CN116205819A - 字符图像生成方法、深度学习模型的训练方法和装置 - Google Patents
字符图像生成方法、深度学习模型的训练方法和装置 Download PDFInfo
- Publication number
- CN116205819A CN116205819A CN202310297223.8A CN202310297223A CN116205819A CN 116205819 A CN116205819 A CN 116205819A CN 202310297223 A CN202310297223 A CN 202310297223A CN 116205819 A CN116205819 A CN 116205819A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- noise
- inferred
- preset
- 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 91
- 238000013136 deep learning model Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000009792 diffusion process Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种字符图像生成方法、深度学习模型的训练方法、装置和设备,涉及人工智能技术领域,具体涉及深度学习和计算机视觉等技术领域,可应用于AIGC等场景。字符图像生成方法包括:获取初始图像,初始图像包括噪声;将初始图像作为待推理图像执行推理操作,推理操作包括:将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;将融合图像输入深度学习模型,以得到中间噪声图像,中间噪声图像表征对待推理图像中的噪声的推理结果;以及基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像;以及基于推理后的图像,得到包括具有目标字体的目标字符的目标图像。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习和计算机视觉等技术领域,可应用于AIGC等场景,特别涉及一种字符图像生成方法、用于字符图像生成的深度学习模型的训练方法、字符图像生成装置、用于字符图像生成的深度学习模型的训练装置、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。
目前学术界和工业界已有一些基于深度学习模型的字体生成方法,但现有的方法生成的结果均不理想。
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
本公开提供了一种字符图像生成方法、用于字符图像生成的深度学习模型的训练方法、字符图像生成装置、用于字符图像生成的深度学习模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种字符图像生成方法,该方法包括:获取初始图像,初始图像包括噪声;将初始图像作为待推理图像执行推理操作,推理操作包括:将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;将融合图像输入深度学习模型,以得到中间噪声图像,中间噪声图像表征对待推理图像中的噪声的推理结果;以及基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像;以及基于推理后的图像,得到包括具有目标字体的目标字符的目标图像。
根据本公开的一方面,提供了一种字符图像模型的训练方法,该方法包括:获取包括具有样本目标字体的样本目标字符的样本目标图像;根据样本预设概率分布进行随机采样,以得到样本噪声图像;向样本目标图像叠加样本噪声图像,以得到样本待处理图像;将样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;将第一样本融合图像输入深度学习模型,以得到预测噪声图像,预测噪声图像表征对样本噪声图像的推理结果;基于样本噪声图像和预测噪声图像,确定损失值;以及基于损失值,调整深度学习模型的参数,以得到字符图像生成模型。
根据本公开的一方面,提供了一种字符图像生成装置,该装置包括:第一获取单元,被配置为获取初始图像,初始图像包括噪声;第一推理单元,被配置为将初始图像作为待推理图像执行推理操作,第一推理单元包括:融合子单元,被配置为将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;推理子单元,被配置为将融合图像输入深度学习模型,以得到中间噪声图像,中间噪声图像表征对待推理图像中的噪声的推理结果;以及生成子单元,被配置为基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像;以及生成单元,被配置为基于推理后的图像,得到包括具有目标字体的目标字符的目标图像。
根据本公开的一方面,提供了一种字符图像生成模型的训练装置,该装置包括:第二获取单元,获取包括具有样本目标字体的样本目标字符的样本目标图像;采样单元,被配置为根据样本预设概率分布进行随机采样,以得到样本噪声图像;叠加单元,被配置为向样本目标图像叠加样本噪声图像,以得到样本待处理图像;融合单元,被配置为将样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;第二推理单元,被配置为将第一样本融合图像输入深度学习模型,以得到预测噪声图像,预测噪声图像表征对样本噪声图像的推理结果;确定单元,被配置为基于样本噪声图像和预测噪声图像,确定损失值;以及调参单元,被配置为基于损失值,调整深度学习模型的参数,以得到字符图像生成模型。
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,这些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,计算机指令用于使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,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,通过在对初始图像进行推理去噪的过程中将预设字体的预设图像与初始图像进行融合,使得能够直接地利用该预设图像作为参考进行目标字体的目标图像生成,从而提升生成的字体图像的质量和稳定性。
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示出了根据本公开示例性实施例的字符图像生成方法的流程图;
图3示出了根据本公开示例性实施例的扩散模型的示意图;
图4示出了根据本公开示例性实施例的所生成的包括具有目标字体的目标字符的目标图像的示意图;
图5示出了根据本公开示例性实施例的所生成的包括具有目标字体的目标字符的目标图像的示意图;
图6示出了根据本公开示例性实施例的U-网络(U-Net)的示意图;
图7示出了根据本公开示例性实施例的用于字符图像生成的深度学习模型的训练方法的流程图;
图8示出了根据本公开示例性实施例的字符图像生成装置的结构框图;
图9示出了根据本公开示例性实施例的用于字符图像生成的深度学习模型的训练装置的结构框图;以及
图10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元件与另一元件区分开。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,现有的字体生成方法多使用生成对抗网络进行生成,但这样的方式生成的字型不稳定,容易出现笔画缺损、扭曲,偏旁一致性低等问题。
为解决上述问题,本公开通过在对初始图像进行推理去噪的过程中将预设字体的预设图像与初始图像进行融合,使得能够直接地利用该预设图像作为参考进行目标字体的目标图像生成,从而提升生成的字体图像的质量和稳定性。
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生成字符图像方法或用于字符图像生成的深度学习模型的训练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)网络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各种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来进行人机交互。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使用的数据存储库可以在服务器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使用的数据库可以是数据库,例如关系数据库。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。
根据本公开的一方面,提供了一种字符图像生成方法。如图2所示,字符图像生成方法包括:步骤S201、获取初始图像,初始图像包括噪声;步骤S202、将初始图像作为待推理图像执行推理操作。推理操作包括:步骤S203、将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;步骤S204、将融合图像输入深度学习模型,以得到中间噪声图像中间噪声图像表征对待推理图像中的噪声的推理结果;以及步骤S205、基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像。字符图像生成方法还包括:步骤S206、基于推理后的图像,得到包括具有目标字体的目标字符的目标图像。
在一些实施例中,深度学习模型可以是扩散模型(Diffusion模型),或者可以认为是扩散模型中的U-网络(U-Net)。如图3所示,扩散模型可以包括两个过程:前向扩散过程302和逆向推理过程304。
在前向扩散过程中,具体做法是给定一张真实图像x0,通过预设数值T次累计对其添加预设概率分布(例如,高斯分布)噪声,得到x1,x2...xT,如图3中q(xt|xt-1)的过程。这里需给定一系列的预设概率分布的预设参数(例如,高斯分布方差的超参数)前向过程由于每个时刻t只与t-1时刻有关,所以也可以看作马尔科夫过程,具体公式如下:
其中,αt=1-βt,在前向扩散过程中,随着t的增大,xt越来越接近纯噪声。当T趋于无穷时,xT是完全的高斯噪声,即纯噪声图像。实际中,βt是随t增大的,即β1<β2<…<βt。在一个示例性实施例中,βt是由0.0001到0.02线性插值得到的,其中T=1000。通过一系列推导可以通过x0和β快速得到xt。具体公式如下:
前向扩散过程可以被认为是加噪的过程,逆向推理过程可以被认为是去噪推断过程。在训练扩散模型时,需要先对原图进行前向扩散加噪,再利用扩散模型进行逆向推理去噪,并使得模型输出的结果尽可能接近前向扩散的过程中得到的结果,如下文将要描述的。
如果能够逐步得到逆转后的分布q(xt|xt-1),就可以从完全的预设概率分布(例如,高斯分布)还原出原图分布x0。然而由于无法简单推断q(xt|xt-1),因此可以使用深度学习模型(参数为θ,可以使用U-Net结构)去预测这样的一个逆向的分布pθ,从而达到去噪的目的,如下文将要描述的。
扩散模型用于传统的图像生成、文生图等领域,但目前尚未有公开内容将其用于进行字体生成。在一些实施例中,扩散模型也可以用于基于图像生成图像,即提取图像特征,再利用图像特征对生成过程进行“引导”。如果直接用这种方式进行字体生成,会使得得到的字型不稳定,容易出现笔画扭曲、残缺,笔画和偏旁的一致性低等问题。在一个示例性实施例中,如图4所示,基于包括具有预设字体的预设字符的预设图像402,如果利用扩散模型通过使用上面描述的基于图像生成图像的方法进行目标字体图像生成,则得到的目标图像404中会出现笔画缺损406、笔画不统一(408、410和412三处的顿笔形状均不一致)等问题。
由此,通过在对初始图像进行推理去噪的过程中将预设字体的预设图像与初始图像进行融合,使得能够直接地利用该预设图像作为参考进行目标字体的目标图像生成,从而提升生成的字体图像的质量和稳定性。
在一个示例性实施例中,如图5所示,基于(a)部分中示出的预设图像,通过使用本公开的方法能够得到(b)部分中所示出的目标图像。可以看出,通过使用本公开的方法得到的结果字型稳定、风格相同、笔画一致,具有很高的质量。本公开的方法还可以用于生成其他语言的字符。图5中(c)部分示出了通过使用本公开的方法得到的拉丁字母的生成结果。
根据一些实施例,初始图像可以是根据预设概率分布进行随机采样而得到的纯噪声图像。如上文所描述的,扩散模型的逆向过程即为去噪过程。通过使用深度学习模型进行推理,能够从完全根据预设概率分布进行随机采样而得到的纯噪声图像中还原出原图(即,不包含噪声的图像)。
在一些实施例中,预设数值可以是根据扩散模型而确定的,或者是在对扩散模型的训练阶段确定的。其含义为,对一张图像进行预设数值T次扩散后得到图像可以被认为是纯噪声,或对一张根据预设概率分布进行随机采样后得到的纯噪声图像执行预设数值轮的推理操作后能够得到对应的原图(即,不包含噪声的图像)。
在一些实施例中,预设字体可以是字型较为标准的标准字体,例如黑体、宋体、楷体等。可以根据目标字体的字型和风格确定相应的预设字体。在一些示例性实施例中,当目标字体为无衬线字体时,可以选择黑体作为标准字体;当目标字体为有衬线的印刷体,可以选择宋体作为标准字体;当目标字体为手写体或艺术风格较强的字体时,可以选择具有类似字型或风格的字体作为标准字体。
可以理解的是,步骤S203-步骤S205例如可以是步骤S202的子步骤。
根据一些实施例,步骤S203、将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像可以包括:将待推理图像和预设图像沿通道方向进行拼接,以得到融合图像。
在常规的图像生成(文生图、图生图)中,通常仅需要作为引导的文本和图像的语义信息,例如其中的或其所描述的主体内容、其所具备的风格等等。因此,在将作为引导的文本和图像输入扩散模型时,需要先进行语义特征提取,进而扩散模型利用注意力机制将待推理图像的特征图与文本或图像的语义特征进行处理,以使得对处理后的待推理图像的特征图进行推理得到的图像能够体现文本或图像中的这些语义信息。
然而,在字体生成过程,相比于内容、风格等语义信息,字符本身的字型更加重要。因此,通过将待推理图像和具有预设字体的目标字符进行直接拼接,使得深度学习模型在对图像中的每一个部分进行推理时,能够以预设图像中的目标字符的对应部分作为参考和引导,使得生成的目标图像中的目标字符的每一个部分均是完整的,并且整体的稳定性更高,因而能够得到高质量的目标图像。
根据一些实施例,中间噪声图像的通道数可以与待推理图像的通道数相同。由此,能够确保在执行推理操作时,深度学习模型输出(或输入)的图像的通道数均相同。也即,初始图像和推理后的图像的通道数相同。在一些实施例中,需要对推理后的图像循环执行多次推理操作以得到目标图像,则每一轮的推理操作的待推理图像和推理后的图像以及最后得到的目标图像的通道数均相同。
在一些实施例中,初始图像、目标图像和/或待推理图像的通道数可以为3,即为彩色图像;初始图像、目标图像和/或待推理图像的通道数也可以为1,即为黑白图像。
在一些实施例中,在步骤S204可以将融合图像输入U-Net,以得到U-Net输出的中间噪声图像。U-Net的结构如图6所示。U-Net 600可以包括多个卷积、上采样、下采样、跳跃连接等操作620,以将由待推理图像602和预设图像604拼接而得到的输入图像进行多次下采样(分别得到中间图像606、608、610),进而进行同尺度的变换(得到中间图像612),再进行多次上采样(分别得到中间图像614、616),最终得到输出图像(即中间噪声图像618)。
如前文所描述的,深度学习模型可以用于预测前向扩散加噪过程中添加的噪声,从而达到去噪的目的。因此,深度学习模型输出的中间噪声图像表征对待推理图像中的噪声的推理结果。
在一些实施例中,步骤S205、基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像例如可以为从待推理图像中减去中间噪声图像,以得到推理后的图像。通过这样的方式,实现了对初始图像的去噪推断。
根据一些实施例,步骤S205、基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像可以包括:基于预设概率分布的预设参数,计算待推理图像和中间噪声图像的差值,以得到推理后的图像。
预设参数可以是在训练阶段确定的与预设概率分布相关的参数。在一个示例性实施例中,预设参数可以包括一系列的预设概率分布(例如,高斯分布方差)的超参数此外,预设参数还可以包括/> 和/>基于这些预设参数和中间噪声图像,能够实现对待推理图像进行噪声去除,从而得到推理后的图像。
在一些实施例中,在步骤S206,需要对推理后的图像进行进一步处理,以得到包括具有目标字体的目标字符的目标图像。在一些实施例中,推理后的图像中可能还留存有噪声,因此可以继续对推理后的图像进行一次或多次去噪操作,最终得到目标图像。
根据一些实施例,步骤S206、基于推理后的图像,得到包括具有目标字体的目标字符的目标图像可以包括:将推理后的图像作为待推理图像,循环执行预设数值轮的推理操作,以得到包括具有目标字体的目标字符的目标图像。如上文所描述的,前向扩散过程可以被认为是向真实图像中累计叠加T次噪声的过程。因此,如果初始图像为纯噪声图像,则可以对执行过一次推理操作后得到的推理后的图像执行T–1次推理操作,以得到目标图像;如果初始图像为经过若干次推理操作后去噪处理后得到的图像,也可以根据对初始图像的已处理情况,循环执行多次推理操作,以得到目标图像。
在一些实施例中,预设数值可以为T–1,也即,需要累积对初始图像循环执行T轮推理操作以得到目标图像。
回到步骤S204,将融合图像输入深度学习模型,以得到中间噪声图像可以包括:将融合图像和时间步数输入深度学习模型,以得到中间噪声图像,时间步数指示仍需执行推理操作的轮数(包括当前轮次的推理操作)。在需要进行多次推理操作时,通过将指示仍需执行推理操作的轮数的时间步数输入深度学习模型,可以使得深度学习模型输出更准确的中间噪声图像。
在一个示例性实施例中,融合图像可以作为U-Net中的第一个特征提取网络(例如,ResNet)的输入,并且可以将时间步数的嵌入特征以正弦位置向量(参考Transformer网络所使用的位置向量)的方式添加到每一个特征提取网络(例如,ResNet)的输入中。可以理解的是,还可以以其他方式利用深度学习模型处理融合图像和时间步数,在此不作限定。
在一些实施例中,将初始图像作为待推理图像执行推理操作的时间步数为预设数值加一(即,(T–1)+1=T),也即包括当前轮次的推理操作,总计还需要执行T轮的推理操作。循环执行预设数值轮的推理操作中的第一轮的推理操作的时间步数可以为预设数值T–1,第二轮之后的每一轮的推理操作的时间步数可以为前一轮的时间步数减一。
在一些实施例中,在步骤S204,针对时间步数为t的待推理图像,可以利用深度学习模型预测一个逆向的分布pθ(例如,高斯分布),从而达到去噪的目的。
其中,xt为时间步数为t的待推理图像,zθ(xt,t)为深度学习模型基于待推理图像xt(或融合图像)和时间步数t而得到的中间噪声图像。由此,通过上述方式,实现了对每一轮的推理操作中的待推理图像的准确去噪推断。
根据本公开的另一方面,提供了一种字符图像生成模型的训练方法。如图7所示,训练方法包括:步骤S701、获取包括具有样本目标字体的样本目标字符的样本目标图像;步骤S702、根据样本预设概率分布进行随机采样,以得到样本噪声图像;步骤S703、向样本目标图像叠加样本噪声图像,以得到样本待处理图像;步骤S704、将样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;步骤S705、将第一样本融合图像输入深度学习模型,以得到预测噪声图像,预测噪声图像表征对样本噪声图像的推理结果;步骤S706、基于样本噪声图像和预测噪声图像,确定损失值;以及步骤S707、基于损失值,调整深度学习模型的参数,以得到字符图像生成模型。可以理解的是,图7中的步骤S704-步骤S705的操作与图2中的步骤S203-步骤S204的操作类似,在此不作赘述。
由此,通过上述训练方式,可以使得训练后得到的字符图像生成模型能够用于推理去噪,以实现生成包括具有样本目标字体的目标字符的目标图像。此外,这样的方式使得利用少量字符的样本目标字体的样本目标图像的即能够训练得到用于生成具有样本目标字体的大量其他字符的目标图像,无需大量用户手写数据或手绘数据,节约成本。
在一些实施例中,需要使用同一字体的样本对深度学习模型进行训练,训练后得到的字符图像生成模型能够用于生成包括具有该字体的字符的图像。
在一些实施例中,在步骤S703,向样本目标图像叠加样本噪声图像,以得到样本待处理图像例如可以包括:基于预设权重将样本目标图像和样本噪声图像直接相加,以得到样本待处理图像。
根据一些实施例,在步骤S703中确定的样本待处理图像可以表征基于样本预设参数向样本目标图像叠加目标数值轮的噪声图像后得到的图像。样本预设参数可以包括数量与目标数值相同的至少一个子参数,至少一个子参数中的每一个子参数用于根据样本预设概率分布进行随机采样以得到对应轮次中被叠加的噪声图像。
根据一些实施例,步骤S704、将样本初始图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像可以包括:将样本初始图像与样本预设图像沿通道方向进行拼接,以得到第一样本融合图像。
根据一些实施例,预测噪声图像的通道数可以与样本噪声图像的通道数相同。
在一些实施例中,步骤S705、将第一样本融合图像输入深度学习模型,以得到预测噪声图像可以包括:将第一样本融合图像和目标数值输入深度学习模型,以得到预测噪声图像。
在一些实施例中,目标数值即为前文所描述的前向扩散过程中的时刻t,至少一个子参数即为β1,β2,…,βt,样本目标图像为x0,样本待处理图像为xt。通过前文给出的公式以及/>αt=1-βt,可以快速基于目标数值t、包括至少一个子参数β1,β2,…,βt的样本预设参数、样本目标图像x0和样本噪声图像zt确定样本待处理图像xt。/>
根据一些实施例,目标数值可以为随机确定的不大于样本预设数值的数值。样本预设数值可以指示将根据样本预设概率分布进行随机采样而得到的样本初始图像作为第一轮的样本待推理图像,循环执行样本预设数值轮的样本推理操作后,能够得到对样本目标图像的预测结果。与上文描述的初始图像类似,样本初始图像可以为纯噪声图像。
在一些实施例中,样本推理操作可以包括:将样本待推理图像与样本预设图像进行融合,以得到第二样本融合图像;将第二样本融合图像和样本时间步数输入深度学习模型,以得到样本中间噪声图像,样本时间步数指示仍需执行样本推理操作的轮数,样本中间噪声图像表征对样本待推理图像中的噪声的推理结果;以及基于样本中间噪声图像对样本待推理图像进行噪声去除,得到推理后的图像。
可以理解的是,样本推理操作与图2中的步骤S203-步骤S205所描述的推理操作类似,在此不作赘述。
根据一些实施例,基于样本中间噪声图像对样本待推理图像进行噪声去除,得到推理后的图像可以包括:基于样本预设参数,计算样本待推理图像和样本中间噪声图像的差值,以得到推理后的图像。
样本预设数值例如可以是前文所描述的T。由此,通过随机确定不大于T的值作为目标数值t,使得经过多次训练后,深度学习模型基于与任意的时间步长t对应的待处理图像xt均能够进行准确的推理去噪。
在一些实施例中,在训练之前,可以根据需求选择或设置合适的损失函数。在步骤S706,可以根据该损失函数计算关于样本噪声图像和预测噪声图像的损失值。由于训练的目标是使得深度学习模型输出的预测噪声图像尽可能接近通过采样得到的噪声,因此样本噪声图像和预测噪声图像的差值和该损失值成正比。
在一些实施例中,循环执行预设数值轮的推理操作中的第一轮的样本推理操作的样本时间步数为样本预设数值,第二轮之后的每一轮的样本推理操作的样本时间步数为前一轮的样本时间步数减一。
根据本公开的另一方面,提供了一种字符图像生成装置。如图8所示,装置800包括:第一获取单元810,被配置为获取初始图像,初始图像包括噪声;第一推理单元820,被配置为将初始图像作为待推理图像执行推理操作。第一推理单元820包括:融合子单元822,被配置为将待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;推理子单元824,被配置为将融合图像输入深度学习模型,以得到中间噪声图像,中间噪声图像表征对待推理图像中的噪声的推理结果;以及生成子单元826,被配置为基于中间噪声图像对待推理图像进行噪声去除,得到推理后的图像。装置800还包括:生成单元830,被配置为基于推理后的图像,得到包括具有目标字体的目标字符的目标图像。
可以理解的是,装置800中的单元810、单元820、单元820中所包括的子单元822-子单元826以及单元830的操作分别和图2中的步骤S201-步骤S206的操作类似,在此不作赘述。
根据一些实施例,生成单元可以被配置为将推理后的图像作为待推理图像,循环执行预设数值轮的推理操作,以得到包括具有目标字体的目标字符的目标图像。推理子单元可以被配置为将融合图像和时间步数输入深度学习模型,以得到中间噪声图像,时间步数指示仍需执行推理操作的轮数。
根据一些实施例,融合子单元可以被配置为将待推理图像和预设图像沿通道方向进行拼接,以得到融合图像。
根据一些实施例,中间噪声图像的通道数可以与待推理图像的通道数相同。
根据一些实施例,初始图像可以是根据预设概率分布进行随机采样而得到的纯噪声图像。
根据一些实施例,生成子单元可以被配置为基于预设概率分布的预设参数计算,待推理图像和中间噪声图像的差值,以得到推理后的图像。
在一些实施例中,将初始图像作为待推理图像执行推理操作的时间步数可以为预设数值加一,循环执行预设数值轮的推理操作中的第一轮的推理操作的时间步数可以为预设数值,第二轮之后的每一轮的推理操作的时间步数可以为前一轮的时间步数减一。
根据本公开的另一方面,提供了一种字符图像生成模型的训练装置。如图9所示,装置900可以包括:第二获取单元910,获取包括具有样本目标字体的样本目标字符的样本目标图像;采样单元920,被配置为根据样本预设概率分布进行随机采样,以得到样本噪声图像;叠加单元930,被配置为向样本目标图像叠加样本噪声图像,以得到样本待处理图像;融合单元940,被配置为将样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;第二推理单元950,被配置为将第一样本融合图像输入深度学习模型,以得到预测噪声图像,预测噪声图像表征对样本噪声图像的推理结果;确定单元960,被配置为基于样本噪声图像和预测噪声图像,确定损失值;以及调参单元970,被配置为基于损失值,调整深度学习模型的参数,以得到字符图像生成模型。
可以理解的是,装置900中的单元910-单元970的操作分别和图7中的步骤S701-步骤S707的操作类似,在此不作赘述。
根据一些实施例,样本待处理图像可以表征基于样本预设参数向样本目标图像叠加目标数值轮的噪声图像后得到的图像。样本预设参数可以包括数量与目标数值相同的至少一个子参数,至少一个子参数中的每一个子参数可以用于根据样本预设概率分布进行随机采样以得到对应轮次中被叠加的噪声图像。第二推理单元可以被配置为将第一样本融合图像和目标数值输入深度学习模型,以得到预测噪声图像。
根据一些实施例,目标数值可以为随机确定的不大于样本预设数值的数值,样本预设数值可以指示将根据样本预设概率分布进行随机采样而得到的样本初始图像作为第一轮的样本待推理图像,循环执行样本预设数值轮的样本推理操作后,能够得到对样本目标图像的预测结果。样本初始图像可以为纯噪声图像。样本推理操作可以包括:将样本待推理图像与样本预设图像进行融合,以得到第二样本融合图像;将第二样本融合图像和样本时间步数输入深度学习模型,以得到样本中间噪声图像,样本时间步数指示仍需执行样本推理操作的轮数,样本中间噪声图像表征对样本待推理图像中的噪声的推理结果;以及基于样本中间噪声图像对样本待推理图像进行噪声去除,得到推理后的图像。
根据一些实施例,融合单元可以被配置为将样本初始图像与样本预设图像沿通道方向进行拼接,以得到第一样本融合图像。
根据一些实施例,预测噪声图像的通道数可以与样本噪声图像的通道数相同。
根据一些实施例,基于样本中间噪声图像对样本待推理图像进行噪声去除,得到推理后的图像可以包括:基于样本预设参数,计算样本待推理图像和样本中间噪声图像的差值,以得到推理后的图像。
在一些实施例中,循环执行预设数值轮的推理操作中的第一轮的样本推理操作的样本时间步数可以为样本预设数值,第二轮之后的每一轮的样本推理操作的样本时间步数可以为前一轮的样本时间步数减一。
根据本公开的实施例,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。
参考图10,现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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,个人数字助理、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/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备,输入单元1006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1007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1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000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1001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1001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、各种运行机器学习网络算法的计算单元、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1001执行上文所描述的各个方法和处理,例如字符图像生成方法和/或深度学习模型的训练方法。例如,在一些实施例中,字符图像生成方法和/或深度学习模型的训练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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的字符图像生成方法和/或深度学习模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行字符图像生成方法和/或深度学习模型的训练方法。
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,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。
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 (27)
1.一种字符图像生成方法,包括:
获取初始图像,所述初始图像包括噪声;
将所述初始图像作为待推理图像执行推理操作,所述推理操作包括:
将所述待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;
将所述融合图像输入深度学习模型,以得到中间噪声图像,所述中间噪声图像表征对所述待推理图像中的噪声的推理结果;以及
基于所述中间噪声图像对所述待推理图像进行噪声去除,得到推理后的图像;以及
基于所述推理后的图像,得到包括具有目标字体的目标字符的目标图像。
2.根据权利要求1所述的方法,其中,基于所述推理后的图像,得到包括具有目标字体的目标字符的目标图像包括:
将所述推理后的图像作为待推理图像,循环执行预设数值轮的所述推理操作,以得到所述目标图像,
其中,将所述融合图像输入深度学习模型,以得到中间噪声图像包括:
将所述融合图像和时间步数输入所述深度学习模型,以得到所述中间噪声图像,所述时间步数指示仍需执行所述推理操作的轮数。
3.根据权利要求1所述的方法,其中,将所述待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像包括:
将所述待推理图像和所述预设图像沿通道方向进行拼接,以得到所述融合图像。
4.根据权利要求3所述的方法,其中,所述中间噪声图像的通道数与所述待推理图像的通道数相同。
5.根据权利要求1-4中任一项所述的方法,其中,所述初始图像是根据预设概率分布进行随机采样而得到的纯噪声图像。
6.根据权利要求5所述的方法,其中,基于所述中间噪声图像对所述待推理图像进行噪声去除,得到推理后的图像包括:
基于所述预设概率分布的预设参数,计算所述待推理图像和所述中间噪声图像的差值,以得到所述推理后的图像。
7.一种字符图像生成模型的训练方法,包括:
获取包括具有样本目标字体的样本目标字符的样本目标图像;
根据样本预设概率分布进行随机采样,以得到样本噪声图像;
向所述样本目标图像叠加所述样本噪声图像,以得到样本待处理图像;
将所述样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;
将所述第一样本融合图像输入深度学习模型,以得到预测噪声图像,所述预测噪声图像表征对所述样本噪声图像的推理结果;
基于所述样本噪声图像和所述预测噪声图像,确定损失值;以及
基于所述损失值,调整所述深度学习模型的参数,以得到字符图像生成模型。
8.根据权利要求7所述的方法,其中,所述样本待处理图像表征基于样本预设参数向所述样本目标图像叠加目标数值轮的噪声图像后得到的图像,所述样本预设参数包括数量与所述目标数值相同的至少一个子参数,所述至少一个子参数中的每一个子参数用于根据所述样本预设概率分布进行随机采样以得到对应轮次中被叠加的噪声图像,
其中,将所述第一样本融合图像输入所述深度学习模型,以得到预测噪声图像包括:
将所述第一样本融合图像和所述目标数值输入所述深度学习模型,以得到所述预测噪声图像。
9.根据权利要求8所述的方法,其中,所述目标数值为随机确定的不大于样本预设数值的数值,所述样本预设数值指示将根据所述样本预设概率分布进行随机采样而得到的样本初始图像作为第一轮的样本待推理图像,循环执行样本预设数值轮的样本推理操作后,能够得到对所述样本目标图像的预测结果,所述样本初始图像为纯噪声图像,所述样本推理操作包括:
将所述样本待推理图像与所述样本预设图像进行融合,以得到第二样本融合图像;
将所述第二样本融合图像和样本时间步数输入所述深度学习模型,以得到样本中间噪声图像,所述样本时间步数指示仍需执行所述样本推理操作的轮数,所述样本中间噪声图像表征对所述样本待推理图像中的噪声的推理结果;以及
基于所述样本中间噪声图像对所述样本待推理图像进行噪声去除,得到推理后的图像。
10.根据权利要求7-9中任一项所述的方法,其中,将所述样本待推理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像包括:
将所述样本待处理图像与所述样本预设图像沿通道方向进行拼接,以得到所述第一样本融合图像。
11.根据权利要求10所述的方法,其中,所述预测噪声图像的通道数与所述样本噪声图像的通道数相同。
12.根据权利要求9所述的方法,其中,基于所述样本中间噪声图像对所述样本待推理图像进行噪声去除,得到推理后的图像包括:
基于所述样本预设参数,计算所述样本待推理图像和所述样本中间噪声图像的差值,以得到所述推理后的图像。
13.一种字符图像生成装置,包括:
第一获取单元,被配置为获取初始图像,所述初始图像包括噪声;
第一推理单元,被配置为将所述初始图像作为待推理图像执行推理操作,所述第一推理单元包括:
融合子单元,被配置为将所述待推理图像与包括具有预设字体的目标字符的预设图像进行融合,以得到融合图像;
推理子单元,被配置为将所述融合图像输入深度学习模型,以得到中间噪声图像,所述中间噪声图像表征对所述待推理图像中的噪声的推理结果;以及
生成子单元,被配置为基于所述中间噪声图像对所述待推理图像进行噪声去除,得到推理后的图像;以及
生成单元,被配置为基于所述推理后的图像,得到包括具有目标字体的目标字符的目标图像。
14.根据权利要求13所述的装置,其中,所述生成单元被配置为将所述推理后的图像作为待推理图像,循环执行预设数值轮的所述推理操作,以得到所述目标图像,
其中,所述推理子单元被配置为将所述融合图像和时间步数输入所述深度学习模型,以得到所述中间噪声图像,所述时间步数指示仍需执行所述推理操作的轮数。
15.根据权利要求13所述的装置,其中,所述融合子单元被配置为将所述待推理图像和所述预设图像沿通道方向进行拼接,以得到所述融合图像。
16.根据权利要求15所述的装置,其中,所述中间噪声图像的通道数与所述待推理图像的通道数相同。
17.根据权利要求13-16中任一项所述的装置,其中,所述初始图像是根据预设概率分布进行随机采样而得到的纯噪声图像。
18.根据权利要求17所述的装置,其中,所述生成子单元被配置为基于所述预设概率分布的预设参数,计算所述待推理图像和所述中间噪声图像的差值,以得到所述推理后的图像。
19.一种字符图像生成模型的训练装置,包括:
第二获取单元,获取包括具有样本目标字体的样本目标字符的样本目标图像;
采样单元,被配置为根据样本预设概率分布进行随机采样,以得到样本噪声图像;
叠加单元,被配置为向所述样本目标图像叠加所述样本噪声图像,以得到样本待处理图像;
融合单元,被配置为将所述样本待处理图像与包括具有样本预设字体的样本目标字符的样本预设图像进行融合,以得到第一样本融合图像;
第二推理单元,被配置为将所述第一样本融合图像输入深度学习模型,以得到预测噪声图像,所述预测噪声图像表征对所述样本噪声图像的推理结果;
确定单元,被配置为基于所述样本噪声图像和所述预测噪声图像,确定损失值;以及
调参单元,被配置为基于所述损失值,调整所述深度学习模型的参数,以得到字符图像生成模型。
20.根据权利要求19所述的装置,其中,所述样本待处理图像表征基于样本预设参数向所述样本目标图像叠加目标数值轮的噪声图像后得到的图像,所述样本预设参数包括数量与所述目标数值相同的至少一个子参数,所述至少一个子参数中的每一个子参数用于根据所述样本预设概率分布进行随机采样以得到对应轮次中被叠加的噪声图像,
其中,所述第二推理单元被配置为将所述第一样本融合图像和所述目标数值输入所述深度学习模型,以得到所述预测噪声图像。
21.根据权利要求19所述的装置,其中,所述目标数值为随机确定的不大于样本预设数值的数值,所述样本预设数值指示将根据所述样本预设概率分布进行随机采样而得到的样本初始图像作为第一轮的样本待推理图像,循环执行样本预设数值轮的样本推理操作后,能够得到对所述样本目标图像的预测结果,所述样本初始图像为纯噪声图像,所述样本推理操作包括:
将所述样本待推理图像与所述样本预设图像进行融合,以得到第二样本融合图像;
将所述第二样本融合图像和样本时间步数输入所述深度学习模型,以得到样本中间噪声图像,所述样本时间步数指示仍需执行所述样本推理操作的轮数,所述样本中间噪声图像表征对所述样本待推理图像中的噪声的推理结果;以及
基于所述样本中间噪声图像对所述样本待推理图像进行噪声去除,得到推理后的图像。
22.根据权利要求19-21中任一项所述的装置,其中,所述融合单元被配置为将所述样本待处理图像与所述样本预设图像沿通道方向进行拼接,以得到所述第一样本融合图像。
23.根据权利要求22所述的装置,其中,所述预测噪声图像的通道数与所述样本噪声图像的通道数相同。
24.根据权利要求21所述的装置,其中,基于所述样本中间噪声图像对所述样本待推理图像进行噪声去除,得到推理后的图像包括:
基于所述样本预设参数,计算所述样本待推理图像和所述样本中间噪声图像的差值,以得到所述推理后的图像。
25.一种电子设备,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1-12中任一项所述的方法。
26.一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1-12中任一项所述的方法。
27.一种计算机程序产品,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1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297223.8A CN116205819B (zh) | 2023-03-23 | 2023-03-23 | 字符图像生成方法、深度学习模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297223.8A CN116205819B (zh) | 2023-03-23 | 2023-03-23 | 字符图像生成方法、深度学习模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205819A true CN116205819A (zh) | 2023-06-02 |
CN116205819B CN116205819B (zh) | 2024-02-09 |
Family
ID=86509613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310297223.8A Active CN116205819B (zh) | 2023-03-23 | 2023-03-23 | 字符图像生成方法、深度学习模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205819B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274491A (zh) * | 2023-09-22 | 2023-12-22 | 北京百度网讯科技有限公司 | 三维重建模型的训练方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820398A (zh) * | 2022-07-01 | 2022-07-29 | 北京汉仪创新科技股份有限公司 | 基于扩散模型的图片字体替换方法、系统、设备和介质 |
CN114820867A (zh) * | 2022-04-22 | 2022-07-29 | 北京百度网讯科技有限公司 | 字形生成方法、字形生成模型的训练方法及装置 |
CN114820871A (zh) * | 2022-06-29 | 2022-07-29 | 北京百度网讯科技有限公司 | 字体生成方法、模型的训练方法、装置、设备和介质 |
CN115601555A (zh) * | 2022-10-13 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 图像处理方法及装置、设备和介质 |
US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
-
2023
- 2023-03-23 CN CN202310297223.8A patent/CN116205819B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
CN114820867A (zh) * | 2022-04-22 | 2022-07-29 | 北京百度网讯科技有限公司 | 字形生成方法、字形生成模型的训练方法及装置 |
CN114820871A (zh) * | 2022-06-29 | 2022-07-29 | 北京百度网讯科技有限公司 | 字体生成方法、模型的训练方法、装置、设备和介质 |
CN114820398A (zh) * | 2022-07-01 | 2022-07-29 | 北京汉仪创新科技股份有限公司 | 基于扩散模型的图片字体替换方法、系统、设备和介质 |
CN115601555A (zh) * | 2022-10-13 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 图像处理方法及装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
HAIBIN HE,ET AL: "Diff-Font: Diffusion Model for Robust One-Shot Font Generation", 《ARXIV》, pages 1 - 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274491A (zh) * | 2023-09-22 | 2023-12-22 | 北京百度网讯科技有限公司 | 三维重建模型的训练方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116205819B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313650B (zh) | 图像画质增强方法、装置、设备和介质 | |
CN114511758A (zh) | 图像识别方法及装置、电子设备和介质 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN114140547B (zh) | 图像生成方法和装置 | |
CN114140852B (zh) | 图像检测方法和装置 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN114429548A (zh) | 图像处理方法、神经网络及其训练方法、装置和设备 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、设备 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN112967355B (zh) | 图像填充方法及装置、电子设备和介质 | |
CN117273107A (zh) | 文本生成模型的训练方法和训练装置 |
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 |