CN115631251A - 基于文本生成图像的方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种基于文本生成图像的方法、装置、电子设备和介质，涉及知识图谱、自然语言处理等人工智能技术领域，可应用于智能创作、智慧政务等场景。实现方案为：获取第一文本，并基于多种规则对第一文本进行扩充以得到多个第二文本，其中，多种规则用于在不同维度上对第一文本进行扩充；基于多个第二文本生成对应的多个图像；对第一文本进行编码，以确定第一文本对应的第一向量；对多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，第一向量和每一个图像对应的第二向量位于同一语义空间；以及基于第一向量和每一个图像对应的第二向量之间的相似度，对多个图像进行筛选。

Description

基于文本生成图像的方法、装置、电子设备和介质

技术领域

本公开涉及知识图谱、自然语言处理等人工智能技术领域，可应用于智能创作、智慧政务等场景，具体涉及一种基于文本生成图像的方法、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

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

随着人工智能技术的发展，基于文本生成图像的技术逐渐涌现，特别是在人脸生成、风景生成等领域涌现出若干图像生成技术，如何保证图像的生成质量显得尤为重要。

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

本公开提供了一种基于文本生成图像的方法、装置、电子设备、计算机可读存储介质、计算机程序产品。

根据本公开的一方面，提供了一种基于文本生成图像的方法，包括：获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本，其中，所述多种规则用于在不同维度上对所述第一文本进行扩充；基于所述多个第二文本生成对应的多个图像；对所述第一文本进行编码，以确定所述第一文本对应的第一向量；对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

根据本公开的另一方面，提供了一种基于文本生成图像的装置，包括：扩充模块，被配置为获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本，其中，所述多种规则用于在不同维度上对所述第一文本进行扩充；生成模块，被配置为基于所述多个第二文本生成对应的多个图像；第一确定模块，被配置为对所述第一文本进行编码，以确定所述第一文本对应的第一向量；第二确定模块，被配置为对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及筛选模块，被配置为基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

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方法。

根据本公开的一个或多个实施例，提供了一种基于文本生成图像的方法，利用多种规则对用于生成图像的文本进行扩充，使得文本表述更为完备丰富，进而使得基于扩充后的文本所生成的图像具有更为丰富的内容。基于生成的图像与扩充前的文本的向量相似度来筛选所生成的图像，从而在使得生成的图像内容更为丰富的前提下保证图像的质量，确保生成的图像不脱离扩充前的文本的语义。

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示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的基于文本生成图像的方法的流程图；

图3示出了根据本公开的实施例的对第一文本进行扩充以得到多个第二文本的方法的流程图；

图4示出了根据本公开的实施例的基于文本生成图像的装置的结构框图；

图5示出了根据本公开的实施例的扩充模块的结构框图；以及

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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要素与另一要素区分开。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，会基于用户所输入的文本来直接生成图像，当用户输入的文本较为简单、抽象时，所生成的图像画面也相应的较为单一，不够丰富美观。同时，对生成的图像的质量判断多依靠人工实现，耗费人力，效率较低。

为解决上述问题，本公开提供了一种基于文本生成图像的方法，利用多种规则对用于生成图像的文本进行扩充，使得文本表述更为完备丰富，进而使得基于扩充后的文本所生成的图像具有更为丰富的内容。基于生成的图像与扩充前的文本的向量相似度来筛选所生成的图像，从而在使得生成的图像内容更为丰富的前提下保证图像的质量，确保生成的图像不脱离扩充前的文本的语义，同时提升了图像筛选的效率。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行基于文本生成图像的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来执行基于文本生成图像的方法。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开的实施例的基于文本生成图像的方法的流程图。如图2所示，基于文本生成图像的方法200包括：步骤S201、获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本，其中，所述多种规则用于在不同维度上对所述第一文本进行扩充；步骤S202、基于所述多个第二文本生成对应的多个图像；步骤S203、对所述第一文本进行编码，以确定所述第一文本对应的第一向量；步骤S204、对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及步骤S205、基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

步骤S201利用多种规则对用于生成图像的文本在多个维度上进行扩充，使得文本表述更为完备丰富，进而使得基于扩充后的文本所生成的图像具有更为丰富的内容。步骤S205基于生成的图像与扩充前的文本的向量相似度来筛选所生成的图像，从而在使得生成的图像内容更为丰富的前提下保证图像的质量，确保生成的图像不脱离扩充前的文本的语义，同时提升了图像筛选的效率。

根据一些实施例，对所述第一文本进行编码和对所述多个图像中的每一个图像进行编码均是利用对比语言图像预训练(Contrastive Language-Image Pre-Training，CLIP)模型来实现的。从而实现在同一语义空间下分别对文本和图像进行语义编码并得到对应的向量。

图3示出了根据本公开的实施例的对第一文本进行扩充以得到多个第二文本的方法的流程图。如图3所示，步骤S201包括：步骤S301、确定所述第一文本对应的绘画类型和/或艺术家名称，并基于所述绘画类型和/或艺术家名称对所述第一文本进行扩充，以得到对应的第二文本；步骤S302、确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本；和/或步骤S303、结合所述绘画类型和/或艺术家名称和所述词语组合对所述第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，可以通过预先遍历刷选的方式，来确定文本与绘画类型和/或艺术家名称的对应关系。具体地，可以获取绘画类型集合和/或艺术家名称集合，再分别基于集合中的每一项对文本进行扩充，以构建例如【文本，艺术家1】、【文本，艺术家2】、【文本，艺术家3】这样的扩充文本，分别基于每一个扩充文本来生成对应的图像，并通过文本向量和图像向量的相似度来筛选图像质量较高的图像，从而确定文本与对应的艺术家和/或绘画类型集合的对应关系并形成模板，并将构建好的文本与绘画类型和/或艺术家名称的对应关系即模板应用于第一文本的扩充中。

示例性的，同一个文本也可以对应多个绘画类型和/或艺术家名称，例如构建【文本，艺术家1，艺术家2】这样的扩充文本，从而生成内容更为丰富、更为美观的图像。

根据一些实施例，步骤S302包括：获取预先构建的语料库，并基于词语在所述语料库中的共同出现频率确定与所述第一文本的语义相关联的第一词语集合；以及基于所述第一词语集合对所述第一文本进行扩充以得到对应的第二文本。

在一个示例中，可以基于大量用于描述图像的文本来构建语料库，从而得到与图像具有较强关联的语料库，进而提高生成的图像的质量。也可以根据使用本方法的特定领域来构建相应领域的语料库。可以理解的是，在同一文本中共同出现频率较高的词语组合之间具有较强的关联性，因此，通过共同出现频率能够从语料库中筛选出语义相关联的词语集合作为第一词语集合，以用于对第一文本进行扩充。示例性的，所述第一词语集合至少包含一个词语。

示例性的，“火锅”与“肉”这个词语共同出现的频率较高，因此，当第一文本中包含“火锅”时，可以将与之共现频率较高的“肉”加入到扩充的结果中。类似地，“火锅”与“冬天”这个词语共同出现的频率较高，因此，当第一文本中包含“火锅”时，可以将与之共现频率较高的“冬天”加入到扩充的结果中，从而得到了包含“火锅”、“冬天”和“肉”等词语的第二文本，实现了对第一文本的扩充。

可以理解的是，可以将基于共同出现频率筛选出的不同的词语组合分别加入到第一文本中，从而得到不同的第二文本，并进而生成对应的图像，以扩充生成的图像的多样性。后续再基于向量编码对所生成的图像进行筛选，以获得效果和质量较好的图像。

根据一些实施例，步骤S302还包括：利用知识图谱确定与所述第一文本的语义相关联的第二词语集合；以及基于所述第二词语集合对所述第一文本进行扩充以得到对应的第二文本。示例性的，所述第二词语集合至少包含一个词语。

具体地，可以根据开源联想库、概念图谱等知识图谱来对第一文本进行上位、下位、同位等概念的扩充。示例性的，当第一文本中包含“游戏”时，可结合其上位概念“文化”、下文概念“竞技游戏”等对第一文本进行扩充，也可基于各个概念分别对第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，步骤S201还包括：基于预训练模型对所述第一文本进行改写以得到第三文本，其中，所述第三文本与所述第一文本具有相同的句式；以及基于所述第三文本对所述第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，所述预训练模型可以是GPT3模型。通过构建与第一文本相似的句式，来生成更多局势相同的文本，从而实现对第一文本的扩充。示例性的，当第一文本为“宏大的中国阁楼建筑画”时，通过构建相同句式的文本例如“午夜天上的星星和月亮”，并给出改写句式的开始词汇例如“美丽的”，可以由模型来生成“美丽的”之后的内容，例如“美丽的星星和中国阁楼建筑画”等，从而以通过小样本生成来实现对第一文本的改写和扩充。

根据一些实施例，步骤S201还包括：基于预设的文本库和图像库构建语义空间全集，并确定所述第一文本在所述语义空间全集中对应的第三向量；利用最近邻检索算法，基于所述第三向量确定在所述语义空间全集中与所述第一文本相关联的第四文本；以及基于所述第四文本对所述第一文本进行扩充，以得到对应的第二文本。

示例性的，可以利用前述的CLIP模型基于大规模的文本和图像数据来构建语义空间全集，从而能够确定其中的每个文本和图像所对应的向量编码。进一步地，在语义空间全集中，可以利用最近邻检索算法来确定与第一文本相关联的文本，从而对第一文本进行扩充。

在一个示例中，在完成对多个图像的筛选后，可以基于所构建的语义空间全集来对筛选出的高质量图像进行扩充。具体地，在语义空间全集中，利用最近邻检索算法来确定与筛选出的高质量图像相关联的图像，从而实现了对生成图像的扩充，有助于生成更多内容丰富、较为美观的图像。

根据本公开的另一方面，提供了一种基于文本生成图像的装置。如图4所示，基于文本生成图像的装置400包括：扩充模块401，被配置为获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本；生成模块402，被配置为基于所述多个第二文本生成对应的多个图像；第一确定模块403，被配置为对所述第一文本进行编码，以确定所述第一文本对应的第一向量；第二确定模块404，被配置为对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及筛选模块405，被配置为基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

扩充模块401利用多种规则对用于生成图像的文本在多个维度上进行扩充，使得文本表述更为完备丰富，进而使得基于扩充后的文本所生成的图像具有更为丰富的内容。筛选模块405基于生成的图像与扩充前的文本的向量相似度来筛选所生成的图像，从而在使得生成的图像内容更为丰富的前提下保证图像的质量，确保生成的图像不脱离扩充前的文本的语义，同时提升了图像筛选的效率。

根据一些实施例，第一确定模块403对所述第一文本进行编码以及所述第二确定模块404对所述多个图像中的每一个图像进行编码均是利用对比语言图像预训练(Contrastive Language-Image Pre-Training，CLIP)模型来实现的。从而实现在同一语义空间下分别对文本和图像进行语义编码并得到对应的向量。

图5示出了根据本公开的实施例的扩充模块的结构框图。如图5所示，扩充模块401包括：第一扩充单元501，被配置为确定所述第一文本对应的绘画类型和/或艺术家名称，并基于所述绘画类型和/或艺术家名称对所述第一文本进行扩充，以得到对应的第二文本；第二扩充单元502，被配置为确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本；和/或第三扩充单元503，被配置为结合所述绘画类型和/或艺术家名称和所述词语组合对所述第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，第一扩充单元501可以通过预先遍历刷选的方式，来确定文本与绘画类型和/或艺术家名称的对应关系。具体地，第一扩充单元501可以获取绘画类型集合和/或艺术家名称集合，再分别基于集合中的每一项对文本进行扩充，以构建例如【文本，艺术家1】、【文本，艺术家2】、【文本，艺术家3】这样的扩充文本，分别基于每一个扩充文本来生成对应的图像，并通过文本向量和图像向量的相似度来筛选图像质量较高的图像，从而确定文本与对应的艺术家和/或绘画类型集合的对应关系并形成模板，并将构建好的文本与绘画类型和/或艺术家名称的对应关系即模板应用于第一文本的扩充中。

示例性的，同一个文本也可以对应多个绘画类型和/或艺术家名称，例如第一扩充单元501可以构建【文本，艺术家1，艺术家2】这样的扩充文本，从而生成内容更为丰富、更为美观的图像。

根据一些实施例，第二扩充单元502包括：第一确定子单元，被配置为获取预先构建的语料库，并基于词语在所述语料库中的共同出现频率确定与所述第一文本的语义相关联的第一词语集合；以及第一扩充子单元，被配置为基于所述第一词语集合对所述第一文本进行扩充以得到对应的第二文本。

在一个示例中，第二扩充单元502可以基于大量用于描述图像的文本来构建语料库，从而得到与图像具有较强关联的语料库，进而提高生成的图像的质量。第二扩充单元502也可以根据使用本装置的特定领域来构建相应领域的语料库。可以理解的是，在同一文本中共同出现频率较高的词语组合之间具有较强的关联性，因此，通过共同出现频率能够从语料库中筛选出语义相关联的词语集合作为第一词语集合，以用于对第一文本进行扩充。

示例性的，“火锅”与“肉”这个词语共同出现的频率较高，因此，当第一文本中包含“火锅”时，第二扩充单元502可以将与之共现频率较高的“肉”加入到扩充的结果中。类似地，“火锅”与“冬天”这个词语共同出现的频率较高，因此，当第一文本中包含“火锅”时，第二扩充单元502可以将与之共现频率较高的“冬天”加入到扩充的结果中，从而得到了包含“火锅”、“冬天”和“肉”等词语的第二文本，实现了对第一文本的扩充。

可以理解的是，第二扩充单元502可以将基于共同出现频率筛选出的不同的词语组合分别加入到第一文本中，从而得到不同的第二文本，并进而生成对应的图像，以扩充生成的图像的多样性。后续筛选模块405再基于向量编码对所生成的图像进行筛选，以获得效果和质量较好的图像。

根据一些实施例，第二扩充单元502还包括：第二确定子单元，被配置为利用知识图谱确定与所述第一文本的语义相关联的第二词语集合；以及第二扩充子单元，被配置为基于所述第二词语集合对所述第一文本进行扩充以得到对应的第二文本。具体地，第二扩充单元502可以根据开源联想库、概念图谱等知识图谱来对第一文本进行上位、下位、同位等概念的扩充。示例性的，当第一文本中包含“游戏”时，第二扩充单元502可结合其上位概念“文化”、下文概念“竞技游戏”等对第一文本进行扩充，也可基于各个概念分别对第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，扩充模块401还包括：改写单元，被配置为基于预训练模型对所述第一文本进行改写以得到第三文本，其中，所述第三文本与所述第一文本具有相同的句式；以及第四扩充单元，被配置为基于所述第三文本对所述第一文本进行扩充，以得到对应的第二文本。

根据一些实施例，所述预训练模型可以是GPT3模型。扩充模块401通过构建与第一文本相似的句式，来生成更多局势相同的文本，从而实现对第一文本的扩充。示例性的，当第一文本为“宏大的中国阁楼建筑画”时，扩充模块401通过构建相同句式的文本例如“午夜天上的星星和月亮”，并给出改写句式的开始词汇例如“美丽的”，可以由模型来生成“美丽的”之后的内容，例如“美丽的星星和中国阁楼建筑画”等，从而以通过小样本生成来实现对第一文本的改写和扩充。

根据一些实施例，扩充模块401还包括：第一确定单元，被配置为基于预设的文本库和图像库构建语义空间全集，并确定所述第一文本在所述语义空间全集中对应的第三向量；第二确定单元，被配置为利用最近邻检索算法，基于所述第三向量确定在所述语义空间全集中与所述第一文本相关联的第四文本；以及第五扩充单元，被配置为基于所述第四文本对所述第一文本进行扩充，以得到对应的第二文本。

示例性的，第一确定单元可以利用前述的CLIP模型基于大规模的文本和图像数据来构建语义空间全集，从而能够确定其中的每个文本和图像所对应的向量编码。进一步地，在语义空间全集中，可以利用最近邻检索算法来确定与第一文本相关联的文本，从而对第一文本进行扩充。

在一个示例中，在完成对多个图像的筛选后，可以基于所构建的语义空间全集来对筛选出的高质量图像进行扩充。具体地，在语义空间全集中，第二确定单元利用最近邻检索算法来确定与筛选出的高质量图像相关联的图像，从而实现了对生成图像的扩充，有助于生成更多内容丰富、较为美观的图像。

根据本公开的另一方面，还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基于文本生成图像的方法。

根据本公开的另一方面，还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基于文本生成图像的方法。

根据本公开的另一方面，还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基于文本生成图像的方法。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且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。输出单元607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显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如基于文本生成图像的方法。例如，在一些实施例中，基于文本生成图像的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的基于文本生成图像的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于文本生成图像的方法。

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)、复杂可编程逻辑设备(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装置(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。

计算机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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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 (17)

1.一种基于文本生成图像的方法，包括：

获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本，其中，所述多种规则用于在不同维度上对所述第一文本进行扩充；

基于所述多个第二文本生成对应的多个图像；

对所述第一文本进行编码，以确定所述第一文本对应的第一向量；

对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及

基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

2.根据权利要求1所述的方法，其中，所述基于多种规则对所述第一文本进行扩充以得到多个第二文本包括：

确定所述第一文本对应的绘画类型和/或艺术家名称，并基于所述绘画类型和/或艺术家名称对所述第一文本进行扩充，以得到对应的第二文本；

确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本；和/或

结合所述绘画类型和/或艺术家名称和所述词语组合对所述第一文本进行扩充，以得到对应的第二文本。

3.根据权利要求2所述的方法，其中，所述确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本包括：

获取预先构建的语料库，并基于词语在所述语料库中的共同出现频率确定与所述第一文本的语义相关联的第一词语集合；以及

基于所述第一词语集合对所述第一文本进行扩充以得到对应的第二文本。

4.根据权利要求2或3所述的方法，其中，所述确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本还包括：

利用知识图谱确定与所述第一文本的语义相关联的第二词语集合；以及

基于所述第二词语集合对所述第一文本进行扩充以得到对应的第二文本。

5.根据权利要求2-4中任一项所述的方法，其中，所述基于多种规则对所述第一文本进行扩充以得到多个第二文本还包括：

基于预训练模型对所述第一文本进行改写以得到第三文本，其中，所述第三文本与所述第一文本具有相同的句式；以及

基于所述第三文本对所述第一文本进行扩充，以得到对应的第二文本。

6.根据权利要求2-5中任一项所述的方法，其中，所述基于多种规则对所述第一文本进行扩充以得到多个第二文本还包括：

基于预设的文本库和图像库构建语义空间全集，并确定所述第一文本在所述语义空间全集中对应的第三向量；

利用最近邻检索算法，基于所述第三向量确定在所述语义空间全集中与所述第一文本相关联的第四文本；以及

基于所述第四文本对所述第一文本进行扩充，以得到对应的第二文本。

7.根据权利要求1-6中任一项所述的方法，其中，对所述第一文本进行编码和对所述多个图像中的每一个图像进行编码均是利用对比语言图像预训练模型来实现的。

8.一种基于文本生成图像的装置，包括：

扩充模块，被配置为获取第一文本，并基于多种规则对所述第一文本进行扩充以得到多个第二文本，其中，所述多种规则用于在不同维度上对所述第一文本进行扩充；

生成模块，被配置为基于所述多个第二文本生成对应的多个图像；

第一确定模块，被配置为对所述第一文本进行编码，以确定所述第一文本对应的第一向量；

第二确定模块，被配置为对所述多个图像中的每一个图像进行编码，以确定每一个图像对应的第二向量，其中，所述第一向量和每一个图像对应的第二向量位于同一语义空间；以及

筛选模块，被配置为基于所述第一向量和每一个图像对应的第二向量之间的相似度，对所述多个图像进行筛选。

9.根据权利要求8所述的装置，其中，所述扩充模块包括：

第一扩充单元，被配置为确定所述第一文本对应的绘画类型和/或艺术家名称，并基于所述绘画类型和/或艺术家名称对所述第一文本进行扩充，以得到对应的第二文本；

第二扩充单元，被配置为确定与所述第一文本的语义相关联的词语组合，并基于所述词语组合对所述第一文本进行扩充以得到对应的第二文本；和/或

第三扩充单元，被配置为结合所述绘画类型和/或艺术家名称和所述词语组合对所述第一文本进行扩充，以得到对应的第二文本。

10.根据权利要求9所述的装置，其中，所述第二扩充单元包括：

第一确定子单元，被配置为获取预先构建的语料库，并基于词语在所述语料库中的共同出现频率确定与所述第一文本的语义相关联的第一词语集合；以及

第一扩充子单元，被配置为基于所述第一词语集合对所述第一文本进行扩充以得到对应的第二文本。

11.根据权利要求9或10所述的装置，其中，所述第二扩充单元还包括：

第二确定子单元，被配置为利用知识图谱确定与所述第一文本的语义相关联的第二词语集合；以及

第二扩充子单元，被配置为基于所述第二词语集合对所述第一文本进行扩充以得到对应的第二文本。

12.根据权利要求9-11中任一项所述的装置，其中，所述扩充模块还包括：

改写单元，被配置为基于预训练模型对所述第一文本进行改写以得到第三文本，其中，所述第三文本与所述第一文本具有相同的句式；以及

第四扩充单元，被配置为基于所述第三文本对所述第一文本进行扩充，以得到对应的第二文本。

13.根据权利要求9-12中任一项所述的装置，其中，所述扩充模块还包括：

第一确定单元，被配置为基于预设的文本库和图像库构建语义空间全集，并确定所述第一文本在所述语义空间全集中对应的第三向量；

第二确定单元，被配置为利用最近邻检索算法，基于所述第三向量确定在所述语义空间全集中与所述第一文本相关联的第四文本；以及

第五扩充单元，被配置为基于所述第四文本对所述第一文本进行扩充，以得到对应的第二文本。

14.根据权利要求8-13中任一项所述的装置，其中，所述第一确定模块对所述第一文本进行编码以及所述第二确定模块对所述多个图像中的每一个图像进行编码均是利用对比语言图像预训练模型来实现的。

15.一种电子设备，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1-7中任一项所述的方法。

16.一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1-7中任一项所述的方法。

17.一种计算机程序产品，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1-7中任一项所述的方法。

Images