CN115619903A - 文本图像合成模型的训练、合成方法、装置、设备及介质 - Google Patents

Abstract

本申请实施例提供了一种文本图像合成模型的训练、合成方法、装置、设备及介质，属于图像处理技术领域。该训练方法包括：获取训练图像文本和训练目标图像；将训练图像文本输入生成器进行图像合成，得到训练合成图像；将训练合成图像和训练目标图像输入判别器进行图像判别，得到图像判别结果；根据图像判别结果确定图像判别损失；根据训练图像文本和训练合成图像，确定图像合成损失；根据图像判别损失和图像合成损失，对生成器的参数和判别器的参数进行更新，得到文本图像合成模型；本申请实施例能够降低文本图像合成模型的复杂度，可广泛应用于图像处理技术领域。

Description

文本图像合成模型的训练、合成方法、装置、设备及介质

技术领域

本申请涉及图像处理技术领域，尤其涉及文本图像合成模型的训练、合成方法、装置、设备及介质。

背景技术

随着元宇宙、虚拟现实等技术的发展，文本驱动图像合成任务得到了很大的发展，它可以应用于增强现实，虚拟现实，图像增强等应用场景。文本驱动图像合成任务是指从一句描述性文本生成与之对应的图片，而合成连贯、清晰、逼真的图像是文本驱动合成图像系统的目标，尤其是在对条件文本描述具有高语义保真度的逼真场景。

但是，当前文本驱动图像合成方法的训练过程比较费时，且模型相对比较复杂，因此，如何降低文本图像合成模型的复杂度，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种文本图像合成模型的训练、合成方法、装置、设备及介质，旨在降低模型的复杂度。

为实现上述目的，本申请实施例的第一方面提出了一种文本图像合成模型的训练方法，所述训练方法包括：

获取训练图像文本和训练目标图像；

将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

根据所述图像判别结果确定图像判别损失；

根据所述训练图像文本和所述训练合成图像，确定图像合成损失；

根据所述图像判别损失和所述图像合成损失，对所述生成器的参数和所述判别器的参数进行更新处理，得到文本图像合成模型，其中，所述文本图像合成模型包括所述生成器和所述判别器。

在一些实施例，所述将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像，包括：

通过预训练的语言表征模型对所述训练图像文本进行特征提取处理，得到文本特征；

对所述文本特征进行加噪处理，得到文本加噪特征；

对所述文本加噪特征进行编码处理，得到隐编码；

对所述隐编码进行门控卷积处理，得到门控卷积编码；

对所述门控卷积编码进行解码处理，得到训练合成图像。

在一些实施例，所述将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果，包括：

提取所述训练图像文本的句子特征；

将所述训练合成图像和训练目标图像，以及句子特征输入判别器进行图像判别处理，得到图像判别结果。

在一些实施例，所述根据所述图像判别结果确定图像判别损失，其中，所述图像判别损失包括生成器损失和判别器损失，包括：

根据所述图像判别结果对所述生成器进行损失计算处理，得到生成器损失；

根据所述图像判别结果对所述判别器进行损失计算处理，得到判别器损失。

在一些实施例，所述根据所述训练图像文本和所述训练合成图像，确定图像合成损失，其中，所述图像合成损失包括图像区域损失和图像全局损失，包括：

获取所述训练目标图像；

根据所述训练目标图像和所述训练合成图像，得到图像区域特征和图像全局特征；

通过预训练的语言表征模型对所述训练图像文本进行特征提取处理，得到句子特征和关键词特征；

根据区域损失计算公式对所述图像区域特征和所述关键词特征进行区域损失计算处理，得到图像区域损失；

根据全局损失计算公式对所述图像全局特征和所述句子特征进行全局损失计算处理，得到图像全局损失。

在一些实施例，所述将所述训练合成图像和所述训练目标图像，以及所述句子特征输入判别器进行图像判别处理，得到图像判别结果，包括：

对所述训练合成图像和训练目标图像进行连接和编码处理，得到图像区域特征和图像全局特征；

对所述图像全局特征和所述句子特征进行点乘处理，得到交互特征；

对所述图像全局特征进行多层感知处理，得到多层感知特征；

对所述交互特征和所述多层感知特征进行相加处理，得到图像判别结果。

为实现上述目的，本申请实施例的第二方面提出了一种文本图像合成方法，所述合成方法包括：

获取待合成图像文本；

将所述待合成图像文本输入到如上所述的文本图像合成模型的训练方法所得到的文本图像合成模型中，得到目标合成图像。

为实现上述目的，本申请实施例的第三方面提出了一种文本图像合成模型的训练装置，所述装置包括：

文本获取模块，用于获取训练图像文本和训练目标图像；

图像生成模块，用于将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

图像判别模块，用于将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

判别损失计算模块，用于根据所述图像判别结果确定图像判别损失；

合成损失计算模块，用于根据所述训练图像文本和所述训练合成图像，确定图像合成损失；

参数更新模块，用于根据所述图像判别损失和所述图像合成损失，对所述生成器的参数和所述判别器的参数进行更新处理，得到文本图像合成模型。

为实现上述目的，本申请实施例的第四方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面或第二方面所述的方法。

为实现上述目的，本申请实施例的第五方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面或第二方面所述的方法。

本申请提出的一种文本图像合成模型的训练、合成方法、装置、设备及介质，其训练方法通过获取训练图像文本；将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像；将所述训练合成图像和训练目标图像输入判别器进行图像判别处理，得到图像判别结果；根据所述图像判别结果确定图像判别损失；根据所述训练图像文本和所述训练合成图像，确定图像合成损失；根据所述图像判别损失和所述图像合成损失，对所述生成器的参数和所述判别器的参数进行更新处理，得到文本图像合成模型；本发明实施例通过包括生成器和判别器的文本图像合成模型进行图像合成，能够简化文本图像合成模型的结构和复杂度；另外，本发明实施例通过结合图像合成损失对文本图像合成模型的参数进行更新，能够对合成图像的局部细节和整体布局进行调整，提高了图像合成效果。

附图说明

图1是本申请实施例提供的一种文本图像合成模型的训练方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是图3中的步骤S302的流程图；

图7是本申请实施例提供的一种文本图像合成方法的流程图；

图8是本申请实施例提供的文本图像合成模型训练装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

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。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。

计算机视觉(Computer Vision，CV)：是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容识别、三维物体重建、3D技术、虚拟现实、增强现实与地图构建等技术。

生成式对抗网络(Generative Adversarial Networks，GAN):是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中至少两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。

多层感知器(Multilayer Perceptron,MLP)是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。一般使用反向传播算法的监督学习方法用来训练MLP。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。

如背景技术部分的表述，在相关技术中，文本驱动合成图像的方法要么需要多个生成器和鉴别器来生成不同分辨率的图像，如CP-GAN模型中提出使用不同细粒度的生成器与判别器来提高模型生成图像的真实度，要么需要多个步骤来生成目标图像，如将生成过程分解为多个步骤，通过布局生成器从文本中构建一个语义布局，然后通过图像生成器将布局转换为图像，但上述文本图像生成方法的缺点是训练起来都比较费时，且模型都比较复杂。

基于此，本申请实施例提供了一种文本图像合成模型的训练、合成方法、装置、设备及介质，旨在降低文本图像合成模型的复杂度。

本申请实施例提供的文本图像合成模型训练、合成方法、装置、设备及介质，具体通过如下实施例进行说明，首先描述本申请实施例中的文本图像合成模型训练方法。

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。

本申请实施例提供的文本图像合成模型训练方法，涉及人工智能技术领域。本申请实施例提供的文本图像合成模型训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现文本图像合成模型训练方法的应用等，但并不局限于以上形式。

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。

图1是本申请实施例提供的一种文本图像合成模型训练方法的一个可选的流程图，图1中的方法可以包括但不限于步骤S101至步骤S106。

步骤S101，获取训练图像文本和训练目标图像；

步骤S102，将训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

步骤S103，将训练合成图像和训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

步骤S104，根据图像判别结果确定图像判别损失；

步骤S105，根据训练图像文本和训练合成图像，确定图像合成损失；

步骤S106，根据图像判别损失和图像合成损失，对生成器的参数和判别器的参数进行更新处理，得到文本图像合成模型，其中，文本图像合成模型包括生成器和判别器。

本申请实施例所示意的步骤S101至步骤S106，首先通过获取训练图像文本和训练目标图像，将训练图像文本输入生成器进行图像合成，将合成得到的训练合成图像输入判别器进行图像判别得到图像判别结果；再分别根据图像判别结果得到图像判别损失，根据训练图像文本和训练合成图像得到图像合成损失；最后根据图像判别损失和图像合成损失对文本图像合成模型中的生成器和判别器进行更新，得到训练完成的文本图像合成模型。

在一些实施例的步骤S101中，可以通过基于人工智能技术获取训练图像文本和训练目标图像，其中，训练目标图像为与训练图像文本相对应的真实图像，用于判别生成器生成图像的真实性。也可以通过其他方式，如手动输入等，不限于此。本申请实施例中的训练图像文本可以是一个短句，方便用来作为训练的原始文本。需要说明的是，在获取训练图像文本时，这些数据可以被标记有各个目标的类别信息和位置信息，这些类别信息和位置信息即为训练的标签，可以方便合成模型的训练。

请参阅图2，在一些实施例中，将训练图像文本输入生成器进行图像合成处理，得到训练合成图像，步骤S102可以包括但不限于步骤S201至步骤S205：

步骤S201，通过预训练的语言表征模型对训练图像文本进行特征提取处理，得到文本特征；

步骤S202，对文本特征进行加噪处理，得到文本加噪特征；

步骤S203，对文本加噪特征进行编码处理，得到隐编码；

步骤S204，对隐编码进行门控卷积处理，得到门控卷积编码；

步骤S205，对门控卷积编码进行解码处理，得到训练合成图像。

在一些实施例的步骤S201中，通过预训练的语言表征模型对训练图像文本进行特征提取处理，得到文本特征；

具体地，本申请实施例中的预训练的语言表征模型为BERT模型，通过该预训练的语言表征模型对训练图像文本进行文本识别，并进行特征提取得到训练图像文本的文本特征。

在一些实施例的步骤S202中，对文本特征进行加噪处理，得到文本加噪特征；

具体地，本申请实施例中的加噪处理为采用图像噪音添加到文本特征中，其中，图像噪音为一种随机误差，可以选择随机过程的概率分布函数和概率密度函数作为对图像噪声进行描述的方法，图像噪音可包括高斯噪音、脉冲噪音、瑞利噪音、伽马噪音等。在本发明实施例中，采用符合正态分布的高斯噪声作为输入噪音，将高斯噪音添加到提取得到的文本特征中，得到文本加噪特征。

在一些实施例的步骤S203中，对所述文本加噪特征进行编码处理，得到隐编码；

具体地，本申请实施例通过编码器对文本加噪特征进行编码，得到包含文本与图像特征的隐编码，在本申请实施例中使用的编码器可以为Unet模型的编码器结构，由两个3x3的卷积层再加上一个2x2的池化层组成的一个下采样模块。其中，图像特征由上述步骤S202中加入的图像噪声经过编码器提取得到的，隐编码为具有文本与图像特征的高维信息。在本申请实施例中，为了让生成器学习到特定文本与图像特征的信息，通过隐编码能够让生成器在训练的过程中将图像噪音和文本信息映射到神经网络能识别的特征，以便后续解码生成所期望的图像。

在一些实施例的步骤S204中，对所述隐编码进行门控卷积处理，得到门控卷积编码；

具体地，本申请实施例通过门控卷积层对隐编码进行门控卷积处理得到门控卷积编码，其中，本实施例使用门控卷积层能够避免普通卷积将所有像素视为有效信息的缺点，使其可以学习每个空间位置的动态选择机制，从而使得图像特征与文本特征更好地匹配。

在一些实施例的步骤S205中，对所述门控卷积编码进行解码处理，得到训练合成图像；

具体地，本申请实施例通过一个上采样的解码器对门控卷积编码进行解码处理，最终生成由训练图像文本驱动的训练合成图像，同样地，该上采样的解码器可以使用Unet模型中的解码器进行解码处理，该解码器由一层反卷积层加上特征拼接层以及两个3x3的卷积层进行反复构成，与特征提取网络刚好相对应。

请参阅图3，在一些实施例中，将训练合成图像和训练目标图像输入判别器进行图像判别处理，得到图像判别结果，步骤S103可以包括但不限于步骤S301至步骤S302：

步骤S301，提取训练图像文本的句子特征；

步骤S302，将训练合成图像和训练目标图像，以及句子特征输入判别器进行图像判别处理，得到图像判别结果。

在一些实施例的步骤S301中，提取训练图像文本的句子特征；

具体地，本申请实施例可采用预先训练好的BERT模型对训练图像文本进行文本识别，从而提取得到训练图像文本中的句子特征，其中，句子特征用于描述训练图像文本的整体文本语义。

在一些实施例的步骤S302中，将训练合成图像和训练目标图像，以及句子特征输入判别器进行图像判别处理，得到图像判别结果；

具体地，本申请实施例中的训练目标图像为真实图像，在生成式对抗网络(Generative Adversarial Networks，GAN)原理中，生成器的任务是生成看起来自然真实的、和真实图像相似的图像，而判别器的任务是判断生成器输出的图像看起来是自然真实的还是生成器生成的。因此，本申请实施例将训练合成图像和训练目标图像输入判别器进行图像判别处理，而本申请实施例为了使图像特征与文本特征相匹配，还将上述步骤S301中得到的句子特征输入判别器中进行图像判别处理，通过该句子特征对训练合成图像的整体布局进行判别。

请参阅图4，在一些实施中，根据图像判别结果确定图像判别损失，其中，图像判别损失包括生成器损失和判别器损失，步骤S104可以包括但不限于步骤S401至步骤S402：

步骤S401，根据图像判别结果对生成器进行损失计算处理，得到生成器损失；

步骤S402，根据图像判别结果对判别器进行损失计算处理，得到判别器损失。

在一些实施例的步骤S401中，根据图像判别结果对生成器进行损失计算处理，得到生成器损失；

具体地，本申请实施例可以根据图像判别结果和前述的标签来评估生成器生成图像的真实性，从而对生成器的参数进行更新。对于生成器来说，生成图像的真实性可以通过损失函数来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差。在本申请实施例中，生成器损失函数的表达式为：

上式中，

表示生成器损失，z表示随机采样的图像噪音，G()表示生成器输出，D()表示判别器输出，

表示符合高斯分布的概率模型的期望。

在一些实施例的步骤S402中，根据图像判别结果对判别器进行损失计算处理，得到判别器损失；

具体地，本申请实施例可以根据图像判别结果和前述的训练生成图像来评估判别器判别图像的准确性，从而对判别器的参数进行更新。对于判别器来说，判别器的目标是尽量把生成器生成的图片和真实图片分别开来，可以通过损失函数来衡量。在本申请实施例中，判别器损失函数的表达式为：

上式中，

表示判别器损失，x表示文本-真实图像对，z表示随机采样的图像噪音，G()表示生成器输出，D()表示判别器输出。

请参阅图5，根据训练图像文本和训练合成图像，确定图像合成损失，其中，图像合成损失包括图像区域损失和图像全局损失，步骤S105可以包括但不限于步骤S501至步骤S505：

步骤S501，获取训练目标图像；

步骤S502，根据训练目标图像和训练合成图像，得到图像区域特征和图像全局特征；

步骤S503，通过预训练的语言表征模型对训练图像文本进行特征提取处理，得到句子特征和关键词特征；

步骤S504，根据区域损失计算公式对图像区域特征和关键词特征进行区域损失计算处理，得到图像区域损失；

步骤S505，根据全局损失计算公式对图像全局特征和句子特征进行全局损失计算处理，得到图像全局损失。

在一些实施例的步骤S502中，根据训练目标图像和训练合成图像，得到图像区域特征和图像全局特征；

具体地，本申请实施例将训练目标图像和训练合成图像输入判别器中，首先通过将训练目标图像和训练合成图像进行连接处理，再输入编码器中进行特征提取处理，此处为了区分训练目标图像和训练合成图像的区域与全局的相似性，本申请实施例输出图像区域特征和图像全局特征，其中，图像全局特征需要通过全局采样池化层后得到。

在一些实施例的步骤S503中，通过预训练的语言表征模型对训练图像文本进行特征提取处理，得到句子特征和关键词特征；

具体地，本申请实施例采用BERT模型进行文本识别和特征提取处理，通过将训练图像文本输入该BERT模型中进行特征提取得到句子特征和关键词特征，其中，句子特征用于表示训练图像文本的整体文本语义，关键词特征用于表示训练图像文本的关键词语义。本申请实施例通过BERT模型可提取得到训练图像文本的句子特征和关键词特征。

在一些实施例的步骤S504中，根据区域损失计算公式对图像区域特征和关键词特征进行区域损失计算处理，得到图像区域损失；

具体地，本申请实施例为了使图像特征与文本特征相匹配，通过预先训练好的BERT模型提取得到句子特征和关键词特征，通过区域损失计算公式对图像区域特征和关键词特征进行图像区域损失计算，区域损失计算公式为：

上式中，L_R表示图像区域损失，

表示图像区域特征，

表示关键词特征，τ为超参数，M为批量大小。

在一些实施例的步骤S505中，根据全局损失计算公式对图像全局特征和句子特征进行全局损失计算处理，得到图像全局损失；

具体地，本申请实施例利用图像全局特征和句子特征计算图像全局损失，通过图像全局损失对生成图像的整体布局进行评估，其中，全局损失计算公式为：

上式中，L_G表示图像全局损失，

表示图像全局特征，

表示句子特征，τ为超参数，M为批量大小。

请参阅图6，在一些实施例中，将训练合成图像和训练目标图像，以及句子特征输入判别器进行图像判别处理，得到图像判别结果，步骤S302可以包括但不限于步骤S601至步骤S604：

步骤S601，对训练合成图像和训练目标图像进行连接和编码处理，得到图像区域特征和图像全局特征；

步骤S602，对图像全局特征和句子特征进行点乘处理，得到交互特征；

步骤S603，对图像全局特征进行多层感知处理，得到多层感知特征；

步骤S604，对交互特征和多层感知特征进行相加处理，得到图像判别结果。

在一些实施例的步骤S601中，对训练合成图像和训练目标图像进行连接和编码处理，得到图像区域特征和图像全局特征；

具体地，判别器用于判别一张图片的真实性，本申请实施例将训练合成图像和训练目标图像输入判别器中，首先连接训练合成图像和训练目标图像，将连接图像输入编码器中进行特征提取处理，本申请实施例为了区分图像区域与全局的相似性，输出图像区域特征和图像全局特征。需要注意的是，图像全局特征是对通过编码器提取得到的特征进行全局采样池化操作后得到的。

在一些实施例的步骤S602中，对图像全局特征和句子特征进行点乘处理，得到交互特征；

在一些实施例的步骤S603中，对图像全局特征进行多层感知处理，得到多层感知特征；

在一些实施例的步骤S604中，对交互特征和多层感知特征进行相加处理，得到图像判别结果；

具体地，本申请实施例首先将图像全局特征和训练图像文本的句子特征进行点乘，从而得到两者的交互特征；接着，通过多层感知器对图像全局特征进行多层感知处理，得到多层感知特征；最后，通过对图像全局特征和句子特征的点乘交互特征和通过多层感知器处理后的多层感知特征进行相加处理，得到图像判别结果。判别器的目标为判别生成器生成图像的真实性，该图像判别结果输出范围为(0，1)，越接近0表示训练合成图像和训练目标图像相差很大，真实性越差，反之，越接近1表示训练合成图像和训练目标图像相差很小，训练合成图像的真实性越好。

在一些实施例中，本申请实施例中的文本图像合成模块包括生成器和判别器，其中，生成器的结构可包括特征提取层、连接层、编码器、门控卷积层和解码器。本实施例首先将训练图像文本输入到特征提取层进行特征提取得到文本特征，通过连接层将文本特征与高斯噪音进行连接，并输入到编码器进行编码得到隐编码，再通过门控卷积层对隐编码进行门控卷积，最后通过解码器输出得到训练合成图像。判别器的结构可包括编码器、全局采样池化层和多层感知器，本申请实施例为了使图像特征与文本特征相匹配，还加入了特征提取层，通过对训练图像文本进行特征提取得到训练图像文本的句子特征和关键词特征。

示例性地，本申请实施例首先将训练合成图像和训练目标图像一起输入到编码器，编码器输出两个分支，一个分支输出图像区域特征，一个分支经过全局采样池化层后得到图像全局特征。然后通过将图像全局特征与提取得到的句子特征进行点乘得到两者的交互特征，同时将图像全局特征经过多层感知器得到多层感知特征，最后将交互特征和多层感知特征相加得到判别器的判别结果。本申请实施例为了使生成器能够更好地对合成图像的细节和整体布局进行调整，利用关键词特征与图像区域特征计算得到图像区域损失，利用句子特征与图像全局特征计算得到图像全局损失。本申请实施例在对文本图像合成模型的训练过程中，通过输入训练图像文本和图像噪声，经过生成器得到训练合成图像，然后再将训练合成图像和训练目标图像一起输入到判别器中进行判别，在此期间计算文本图像合成模型的总损失，最后通过反向传播更新生成器与判别器的参数，得到训练完成的文本图像合成模型。其中，总损失的计算公式为：

上式中，L表示总损失，

表示生成器损失，

表示判别器损失，L_R表示图像区域损失，L_G表示图像全局损失，λ₁表示图像区域损失权重，λ₂表示图像全局损失权重。

可以理解的是，图像区域损失权重和图像全局损失权重可根据实际情况进行自主设置，如，在需要图像细节优化或着重体现图像细节时，可适应地增加图像区域损失权重的大小，在需要着重描绘图像的整体布局时，也可适应地加图像全局损失权重的大小。

本申请实施例中，在通过人工智能技术或手动输入等方法获取得到训练图像文本后，可以将训练图像文本输入到初始化后的文本图像合成模型中进行训练。具体地，将训练图像文本输入到初始化后的文本图像合成模型后，可以得到生成器输出的训练合成图像和判别器输出的图像判别结果，可以根据生成器输出的训练合成图像和判别器输出的图像判别结果来分别评估识文本图像合成模型中生成器的图像真实度和判别器的判别准确度，从而对文本图像合成模型中的生成器和判别器的参数进行更新。对于文本图像合成模型来说，生成器的图像真实度和判别器的判别准确度可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，为了约束训练合成图像与训练目标图像尽可能的相似，本申请实施例采用生成器损失函数和判别器损失函数来进行衡量，这两个损失函数是分别定义在生成器和判别器上的，用于计算生成器生成图像的真实度和判别器判别图像的准确度，能够更好地衡量出文本图像合成模型的图像合成效果。对于一般的机器学习模型来说，基于前述的生成器和判别器的损失函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。

在本申请实施例中，为了使模型合成的图像能够对图像的具体物体和图像的整体布局进行调整或控制，本实施例通过对输入文本进行特征提取得到关键词特征和句子特征，根据关键词特征和图像区域特征可以得到图像区域损失，根据句子特征和图像全局特征可以得到图像全局损失，最后根据图像区域损失、图像全局损失、生成器损失和判别器损失计算得到文本图像合成模型的总损失。在本申请实施例中，可以基于训练的损失值，采用反向传播算法对文本图像合成模型的参数进行更新，迭代几轮即可得到训练好的文本图像合成模型。具体的迭代轮数可以预先设定，或者在迭代收敛时认为训练完成。本申请实施例中，可以基于GAN生成对抗网络搭建文本图像合成模型。GAN生成对抗网络是一种生成式模型，相比较其他生成模型只用到了反向传播,而不需要复杂的马尔科夫链，可以产生更加清晰，真实的样本，被广泛用在无监督学习和半监督学习领域。

请参阅图7，本申请实施例还提供一种文本图像合成方法，包括：

S701、获取待合成图像文本；

S702、将所述待合成图像文本输入到如上所述的文本图像合成模型的训练方法所得到的文本图像合成模型中，得到目标合成图像。

本申请实施例中，在训练好文本图像合成模型后，对于待合成的图像文本，可以通过人工智能或手动输入的方法进行数据获取，得到待合成图像文本。然后将待合成图像文本输入到前述的文本图像合成模型的训练方法所得到的文本图像合成模型中，即可得到目标合成图像。

可以理解的是，上述文本图像合成模型的训练方法实施例中的内容均适用于本文本图像合成方法实施例中，本文本图像合成方法实施例所具体实现的功能与上述文本图像合成模型的训练方法实施例相同，并且达到的有益效果与上述文本图像合成模型的训练方法实施例所达到的有益效果也相同。

请参阅图8，本申请实施例还提供一种文本图像合成模型的训练装置，可以实现上述训练方法，该装置包括：

文本获取模块，用于获取训练图像文本和训练目标图像；

图像生成模块，用于将训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

图像判别模块，用于将训练合成图像和训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

判别损失计算模块，用于根据图像判别结果确定图像判别损失；

合成损失计算模块，用于根据训练图像文本和训练合成图像，确定图像合成损失；

参数更新模块，用于根据图像判别损失和图像合成损失，对生成器的参数和判别器的参数进行更新处理，得到文本图像合成模型。

该文本图像合成的训练装置的具体实施方式与上述文本图像合成模型的训练方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述文本图像合成模型的训练方法和合成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的文本图像合成模型的训练方法和合成方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述文本图像合成模型的训练方法和合成方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的文本图像合成模型训练、合成方法、装置、设备及介质，其通过一种只需一个生成器和判别器的端对端的文本图像合成模型生成清晰、逼真的目标图像，能够降低文本图像合成模型的复杂度，还减少了模型训练的时间；另外，本申请实施例通过引入图像区域损失与图像全局损失，使得关键词文本可以控制图像的具体物体，文本句子能描绘图像的整体布局，提高了文本图像合成的效率和合成效果。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种文本图像合成模型的训练方法，其特征在于，所述方法包括：

获取训练图像文本和训练目标图像；

将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

根据所述图像判别结果确定图像判别损失；

根据所述训练图像文本和所述训练合成图像，确定图像合成损失；

根据所述图像判别损失和所述图像合成损失，对所述生成器的参数和所述判别器的参数进行更新处理，得到文本图像合成模型，其中，所述文本图像合成模型包括所述生成器和所述判别器。

2.根据权利要求1所述的训练方法，其特征在于，所述将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像，包括：

通过预训练的语言表征模型对所述训练图像文本进行特征提取处理，得到文本特征；

对所述文本特征进行加噪处理，得到文本加噪特征；

对所述文本加噪特征进行编码处理，得到隐编码；

对所述隐编码进行门控卷积处理，得到门控卷积编码；

对所述门控卷积编码进行解码处理，得到训练合成图像。

3.根据权利要求1所述的训练方法，其特征在于，所述将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果，包括：

提取所述训练图像文本的句子特征；

将所述训练合成图像和所述训练目标图像，以及所述句子特征输入判别器进行图像判别处理，得到图像判别结果。

4.根据权利要求1所述的训练方法，其特征在于，所述图像判别损失包括生成器损失和判别器损失，所述根据所述图像判别结果确定图像判别损失，包括：

根据所述图像判别结果对所述生成器进行损失计算处理，得到所述生成器损失；

根据所述图像判别结果对所述判别器进行损失计算处理，得到所述判别器损失。

5.根据权利要求1所述的训练方法，其特征在于，所述图像合成损失包括图像区域损失和图像全局损失，所述根据所述训练图像文本和所述训练合成图像，确定图像合成损失，包括：

获取所述训练目标图像；

根据所述训练目标图像和所述训练合成图像，得到图像区域特征和图像全局特征；

通过预训练的语言表征模型对所述训练图像文本进行特征提取处理，得到句子特征和关键词特征；

根据区域损失计算公式对所述图像区域特征和所述关键词特征进行区域损失计算处理，得到所述图像区域损失；

根据全局损失计算公式对所述图像全局特征和所述句子特征进行全局损失计算处理，得到所述图像全局损失。

6.根据权利要求3所述的训练方法，其特征在于，所述将所述训练合成图像和所述训练目标图像，以及所述句子特征输入判别器进行图像判别处理，得到图像判别结果，包括：

对所述训练合成图像和所述训练目标图像进行连接和编码处理，得到图像区域特征和图像全局特征；

对所述图像全局特征和所述句子特征进行点乘处理，得到交互特征；

对所述图像全局特征进行多层感知处理，得到多层感知特征；

对所述交互特征和所述多层感知特征进行相加处理，得到图像判别结果。

7.一种文本图像合成方法，其特征在于，所述合成方法包括：

获取待合成图像文本；

将所述待合成图像文本输入到如权利要求1-6中任一项所述的文本图像合成模型的训练方法所得到的文本图像合成模型中，得到目标合成图像。

8.一种文本图像合成模型的训练装置，其特征在于，所述装置包括：

文本获取模块，用于获取训练图像文本和训练目标图像；

图像生成模块，用于将所述训练图像文本输入生成器进行图像合成处理，得到训练合成图像；

图像判别模块，用于将所述训练合成图像和所述训练目标图像输入判别器进行图像判别处理，得到图像判别结果；

判别损失计算模块，用于根据所述图像判别结果确定图像判别损失；

合成损失计算模块，用于根据所述训练图像文本和所述训练合成图像，确定图像合成损失；

参数更新模块，用于根据所述图像判别损失和所述图像合成损失，对所述生成器的参数和所述判别器的参数进行更新处理，得到文本图像合成模型。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的方法的步骤。

Images