CN115937033B - 图像生成方法、装置及电子设备 - Google Patents

Abstract

本公开提供一种图像生成方法、装置及电子设备，所述方法的一具体实施方式包括：获取目标文本、线稿图像以及噪声图像；基于所述目标文本和所述线稿图像，得到融合向量；基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像。该实施方式提高了图像的生成效果，达到了能够按照用户意愿生成图像的目的。

Description

图像生成方法、装置及电子设备

技术领域

本公开涉及图像处理技术领域，特别涉及一种图像生成方法、装置及电子设备。

背景技术

随着人工智能技术在图像领域的应用和发展，图像生成技术应运而生。目前，有根据用户需要有目的的生成图像的需求。在相关技术中，随着多模态技术的不断发展，基于文本生成图像的技术日新月异，并达到了很好的效果。但是，基于语言文本对图像进行的描述具有一定的局限性，难以满足用户的需求。

发明内容

本公开提供一种图像生成方法、装置及电子设备。

根据第一方面，提供一种图像生成方法，所述方法包括：

获取目标文本、线稿图像以及噪声图像；

基于所述目标文本和所述线稿图像，得到融合向量；

基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像。

根据第二方面，提供一种图像生成装置，所述装置包括：

获取模块，用于获取目标文本、线稿图像以及噪声图像；

融合模块，用于基于所述目标文本和所述线稿图像，得到融合向量；

去噪模块，用于基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像。

根据第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。

根据第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面中任一项所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例提供的一种图像生成方法及装置，本公开提供的一种图像生成方法，基于目标文本和线稿图像，得到到融合向量，并基于该融合向量对获取的噪声图像进行去噪处理，得到与目标文本和线稿图像匹配的目标图像。由于本实施例将带有空间信息的线稿图像和包括细节特征描述的目标文本进行融合，增加了空间信息和文本信息的耦合性，使去噪得到的目标图像与用户的需求相匹配，更好的满足了用户的需求。从而提高了图像的生成效果，达到了能够按照用户意愿生成图像的目的。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本公开根据一示例性实施例示出的一种图像生成的场景示意图；

图2是本公开根据一示例性实施例示出的一种图像生成方法的流程图；

图3是本公开根据一示例性实施例示出的一种图像生成的实例示意图；

图4是本公开根据一示例性实施例示出的一种生成方法装置框图；

图5是本公开一些实施例提供的一种电子设备的示意框图；

图6是本公开一些实施例提供的另一种电子设备的示意框图；

图7是本公开一些实施例提供的一种存储介质的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着人工智能技术在图像领域的应用和发展，图像生成技术应运而生。目前，有大量根据用户需要有目的的生成图像的需求。在相关技术中，随着多模态技术的不断发展，基于文本生成图像的技术日新月异，并达到了很好的效果。但是，基于语言文本对图像进行的描述具有一定的局限性，难以满足用户的需求。例如，想要生成的图像中包括形状、位置或者姿态等较为复杂的目标对象(如人或物品等)，难以用文本进行描述。具体地，譬如想要生成一个跳舞的女孩的图像，但是，舞蹈的姿态有很多，尤其对于非舞蹈专业人士，难以用语言描述清楚想要生成的舞蹈的姿态，因此，难以生成理想的图像。

本公开提供了一种图像生成方法，可以将用户输入的文本信息和简单的轮廓线稿作为图像生成的条件，引导图像的生成，得到满足用户需求的图像。提高了图像的生成效果，使得生成的图像与用户的需求相匹配，从而达到了能够按照用户意愿生成图像的目的。

参见图1，为根据一示例性实施例示出的一种图像生成的场景示意图。下面参考图1，结合一个完整具体的应用实例，对本公开的方案进行示意性说明。该应用实例描述了一个具体的图像生成的过程。

如图1所示，首先，用户可以提供文本T和线稿图像P，作为引导图像生成的条件。其中，文本T可以是用户对待生成目标图像的简要描述文本，线稿图像P可以是用户根据需要简单勾勒出的待生成目标图像中目标对象的轮廓与位置。例如，用户想生成一个正在跳舞的女孩的图像，则该文本T可以包括“一个正在跳舞的女孩”，线稿图像P可以是用户简单勾勒的女孩的轮廓和舞蹈姿态。

然后，将文本T输入至模型M1中进行文本特征提取，得到文本T对应的文本向量Rt。其中，文本向量Rt例如可以是文本嵌入向量，模型M1可以是能够从文本中提取文本嵌入向量的模型，本实施例对模型M1的具体类型方面不限定。同时，将线稿图像P输入至编码器E中进行图像特征提取，得到线稿图像P对应的图像向量Rp。其中，图像向量Rt可以是能够和文本向量进行信息融合的图像特征向量，编码器E可以是能够从图像中提取上述图像特征向量的编码器，本实施例对编码器E的具体类型方面不限定。

接着，可以将文本向量Rt和图像向量Rp输入至模型M2中，从而将文本向量Rt和图像向量Rp进行信息融合，得到融合有文本T的信息和线稿图像P的信息的融合向量Rr。可以理解，模型M2可以是任意能够将基于文本得到的向量和基于图像得到的向量进行信息融合的模型，本实施例对模型M2的具体类型方面不限定。可选地，模型M2可以是采用注意力机制的深度学习模型，从而能够将文本向量Rt和图像向量Rp进行更好的信息融合。

另外，获取噪声图像S，该噪声图像S可以是随机生成的高斯白噪声图像。将融合向量Rr和噪声图像S一起输入至模型M3中，模型M3可以是预先训练好的扩散模型，模型M3可以根据融合向量Rr对噪声图像S进行一步去噪操作，得到中间图像S1。中间图像S1为从噪声图像S中去除小部分噪声而得到的图像，因此，中间图像S1中仍然包括大量噪声。将中间图像S1和融合向量Rr再输入至模型M3，模型M3可以根据融合向量Rr对中间图像S1进行一步去噪操作，得到中间图像S2。后面相似的过程以此类推，在此不再赘。

可选地，还可以将文本向量Rt单独输入至模型M2，经过模型M2的处理之后，得到仅包含文本T的信息的向量Rc。在进行n步去噪操作得到中间图像Sn之后，可以将中间图像Sn和向量Rc一起输入至模型M3中，模型M3可以根据向量Rc对中间图像Sn进行一步去噪操作，得到中间图像Sn+1。之后再经过多步相似的去噪操作，得到目标图像。目标图像即为满足用户需求的清晰图像。

需要说明的是，可以对编码器E、模型M1、模型M2和模型M3一起训练，具体地，可以先获取样本图像，再获取该样本图像匹配的线稿图像。例如，可以人工手动绘制该样本图像匹配的线稿图像。又例如，还可以采用预设的图像处理算法提取该样本图像匹配的线稿图像。再例如，还可以采用机器学习模型提取该样本图像匹配的线稿图像。可以理解，还可以通过其它任意合理的方式提取该样本图像匹配的线稿图像，本实施例对此方面不限定。并获取该样本图像匹配的文本内容，例如，可以人工编辑该样本图像匹配的文本内容，或者也可以通过机器学习模型提取该样本图像匹配的文本内容等。

然后，对该样本图像进行多步加噪操作，每步加噪操作在该样本图像中加入少量高斯白噪声，得到样本噪声图像。再将样本噪声图像、该样本图像匹配的文本内容和线稿图像按照图1示出的信息流向分别输入至相应的待训练模型中，并基于输出结果计算预测损失，根据预测损失调整待训练模型的模型参数，从而完成对模型的训练。

下面将结合具体的实施例对本公开进行详细描述。

图2为根据一示例性实施例示出的一种图像生成方法的流程图。该方法的执行主体可以实现为任何具有计算、处理能力的设备、平台、服务器或设备集群。该方法包括以下步骤：

如图2所示，在步骤201中，获取目标文本、线稿图像以及噪声图像。

在本实施例中，噪声图像可以是采用高斯白噪声随机生成的，本实施例对噪声图像的具体生成方式方面不限定。目标文本可以是用户对待生成目标图像的简要描述文本，线稿图像可以是用户根据需要简单勾勒出的待生成目标图像中目标对象的轮廓与位置等。例如，用户想生成猫咪的图像，则目标文本可以包括“一只正在睡觉的慵懒的猫”，线稿图像可以是用户简单勾勒出的猫咪的轮廓和睡觉的姿态。其中，目标文本可以通过用户编辑得到，也可以是用户从多个备选文本选项中选取的文本内容。线稿图像可以通过用户手动绘制得到，也可以是用户从多个备选线稿图像选项中选取的线稿图像等。可以理解，可以通过任意合理的方式获取目标文本和线稿图像，本实施例对目标文本和线稿图像的具体获取方式方面不限定。

在步骤202中，基于目标文本和线稿图像，得到融合向量。

在本实施例中，可以基于目标文本和线稿图像，得到融合向量。在一种实现方式中，可以先利用机器学习模型将目标文本转换成参考图像，然后，再提取参考图像的图像特征和线稿图像的图像特征，将参考图像的图像特征和线稿图像的图像特征进行融合，得到融合向量。

在另一种实现方式中，还可以获取目标文本对应的文本向量作为第一特征向量，以及线稿图像对应的图像向量作为第二特征向量，将该第一特征向量和该第二特征向量进行信息融合，得到融合向量。可选地，可以利用注意力机制将该第一特征向量和该第二特征向量进行信息融合。具体来说，可以先利用预先通过图文配对数据训练的语言模型将目标文本转化成文本向量作为第一特征向量，然后，利用预先训练的编码器对线稿图像进行处理，得到图像向量作为第二特征向量。将该第一特征向量和该第二特征向量输入至基于注意力机制的深度学习模型中，该深度学习模型可以将该第一特征向量和该第二特征向量进行信息融合，得到融合向量。由于本实施例采用注意力机制对目标文本和线稿图像进行融合，从而提高了融合效果。

在步骤203中，基于融合向量对噪声图像进行去噪处理，得到与目标文本和线稿图像匹配的目标图像。

在本实施例中，可以基于上述融合向量，按照目标文本描述的内容以及线稿图像勾勒的轮廓对噪声图像进行去噪处理，得到目标图像。如图3所示，例如，目标文本301的文本内容可以包括“一朵红色的玫瑰”，线稿图像302可以是用户简单勾勒出的玫瑰的轮廓。基于目标文本和线稿图像的融合向量，对噪声图像进行去噪处理，可以得到的目标图像303。目标图像303与目标文本301的描述和线稿图像302的轮廓相一致。

在一种实现方式中，可以采用机器学习的模型或者预设算法，基于融合向量对噪声图像进行一步去噪处理，得到目标图像。

在另一种实现方式中，还可以利用预先训练的目标模型，通过多步去噪操作，对噪声图像进行去噪处理，该目标模型可以是扩散模型。其中，该多步去噪操作中可以包括至少一步第一操作，第一操作为将目标文本和线稿图像作为条件，引导去噪处理的操作(即基于融合向量进行去噪处理的操作)。

可选地，该多步去噪操作中还可以包括至少一步第二操作，第二操作为仅将目标文本作为条件，引导去噪处理的操作(即基于对目标文本对应的目标向量进行去噪处理的操作)。具体来说，发明人在多次实验中发现，全部采用目标文本和线稿图像作为条件进行去噪，更容易出现过拟合的现象，即线稿图像对目标图像的约束过大。因此，发明人想到在多步去噪操作中，除了采用目标文本和线稿图像作为条件，还可以仅采用目标文本作为条件，从而解决了去噪过程中的过拟合问题。

可以理解，在多步去噪操作中，可以将第一操作和第二操作穿插交替执行。可选地，也可以先执行完成第一操作之后，再接着执行第二操作。由于先执行以目标文本和线稿图像作为条件的第一操作，因此，线稿图像能够更好的约束目标图像中目标对象的轮廓的形成，而目标文本更多的约束目标图像中细节的形成，从而不仅避免了过拟合的问题，而且进一步提高了生成的图像的质量。

具体地，任意一步第一操作可以包括以下操作：首先，确定待去噪图像，其中，若该第一操作为多步去噪操作的首步操作，则可以将获取的上述噪声图像作为待去噪图像。若该第一操作不是首步操作，则可以将上步去噪操作的处理结果作为待去噪图像。可以理解，上步去噪操作可以是第一操作，也可以是第二操作。

接着，确定该第一操作对应的第一时序向量，并利用目标模型，基于融合向量和第一时序向量对待去噪图像进行去噪。其中，该第一时序向量(如time embedding)可以是能够表征该第一操作在上述多步去噪操作中的时序的向量。例如，该第一操作是上述多步去噪操作中的第n步操作，则该第一操作对应的第一时序向量是能够表征第n步的向量。具体来说，可以将上述融合向量与第一时序向量进行合并(例如相加)，得到第一条件向量。再采用目标模型，根据该第一条件向量和该融合向量对待去噪图像进行去噪。需要说明的是，除了融合向量之外，还可以将其它特征向量和融合向量一起与时序向量合并，得到条件向量，本实施例对此方面不限定。

对于第二操作，在进行第二操作之前，还要获取目标文本对应的文本向量作为第一特征向量，并对该第一特征向量进行转换处理得到目标向量。任意一步第二操作可以包括以下操作：首先，确定待去噪图像以及该第二操作对应的第二时序向量，其中，若该第二操作为多步去噪操作的首步操作，则可以将获取的上述噪声图像作为待去噪图像。若该第二操作不是首步操作，则可以将上步去噪操作的处理结果作为待去噪图像。可以理解，上步去噪操作可以是第一操作，也可以是第二操作。

接着，利用目标模型，基于目标向量和第二时序向量对待去噪图像进行去噪。具体来说，可以将上述目标向量与第二时序向量进行合并，得到第二条件向量。再采用目标模型，根据该第二条件向量和该目标向量对待去噪图像进行去噪。

对于本实施例，一种具体的应用场景可以为，用户想要创作一件作品，可以根据自己的想法简单勾勒出作品的线稿，并将线稿转换成预设图像格式，再编辑一段简单的文本描述。其中，线稿中包括目标对象的形状、位置和轮廓。可以将线稿和文本描述作为条件，引导生成能够体现用户想法的目标图像。

另一种具体的应用场景可以为，在侦破案件的过程中，可以由目击者从多个备选项中选取最为接近犯罪嫌疑人的面部或体态的线稿，也可以由目击者亲自勾勒出犯罪嫌疑人的面部或体态的线稿，然后再编辑一段描述犯罪嫌疑人的细节特征的文本描述。可以在线稿和文本描述的引导下，生成较为接近犯罪嫌疑人的图像。

本实施例并不限于上述的应用场景，还可以应用到其他场景中。本公开提供的一种图像生成方法，基于目标文本和线稿图像，得到到融合向量，并基于该融合向量对获取的噪声图像进行去噪处理，得到与目标文本和线稿图像匹配的目标图像。由于本实施例将带有空间信息(难以用语言描述)的线稿图像和包括细节特征描述(难以绘制)的目标文本进行融合，增加了空间信息和文本信息的耦合性，使去噪得到的目标图像与用户的需求相匹配，更好的满足了用户的需求。从而提高了图像的生成效果，达到了能够按照用户意愿生成图像的目的。

与前述图像生成方法实施例相对应，本公开还提供了图像生成装置的实施例。

如图4所示，图4是本公开根据一示例性实施例示出的一种图像生成装置的框图，该装置可以包括：获取模块401，融合模块402和去噪模块403。

其中，获取模块401，用于获取目标文本、线稿图像以及噪声图像。

融合模块402，用于基于上述目标文本和上述线稿图像，得到融合向量。

去噪模块403，用于基于该融合向量对上述噪声图像进行去噪处理，得到与目标文本和线稿图像匹配的目标图像。

在一些实施方式中，融合模块402可以包括：获取子模块和融合子模块(图中未示出)。

其中，获取子模块，用于获取目标文本对应的第一特征向量以及线稿图像对应的第二特征向量。

融合子模块，用于将第一特征向量和第二特征向量进行信息融合，得到融合向量。

在另一些实施方式中，融合子模块被配置用于：利用注意力机制将第一特征向量和第二特征向量进行信息融合。

在另一些实施方式中，去噪模块403可以包括：执行子模块(图中未示出)。

其中，执行子模块，用于利用预先训练的目标模型，执行多步去噪操作，以对噪声图像进行去噪处理。其中，该多步去噪操作中包括至少一步基于融合向量进行去噪处理的第一操作。

在另一些实施方式中，执行子模块可以通过如下方式执行任意一步第一操作：确定待去噪图像。若该第一操作为该多步去噪操作的首步操作，待去噪图像为上述噪声图像。若该第一操作为非首步操作，待去噪图像为上步去噪操作的处理结果。确定该第一操作对应的第一时序向量，利用目标模型，基于融合向量和第一时序向量对待去噪图像进行去噪。

在另一些实施方式中，执行子模块可以通过如下方式执行利用目标模型，基于融合向量和第一时序向量对待去噪图像进行去噪：至少基于融合向量与第一时序向量，得到第一条件向量。采用目标模型，根据第一条件向量和融合向量对待去噪图像进行去噪。

在另一些实施方式中，获取模块401，还用于获取目标文本对应的第一特征向量，并对第一特征向量进行转换处理得到目标向量。其中，该多步去噪操作中还包括至少一步基于目标向量进行去噪处理的第二操作。

在另一些实施方式中，执行子模块可以通过如下方式执行任意一步第二操作：确定待去噪图像以及该第二操作对应的第二时序向量。利用目标模型，基于目标向量和第二时序向量对待去噪图像进行去噪。

在另一些实施方式中，执行子模块可以先执行预设步第一操作，在执行完成第一操作之后，执行第二操作。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所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模块来实现本公开实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

图5为本公开一些实施例提供的一种电子设备的示意框图。如图5所示，该电子设备910包括处理器911和存储器912，可以用于实现客户端或服务器。存储器912用于非瞬时性地存储有计算机可执行指令(例如一个或多个计算机程序模块)。处理器911用于运行该计算机可执行指令，该计算机可执行指令被处理器911运行时可以执行上文所述的图像生成方法中的一个或多个步骤，进而实现上文所述的图像生成方法。存储器912和处理器911可以通过总线系统和/或其它形式的连接机构(未示出)互连。

例如，处理器911可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器911可以为通用处理器或专用处理器，可以控制电子设备910中的其它组件以执行期望的功能。

例如，存储器912可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器911可以运行一个或多个计算机程序模块，以实现电子设备910的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。

需要说明的是，本公开的实施例中，电子设备910的具体功能和技术效果可以参考上文中关于图像生成方法的描述，此处不再赘述。

图6为本公开一些实施例提供的另一种电子设备的示意框图。该电子设备920例如适于用来实施本公开实施例提供的图像生成方法。电子设备920可以是终端设备等，可以用于实现客户端或服务器。电子设备920可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。需要注意的是，图6示出的电子设备920仅仅是一个示例，其不会对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备920可以包括处理装置(例如中央处理器、图形处理器等)921，其可以根据存储在只读存储器(ROM)922中的程序或者从存储装置928加载到随机访问存储器(RAM)923中的程序而执行各种适当的动作和处理。在RAM 923中，还存储有电子设备920操作所需的各种程序和数据。处理装置921、ROM 922以及RAM 923通过总线924彼此相连。输入/输出(I/O)接口925也连接至总线924。

通常，以下装置可以连接至I/O接口925：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置926；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置927；包括例如磁带、硬盘等的存储装置928；以及通信装置929。通信装置929可以允许电子设备920与其他电子设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备920，但应理解的是，并不要求实施或具备所有示出的装置，电子设备920可以替代地实施或具备更多或更少的装置。

例如，根据本公开的实施例，上述图像生成方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包括用于执行上述图像生成方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置929从网络上被下载和安装，或者从存储装置928安装，或者从ROM922安装。在该计算机程序被处理装置921执行时，可以实现本公开实施例提供的图像生成方法中限定的功能。

图7为本公开一些实施例提供的一种存储介质的示意图。例如，如图7所示，存储介质930可以为非暂时性计算机可读存储介质，用于存储非暂时性计算机可执行指令931。当非暂时性计算机可执行指令931由处理器执行时可以实现本公开实施例所述的图像生成方法，例如，当非暂时性计算机可执行指令931由处理器执行时，可以执行根据上文所述的图像生成方法中的一个或多个步骤。

例如，该存储介质930可以应用于上述电子设备中，例如，该存储介质930可以包括电子设备中的存储器。

例如，存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、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)、便携式紧致盘只读存储器(CD-ROM)、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。

例如，关于存储介质930的说明可以参考电子设备的实施例中对于存储器的描述，重复之处不再赘述。存储介质930的具体功能和技术效果可以参考上文中关于图像生成方法的描述，此处不再赘述。

需要说明的是，在本公开的上下文中，计算机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。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像生成方法，所述方法包括：

获取目标文本、线稿图像以及噪声图像；

基于所述目标文本和所述线稿图像，得到融合向量；

基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像；

其中，所述基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像，包括：

利用目标模型执行多步去噪操作，以对所述噪声图像进行去噪处理；其中，所述多步去噪操作中包括至少一步基于所述融合向量进行去噪处理的第一操作；

其中，所述方法还包括：获取所述目标文本对应的第一特征向量，并对所述第一特征向量进行转换处理得到目标向量；

其中，所述多步去噪操作中还包括至少一步基于所述目标向量进行去噪处理的第二操作。

2.根据权利要求1所述的方法，其中，所述基于所述目标文本和所述线稿图像，得到融合向量，包括：

获取所述目标文本对应的第一特征向量以及所述线稿图像对应的第二特征向量；

将所述第一特征向量和所述第二特征向量进行信息融合，得到所述融合向量。

3.根据权利要求2所述的方法，其中，将所述第一特征向量和所述第二特征向量进行信息融合包括，利用注意力机制将所述第一特征向量和所述第二特征向量进行信息融合。

4.根据权利要求1所述的方法，其中，所述第一操作包括：

确定待去噪图像；若所述第一操作为所述多步去噪操作的首步操作，所述待去噪图像为所述噪声图像；若该第一操作为非首步操作，所述待去噪图像为上步去噪操作的处理结果；

确定该第一操作对应的第一时序向量；

利用所述目标模型，基于所述融合向量和所述第一时序向量对所述待去噪图像进行去噪。

5.根据权利要求4所述的方法，其中，所述利用所述目标模型，基于所述融合向量和所述第一时序向量对所述待去噪图像进行去噪，包括：

至少基于所述融合向量与所述第一时序向量，得到第一条件向量；

采用所述目标模型，根据所述第一条件向量和所述融合向量对所述待去噪图像进行去噪。

6.根据权利要求1所述的方法，其中，所述第二操作包括：

确定待去噪图像以及所述第二操作对应的第二时序向量；

利用所述目标模型，基于所述目标向量和所述第二时序向量对所述待去噪图像进行去噪。

7.根据权利要求1所述的方法，其中，所述执行多步去噪操作包括，先执行预设步所述第一操作，在执行完成所述第一操作之后，执行所述第二操作。

8.一种图像生成装置，所述装置包括：

获取模块，用于获取目标文本、线稿图像以及噪声图像；获取目标文本对应的第一特征向量，并对第一特征向量进行转换处理得到目标向量；

融合模块，用于基于所述目标文本和所述线稿图像，得到融合向量；

去噪模块，用于基于所述融合向量对所述噪声图像进行去噪处理，得到与所述目标文本和所述线稿图像匹配的目标图像；

其中，所述去噪模块包括：执行子模块；所述执行子模块，用于利用预先训练的目标模型，执行多步去噪操作，以对噪声图像进行去噪处理；

其中，所述多步去噪操作中包括至少一步基于融合向量进行去噪处理的第一操作以及至少一步基于目标向量进行去噪处理的第二操作。

9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-7中任一项所述的方法。

10.一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项所述的方法。