像生成装置800的单元801-单元803的操作与前面描述的步骤S101-步骤S103的操作类似,在此不作赘述。
图9示出了根据本公开示例性实施例的图像参数生成模型的训练装置900的结构框图。如图7所示,所述图像参数生成模型的训练装置900包括:第一获取单元901,被配置用于获取多个样本素材图像的真实排布信息和所述多个样本素材的参数信息,所述参数信息包括所述多个样本素材各自的内容信息;第二获取单元902,被配置用于将所述多个样本素材的参数信息输入图像参数生成模型,并获取所述图像参数生成模型所输出的针对多个样本素材图像的预测排布信息;以及调参单元903,被配置用于基于所述真实排布信息和预测排布信息,对所述图像参数生成模型进行调参。图像参数生成模型的训练装置900的单元901-单元903的操作与前面描述的步骤S301-步骤S303的操作类似,在此不作赘述。
图10示出了根据本公开示例性实施例的页面展示装置1000的结构框图,所述装置用于订单系统。如图10所示,所述页面展示装置1000包括:获取单元1001,被配置用于获取用户的订单信息,所述订单信息包括多个素材;如前文所描述的图像生成装置800,被配置用于生成所述订单信息相应的目标图像;以及展示单元1002,被配置用于在订单显示页面中展示所述目标图像。页面展示装置1000的单元1001、装置800和单元1002的操作与前面描述的步骤S501-步骤S503的操作类似,在此不作赘述。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述图像生成方法和页面展示方法中的至少一项。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述图像生成方法和页面展示方法中的至少一项。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序再被处理器执行时实现上述图像生成方法和页面展示方法中的至少一项。
参见图11,现将描述可以作为本公开的电子设备1100的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备可以是不同类型的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
图11示出了根据本公开实施例的电子设备的框图。如图11所示,电子设备1100可以包括能够通过系统总线1103彼此通信的至少一个处理器1101、工作存储器1102、I/O设备1104、显示设备1105、存储装置1106和通信接口1107。
处理器1101可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器1101可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。处理器1101可以被配置成获取并且执行存储在工作存储器1102、存储装置1106或者其他计算机可读介质中的计算机可读指令,诸如操作系统1102a的程序代码、应用程序1102b的程序代码等。
工作存储器1102和存储装置1106是用于存储指令的计算机可读存储介质的示例,指令由处理器1101执行来实施前面所描述的各种功能。工作存储器1102可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,存储装置1106可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。工作存储器1102和存储装置1106在本文中都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,计算机程序代码可以由处理器1101作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
I/O设备1104可以包括输入设备和/或输出设备,输入设备可以是能向电子设备1100输入信息的任何类型的设备,可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出设备可以是能呈现信息的任何类型的设备,并且可以包括但不限于包括视频/音频输出终端、振动器和/或打印机。
通信接口1107允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
工作寄存器1102中的应用程序1102b可以被加载执行上文所描述的各个方法和处理,例如图1中的步骤S101-步骤S104。在一些实施例中,计算机程序的部分或者全部可以经由存储装置1106和/或通信接口1107而被载入和/或安装到电子设备1100上。当计算机程序被加载并由处理器1101执行时,可以执行上文描述的上述图像生成方法和页面展示方法中的至少一项所包括的一个或多个步骤。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示设备(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种图像生成方法,包括:
获取多个素材图像;
基于所述多个素材的参数信息,获取所述多个素材图像的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及
基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。
2.根据权利要求1所述的方法,其中,所述获取所述多个素材图像的排布信息包括:
将所述多个素材的参数信息输入图像参数生成模型,以获取所述图像参数生成模型所输出的所述多个素材图像的排布信息。
3.根据权利要求2所述的方法,其中,所述图像参数生成模型包括生成模型,所述生成模型是利用判别模型训练得到的,并且其中,所述获取所述多个素材图像的排布信息包括:
将所述多个素材的参数信息输入生成模型,以获取所述生成模型所输出的所述多个素材图像的排布信息。
4.根据权利要求1-3中任一项所述的方法,其中,所述排布信息包括以下各项中的至少一项:
所述多个素材图像的图层顺序信息、所述多个素材图像的相对位置信息和所述多个素材图像的相对大小信息。
5.根据权利要求1-4中任一项所述的方法,其中,当所述排布信息包括所述多个素材图像的图层顺序信息、相对位置信息和相对大小信息时,所述基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像包括:
基于所述多个素材图像的相对大小信息,调整所述多个素材图像的尺寸;以及
基于所述多个素材图像的图层顺序信息和相对位置信息,依次叠加调整尺寸后的所述多个素材图像,生成所述目标图像。
6.根据权利要求1-5中任一项所述的方法,其中,所述素材图像为二维图像或三维图像。
7.根据权利要求2-6中任一项所述的方法,其中,所述图像参数生成模型是通过如下训练过程到的:
获取多个样本素材图像的真实排布信息和所述多个样本素材的参数信息,所述参数信息包括所述多个样本素材各自的内容信息;
将所述多个样本素材的参数信息输入图像参数生成模型,并获取所述图像参数生成模型所输出的多个样本素材图像的预测排布信息;以及
基于所述真实排布信息和预测排布信息,对所述图像参数生成模型进行调参。
8.根据权利要求7所述的方法,其中,当所述图像参数生成模型包括生成模型并且所述生成模型是利用判别模型训练得到时,
其中,所述多个样本素材的参数信息被分别输入所述判别模型和生成模型,所述预测排布信息为所述生成模型的输出,并且所述真实排布信息和预测排布信息还被输入所述判别模型;
并且其中,所述基于所述真实排布信息和预测排布信息,对所述图像参数生成模型进行调参包括:
基于所述真实排布信息和预测排布信息之间的相似度分别对所述判别模型和生成模型进行调参。
9.根据权利要求8所述的方法,其中,所述判别模型的训练过程包括:
将所述多个样本素材的参数信息输入所述生成模型,并获取所述生成模型所输出的初始预测排布信息;
将所述多个样本素材的参数信息、所述初始预测排布信息和所述真实排布信息输入所述判别模型,并获取所述判别模型所输出的所述初始预测排布信息和所述真实排布信息之间的第一相似度;以及
基于所述第一相似度对所述判别模型进行调参,
其中,所述生成模型的训练过程包括:
在所述判别模型训练完成之后,将所述多个样本素材的参数信息输入所述生成模型;
将所述生成模型所输出的预测排布信息、所述多个样本素材的参数信息和所述真实排布信息输入所述判别模型,并获取所述判别模型所输出的所述初始预测排布信息和所述真实排布信息之间的第二相似度;以及
基于所述第二相似度对所述生成模型进行调参。
10.根据权利要求7所述的方法,所述训练过程还包括:
基于所述多个样本素材图像和所述多个样本素材图像的预测排布信息,生成目标图像;
确定所述目标图像相应的评价分值;以及
响应于所述目标图像相应的评价分值不满足预设条件,利用预设规则调整所述目标图像中的多个样本素材图像的排布,以使得所述目标图像相应的评价分值满足预设条件;
利用调整后的所述目标图像相应的多个样本素材图像和所述多个样本素材图像的预测排布信息训练所述图像参数生成模型。
11.一种页面展示方法,用于订单系统,所述方法包括:
获取用户的订单信息,所述订单信息包括多个素材;
利用如权利要求1-5中任一项所述的方法生成所述订单信息相应的目标图像;以及
在订单显示页面中展示所述目标图像。
12.根据权利要求11所述的方法,还包括:
基于所述用户的订单信息,获取针对该用户的推荐信息;
基于所述推荐信息,获取待推荐素材;
将所述待推荐素材添加到所述目标图像中,
并且其中,在订单显示页面中展示添加待推荐素材后的所述目标图像。
13.根据权利要求11或12所述的方法,还包括:
基于所述用户的历史订单信息,获取所述用户的与所述多个素材相关的偏好信息;
基于所述用户的所述偏好信息,对所述目标图像中的多个素材图像的排布进行调整,
其中,在订单显示页面中展示调整排布后的所述目标图像。
14.根据权利要求11或12所述的方法,还包括:
基于所述用户的相关信息,获取针对所述用户的目标背景图像;
将所述目标图像添加到所述目标背景图像中,
并且其中,在订单显示页面中展示背景为所述目标背景图像的所述目标图像。
15.根据权利要求11-14中任一项所述的方法,还包括:
基于所述用户的订单信息,获取订单交互信息;
基于所述订单交互信息,获取订单交互素材;
响应于所述用户输入的交互操作,将所述订单交互素材添加到所述目标图像中。
16.一种图像生成装置,包括:
第一获取单元,被配置用于获取多个素材图像;
第二获取单元,被配置用于基于所述多个素材的参数信息,获取所述多个素材的排布信息,所述参数信息包括所述多个素材各自的内容信息;以及
生成单元,被配置用于基于所述多个素材图像和所述多个素材图像的排布信息,生成目标图像。
17.一种页面展示装置,用于订单系统,所述装置包括:
获取单元,被配置用于获取用户的订单信息,所述订单信息包括多个素材;
如权利要求16所述的图像生成装置,被配置用于生成所述订单信息相应的目标图像;以及
展示单元,被配置用于在订单显示页面中展示所述目标图像。
18.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-15中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-15中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365249.7A CN114723855A (zh) | 2022-04-07 | 2022-04-07 | 图像生成方法及装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365249.7A CN114723855A (zh) | 2022-04-07 | 2022-04-07 | 图像生成方法及装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723855A true CN114723855A (zh) | 2022-07-08 |
Family
ID=82242556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365249.7A Pending CN114723855A (zh) | 2022-04-07 | 2022-04-07 | 图像生成方法及装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619904A (zh) * | 2022-09-09 | 2023-01-17 | 北京字跳网络技术有限公司 | 图像处理方法、装置及设备 |
-
2022
- 2022-04-07 CN CN202210365249.7A patent/CN114723855A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619904A (zh) * | 2022-09-09 | 2023-01-17 | 北京字跳网络技术有限公司 | 图像处理方法、装置及设备 |
WO2024051639A1 (zh) * | 2022-09-09 | 2024-03-14 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10606476B2 (en) | Techniques for interacting with handheld devices | |
CN110555795A (zh) | 高解析度风格迁移 | |
US20110316845A1 (en) | Spatial association between virtual and augmented reality | |
KR102087807B1 (ko) | 문자 입력 방법 및 장치 | |
CN111860362A (zh) | 生成人脸图像校正模型及校正人脸图像的方法和装置 | |
US20140325418A1 (en) | Automatically manipulating visualized data based on interactivity | |
US20150199096A1 (en) | Electronic device and method of displaying data | |
CN105700766B (zh) | 用户界面显示系统及方法 | |
CN111105375A (zh) | 图像生成方法及其模型训练方法、装置及电子设备 | |
CN110516598B (zh) | 用于生成图像的方法和装置 | |
CN114612600B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
US11650717B2 (en) | Using artificial intelligence to iteratively design a user interface through progressive feedback | |
CN114565701A (zh) | 线段绘制方法、装置、电子设备及计算机可读存储介质 | |
CN114723855A (zh) | 图像生成方法及装置、设备和介质 | |
CN108121581B (zh) | 自我学习的用户界面 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
US11380028B2 (en) | Electronic drawing with handwriting recognition | |
CN113552988A (zh) | 界面焦点控制方法、装置、电子设备和存储介质 | |
US11341197B2 (en) | Recommendation system based on adjustable virtual indicium | |
AU2019200269B2 (en) | An interactive user interface and its corresponding engine for improving image completion quality | |
CN109461203B (zh) | 手势三维图像生成方法、装置、计算机设备及存储介质 | |
US8948512B2 (en) | Methods, systems, and media for image processing using hierarchical expansion | |
CN111510376B (zh) | 图像处理方法、装置及电子设备 | |
CN110580648A (zh) | 基于人工智能的金融理财信息处理方法及装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220708 Assignee: Baisheng Consultation (Shanghai) Co.,Ltd. Assignor: Shengdoushi (Shanghai) Technology Development Co.,Ltd. Contract record no.: X2023310000138 Denomination of invention: Image generation method, device, and medium License type: Common License Record date: 20230714 |
|
EE01 | Entry into force of recordation of patent licensing contract |