CN115861131B - 基于图像生成视频、模型的训练方法、装置及电子设备 - Google Patents

Abstract

本发明提供了基于图像生成视频的方法、模型的训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及计算机视觉、图像处理、深度学习等技术领域，可应用于元宇宙、AIGC等场景。具体实现方案为：对待处理图像进行特征提取，得到目标图像特征向量，其中，待处理图像的分辨率为第一分辨率；根据随机生成的噪声向量和目标图像特征向量，得到目标去噪特征向量；以及根据目标去噪特征向量，得到目标视频，其中，目标视频的分辨率为第二分辨率，第二分辨率大于第一分辨率。

Description

基于图像生成视频、模型的训练方法、装置及电子设备

技术领域

本发明涉及人工智能技术领域，尤其涉及计算机视觉、图像处理、深度学习等技术领域，可应用于元宇宙、AIGC（AI-Generated Content，人工智能创作内容）等场景，具体地，涉及一种基于图像生成视频的方法、模型的训练方法、装置、电子设备及存储介质。

背景技术

AIGC 是继 UGC（用户生产内容）、PGC（专业生产内容）之后的新型利用 AI 技术自动生成内容的生产方式。主要用在文字、图像、视频、音频、游戏以及虚拟人上等。例如，可以用于text2img（文本到图像），img2img（图像到图像），img2video（图像到视频），text2video（文本到视频）等场景。

发明内容

本发明提供了一种基于图像生成视频的方法、模型的训练方法、装置、电子设备及存储介质。

根据本发明的一方面，提供了一种基于图像生成视频的方法，包括：对待处理图像进行特征提取，得到目标图像特征向量，其中，所述待处理图像的分辨率为第一分辨率；根据随机生成的噪声向量和所述目标图像特征向量，得到目标去噪特征向量；以及根据所述目标去噪特征向量，得到目标视频，其中，所述目标视频的分辨率为第二分辨率，所述第二分辨率大于所述第一分辨率。

根据本发明的另一方面，提供了一种深度学习模型的训练方法，所述深度学习模型包括第一神经网络和第二神经网络，所述方法包括：将输入视频序列的加噪特征向量以及所述输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，其中，所述输入视频序列的分辨率为第三分辨率；将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列，其中，所述第一输出视频序列的分辨率为第四分辨率，所述第四分辨率大于所述第三分辨率；以及根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练，得到经训练的深度学习模型，其中，所述样本视频序列与所述输入视频序列相对应。

根据本发明的另一方面，提供了一种基于图像生成视频的装置，包括：第一获得模块，用于对待处理图像进行特征提取，得到目标图像特征向量，其中，所述待处理图像的分辨率为第一分辨率；第二获得模块，用于根据随机生成的噪声向量和所述目标图像特征向量，得到目标去噪特征向量；以及第三获得模块，用于根据所述目标去噪特征向量，得到目标视频，其中，所述目标视频的分辨率为第二分辨率，所述第二分辨率大于所述第一分辨率。

根据本发明的另一方面，提供了一种深度学习模型的训练装置，所述深度学习模型包括第一神经网络和第二神经网络，所述装置包括：第四获得模块，用于将输入视频序列的加噪特征向量以及所述输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，其中，所述输入视频序列的分辨率为第三分辨率；第五获得模块，用于将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列，其中，所述第一输出视频序列的分辨率为第四分辨率，所述第四分辨率大于所述第三分辨率；以及训练模块，用于根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练，得到经训练的深度学习模型，其中，所述样本视频序列与所述输入视频序列相对应。

根据本发明的另一方面，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本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

根据本发明的另一方面，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本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

根据本发明的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

附图用于更好地理解本方案，不构成对本发明的限定。其中：

图1示意性示出了根据本发明实施例的可以应用基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法及相应装置的示例性系统架构；

图2示意性示出了根据本发明实施例的基于图像生成视频的方法的流程图；

图3示意性示出了根据本发明实施例的深度学习模型的训练方法的流程图；

图4示意性示出了根据本发明实施例的深度学习模型的训练过程的示意图；

图5示意性示出了根据本发明实施例的基于经训练的深度学习模型实现基于图像生成视频的过程的示意图；

图6示意性示出了根据本发明实施例的基于图像生成视频的装置的框图；

图7示意性示出了根据本发明实施例的深度学习模型的训练装置的框图；以及

图8示出了可以用来实施本发明的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明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，而不会背离本发明的范围和精神。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。

在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本发明的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

在img2video的场景中，可以基于运动估计的方法，将静态图像中某些元素转为动态元素，生成一个序列的图像，得到GIF或者video（视频）。

发明人在实现本发明构思的过程中发现，通过前述方法生成的视频效果较差。

图1示意性示出了根据本发明实施例的可以应用基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法及相应装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本发明实施例的系统架构的示例，以帮助本领域技术人员理解本发明的技术内容，但并不意味着本发明实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法及相应装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本发明实施例提供的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法及相应装置。

如图1所示，根据该实施例的系统架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103，网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备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，例如有线和/或无线通信链路等等。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等（仅为示例）。

第一终端设备101、第二终端设备102、第三终端设备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、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，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的内容提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果（例如根据用户请求获取或生成的网页、信息、或数据等）反馈给终端设备。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。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。

需要说明的是，本发明实施例所提供的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法一般可以由第一终端设备101、第二终端设备102或第三终端设备103执行。相应地，本发明实施例所提供的基于图像生成视频的装置和深度学习模型的训练装置其中至少一种装置也可以设置于第一终端设备101、第二终端设备102或第三终端设备103中。

或者，本发明实施例所提供的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法一般也可以由服务器105执行。相应地，本发明实施例所提供的基于图像生成视频的装置和深度学习模型的训练装置其中至少一种装置一般可以设置于服务器105中。本发明实施例所提供的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的基于图像生成视频的装置和深度学习模型的训练装置其中至少一种装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

例如，在需要基于图像生成视频时，第一终端设备101、第二终端设备102、第三终端设备103可以获取待处理图像，然后将获取的待处理图像发送给服务器105，由服务器105对待处理图像进行特征提取，得到目标图像特征向量，根据随机生成的噪声向量和目标图像特征向量，得到目标去噪特征向量，并根据目标去噪特征向量，得到目标视频。待处理图像的分辨率为第一分辨率，目标视频的分辨率为第二分辨率，第二分辨率大于第一分辨率。或者由能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群对待处理图像进行处理，并实现得到目标视频。

例如，在训练包括第一神经网络和第二神经网络深度学习模型时，第一终端设备101、第二终端设备102、第三终端设备103可以获取输入视频序列，然后将获取的输入视频序列发送给服务器105，由服务器105将输入视频序列的加噪特征向量以及输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，将样本去噪特征向量输入第二神经网络，得到第一输出视频序列，并根据样本视频序列、第一输出视频序列、样本去噪特征向量和输入视频序列的第一视频特征向量，对第一神经网络和第二神经网络进行训练，得到经训练的深度学习模型。输入视频序列的分辨率为第三分辨率，第一输出视频序列的分辨率为第四分辨率，第四分辨率大于第三分辨率，样本视频序列与输入视频序列相对应。或者由能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群对输入视频序列进行处理，并实现得到经训练的深度学习模型。

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。

图2示意性示出了根据本发明实施例的基于图像生成视频的方法的流程图。

如图2所示，该方法包括操作S210~S230。

在操作S210，对待处理图像进行特征提取，得到目标图像特征向量，待处理图像的分辨率为第一分辨率。

在操作S220，根据随机生成的噪声向量和目标图像特征向量，得到目标去噪特征向量。

在操作S230，根据目标去噪特征向量，得到目标视频，目标视频的分辨率为第二分辨率，第二分辨率大于第一分辨率。

根据本发明的实施例，待处理图像可以包括各种场景的静态图像，例如，可以包括针对瀑布、天空、车流等拍摄的静态图像等，且可不限于此。上述特征提取的过程可以通过编码器模块或其他特征提取模块实现。对待处理图像进行特征提取后例如可以得到待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征等。根据待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征，可以得到目标图像特征向量。

根据本发明的实施例，噪声向量可以具有与视频空间的分布相同或相似的噪声分布。例如，噪声向量中可以包括视频长度特征，视频长度特征可以表征视频序列在时间维度的特征，即一段视频中视频帧的数目。根据视频长度特征可以确定视频空间的分布，具有视频长度特征的噪声向量可以提供与视频空间的分布相同或相似的噪声分布。

需要说明的是，视频长度特征仅是表征与视频空间的分布相同或相似的噪声分布的一种示例性表征形式，但不限于此，还可以包括本领域已知的其他表征形式，只要能够得到具有与视频空间的分布相同或相似的噪声分布的噪声向量即可。

根据本发明的实施例，在根据随机生成的噪声向量和目标图像特征向量，得到目标去噪特征向量的过程中，可以根据噪声向量中与视频空间的分布相同或相似的噪声分布，对目标图像特征向量进行分布去噪处理，得到目标去噪特征向量。目标去噪特征向量可以包括目标图像特征向量以及目标图像特征向量的视频空间的分布。例如，目标去噪特征向量中可以包括视频长度特征。

根据本发明的实施例，上述分布去噪处理的过程例如可以包括：对目标图像特征向量进行第1去噪处理，得到第1去噪后的目标图像特征向量。在i小于或等于I的情况下，对第i-1去噪后的目标图像特征向量进行第i去噪处理，得到第i去噪后的目标图像特征向量，i依次取2至I中的整数，I为大于2的整数。将第I去噪后的目标图像特征向量确定为目标去噪特征向量。I表示去噪步数，例如可以取1000或2000等，且可不限于此，表示该去噪过程需执行1000步或2000步等。

根据本发明的实施例，在根据目标去噪特征向量，得到目标视频的过程中，可以对包括目标图像特征向量和具有视频空间的分布的目标去噪特征向量进行解码，得到目标视频。在本实施例中，解码得到的目标视频的分辨率可以大于待处理图像的分辨率。目标视频可以表现为GIF（一种图形交换格式）动态图像或video视频等形式。

通过本发明的上述实施例，由于对第一分辨率的待处理图像进行处理，可以得到相较于第一分辨率更高的第二分辨率的目标视频，可以提高基于图像生成的视频的清晰度。将该方法应用于AIGC项目中，可以实现将静态图像转换为更高精度的视频，得到的视频画面表现更加生动、立体。

下面结合具体实施例，对图2所示的方法做进一步说明。

根据本发明的实施例，噪声向量中可以包括加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征和加噪视频帧通道特征。目标图像特征向量可以包括待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征。上述操作S220可以包括：根据加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征、加噪视频帧通道特征、待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征，得到目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征。根据目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征，得到目标去噪特征向量。

根据本发明的实施例，加噪视频长度特征可以包括上述视频长度特征，可用于表征视频序列时间维度上的噪声分布。加噪视频帧高度特征可以表征视频序列中的各视频帧宽度维度上的噪声分布。加噪视频帧宽度特征可以表征视频序列中的各视频帧高度维度上的噪声分布。加噪视频帧通道特征可以表征视频序列中的各视频帧通道维度上的噪声分布。

根据本发明的实施例，利用加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征和加噪视频帧通道特征，对待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征进行去噪，可以得到目标去噪特征向量。根据目标视频长度特征可以确定基于目标去噪特征向量得到的初始视频的视频长度。根据初始视频帧高度特征可以确定基于目标去噪特征向量得到的初始视频中各视频帧的高度。根据初始视频帧宽度特征可以确定基于目标去噪特征向量得到的初始视频中各视频帧的宽度。根据初始视频帧通道特征可以确定基于目标去噪特征向量得到的初始视频中各视频帧的通道信息。

通过本发明的上述实施例，可以基于噪声向量的特征和目标图像特征向量的特征，将静态图像转换为动态视频。该方法可应用于多种场景中，实现自动化的img2video转换，为用户在更多层面提供智能化应用。

根据本发明的实施例，上述操作S230可以包括：对目标去噪特征向量进行解码，得到解码特征向量。对解码特征向量进行超分处理，得到目标视频。

根据本发明的实施例，对目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征进行解码，例如可以得到解码特征向量。跟解码特征向量例如可以确定上述初始视频。初始视频的分辨率可以为第一分辨率。通过对初始视频的解码特征向量进行超分处理，可以得到第二分辨率的目标视频。超分处理的过程可以实现将第一分辨率转换为第二分辨率的过程。

通过本发明的上述实施例，通过增加超分功能，可以对低分辨率图像处理，得到高分辨率视频，可有效提高生成的目标视频的分辨率，提高基于静态图像生成的动态视频的精度。

需要说明的是，在某些实施例中，上述操作S230也可以包括：对目标去噪特征向量进行超分处理，得到超分特征向量。对超分特征向量进行解码，得到目标视频。

根据本发明的实施例，上述解码特征向量中可以包括目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征。上述对解码特征向量进行超分处理，得到目标视频可以包括：确定超分系数。根据超分系数和初始视频帧高度特征，得到目标视频帧高度特征。根据超分系数和初始视频帧宽度特征，得到目标视频帧宽度特征。根据目标视频帧高度特征、目标视频帧宽度特征和初始视频帧通道特征，得到目标视频帧通道特征。根据目标视频长度特征、目标视频帧高度特征、目标视频帧宽度特征和目标视频帧通道特征，得到目标视频。

例如，待处理图像的几何维度可以表征为H×W×C，H可以表示待处理图像的高的维度，W可以表示待处理图像的宽的维度，C可以表示待处理图像的通道的维度。对待处理图像进行一系列操作后得到的初始视频帧高度特征表征的初始视频中视频帧的高的维度可以为H，初始视频帧宽度特征表征的初始视频中视频帧的宽的维度可以为W，初始视频帧通道特征表征的初始视频中视频帧的通道的维度可以为C。例如设超分系数为s，则目标视频帧高度特征表征的目标视频的高的维度可以为H×s，目标视频帧宽度特征表征的目标视频的宽的维度可以为W×s。根据H×s维度的目标视频帧高度特征、W×s维度的目标视频帧宽度特征和C维度的初始视频帧通道特征，可以得到C维度的目标视频帧通道特征。例如目标视频长度特征表征的视频序列时间上的维度可以表示为F。根据F维度的目标视频长度特征、H×s维度的目标视频帧高度特征、W×s维度的目标视频帧宽度特征和C维度的目标视频帧通道特征，例如可以得到F×H×s×W×s×C的目标视频。

通过本发明的上述实施例，可以实现基于H×W×C的待处理图像生成F×H×s×W×s×C的目标视频，得到的目标视频可以具有更高的分辨率。

根据本发明的实施例，目标图像特征向量的几何维度可以小于待处理图像的几何维度。

根据本发明的实施例，可以预先定义第一几何维度。然后，根据第一几何维度，对待处理图像进行特征提取，得到几何维度为该第一几何维度的目标图像特征向量。

例如，待处理图像的几何维度为H×W×C。可以预先定义相较于H×W×C表征的几何维度更小的M×N×N作为第一几何维度，M可以表示C的压缩维度，N可以表示H、W的压缩维度，M，N可以设为适当的常数，例如均可根据想要的压缩比例进行设置。对H×W×C维度的待处理图像进行特征提取之后，可以得到M×N×N维度的目标图像特征向量。

需要说明的是，定义第一几何维度为M×N×N仅是示例性实施例，但不限于此，还可以包括其他维度值，如还可以为M×N×L等，L可以根据想要的压缩比例进行设置，只要满足第一几何维度比待处理图像的几何维度小即可。

根据本发明的实施例，噪声向量的几何维度和目标去噪特征向量的几何维度可以均小于目标视频的几何维度。

根据本发明的实施例，噪声向量的几何维度例如可以预先定义为第二几何维度。根据第二几何维度的噪声向量和第一几何维度目标图像特征向量，得到的目标去噪特征向量的几何维度可以为第三几何维度。第二几何维度和第三几何维度可以相同或不同。第二几何维度、第三几何维度和目标视频的几何维度相较于第一几何维度和待处理图像的几何维度可以增加视频序列时间上的维度。

根据本发明的实施例，还可以根据第一几何维度和视频序列时间上的维度，确定第二几何维度，使计算过程更高效。

例如，第二几何维度可以表征为F×M×N×N。根据F×M×N×N维度的噪声向量和M×N×N维度的目标图像特征向量，例如可以得到F×M×N×N维度的目标去噪特征向量。对F×M×N×N维度的目标去噪特征向量进行解码处理，例如可以得到F×H×W×C维度的解码特征向量。基于超分系数s，对F×H×W×C维度的解码特征向量进行超分处理，例如可以得到F×H×s×W×s×C维度的目标视频。

需要说明的是，定义第二几何维度为F×M×N×N仅是示例性实施例，但不限于此，还可以包括其他维度值，如还可以为F×M×N×L等，只要满足第二几何维度比目标视频的几何维度小即可。

通过本发明的上述实施例，可以以较小的几何维度的特征向量执行根据待处理图像得到目标视频的过程，在该过程中，可以使用较少的计算资源，实现相同的计算效果，有效减少了资源浪费。

根据本发明的实施例，可以训练一种深度学习模型，用于实现上述基于图像生成视频的方法。

图3示意性示出了根据本发明实施例的深度学习模型的训练方法的流程图。

如图3所示，该方法包括操作S310~S330。

在操作S310，将输入视频序列的加噪特征向量以及输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，输入视频序列的分辨率为第三分辨率。

在操作S320，将样本去噪特征向量输入第二神经网络，得到第一输出视频序列，第一输出视频序列的分辨率为第四分辨率，第四分辨率大于第三分辨率。

在操作S330，根据样本视频序列、第一输出视频序列、样本去噪特征向量和输入视频序列的第一视频特征向量，对第一神经网络和第二神经网络进行训练，得到经训练的深度学习模型，样本视频序列与输入视频序列相对应。

根据本发明的实施例，深度学习模型可以包括上述第一神经网络和第二神经网络。第一神经网络和第二神经网络均可以基于多层卷积网络实现。第一神经网络可以是去噪网络，例如可以为U-Net结构的去噪网络。第二神经网络可以包括解码器模块和上采样模块，上采样模块例如可以为Pixel shuffle（一种图像上采样方法）模块。

需要说明的是，上述第一神经网络和第二神经网络的网络结构仅是示例性实施例，但不限于此，还可以包括本领域已知的其他网络结构，只要能够满足第一神神经网络实现去噪功能，第二神经网络实现解码和上采样功能即可。

根据本发明的实施例，输入视频序列可以包括采集到的任意一段或多段视频或动态图像的序列。样本视频序列与输入视频序列可以是分辨率不同的同一段视频序列。例如，样本视频序列的分辨率可以大于输入视频序列的分辨率。样本视频序列的分辨率也可以小于输入视频序列的分辨率，但在需要根据样本视频序列、第一输出视频序列、样本去噪特征向量和输入视频序列的第一视频特征向量，对第一神经网络和第二神经网络进行训练的情况下，需要将样本视频序列转换为分辨率大于第三分辨率的视频序列。

根据本发明的实施例，对输入视频序列进行特征提取，例如可以得到输入视频序列的第一视频特征向量。基于固定的马尔可夫链，对第一视频特征向量分布添加高斯噪声，可以得到输入视频序列的加噪特征向量。该分布添加高斯噪声的方法可以包括：对第一视频特征向量进行第1加噪处理，得到第1加噪后的第一视频特征向量。在j小于或等于J的情况下，对第j-1加噪后的第一视频特征向量进行第j加噪处理，得到第j加噪后的第一视频特征向量，j依次取2至J中的整数，J为大于2的整数。将第J加噪后的第一视频特征向量确定为加噪特征向量。J表示加噪步数，例如可以取1000或2000等，且可不限于此，表示该加噪过程需执行1000步或2000步等。

根据本发明的实施例，对输入视频序列中的第一帧静态图像进行特征提取，可以得到该第一帧静态图像的样本图像特征向量。在将输入视频序列的加噪特征向量以及输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量的过程中，可以获取第1步加噪信息至第J步加噪信息。基于第一神经网络，结合第1步加噪信息至第J步加噪信息和加噪特征向量，对样本图像特征向量进行去噪处理，可以得到第一帧静态图像的样本去噪特征向量。

根据本发明的实施例，在得到样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量之后，可以根据样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量，同时对第一神经网络和第二神经网络进行训练。还可以根据样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量，分别对第一神经网络和第二神经网络进行训练，并根据经训练的第一神经网络和经训练的第二神经网络，得到经训练的深度学习模型。且可不限于此。

需要说明的是，样本图像特征向量与前述目标图像特征向量可以具有相同或相似的特征。样本去噪特征向量和前述目标去噪特征向量可以具有相同或相似的特征。第一输出视频序列和前述目标视频可以具有相同或相似的特征。第三分辨率与上述第一分辨率可以相同或不同。第四分辨率与上述第二分辨率可以相同或不同。在本实施例中，只要满足第三分辨率小于第四分辨率即可。

通过本发明的上述实施例，可以训练得到能够基于低分辨率图像生成高分辨率视频的模型，基于该模型进行基于图像生成视频的操作时，可以提高生成的视频的分辨率，得到的视频具有更高的清晰度。

下面结合具体实施例，对图3所示的方法做进一步说明。

根据本发明的实施例，在需要获得输入视频序列的情况下，可以首先获取样本视频序列，样本视频序列的分辨率可以大于第三分辨率。然后，可以对样本视频序列进行下采样处理，得到输入视频序列。

根据本发明的实施例，样本视频序列可以作为第四分辨率的第一输出视频序列的真实标签。通过将对样本视频序列进行下采样处理，得到的第三分辨率的输入视频序列作为模型的输入，得到第四分辨率的第一输出视频序列，并根据样本视频序列和第四分辨率的第一输出视频序列，对模型进行训练，可以训练得到能够基于低分辨率图像生成高分辨率视频的模型。

根据本发明的实施例，在样本视频序列的分辨率不等于第四分辨率的情况下，例如也可以首先将样本视频序列转换为第四分辨率的样本视频序列。然后，根据第四分辨率的样本视频序列和第四分辨率的第一输出视频序列，对模型进行训练。

通过本发明的上述实施例，可以结合下采样处理操作，实现根据高分辨率的样本视频序列得到低分辨率的输入视频序列，可以仅采集一次样本视频序列，即可训练得到能够基于低分辨率图像生成高分辨率视频的模型，可有效提高训练效率，并可使训练得到的模型基于较高的精度。

根据本发明的实施例，样本视频序列的分辨率可以为第四分辨率。

根据本发明的实施例，在样本视频序列的分辨率为第四分辨率的情况下，可以首先对第四分辨率的样本视频序列进行下采样得到第三分辨率的输入视频序列，作为模型的输入，并得到第四分辨率的第一输出视频序列。然后，可以根据第四分辨率的样本视频序列和第四分辨率的第一输出视频序列，对模型进行训练，得到能够基于低分辨率图像生成高分辨率视频的模型。

通过本发明的上述实施例，获取第四分辨率的样本视频序列，结合第四分辨率的第一输出视频序列，可以高效的完成模型训练，提高模型的训练精度，并可减少了不必要对视频序列进行分辨率转换的过程，训练得到的模型可以具有更好的实现效果。

根据本发明的实施例，上述操作S320可以包括：对样本去噪特征向量进行解码，得到初始特征向量。对初始特征向量进行超分处理，得到第一输出视频序列。

根据本发明的实施例，初始特征向量与前述解码特征向量可以具有相同或相似的特征。对样本去噪特征向量进行解码，得到初始特征向量，以及对初始特征向量进行超分处理，得到第一输出视频序列的过程可以与前述对目标去噪特征向量进行解码，得到解码特征向量，以及对解码特征向量进行超分处理，得到目标视频的过程相同，在此不再赘述。需要说明的是，该部分过程可以在第二神经网络中设置超分模块，得到具有超分功能的第二神经网络。

通过本发明的上述实施例，可以在第二神经网络中增加超分功能，使得训练得到的第二神经网络可以对低分辨率图像进行处理，得到高分辨率视频，可有效提高深度学习模型的输出精度。

根据本发明的实施例，上述操作S330可以包括：根据样本视频序列和第一输出视频序列，对第二神经网络进行训练，得到经训练的第二神经网络。根据第一视频特征向量和样本去噪特征向量对第一神经网络和经训练的第二神经网络进行训练，得到经训练的深度学习模型。以下结合具体实施例，对该训练过程进行详细说明。

根据本发明的实施例，根据样本视频序列和第一输出视频序列，对第二神经网络进行训练，得到经训练的第二神经网络可以包括：将输入视频序列输入第三神经网络，得到输入视频序列的第二视频特征向量。将第二视频特征向量输入第二神经网络，得到第二输出视频序列，第二输出视频序列的分辨率为第四分辨率。根据样本视频序列和第二输出视频序列，对第三神经网络和第二神经网络进行训练，得到经训练的第二神经网络。

根据本发明的实施例，例如可以根据Auto-encoder（一种生成模型）模型的Decoder（解码器）模块确定第二神经网络。Auto-encoder可以包括Encoder（编码器）模块和Decoder模块。本实施例中可以在Decoder模块增加上采样模块，实现超分功能。第二神经网络可以为具有超分功能的Decoder模块。第三神经网络可以为Auto-encoder中的Encoder模块。在对Auto-encoder进行训练时，Encoder模块可以接收输入视频序列，并输出第二视频特征向量。然后，可以将第二视频特征向量输入到具有超分功能的Decoder模块，Decoder模块可以对第二视频特征向量进行解码和超分处理，得到第二输出视频序列。第二输出视频序列与第一输出视频序列可以具有相同或相似的特征。然后，可以根据样本视频序列和第二输出视频序列，对Auto-encoder进行训练，得到经训练的Auto-encoder。

根据本发明的实施例，可将经训练的Auto-encoder中的Decoder模块确定为经训练的第二神经网络。

根据本发明的实施例，在得到经训练的第二神经网络之后，可以将样本去噪特征向量输入经训练的第二神经网络，得到第一输出视频序列。然后，可以根据样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量，对第一神经网络和经训练的第二神经网络进行训练，得到经训练的深度学习模型。

通过本发明的上述实施例，可以首先对第二神经网络模型进行训练，然后基于经训练的第二神经网络，对第一神经网络进行训练，以得到经训练的深度学习模型，基于该种方法训练得到的第一神经网络和第二神经网络可以具有更优的网络参数，可有效提高训练得到的深度学习模型的精度。

根据本发明的实施例，在对Auto-encoder进行训练的过程中，可以首先确定预设几何维度。预设几何维度可以小于输入视频序列的几何维度。然后，可以根据预设几何维度，对输入视频序列进行特征提取，得到几何维度为预设几何维度的第一视频特征向量。

根据本发明的实施例，预设几何维度例如为M×N×N。基于上述方法，Encoder可以把输入数据压缩成低维向量，如可以把F×H×W×C维度的输入视频序列压缩成F×M×N×N维度的第一视频特征向量或第二视频特征向量，可以把H×W×C维度的第一帧静态图像压缩成M×N×N维度的样本图像特征向量。具有超分功能的Decoder模块可以对F×M×N×N维度的样本去噪特征向量进行重建，得到如F×H×s×W×s×C维度的第二输出视频序列（或第一输出视频序列）。s表示上采样倍数，也可称超分系数。

通过本发明的上述实施例，通过确定小于输入视频序列的几何维度的预设几何维度，并基于预设几何维度的特征向量训练模型，可节省模型计算资源，得到的经训练的模型也可以耗费较少的资源，可有效减少资源浪费。

根据本发明的实施例，上述操作S330可以包括：根据第一视频特征向量和样本去噪特征向量，对第一神经网络进行训练，得到经训练的第一神经网络。根据样本视频序列和第一输出视频序列，对经训练的第一神经网络和第二神经网络进行训练。以下结合具体实施例，对该训练过程进行详细说明。

根据本发明的实施例，例如可以根据DDPM（denoising diffusion probabilisticmodels，去噪扩散概率模型）的去噪网络，确定第一神经网络。DDPM包括加噪网络和去噪网络。在对DDPM进行训练时，可以首先基于加噪网络的马尔可夫链，对输入视频序列的第一视频特征向量进行正向扩散过程，分步向其中添加高斯噪声，例如经过K步后，可以得到输入视频序列的加噪特征向量。然后，可以从一个随机的加噪特征向量开始，结合添加的高斯噪声的信息，通过逐步去噪生成样本去噪特征向量。在该过程中，可以结合输入视频序列中第一帧静态图像的样本图像特征向量，约束整个去噪过程。该过程可以包括：对加噪特征向量进行第1去噪处理，得到第1去噪后的加噪特征向量。在k小于或等于K的情况下，对第k-1去噪后的加噪特征向量进行第k去噪处理，得到第k去噪后的加噪特征向量，k依次取2至K中的整数，K为大于2的整数。将第K去噪后的加噪特征向量确定为样本去噪特征向量。K表示去噪步数，例如可以取1000或2000等，且可不限于此，表示该去噪过程需执行1000步或2000步等。然后，可以根据第一视频特征向量和样本去噪特征向量，对DDPM进行训练，得到经训练的DDPM。

根据本发明的实施例，可将经训练的DDPM中的去噪网络确定为经训练的第一神经网络。然后，可以根据样本视频序列和第一输出视频序列，对经训练的第一神经网络和第二神经网络进行训练，得到经训练的深度学习模型。

需要说明的是，DDPM的训练过程基于预设几何维度的第一视频特征向量进行训练，训练过程中使用到的样本去噪特征向量的集合维度也可以为预设几何维度。

通过本发明的上述实施例，可以首先对第一神经网络进行训练，然后基于经训练的第一神经网络，对第二神经网络进行训练，以得到经训练的深度学习模型，基于该种方法训练得到的第一神经网络和第二神经网络神经网络可以具有更优的网络参数，可有效提高训练得到的深度学习模型的精度。

根据本发明的实施例，上述操作S330可以包括：根据第一视频特征向量和样本去噪特征向量，确定第一距离损失。根据样本视频序列和第一输出视频序列，确定第二距离损失。根据第一距离损失和第二距离损失，对深度学习模型进行训练。

根据本发明的实施例，在根据第一视频特征向量和样本去噪特征向量，对第一神经网络进行训练的过程中，可以首先计算第一视频特征向量和样本去噪特征向量之间的第一相似度，并将该第一相似度确定为第一距离损失。然后，可以根据第一距离损失，对第一神经网络的网络参数进行调整，直至达到预设的训练停止条件。则停止调整第一神经网络的网络参数，得到经训练的第一神经网络。

根据本发明的实施例，在根据样本视频序列和第一输出视频序列，对第二神经网络进行训练的过程中，可以首先计算样本视频序列和第一输出视频序列之间的第二相似度，并将该第二相似度确定为第二距离损失。然后，可以根据第二距离损失，对第二神经网络的网络参数进行调整，直至达到预设的训练停止条件。则停止调整第二神经网络的网络参数，得到经训练的第二神经网络。

根据本发明的实施例，在根据样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量，对第二神经网络和经训练的第一神经网络进行训练的过程中，可以首先计算第一视频特征向量和样本去噪特征向量之间的第三相似度，并将该第三相似度确定为第一距离损失。以及计算第一视频特征向量和样本去噪特征向量之间的第四相似度，并将该第四相似度确定为第二距离损失。然后，根据第一距离损失和第二距离损失，确定第三距离损失。之后，可以根据第三距离损失，对第一神经网络的网络参数进行微调，并对第二神经网络的网络参数进行调整，直至达到预设的训练停止条件。则停止调整第一神经网络和第二神经网络的网络参数，得到经训练的深度学习模型。

根据本发明的实施例，在根据第一视频特征向量和样本去噪特征向量，对第一神经网络进行训练的过程中，可以首先计算第一视频特征向量和样本去噪特征向量之间的第一相似度，并将该第一相似度确定为第一距离损失。然后，可以根据第一距离损失，对第一神经网络的网络参数进行调整，直至达到预设的训练停止条件。则停止调整第一神经网络的网络参数，得到经训练的第一神经网络。

根据本发明的实施例，在根据样本视频序列、第一输出视频序列、样本去噪特征向量和第一视频特征向量，对第一神经网络和经训练的第二神经网络进行训练的过程中，可以首先计算第一视频特征向量和样本去噪特征向量之间的第五相似度，并将该第五相似度确定为第一距离损失。以及计算第一视频特征向量和样本去噪特征向量之间的第六相似度，并将该第六相似度确定为第二距离损失。然后，根据第一距离损失和第二距离损失，确定第四距离损失。之后，可以根据第四距离损失，对第二神经网络的网络参数进行微调，并对第一神经网络的网络参数进行调整，直至达到预设的训练停止条件。则停止调整第一神经网络和第二神经网络的网络参数，得到经训练的深度学习模型。

根据本发明的实施例，根据第一距离损失和第二距离损失，确定第三距离损失或第四距离损失时，例如可以根据预先确定的权重值，将第一距离损失与第一权重值相乘，将第二距离损失与第二权重值相乘，并将两者的相乘结果相加，作为训练损失。然后，可以基于该训练损失，进行前述模型训练过程。训练停止条件可以包括如下中的至少之一：训练次数达到预设次数、训练损失收敛等，且可不限于此。微调可以表征调整幅度小于预设阈值的调整方式。

需要说明的是，第一相似度、第二相似度、第三相似度、第四相似度、第五相似度和第六相似度均可以根据欧氏距离确定，且可不限于此。

通过本发明的上述实施例，可以训练得到能够基于低分辨率图像生成高分辨率视频的模型，且训练过程可以使用较少的计算资源，基于该训练方法，可以在节省资源的同时，提高模型的输出精度。

图4示意性示出了根据本发明实施例的深度学习模型的训练过程的示意图。

根据本发明的实施例，在训练阶段可以首先确定两个模型。如图4所示，该两个模型例如可以包括Auto-encoder 410和DDPM 420。Auto-encoder 410可以包括Encoder 411和具有超分功能的Decoder 412。Encoder 411可以接收输入数据并以预设几何维度的特征向量进行输出。Decoder 412中通过设置上采样模块实现超分功能。DDPM 420可以包括扩散网络421、去噪网络422。在某些实施例中，在Auto-encoder 410和DDPM 420的基础上，还可以包括条件模块423。对深度学习模型进行训练的过程可以包括对Auto-encoder 410进行训练和对DDPM 420进行训练。

根据本发明的实施例，预设几何维度例如可以为M×N×N或F×M×N×N，Decoder412中的上采样模块例如可以实现超分s倍的功能。在对Auto-encoder 410的过程中，如图4所示，可以首先采集若干F×H×s×W×s×C维度的样本视频序列430，并对样本视频序列430进行下采样s倍处理，得到F×H×W×C维度的输入视频序列431。将F×H×W×C维度的输入视频序列431输入Encoder 411，可以得到F×M×N×N维度的视频特征向量432。将视频特征向量432输入Decoder 412，可以得到F×H×s×W×s×C维度的第一输出视频序列433。根据样本视频序列430和第一输出视频序列433，可以对Auto-encoder 410进行训练，得到经训练的Auto-encoder 410。

根据本发明的实施例，条件模块423可以使用经训练的Encoder 411实现，也可以为其他特征提取网络，在此不做限定。在对DDPM 420进行训练的过程中，可以首先基于扩散网络421，对F×M×N×N维度的视频特征向量432进行正向扩散，分布向其中添加高斯噪声，得到加噪特征向量434。在该过程中，还可以获取输入视频序列431的第一帧静态图像435，并基于条件模块423，对第一帧静态图像435进行特征提取，得到样本图像特征向量436。然后，可以基于去噪网络422，对加噪特征向量434和样本图像特征向量436进行处理，得到样本去噪特征向量437。之后，可以基于Decoder 412，对样本去噪特征向量437进行处理，得到第二输出视频序列438。之后，可以根据视频特征向量432和样本去噪特征向量437，对DDPM420进行训练，得到经训练的DDPM 420。在该过程，例如还可以根据样本视频序列430和第二输出视频序列438，对Auto-encoder 410进行微调。

需要说明的是，详细的训练方法在前述实施例中已有描述，在此不再赘述。

根据本发明的实施例，在得到经训练的Auto-encoder 410和经训练的DDPM 420之后，可以将经训练的Auto-encoder 410中的Encoder 411确定为条件模块423，并结合经训练的Auto-encoder 410中的Decoder 412和DDPM 420中的去噪网络422，得到经训练的深度学习模型。

图5示意性示出了根据本发明实施例的基于经训练的深度学习模型实现基于图像生成视频的过程的示意图。

如图5所示，深度学习模型500包括经训练的条件模块510，经训练的去噪网络520和具有超分s倍功能的经训练的Decoder 530。经训练的条件模块510可以使用图4中经训练的Auto-encoder 410中的Encoder 411。经训练的去噪网络520可以使用图4中经训练的DDPM 420中的去噪网络422。经训练的Decoder 530可以使用图4中经训练的Auto-encoder410中的Decoder 412。

根据本发明的实施例，深度学习模型例如可以随机生成F×M×N×N维度的噪声向量541。在需要基于图像生成视频时，例如可以将H×W×C维度的待处理图像542输入深度学习模型500。在深度学习模型500中，可以首先基于经训练的条件模块510，对待处理图像542进行特征提取，得到目标图像特征向量543。然后，基于经训练的去噪网络520，对噪声向量541和目标图像特征向量543进行处理，可以得到F×M×N×N维度的目标去噪特征向量544。之后，基于经训练的Decoder 530，对目标去噪特征向量544进行处理，可以得到F×H×s×W×s×C维度的目标视频545。

例如，H=128，W=128，s=4，则基于经训练的深度学习模型500，可以只用耗费128×128分辨率所带来的显存消耗，就可以生成512×512分辨率的视频，使得模型图像静态元素转动态元素的功能更加符合实际需求。

通过本发明的上述实施例，可以实现一种基于低分辨率图像生成稿分辨率视频的模型，基于该模型得到的视频画面表现更加生动、立体，且视频清晰度更高。

图6示意性示出了根据本发明实施例的基于图像生成视频的装置的框图。

如图6所示，基于图像生成视频的装置600包括第一获得模块610、第二获得模块620和第三获得模块630。

第一获得模块610，用于对待处理图像进行特征提取，得到目标图像特征向量，待处理图像的分辨率为第一分辨率。

第二获得模块620，用于根据随机生成的噪声向量和目标图像特征向量，得到目标去噪特征向量。

第三获得模块630，用于根据目标去噪特征向量，得到目标视频，目标视频的分辨率为第二分辨率，第二分辨率大于第一分辨率。

根据本发明的实施例，第三获得模块包括第一解码单元和第一超分单元。

第一解码单元，用于对目标去噪特征向量进行解码，得到解码特征向量。

第一超分单元，用于对解码特征向量进行超分处理，得到目标视频。

根据本发明的实施例，解码特征向量中包括目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征。第一超分单元包括确定子单元、第一获得子单元、第二获得子单元、第三获得子单元和第四获得子单元。

确定子单元，用于确定超分系数。

第一获得子单元，用于根据超分系数和初始视频帧高度特征，得到目标视频帧高度特征。

第二获得子单元，用于根据超分系数和初始视频帧宽度特征，得到目标视频帧宽度特征。

第三获得子单元，用于根据目标视频帧高度特征、目标视频帧宽度特征和初始视频帧通道特征，得到目标视频帧通道特征。

第四获得子单元，用于根据目标视频长度特征、目标视频帧高度特征、目标视频帧宽度特征和目标视频帧通道特征，得到目标视频。

根据本发明的实施例，噪声向量中包括加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征和加噪视频帧通道特征。目标图像特征向量包括待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征。第二获得模块包括第一获得单元和第二获得单元。

第一获得单元，用于根据加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征、加噪视频帧通道特征、待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征，得到目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征。

第二获得单元，用于根据目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征，得到目标去噪特征向量。

根据本发明的实施例，目标图像特征向量的几何维度小于待处理图像的几何维度。

根据本发明的实施例，噪声向量的几何维度和目标去噪特征向量的几何维度均小于目标视频的几何维度。

图7示意性示出了根据本发明实施例的深度学习模型的训练装置的框图。

根据本发明的实施例，深度学习模型包括第一神经网络和第二神经网络。如图7所示，深度学习模型的训练装置700包括第四获得模块710、第五获得模块720和训练模块730。

第四获得模块710，用于将输入视频序列的加噪特征向量以及输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，输入视频序列的分辨率为第三分辨率。

第五获得模块720，用于将样本去噪特征向量输入第二神经网络，得到第一输出视频序列，第一输出视频序列的分辨率为第四分辨率，第四分辨率大于第三分辨率。

训练模块730，用于根据样本视频序列、第一输出视频序列、样本去噪特征向量和输入视频序列的第一视频特征向量，对第一神经网络和第二神经网络进行训练，得到经训练的深度学习模型，样本视频序列与输入视频序列相对应。

根据本发明的实施例，第五获得模块包括第二解码单元和第二超分单元。

第二解码单元，用于对样本去噪特征向量进行解码，得到初始特征向量。

第二超分单元，用于对初始特征向量进行超分处理，得到第一输出视频序列。

根据本发明的实施例，深度学习模型的训练装置700还包括获取模块和下采样模块。

获取模块，用于获取样本视频序列，样本视频序列的分辨率大于第三分辨率。

下采样模块，用于对样本视频序列进行下采样处理，得到输入视频序列。

根据本发明的实施例，样本视频序列的分辨率为第四分辨率。

根据本发明的实施例，第五获得模块包括第三获得单元、第四获得单元、第五获得单元和第六获得单元。

第三获得单元，用于将输入视频序列输入第三神经网络，得到输入视频序列的第二视频特征向量。

第四获得单元，用于将第二视频特征向量输入第二神经网络，得到第二输出视频序列，第二输出视频序列的分辨率为第四分辨率。

第五获得单元，用于根据样本视频序列和第二输出视频序列，对第三神经网络和第二神经网络进行训练，得到经训练的第二神经网络。

第六获得单元，用于将样本去噪特征向量输入经训练的第二神经网络，得到第一输出视频序列。

根据本发明的实施例，训练模块包括第一训练单元和第二训练单元。

第一训练单元，用于根据第一视频特征向量和样本去噪特征向量，对第一神经网络进行训练，得到经训练的第一神经网络。

第二训练单元，用于根据样本视频序列和第一输出视频序列，对经训练的第一神经网络和第二神经网络进行训练。

根据本发明的实施例，训练模块包括第一确定单元、第二确定单元和第三训练单元。

第一确定单元，用于根据第一视频特征向量和样本去噪特征向量，确定第一距离损失。

第二确定单元，用于根据样本视频序列和第一输出视频序列，确定第二距离损失。

第三训练单元，用于根据第一距离损失和第二距离损失，对深度学习模型进行训练。

根据本发明的实施例，深度学习模型的训练装置700还包括确定模块和特征提取模块。

确定模块，用于确定预设几何维度，预设几何维度小于输入视频序列的几何维度。

特征提取模块，用于根据预设几何维度，对输入视频序列进行特征提取，得到几何维度为预设几何维度的第一视频特征向量。

根据本发明的实施例，本发明还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本发明的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

根据本发明的实施例，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，计算机指令用于使计算机执行本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

根据本发明的实施例，一种计算机程序产品，包括计算机程序，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序在被处理器执行时实现本发明的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

图8示出了可以用来实施本发明的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本发明的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器（ROM）802中的计算机程序或者从存储单元808加载到随机访问存储器（RAM）803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。

计算单元801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801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801执行上文所描述的各个方法和处理，例如基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。例如，在一些实施例中，基于图像生成视频的方法和深度学习模型的训练方法其中至少一种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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的基于图像生成视频的方法和深度学习模型的训练方法其中至少一种方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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图像生成视频的方法和深度学习模型的训练方法其中至少一种方法。

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。

用于实施本发明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。

在本发明的上下文中，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，也可以是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，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (28)

1.一种基于图像生成视频的方法，包括：

对待处理图像进行特征提取，得到目标图像特征向量，其中，所述待处理图像的分辨率为第一分辨率；

根据随机生成的噪声向量和所述目标图像特征向量，得到目标去噪特征向量，其中，所述噪声向量中包括加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征和加噪视频帧通道特征，所述目标图像特征向量包括待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征，所述根据随机生成的噪声向量和所述目标图像特征向量，得到目标去噪特征向量包括：

根据所述加噪视频长度特征、所述加噪视频帧高度特征、所述加噪视频帧宽度特征、所述加噪视频帧通道特征、所述待处理图像高度特征、所述待处理图像宽度特征和所述待处理图像通道特征，得到目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征；以及

根据所述目标视频长度特征、所述初始视频帧高度特征、所述初始视频帧宽度特征和所述初始视频帧通道特征，得到所述目标去噪特征向量；以及

根据所述目标去噪特征向量，得到目标视频，其中，所述目标视频的分辨率为第二分辨率，所述第二分辨率大于所述第一分辨率。

2. 根据权利要求1所述的方法，其中，所述根据所述目标去噪特征向量，得到目标视频包括：

对所述目标去噪特征向量进行解码，得到解码特征向量；以及

对所述解码特征向量进行超分处理，得到所述目标视频。

3.根据权利要求2所述的方法，其中，所述解码特征向量中包括目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征；所述对所述解码特征向量进行超分处理，得到所述目标视频包括：

确定超分系数；

根据所述超分系数和所述初始视频帧高度特征，得到目标视频帧高度特征；

根据所述超分系数和所述初始视频帧宽度特征，得到目标视频帧宽度特征；

根据所述目标视频帧高度特征、所述目标视频帧宽度特征和所述初始视频帧通道特征，得到目标视频帧通道特征；以及

根据所述目标视频长度特征、所述目标视频帧高度特征、所述目标视频帧宽度特征和所述目标视频帧通道特征，得到所述目标视频。

4.根据权利要求1所述的方法，其中，所述目标图像特征向量的几何维度小于所述待处理图像的几何维度。

5.根据权利要求1所述的方法，其中，所述噪声向量的几何维度和所述目标去噪特征向量的几何维度均小于所述目标视频的几何维度。

6.一种深度学习模型的训练方法，所述深度学习模型包括第一神经网络和第二神经网络，所述方法包括：

将输入视频序列的加噪特征向量以及所述输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，其中，所述输入视频序列的分辨率为第三分辨率；

将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列，其中，所述第一输出视频序列的分辨率为第四分辨率，所述第四分辨率大于所述第三分辨率；以及

根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练，得到经训练的深度学习模型，其中，所述样本视频序列与所述输入视频序列相对应，所述经训练的深度学习模型用于实现如权利要求1-5中任一项所述的基于图像生成视频的方法。

7. 根据权利要求6所述的方法，其中，所述将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列包括：

对所述样本去噪特征向量进行解码，得到初始特征向量；以及

对所述初始特征向量进行超分处理，得到所述第一输出视频序列。

8. 根据权利要求6所述的方法，还包括：

获取所述样本视频序列，其中，所述样本视频序列的分辨率大于所述第三分辨率；以及

对所述样本视频序列进行下采样处理，得到所述输入视频序列。

9.根据权利要求6所述的方法，其中，所述样本视频序列的分辨率为所述第四分辨率。

10.根据权利要求6所述的方法，其中，所述将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列包括：

将所述输入视频序列输入第三神经网络，得到所述输入视频序列的第二视频特征向量；

将所述第二视频特征向量输入所述第二神经网络，得到第二输出视频序列，其中，所述第二输出视频序列的分辨率为所述第四分辨率；以及

根据所述样本视频序列和所述第二输出视频序列，对所述第三神经网络和所述第二神经网络进行训练，得到经训练的第二神经网络；以及

将所述样本去噪特征向量输入所述经训练的第二神经网络，得到所述第一输出视频序列。

11. 根据权利要求6所述的方法，其中，所述根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练包括：

根据所述第一视频特征向量和所述样本去噪特征向量，对所述第一神经网络进行训练，得到经训练的第一神经网络；以及

根据所述样本视频序列和所述第一输出视频序列，对所述经训练的第一神经网络和所述第二神经网络进行训练。

12.根据权利要求6所述的方法，其中，所述根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练包括：

根据所述第一视频特征向量和所述样本去噪特征向量，确定第一距离损失；

根据所述样本视频序列和所述第一输出视频序列，确定第二距离损失；以及

根据所述第一距离损失和所述第二距离损失，对所述深度学习模型进行训练。

13. 根据权利要求6所述的方法，还包括：

确定预设几何维度，其中，所述预设几何维度小于所述输入视频序列的几何维度；以及

根据所述预设几何维度，对所述输入视频序列进行特征提取，得到几何维度为所述预设几何维度的所述第一视频特征向量。

14.一种基于图像生成视频的装置，包括：

第一获得模块，用于对待处理图像进行特征提取，得到目标图像特征向量，其中，所述待处理图像的分辨率为第一分辨率；

第二获得模块，用于根据随机生成的噪声向量和所述目标图像特征向量，得到目标去噪特征向量，所述噪声向量中包括加噪视频长度特征、加噪视频帧高度特征、加噪视频帧宽度特征和加噪视频帧通道特征，所述目标图像特征向量包括待处理图像高度特征、待处理图像宽度特征和待处理图像通道特征，所述第二获得模块包括：

第一获得单元，用于根据所述加噪视频长度特征、所述加噪视频帧高度特征、所述加噪视频帧宽度特征、所述加噪视频帧通道特征、所述待处理图像高度特征、所述待处理图像宽度特征和所述待处理图像通道特征，得到目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征；以及

第二获得单元，用于根据所述目标视频长度特征、所述初始视频帧高度特征、所述初始视频帧宽度特征和所述初始视频帧通道特征，得到所述目标去噪特征向量；以及

第三获得模块，用于根据所述目标去噪特征向量，得到目标视频，其中，所述目标视频的分辨率为第二分辨率，所述第二分辨率大于所述第一分辨率。

15. 根据权利要求14所述的装置，其中，所述第三获得模块包括：

第一解码单元，用于对所述目标去噪特征向量进行解码，得到解码特征向量；以及

第一超分单元，用于对所述解码特征向量进行超分处理，得到所述目标视频。

16.根据权利要求15所述的装置，其中，所述解码特征向量中包括目标视频长度特征、初始视频帧高度特征、初始视频帧宽度特征和初始视频帧通道特征；所述第一超分单元包括：

确定子单元，用于确定超分系数；

第一获得子单元，用于根据所述超分系数和所述初始视频帧高度特征，得到目标视频帧高度特征；

第二获得子单元，用于根据所述超分系数和所述初始视频帧宽度特征，得到目标视频帧宽度特征；

第三获得子单元，用于根据所述目标视频帧高度特征、所述目标视频帧宽度特征和所述初始视频帧通道特征，得到目标视频帧通道特征；以及

第四获得子单元，用于根据所述目标视频长度特征、所述目标视频帧高度特征、所述目标视频帧宽度特征和所述目标视频帧通道特征，得到所述目标视频。

17.根据权利要求14所述的装置，其中，所述目标图像特征向量的几何维度小于所述待处理图像的几何维度。

18.根据权利要求14所述的装置，其中，所述噪声向量的几何维度和所述目标去噪特征向量的几何维度均小于所述目标视频的几何维度。

19.一种深度学习模型的训练装置，所述深度学习模型包括第一神经网络和第二神经网络，所述装置包括：

第四获得模块，用于将输入视频序列的加噪特征向量以及所述输入视频序列中第一帧静态图像的样本图像特征向量输入第一神经网络，得到样本去噪特征向量，其中，所述输入视频序列的分辨率为第三分辨率；

第五获得模块，用于将所述样本去噪特征向量输入第二神经网络，得到第一输出视频序列，其中，所述第一输出视频序列的分辨率为第四分辨率，所述第四分辨率大于所述第三分辨率；以及

训练模块，用于根据样本视频序列、所述第一输出视频序列、所述样本去噪特征向量和所述输入视频序列的第一视频特征向量，对所述第一神经网络和所述第二神经网络进行训练，得到经训练的深度学习模型，其中，所述样本视频序列与所述输入视频序列相对应，所述经训练的深度学习模型用于实现如权利要求14-18中任一项所述的基于图像生成视频的装置。

20. 根据权利要求19所述的装置，其中，所述第五获得模块包括：

第二解码单元，用于对所述样本去噪特征向量进行解码，得到初始特征向量；以及

第二超分单元，用于对所述初始特征向量进行超分处理，得到所述第一输出视频序列。

21. 根据权利要求19所述的装置，还包括：

获取模块，用于获取所述样本视频序列，其中，所述样本视频序列的分辨率大于所述第三分辨率；以及

下采样模块，用于对所述样本视频序列进行下采样处理，得到所述输入视频序列。

22.根据权利要求19所述的装置，其中，所述样本视频序列的分辨率为所述第四分辨率。

23.根据权利要求19所述的装置，其中，所述第五获得模块包括：

第三获得单元，用于将所述输入视频序列输入第三神经网络，得到所述输入视频序列的第二视频特征向量；

第四获得单元，用于将所述第二视频特征向量输入所述第二神经网络，得到第二输出视频序列，其中，所述第二输出视频序列的分辨率为所述第四分辨率；以及

第五获得单元，用于根据所述样本视频序列和所述第二输出视频序列，对所述第三神经网络和所述第二神经网络进行训练，得到经训练的第二神经网络；以及

第六获得单元，用于将所述样本去噪特征向量输入所述经训练的第二神经网络，得到所述第一输出视频序列。

24. 根据权利要求19所述的装置，其中，所述训练模块包括：

第一训练单元，用于根据所述第一视频特征向量和所述样本去噪特征向量，对所述第一神经网络进行训练，得到经训练的第一神经网络；以及

第二训练单元，用于根据所述样本视频序列和所述第一输出视频序列，对所述经训练的第一神经网络和所述第二神经网络进行训练。

25.根据权利要求19所述的装置，其中，所述训练模块包括：

第一确定单元，用于根据所述第一视频特征向量和所述样本去噪特征向量，确定第一距离损失；

第二确定单元，用于根据所述样本视频序列和所述第一输出视频序列，确定第二距离损失；以及

第三训练单元，用于根据所述第一距离损失和所述第二距离损失，对所述深度学习模型进行训练。

26. 根据权利要求19所述的装置，还包括：

确定模块，用于确定预设几何维度，其中，所述预设几何维度小于所述输入视频序列的几何维度；以及

特征提取模块，用于根据所述预设几何维度，对所述输入视频序列进行特征提取，得到几何维度为所述预设几何维度的所述第一视频特征向量。

27. 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1-13中任一项所述的方法。

28.一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1-13中任一项所述的方法。

Images