CN116091873A - 图像生成方法、装置、电子设备及存储介质 - Google Patents
图像生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116091873A CN116091873A CN202310369734.6A CN202310369734A CN116091873A CN 116091873 A CN116091873 A CN 116091873A CN 202310369734 A CN202310369734 A CN 202310369734A CN 116091873 A CN116091873 A CN 116091873A
- Authority
- CN
- China
- Prior art keywords
- image
- distribution
- model
- characteristic distribution
- countercurrent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 280
- 230000007547 defect Effects 0.000 claims description 149
- 238000012545 processing Methods 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 66
- 230000002441 reversible effect Effects 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 52
- 238000001514 detection method Methods 0.000 claims description 33
- 230000002950 deficient Effects 0.000 claims description 30
- 230000008878 coupling Effects 0.000 claims description 25
- 238000010168 coupling process Methods 0.000 claims description 25
- 238000005859 coupling reaction Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 19
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006740 morphological transformation Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像生成方法、装置、电子设备及存储介质。该方法包括:电子设备获取待生成图像的特征分布;其中,待生成图像的特征分布为参照图像对应的初始特征分布与随机噪声叠加生成的;基于特征分布生成对应的图像。本申请实施例通过在初始特征分布中增加随机噪声,从而可以基于特征分布生成与参照图像相似的图像,降低生成的图像失真的概率。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像生成方法、装置、电子设备及存储介质。
背景技术
目前,图像处理技术应用非常广泛,例如:通过图像处理实现分类、缺陷识别等目的。其能够降低人力成本,提高工作效率。
为了能够提高图像处理的准确度,需利用大量的图像作为训练样本,现有获得训练样本图像的方式为对现有的图像进行形态学变换、模糊、裁剪拼接和图片增强等方法,构造出对现有的图像相似的图像。这种方式生成的图像存在图像失真的情况。应当说明的是,上述的陈述仅用于提供与本申请有关的背景技术信息,而不必然地构成现有技术。
发明内容
本申请实施例的目的在于提供一种图像生成方法、装置、电子设备及存储介质,用以降低生成的图像失真的概率。
第一方面,本申请实施例提供一种图像生成方法,该方法包括:电子设备获取参照图像对应的初始特征分布;将初始特征分布与随机噪声相叠加,获得待生成图像的特征分布;基于特征分布生成对应的图像。
本申请实施例通过在初始特征分布中增加随机噪声,从而可以基于特征分布生成与参照图像相似的图像,降低生成的图像失真的概率。
在任一实施例中,在基于特征分布生成对应的图像的过程中,可以将特征分布输入可逆流模型中;基于可逆流模型的第二处理方向,对特征分布进行处理,生成特征分布对应的图像;其中,可逆流模型为利用训练图像,基于可逆流模型的第一处理方向进行训练生成;第二处理方向为第一处理方向的反方向。
本申请实施例基于可逆流模型的可逆性,将输入的特征分布生成对应的图像,其使用少量的参照图像便可生成大量的与参照图像特征相似的图像。
在任一实施例中,参照图像为带有缺陷的图像,在获取待生成图像的特征分布中,可获取带有缺陷的图像的初始特征分布和随机噪声;基于初始特征分布和随机噪声生成特征分布。
本申请实施例中,通过在带有缺陷的图像的初始特征分布中加入随机噪声,加入不同的随机噪声可以生成不同的图像,因此,使用少量的带有缺陷的图像便可生成大量的与带有缺陷的图像特征相似的图像。
在任一实施例中,可通过如下方式获取带有缺陷的图像的初始特征分布:
电子设备将带有缺陷的图像输入可逆流模型中,可逆流模型沿第一处理方向对带有缺陷的图像进行处理,获得可逆流模型输出的初始特征分布。
本申请实施例利用可逆流模型的可逆性,通过可逆流模型的第一处理方向生成带有缺陷的图像的初始特征分布,利用可逆流模型的第二处理方向对输入的特征分布进行处理,生成与带有缺陷的图像相似的图像,因此,生成初始特征分布和生成图像均使用同一个网络即可,提高了图像生成的效率。
在任一实施例中,该方法还包括缺陷检测功能,即,将待检测图像输入可逆流模型,可逆流模型沿第一处理方向对待检测图像进行处理;获得可逆流模型输出的待检测特征分布;根据待检测特征分布确定待检测图像中是否包含缺陷。
本申请实施例中的可逆流模型除了可以用于生成图像,还可以用于缺陷检测,可根据不同的输入进行相应方向的处理,使得可逆流模型应用更加广泛。
在任一实施例中,在根据待检测特征分布确定待检测图像中是否包含缺陷时,可将待检测特征分布与标准特征分布进行匹配,获得差异值;其中,该差异值用于表征待检测特征分布与标准特征分布的差异度,标准特征分布为无缺陷图像对应的特征分布;在获得差异值后,基于差异值确定待检测图像中是否包含缺陷。
本申请实施例通过将待检测特征分布与标准特征分布进行匹配,从而可以获得待检测图像与无缺陷图像之间的差异值,进而,基于差异值可以提高对待检测图像的缺陷检测的准确性。
在任一实施例中,该可逆流模型包括多个串联的可逆流模块,可逆流模块包括仿射耦合模块、随机多尺度变换模块和拼接模块;其中,仿射耦合模块包括加性耦合层、乘性耦合层和卷积层。
本申请实施例中的可逆流模型中包括的模型均为可逆的模块,从而使得可逆流模型既能够用于图像生成,又能够用于缺陷检测。
在任一实施例中,该方法还包括可逆流模型的训练过程,即,获取训练样本,训练样本包括多个无缺陷训练图像;将无缺陷训练图像输入待训练模型,以使待训练模块沿第一处理方向进行训练,获得可逆流模型。
本申请实施例通过利用无缺陷训练图像对模型进行训练,获得可逆流模型,使得训练获得的可逆流模型既保留了缺陷检测功能,又具备图像生成功能。
在任一实施例中,在基于特征分布生成图像后,还可以利用生成的图像进行模型训练,获得训练好的缺陷检测模型。本申请实施例中利用大量生成的缺陷图像进行模型训练,提高了缺陷检测模型的性能。
第二方面,本申请实施例提供另一种图像生成方法,包括:
电子设备获取带有缺陷的图像的初始特征分布和随机噪声;其中,初始特征分布为可逆流模型对带有缺陷的图像沿第一处理方向处理生成的;
基于获取到的初始特征分布和随机噪声生成待生成图像的特征分布;
在获得特征分布后,将特征分布输入可逆流模型中,基于可逆流模型的第二处理方向,对生成的特征分布进行处理,生成特征分布对应的图像;其中,第二处理方向为第一处理方向的反方向。
本申请实施例通过在带有缺陷的图像的初始特征分布中增加随机噪声,利用可逆流模型对特征分布进行处理,通过少量的带有缺陷的图像便可生成大量的与带有缺陷的图像相似的图像。
第三方面,本申请实施例提供一种图像生成装置,包括:
第一获取模块,用于获取参照图像对应的初始特征分布;
叠加噪声模块,用于将初始特征分布叠加随机噪声,获得待生成图像的特征分布;
第一图像生成模块,用于基于特征分布生成对应的图像。
第四方面,本申请实施例提供另一种图像生成装置,包括:
第二获取模块,用于获取带有缺陷的图像的初始特征分布和随机噪声;其中,初始特征分布为可逆流模型对所述带有缺陷的图像沿第一处理方向处理生成;
特征分布生成模块,用于基于初始特征分布和所述随机噪声生成待生成图像的特征分布;
第二图像生成模块,用于将特征分布输入可逆流模型中,基于可逆流模型的第二处理方向,对特征分布进行处理,生成特征分布对应的图像;其中,第二处理方向为第一处理方向的反方向。
第五方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
处理器和存储器通过总线完成相互间的通信;
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面或第二方面的方法。
第六方面,本申请实施例提供一种非暂态计算机可读存储介质,包括:
非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面或第二方面的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种图像生成方法流程示意图;
图2为本申请实施例提供的一种可逆流模型结构示意图;
图3为本申请实施例提供的另一种图像生成方法流程示意图;
图4为本申请实施例提供的一种图像生成装置结构示意图;
图5为本申请实施例提供的另一种图像生成装置结构示意图;
图6为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
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具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种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:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前,图像处理技术应用非常广泛,例如:通过图像处理实现分类、缺陷识别等目的。其能够降低人力成本,提高工作效率。其中,以缺陷识别为例,样本图像的数量及质量决定了缺陷识别的准确性。因此,为了提高缺陷识别的准确性,需要大量的缺陷样本图像。在收集带有缺陷的产品的图像时,往往存在带有缺陷的产品较少,或者带有某一类缺陷的产品较少,从而使得缺陷数据集收集难度大,收集周期长等问题,同时根据缺陷的成因不同,有的缺陷属于偶发事件,存在出现频率较低,出现情况难以预测,缺陷样本数量少的问题。
为了扩充样本数量,通常的方法是通过传统的图像处理,如形态学变换、模糊、裁剪拼接和图片增强等方法,构造出新的形态特征的缺陷图片。然后该方法生成的图片往往存在形态单一,无法生成大量形态特征不同的缺陷,并且生成的缺陷图片不真实,存在生成的缺陷图片失真的情况。
为了解决上述技术问题,本申请实施例提出了一种图像生成方法、装置、电子设备及存储介质。该图像生成方法通过在参照图像对应的初始特征分布中叠加随机噪声,获得特征分布,并根据特征分布生成对应的图像。由于是在参照图像对应的初始特征分布中增加了随机噪声,从而生成的图像的特征与参照图像相似,降低了图像生成的失真的情况。
可以理解的是,本申请实施例中的图像生成方法可以用于生成任何一种图像的相似图像,例如:在电池生产过程中,可以对带有缺陷的电池进行图像采集,获得带有缺陷的图像,利用本申请实施例提供的图像生成方法,可生成与带有缺陷的图像相似的图像,从而达到扩充带有缺陷的图像数量的目的。在实际应用中,可以对动力锂电池的带有缺陷的图像进行样本扩充,也可以对极片、模组、电池单体等图像进行样本扩充,本申请实施例对此不作具体限定。
本申请实施例提供的图像生成方法可以应用于电子设备,该电子设备包括终端以及服务器;其中终端具体可以为智能手机、平板电脑、计算机、个人数字助理(PersonalDigital Assitant,PDA)等;服务器具体可以为应用服务器,也可以为Web服务器。
图1为本申请实施例提供的一种图像生成方法流程示意图,如图1所示,该方法包括:
步骤101:电子设备获取参照图像对应的初始特征分布;
步骤102:电子设备将随机噪声与初始特征分布叠加,获得待生成图像的特征分布待生成图像的特征分布。
步骤103:在获得特征分布后,基于特征分布生成对应的图像。
在步骤101中,参照图像为电子设备预先获取到的图像,参照图像根据不同的需求而不同,例如:对于需要扩充缺陷样本数量的情况,参照图像为带有缺陷的图像,在电池生产领域,参照图像可以是对带有缺陷的电池进行图像采集获得。又如:对于地下管道缺陷检测领域,参照图像可以是对带有缺陷的管道内壁进行图像采集获得。可以理解的是,参照图像还可以是电子设备从网络中下载的图像,本申请实施例对参照图像的获得方式不做具体限定。另外,参照图像可以为彩色图像,也可以为灰度图等。
初始特征分布用于表征参照图像的特征分布情况,其可以通过对参照图像进行特征分析获得。
在步骤102中,随机噪声可以为白噪声、条件向量等,可以预先在电子设备中设置多种随机噪声,在生成图像时,从多种随机噪声中任意选择一种,将选择的随机噪声与初始特征分布叠加,获得特征分布。
另外,电子设备中可以运行有噪声生成模块,在生成图像的过程中,利用噪声生成模块生成随机噪声,电子设备将生成的随机噪声与初始特征分布进行叠加,获得特征分布。
在将初始特征分布与随机噪声叠加时,可以将二者对应的值相加。
在步骤103中,由于特征分布能够表征待生成图像的特征分布情况,因此,电子设备可以基于特征分布生成对应的图像。在具体的实施过程中,电子设备中可以运行有基于特征分布生成图像的软件,将特征分布输入该软件中,使得该软件生成对应的图像。
本申请实施例通过在初始特征分布中增加随机噪声,从而可以基于特征分布生成与参照图像的纹理、形态、特征相似的图像,降低生成的图像失真的概率。
在上述实施例的基础上,可通过如下方式生成特征分布对应的图像:
将特征分布输入电子设备中部署的可逆流模型中;其中,可逆流模型为预先利用训练图像,基于可逆流模型的第一处理方向进行训练生成;
电子设备中的可逆流模型沿着第二处理方向对特征分布进行处理,生成特征分布对应的图像;其中,第二处理方向为第一处理方向的反方向。
在具体的实施过程中,训练图像为预先收集的用来对可逆流模型进行训练的图像,在对电池进行异常检测的应用场景下,训练图像为无缺陷电池的图像。在生成电池的带有缺陷的图像的应用场景下,训练图像为无缺陷电池的图像和少量带有缺陷的图像。
可逆流模型是指可以双向处理的模型,根据输入的不同,可逆流模型可按照相应的处理方向进行处理。本申请实施例提供的可逆流模型在训练时,可将训练图像输入待训练的可逆流模型中,可逆流模型沿着第一处理方向对训练图像进行处理,并基于处理结果优化可逆流模型的内部参数,以实现对可逆流模型的训练。例如:可逆流模型包括依次连接的模块1、模块2、模块3和模块4,第一处理方向可以为将训练图像先输入模块1中,模块1对训练图像处理后将处理结果发送给模块2,模块2对接收到的处理结果进行再次处理,并将再次处理获得的结果发送给模块3,以此类推,直至模块4输出最终的结果。
基于上述示例,可逆流模型的第二处理方向可以为将特征分布先输入模块4,模块4对该特征分布进行处理后将处理结果发送给模块3,以此类推,直至获得模块1输出的结果。可以理解的是,第二处理方向可以看成是第一处理方向的逆过程,因此,在将特征分布输入可逆流模型时,可逆流模型按照第二处理方向对特征分布进行处理,输出特征分布对应的图像。
可以理解的是,还可以将生成特征分布的处理方向定义为第二处理方向,将生成图像的处理方向定义为第一处理方向,本申请实施例不对处理方向的定义做具体限定。
本申请实施例基于可逆流模型的可逆性,将输入的特征分布生成对应的图像,其使用少量的参照图像便可生成大量的与参照图像特征相似的图像。
在上述实施例的基础上,电子设备获取带有缺陷的图像的初始特征分布和随机噪声;基于初始特征分布和随机噪声生成特征分布。
在具体的实施过程中,对于扩充带有缺陷的图像数量的场景,参照图像为带有缺陷的图像,初始特征分布和随机噪声可以为预先生成的,电子设备在获取到初始特征分布和随机噪声后,将初始特征分布与随机噪声相叠加,获得新的特征分布。可以理解的是,初始特征分布可以用于表征带有缺陷的图像的特征的概率分布。随机噪声的生成参见上述实施例,此处不再赘述。
本申请实施例中,通过在带有缺陷的图像的初始特征分布中加入随机噪声,加入不同的随机噪声可以生成不同的图像,因此,使用少量的带有缺陷的图像便可生成大量的与带有缺陷的图像特征相似的图像。
在上述实施例的基础上,电子设备可以利用可逆流模型生成初始特征分布,具体方法如下:
电子设备将带有缺陷的图像输入可逆流模型,可逆流模型按照第一处理方向对带有缺陷的图像进行处理,从而输出带有缺陷的图像的初始特征分布。
在具体的实施过程中,由于可逆流模型具备双向处理的特性,因此,当输入可逆流模型的为带有缺陷的图像,那么可逆流模型按照第一处理方向对带有缺陷的图像进行处理,可以理解的是,第一处理方向为可逆流模型将输入的图像解析为特征分布的处理方向。因此,可逆流模型可以输出带有缺陷的图像对应的初始特征分布。该初始特征分布中横坐标为可逆流模型输出的符合正态分布的输出值,纵坐标为输出值的概率,因此,初始特征分布为一种概率分布。
本申请实施例利用可逆流模型的可逆性,通过可逆流模型的第一处理方向生成带有缺陷的图像的初始特征分布,利用可逆流模型的第二处理方向对输入的特征分布进行处理,生成与带有缺陷的图像相似的图像,因此,生成初始特征分布和生成图像均使用同一个网络即可,提高了图像生成的效率。
在上述实施例的基础上,本申请实施例中所提供的可逆流模型还可以用于缺陷检测,其缺陷检测的方法如下:
电子设备将待检测图像输入可逆流模型,可逆流模型沿第一处理方向对待检测图像进行处理,从而输出待检测图像对应的待检测特征分布;
根据待检测特征分布确定待检测图像中是否包含缺陷。
在具体的实施过程中,待检测图像是指对待检测对象进行图像采集后获得的图像,例如:对电池进行缺陷检测,那么可对电池进行图像采集,获得待检测图像。电子设备在获取到待检测图像后,将待检测图像输入可逆流模型中,可逆流模型对输入的待检测图像进行处理,在处理时,按照第一处理方向进行处理,从而可输出待检测图像对应的待检测特征分布。
由于待检测特征分布表征了待检测图像的特征分布情况,因此,向可逆流模型中输入不同的图像,该可逆流模型输出的特征分布也不相同。仍以电池的缺陷检测为例,缺陷电池对应的特征分布与正常的电池对应的特征分布不同,因此,可基于可逆流模型输出的待检测特征分布确定待检测图像中是否包含缺陷。
可以理解的是,待检测图像中是否包含缺陷具体是指待检测图像对应的待检测对象是否包含缺陷。仍以电池缺陷检测为例,根据待检测特征分布可以确定待检测电池是否包含缺陷。
本申请实施例中基于可逆流模型的可逆性,可逆流模型除了可以用于生成图像,还可以用于缺陷检测,可根据不同的输入进行相应方向的处理,使得可逆流模型应用更加广泛。
在上述实施例的基础上,在确定待检测图像中是否包含缺陷的过程中,电子设备将待检测特征分布与无缺陷图像对应的标准特征分布进行匹配,获得二者之间的差异值,根据该差异值判断待检测图像中是否包含缺陷。
在具体的实施过程中,电子设备可以获取标准特征分布,标准特征分布是指无缺陷图像对应的特征分布,其也可以是由可逆流模型对无缺陷图像按照第一处理方向进行处理后获得。因此,标准特征分布可以是电子设备预先获得并存储的。
电子设备在获得待检测特征分布和标准特征分布后,将二者进行匹配,获得二者之间的差异值,例如:可以计算待检测特征分布与标准特征分布之间的相似度,其相似度计算方法可以是计算待检测特征分布与标准特征分布之间的距离,例如:欧氏距离、汉明距离、曼哈顿距离等,还可以是计算二者的余弦值,本申请实施例对差异值的具体计算方法不作限定。
在获得待检测特征分布和标准特征分布之间的差异值后,如果差异值较大,则说明待检测图像与无缺陷图像相差较大,从而可以确定待检测图像中包含缺陷。反之说明待检测图像与无缺陷图像相差较小,待检测图像中不包含缺陷。应当说明的是,在判断差异值大小时,可以在电子设备中设置差异阈值,如果差异值大于差异阈值,则说明待检测图像与无缺陷图像相差较大;如果差异值不大于差异阈值,则说明待检测图像与无缺陷图像相差较小。
本申请实施例通过将待检测特征分布与标准特征分布进行匹配,从而可以获得待检测图像与无缺陷图像之间的差异值,进而,基于差异值可以提高对待检测图像的缺陷检测的准确性。
在上述实施例的基础上,图2为本申请实施例提供的一种可逆流模型结构示意图,如图2所示,该可逆流模型包括多个串联的可逆流模块,每一可逆流模块包括仿射耦合模块、随机多尺度变换模块和拼接模块;其中,仿射耦合模块包括加性耦合层、乘性耦合层和卷积层。可以理解的是,图2中仅仅示出了一个可逆流模块,在实际应用中,可逆流模型包括多个可逆流模块串联,可逆流模块的数量本申请不作具体限定。并且,图2中的箭头流向为按照第一处理方向进行标注。
在具体的实施过程中,标准流模型网络的总体思路是对输入图片的特征分布作特征变换。模型通过将输入图片的复杂的特征分布x编码为隐变量z,并利用多次的流模型变换模块进行多次特征分布变换,使z服从已知的、简单的标准正态分布。在对可逆流模型的训练过程中,可逆流模型只需输入无缺陷图片进行训练,可逆流模型的编码层(encoder)会将输入的无缺陷图片中复杂的特征分布转换为简单的标准正态分布。可逆流模型的encoder包含连续的多个可逆流模块,用于对输入特征分布对多次特征分布变换,而每个可逆流模块又包括仿射耦合模块,随机多尺度变换模块和拼接模块等结构。其中,仿射耦合模块包含了多个加性耦合层和乘性耦合层和卷积层的堆叠,主要用于的特征变换,使得模型既具有较好的拟合能力。为了可以更好地处理图像问题。本申请实施例在仿射耦合模块中引入了微小卷积层,用于更好地处理图像的空间信息,并能更准确地提取图像的特征,减少模型复杂度。此外,可逆流模型结构中还引用了随机多尺度模块(split)的设计结构,其提供了较好的正则效果,使得生成图片质量得到提升,提高可逆流模型的鲁棒性。拼接模块(concat)用于将多个中间结果拼接起来。
输入图像的特征分布在经过以上的变换处理后,会得到一个更加简单的新的分布,而每个分布的转换都可以通过一个分布变换的雅可比矩阵进行转换。最终,模型的encoder部分通过不断地利用可逆流模型模块对输入图片特征分布进行变换,使原先的无缺陷图像对应的复杂的特征分布转换为简单的正态分布。因此,向可逆流模型输入无缺陷图片,该可逆流模型输出的是正态分布;输入缺陷图片时,缺陷部分的分布与标准正态分布距离较远,用训练完成的可逆流模型可用于无监督异常检测的任务。
可以将可逆流模型中第一处理方向称为正向传播,第二处理方向称为反向传播。其中正向传播时的变换公式为:
其中,和表示特征输入;和表示特征输出;卷积运算;表示加性耦合层和乘性耦合层的运算。
反向传播时的变换公式为:
通过上述公式可知,可逆流模型在进行逆变换时不需要对进行逆变换,因此,不会影响流模型的整体可逆性,另外使用可以更好的提取特征。
此外,由于可逆流模型的计算原理是通过精准的特征分布变换,并在每次变换之后都可获得变换之间的雅可比矩阵,因此该可逆流模型是可计算的(tractable)。其中,雅克比矩阵如下所示:
其中,表示行列式为1的单位矩阵。并且由于可逆流模块为根据变量替换定理得到的变换雅可比矩阵是对角矩阵,其行列式为定值,即为矩阵对角线的元素的乘积,使得计算雅可比矩阵行列式的工作量大大减少,使模型训练能够最终实现收敛。由于对角矩阵行列式不为0,所以该可逆流模型的各个变换均是可逆变换,因此训练得到的模型也是一个可逆的标准流模型。由于可逆流模型是对输入特征分布作分布变换,因此可逆流模型训练时使用的损失函数是计算输出值与正态分布之间的距离(KL距离),使得模型对其输出结果具有较高的可解释性。
本申请实施例中的可逆流模型中包括的模型均为可逆的模块,从而使得可逆流模型既能够用于图像生成,又能够用于缺陷检测。
在上述实施例的基础上,在对可逆流模型进行训练的过程中,可获取训练样本,该训练样本包括多个无缺陷训练图像;在获得训练样本后,将训练样本中的无缺陷图像输入待训练模型中,利用无缺陷图像对待训练模型进行训练。
在具体的实施过程中,可以将无缺陷训练图像划分多个批次,每轮使用一个批次的无缺陷训练图像对待训练模型进行训练,其训练的目的是使得模型输出的特征分布满足正态分布。因此,待训练模型按照第一处理方向对无缺陷训练图像进行处理,输出无缺陷训练图像的特征分布,然后将无缺陷训练图像的特征分布与正态分布进行比较,反向优化待训练模型的内部参数,以完成一次迭代训练。在到达停止训练条件的情况下,完成模型的训练过程,获得训练完成的可逆流模型。其中,停止训练条件可以是预设迭代次数,也可以是损失函数的变化率小于预设值等,本申请实施例对此不作具体限定。
本申请实施例通过利用无缺陷训练图像对模型进行训练,获得可逆流模型,使得训练获得的可逆流模型既保留了缺陷检测功能,又具备图像生成功能。
在上述实施例的基础上,对于生成的是带有缺陷的图像的情况,在利用上述各实施例生成大量的图像后,利用生成的图像对缺陷检测模型进行训练,获得训练好的缺陷检测模型。
在具体的实施过程中,缺陷检测模型用于对输入的待识别图像进行缺陷检测,具体可以检测待识别图像中是否包含缺陷,还可以识别缺陷的位置等。该缺陷检测模型可以为通过神经网络构建的,也可以采用其他网络,本申请实施例对此不作具体限定。
在电池生产工序中,常常引入深度学习算法训练的神经网络模型进行辅助检测缺陷,由于生产出的电池存在缺陷的数量较少,因此,训练神经网络模型所需的缺陷图像在收集过程中较困难。通过本申请上述各实施例提供的图像生成方法,基于少量的带有缺陷的图像,在该图像对应的初始特征分布上叠加不同的随机噪声,可以生成多种与带有缺陷的图像相似的缺陷图像。从而可以采用生成的缺陷图像对神经网络模型(即缺陷检测模型)进行训练。
本申请实施例通过利用可逆流模型生成大量的缺陷图像,能够减少检测模型收集缺陷图片的周期,更快速地完成模型训练并投入生产检测,最终达到降低产品风险和缺陷漏杀率,提高缺陷检出率和产品优率的目的。
图3为本申请实施例提供的另一种图像生成方法流程示意图,如图3所示,该方法包括:
步骤301:电子设备获取带有缺陷的图像的初始特征分布和随机噪声;
步骤302:电子设备基于初始特征分布和随机噪声生成待生成图像的特征分布;
步骤303:电子设备将特征分布输入可逆流模型中;
步骤304:基于可逆流模型的第二处理方向,对特征分布进行处理,生成特征分布对应的图像;其中,第二处理方向为第一处理方向的反方向。
在具体的实施过程中,电子设备获取带有缺陷的图像,将带有缺陷的图像输入可逆流模型中,可逆流模型对带有缺陷的图像沿第一处理方向处理,获得对应的初始特征分布。随机噪声也可以是电子设备中的噪声生成模块随机生成。电子设备将初始特征分布与随机噪声进行叠加,生成特征分布。
在生成特征分布后,电子设备将特征分布输入可逆流模型中,利用可逆流模型的可逆性,使得按照第二处理方向对特征分布进行处理,可逆流模型输出特征分布对应的图像,输出的图像与带有缺陷的图像在纹理、形态、特征上较为相似。
可以理解的是,第一处理方向为将输入的图像生成对应的特征分布;第二处理方法为将输入的特征分布生成对应的图像。因此,第一处理方向和第二处理方向为互逆的。
本申请实施例中,在使用无缺陷图片训练完成后的可逆流模型,得到了可逆流模型的encoder部分,在应用于生成任务中可以使用可逆流模型的decoder部分。由于该网络是一个整体可逆的网络,因此当可逆流模型用于第一处理方向进行处理时,使用的为可逆流模型的encoder,将可逆流模型应用于第二处理方向进行处理时,使用可逆流模型的decoder。在生成任务时,如果输入的是缺陷图片,则缺陷区域得到的特征分布会距离标准正态分布较远,使用少量的缺陷图片作为输入,通过可逆流模型即可获得缺陷的特征分布。在得到缺陷的特征分布后,通过向特征分布中加入随机噪声,即可得到类似于该缺陷的对应的特征分布。之后将新生成的特征分布作为输入,利用可逆流模型的可逆性,由特征分布得到新的缺陷图片。根据加入的噪声向量的不同,可以生成大量与输入缺陷图片形态纹理和特征相似但不相同的同类型缺陷图片。这样即可实现利用少量缺陷样本图片,模拟现场收集缺陷图片的情况,生成大量相似的同类型的缺陷图片。
图4为本申请实施例提供的一种图像生成装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括:第一获取模块401和第一图像生成模块402,其中:
第一获取模块401用于获取待生成图像的特征分布;其中,特征分布为初始特征分布与随机噪声叠加生成的;
第一图像生成模块402用于基于特征分布生成对应的图像。
在上述实施例的基础上,第一图像生成模块402具体用于:
将特征分布输入可逆流模型中;其中,可逆流模型为利用训练图像,基于可逆流模型的第一处理方向进行训练生成;
基于可逆流模型的第二处理方向,对特征分布进行处理,生成特征分布对应的图像;其中,第二处理方向为第一处理方向的反方向。
在上述实施例的基础上,参照图像为带有缺陷的图像;第一获取模块401具体用于:
获取随机噪声;
将初始特征分布和随机噪声进行叠加,获得特征分布。
在上述实施例的基础上,第一获取模块401具体用于:
将带有缺陷的图像输入可逆流模型,以使可逆流模型沿第一处理方向对带有缺陷的图像进行处理;
获得可逆流模型输出的初始特征分布。
在上述实施例的基础上,该装置还包括缺陷检测模块,用于:
将待检测图像输入可逆流模型,以使可逆流模型沿第一处理方向对待检测图像进行处理;
获得可逆流模型输出的待检测特征分布;
根据待检测特征分布确定待检测图像中是否包含缺陷。
在上述实施例的基础上,缺陷检测模块具体用于:
将待检测特征分布与标准特征分布进行匹配,获得差异值;其中,标准特征分布为无缺陷图像对应的特征分布;
基于差异值确定待检测图像中是否包含缺陷。
在上述实施例的基础上,该可逆流模型包括多个串联的可逆流模块,可逆流模块包括仿射耦合模块、随机多尺度变换模块和拼接模块;仿射耦合模块包括加性耦合层、乘性耦合层和卷积层。
在上述实施例的基础上,该装置还包括第一模型训练模块,用于:
获取训练样本,训练样本包括多个无缺陷训练图像;
将无缺陷训练图像输入待训练模型,以使待训练模块沿第一处理方向进行训练,获得可逆流模型。
在上述实施例的基础上,该装置还包括第二模型训练模块,用于:
利用生成的所述图像对缺陷检测模型进行训练,获得训练好的缺陷检测模型;所述缺陷检测模型用于对输入的待识别图像进行缺陷检测。
图5为本申请实施例提供的另一种图像生成装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图3方法实施例对应,能够执行图3方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括:第二获取模块501、特征分布生成模块502和第二图像生成模块503,其中:
第二获取模块501用于获取带有缺陷的图像的初始特征分布和随机噪声;其中,所述初始特征分布为可逆流模型对所述带有缺陷的图像沿第一处理方向处理生成;
特征分布生成模块502用于基于所述初始特征分布和所述随机噪声生成待生成图像的特征分布;
第二图像生成模块503用于将所述特征分布输入可逆流模型中,基于所述可逆流模型的第二处理方向,对所述特征分布进行处理,生成所述特征分布对应的图像;其中,所述第二处理方向为所述第一处理方向的反方向。
图6为本申请实施例提供的电子设备实体结构示意图,如图6所示,所述电子设备,包括:处理器(processor)601、存储器(memory)602和总线603;其中:
所述处理器601和存储器602通过所述总线603完成相互间的通信;
所述处理器601用于调用所述存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待生成图像的特征分布;其中,特征分布为初始特征分布与随机噪声叠加生成;初始特征分布为参照图像对应的特征分布;基于特征分布生成对应的图像。
处理器601可以是一种集成电路芯片,具有信号处理能力。上述处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器602可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)等。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待生成图像的特征分布;其中,特征分布为初始特征分布与随机噪声叠加生成;初始特征分布为参照图像对应的特征分布;基于特征分布生成对应的图像。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待生成图像的特征分布;其中,特征分布为初始特征分布与随机噪声叠加生成;初始特征分布为参照图像对应的特征分布;基于特征分布生成对应的图像。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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通信接口,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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种图像生成方法,其特征在于,包括:
获取参照图像对应的初始特征分布;
将所述初始特征分布叠加随机噪声,获得待生成图像的特征分布;
基于所述特征分布生成对应的图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述特征分布生成对应的图像,包括:
将所述特征分布输入可逆流模型中;其中,所述可逆流模型为利用训练图像,基于所述可逆流模型的第一处理方向进行训练生成;
基于所述可逆流模型的第二处理方向,对所述特征分布进行处理,生成所述特征分布对应的图像;其中,所述第二处理方向为所述第一处理方向的反方向。
3.根据权利要求2所述的方法,其特征在于,所述参照图像为带有缺陷的图像;所述将所述初始特征分布叠加随机噪声,获得待生成图像的特征分布,包括:
获取随机噪声;
将所述初始特征分布和所述随机噪声进行叠加,获得所述特征分布。
4.根据权利要求3所述的方法,其特征在于,所述获取参照图像对应的初始特征分布,包括:
将所述带有缺陷的图像输入所述可逆流模型,以使所述可逆流模型沿所述第一处理方向对所述带有缺陷的图像进行处理;
获得所述可逆流模型输出的所述初始特征分布。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将待检测图像输入所述可逆流模型,以使所述可逆流模型沿所述第一处理方向对所述待检测图像进行处理;
获得所述可逆流模型输出的待检测特征分布;
根据所述待检测特征分布确定所述待检测图像中是否包含缺陷。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待检测特征分布确定所述待检测图像中是否包含缺陷,包括:
将所述待检测特征分布与标准特征分布进行匹配,获得差异值;
基于所述差异值确定所述待检测图像中是否包含缺陷。
7.根据权利要求2所述的方法,其特征在于,所述可逆流模型包括多个串联的可逆流模块,所述可逆流模块包括仿射耦合模块、随机多尺度变换模块和拼接模块;所述仿射耦合模块包括加性耦合层、乘性耦合层和卷积层。
8.根据权利要求2-7任一项所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括多个无缺陷训练图像;
将所述无缺陷训练图像输入待训练模型,以使所述待训练模型沿所述第一处理方向进行训练,获得可逆流模型。
9.根据权利要求8所述的方法,其特征在于,在基于所述特征分布生成对应的图像之后,所述方法还包括:
利用生成的所述图像对缺陷检测模型进行训练,获得训练好的缺陷检测模型;所述缺陷检测模型用于对输入的待识别图像进行缺陷检测。
10.一种图像生成方法,其特征在于,包括:
获取带有缺陷的图像的初始特征分布和随机噪声;其中,所述初始特征分布为可逆流模型对所述带有缺陷的图像沿第一处理方向处理生成;
基于所述初始特征分布和所述随机噪声生成待生成图像的特征分布;
将所述特征分布输入可逆流模型中;
基于所述可逆流模型的第二处理方向,对所述特征分布进行处理,生成所述特征分布对应的图像;其中,所述第二处理方向为所述第一处理方向的反方向。
11.一种图像生成装置,其特征在于,包括:
第一获取模块,用于获取参照图像对应的初始特征分布;
叠加噪声模块,用于将所述初始特征分布叠加随机噪声,获得待生成图像的特征分布;
第一图像生成模块,用于基于所述特征分布生成对应的图像。
12.一种图像生成装置,其特征在于,包括:
第二获取模块,用于获取带有缺陷的图像的初始特征分布和随机噪声;其中,所述初始特征分布为可逆流模型对所述带有缺陷的图像沿第一处理方向处理生成;
特征分布生成模块,用于基于所述初始特征分布和所述随机噪声生成待生成图像的特征分布;
第二图像生成模块,用于将所述特征分布输入可逆流模型中,基于所述可逆流模型的第二处理方向,对所述特征分布进行处理,生成所述特征分布对应的图像;其中,所述第二处理方向为所述第一处理方向的反方向。
13.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-10任一项所述的方法。
14.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369734.6A CN116091873B (zh) | 2023-04-10 | 2023-04-10 | 图像生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369734.6A CN116091873B (zh) | 2023-04-10 | 2023-04-10 | 图像生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091873A true CN116091873A (zh) | 2023-05-09 |
CN116091873B CN116091873B (zh) | 2023-11-28 |
Family
ID=86201101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310369734.6A Active CN116091873B (zh) | 2023-04-10 | 2023-04-10 | 图像生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091873B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563673A (zh) * | 2023-07-10 | 2023-08-08 | 浙江华诺康科技有限公司 | 烟雾训练数据生成方法、装置和计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
WO2020186702A1 (zh) * | 2019-03-18 | 2020-09-24 | 北京市商汤科技开发有限公司 | 图像生成方法及装置、电子设备和存储介质 |
CN113362230A (zh) * | 2021-07-12 | 2021-09-07 | 昆明理工大学 | 一种基于小波变换的可逆流模型图像超分辨率的方法 |
CN113610787A (zh) * | 2021-07-27 | 2021-11-05 | 广东省科技基础条件平台中心 | 图像缺陷检测模型的训练方法、装置、计算机设备 |
CN114187441A (zh) * | 2021-12-08 | 2022-03-15 | 深圳市商汤科技有限公司 | 接触网部件缺陷检测方法、装置、电子设备及存储介质 |
WO2023030182A1 (zh) * | 2021-08-30 | 2023-03-09 | 华为技术有限公司 | 图像生成方法及装置 |
WO2023051335A1 (zh) * | 2021-09-30 | 2023-04-06 | 华为技术有限公司 | 数据编码方法、数据解码方法以及数据处理装置 |
-
2023
- 2023-04-10 CN CN202310369734.6A patent/CN116091873B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186702A1 (zh) * | 2019-03-18 | 2020-09-24 | 北京市商汤科技开发有限公司 | 图像生成方法及装置、电子设备和存储介质 |
CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
CN113362230A (zh) * | 2021-07-12 | 2021-09-07 | 昆明理工大学 | 一种基于小波变换的可逆流模型图像超分辨率的方法 |
CN113610787A (zh) * | 2021-07-27 | 2021-11-05 | 广东省科技基础条件平台中心 | 图像缺陷检测模型的训练方法、装置、计算机设备 |
WO2023030182A1 (zh) * | 2021-08-30 | 2023-03-09 | 华为技术有限公司 | 图像生成方法及装置 |
WO2023051335A1 (zh) * | 2021-09-30 | 2023-04-06 | 华为技术有限公司 | 数据编码方法、数据解码方法以及数据处理装置 |
CN114187441A (zh) * | 2021-12-08 | 2022-03-15 | 深圳市商汤科技有限公司 | 接触网部件缺陷检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
LILIAN WENG: "Flow-based Deep Generative Models", pages 4, Retrieved from the Internet <URL:https://lilianweng.github.io/posts/2018-10-13-flow-models/> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563673A (zh) * | 2023-07-10 | 2023-08-08 | 浙江华诺康科技有限公司 | 烟雾训练数据生成方法、装置和计算机设备 |
CN116563673B (zh) * | 2023-07-10 | 2023-12-12 | 浙江华诺康科技有限公司 | 烟雾训练数据生成方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116091873B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multistage attention network for image inpainting | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
US20210004587A1 (en) | Image detection method, apparatus, device and storage medium | |
CN116091873B (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
CN103559697A (zh) | 基于fft的碎纸片纵切拼接复原算法 | |
CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
CN105868778A (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
CN114596609A (zh) | 一种视听伪造检测方法及装置 | |
He et al. | Rolling bearing fault diagnosis based on meta-learning with few-shot samples | |
CN104156938A (zh) | 一种图像连通区域描述方法及其在图像配准中的应用方法 | |
CN113112531A (zh) | 一种图像匹配方法及装置 | |
Chen et al. | Identification of image global processing operator chain based on feature decoupling | |
Cen et al. | Classification of occluded images for large-scale datasets with numerous occlusion patterns | |
CN102867306B (zh) | 一种用于数字图像拷贝-粘贴伪造检测的方法 | |
He et al. | Enhanced features in image manipulation detection | |
Hansda et al. | Copy-move image forgery detection via combined pseudo-zernike moment invariant | |
Xu et al. | Dual priors network for rgb-d salient object detection | |
CN106327423A (zh) | 基于有向线段的遥感图像配准方法及系统 | |
Yu et al. | Learning to Upsample Smoke Images via a Deep Convolutional Network | |
CN114582006B (zh) | 儿童跨年龄的面部识别方法、装置、电子设备及介质 | |
CN117522884B (zh) | 一种海洋遥感图像语义分割方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |