CN116580212A - 图像生成方法、图像生成模型的训练方法、装置和设备 - Google Patents
图像生成方法、图像生成模型的训练方法、装置和设备 Download PDFInfo
- Publication number
- CN116580212A CN116580212A CN202310552561.1A CN202310552561A CN116580212A CN 116580212 A CN116580212 A CN 116580212A CN 202310552561 A CN202310552561 A CN 202310552561A CN 116580212 A CN116580212 A CN 116580212A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- images
- image generation
- hidden vector
- 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 92
- 238000012549 training Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 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
- 230000009193 crawling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000009966 trimming Methods 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像生成方法、图像生成模型的训练方法、装置和设备,涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、AIGC等场景。图像生成方法包括:获取从稀疏的多个视角对目标类别的目标对象进行观察而得到的多个原始图像;利用中间编码器对原始图像进行编码以得到中间隐向量;利用中间生成器基于中间隐向量和稀疏的多个视角生成多个第一预测图像,中间生成器被配置为基于与属于目标类别的对象对应的隐向量和指定视角,生成在指定视角下观察该对象而得到的图像的预测结果;基于多个第一预测图像和多个原始图像对中间图像生成模型进行微调,并利用微调后的目标图像生成模型生成目标图像。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、AIGC等场景,特别涉及一种图像生成方法、图像生成模型的训练方法、图像生成装置、图像生成模型的训练装置、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。
在计算机视觉领域中,基于特定物体在稠密视角下拍摄的图像,能够实现对该物体进行3D重建。
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
本公开提供了一种图像生成方法、图像生成模型的训练方法、图像生成装置、图像生成模型的训练装置、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,提供了一种图像生成方法,该方法包括:获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,目标对象属于目标类别;利用中间图像生成模型中的中间编码器对多个原始图像进行编码,以得到与目标对象对应的中间隐向量;基于中间隐向量和稀疏的多个视角,利用中间图像生成模型中的中间生成器生成多个第一预测图像,其中,中间生成器被配置用于基于输入的与属于目标类别的对象对应的隐向量和指定视角,生成在指定视角下观察该对象而得到的图像的预测结果;基于多个第一预测图像和多个原始图像,对中间图像生成模型进行微调,以得到目标图像生成模型;以及利用目标图像生成模型生成目标图像,目标图像表征从目标视角对目标对象进行观察而得到的图像的预测结果。
根据本公开的一方面,提供了一种图像生成模型的训练方法,该方法包括:获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;获取基于随机采样而得到的样本隐向量;基于样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,多个第二预测图像表征从多个样本视角对目标类别的对象进行观察而得到的图像的预测结果;利用初始判别器得到多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,判别结果指示对应的图像是否为通过观察而得到的图像;以及基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,对初始生成器和初始判别器进行交替训练,以得到图像生成模型,图像生成模型至少包括对初始生成器进行训练而得到的中间生成器。
根据本公开的一方面,提供了一种图像生成装置,该装置包括:第一获取单元,获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,目标对象属于目标类别;第一编码单元,被配置为利用中间图像生成模型中的中间编码器对多个原始图像进行编码,以得到与目标对象对应的中间隐向量;第一生成单元,被配置为基于中间隐向量和稀疏的多个视角,利用中间图像生成模型中的中间生成器生成多个第一预测图像,其中,中间生成器被配置用于基于输入的与属于目标类别的对象对应的隐向量和指定视角,生成在指定视角下观察该对象而得到的图像的预测结果;微调单元,被配置为基于多个第一预测图像和多个原始图像,对中间图像生成模型进行微调,以得到目标图像生成模型;以及第二生成单元,被配置为利用目标图像生成模型生成目标图像,目标图像表征从目标视角对目标对象进行观察而得到的图像的预测结果。
根据本公开的一方面,提供了一种图像生成模型的训练装置,训练装置包括:第二获取单元,被配置为获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;第三获取单元,被配置为获取基于随机采样而得到的样本隐向量;第三生成单元,被配置为基于样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,多个第二预测图像表征从多个样本视角对目标类别的对象进行观察而得到的图像的预测结果;判别单元,被配置为利用初始判别器得到多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,判别结果指示对应的图像是否为通过观察而得到的图像;以及训练单元,被配置为基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,对初始生成器和初始判别器进行交替训练,以得到图像生成模型,图像生成模型至少包括对初始生成器进行训练而得到的中间生成器。
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,通过在已经能够用于生成目标类别的对象在指定视角下的观察结果的中间图像生成模型的基础上,利用从稀疏的多个视角对其进行微调,从而得到了特定用于目标对象的目标图像生成模型,使得能够利用该模型获取从目标视角观察目标对象的准确结果。
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利用中间图像生成模型中的中间编码器对多个原始图像进行编码的流程图;
图4示出了根据本公开示例性实施例的利用中间图像生成模型中的中间生成器生成多个第一预测图像的流程图;
图5示出了根据本公开示例性实施例的图像生成模型的训练方法的流程图;
图6示出了根据本公开示例性实施例的获取基于随机采样而得到的样本隐向量的流程图;
图7示出了根据本公开示例性实施例的图像生成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图像生成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,为生成目标对象在任意目标视角下的图像,需要使用从各个角度对目标对象进行拍摄得到的稠密数据训练图像生成模型。
为解决上述问题,本公开通过在已经能够用于生成目标类别的对象在指定视角下的观察结果的中间图像生成模型的基础上,利用从稀疏的多个视角对其进行微调,从而得到了特定用于目标对象的目标图像生成模型,使得能够利用该模型获取从目标视角观察目标对象的准确结果。
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图像生成方法或图像生成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,提供了一种图像生成方法。如图2所示,图像生成方法包括:步骤S201、获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,目标对象属于目标类别;步骤S202、利用中间图像生成模型中的中间编码器对多个原始图像进行编码,以得到与目标对象对应的中间隐向量;步骤S203、基于中间隐向量和稀疏的多个视角,利用中间图像生成模型中的中间生成器生成多个第一预测图像,其中,中间生成器被配置用于基于输入的与属于目标类别的对象对应的隐向量和指定视角,生成在指定视角下观察该对象而得到的图像的预测结果;步骤S204、基于多个第一预测图像和多个原始图像,对中间图像生成模型进行微调,以得到目标图像生成模型;以及步骤S205、利用目标图像生成模型生成目标图像,目标图像表征从目标视角对目标对象进行观察而得到的图像的预测结果。
由此,通过在已经能够用于生成目标类别的对象在指定视角下的观察结果的中间图像生成模型的基础上,利用从稀疏的多个视角对其进行微调,从而得到了特定用于目标对象的目标图像生成模型,使得能够利用该模型获取从目标视角观察目标对象的准确结果。
此外,通过对多个原始图像进行编码,从而能够利用编码器学习到的知识提取出与目标对象本身相关的隐式信息,进而能够利用生成器基于包含隐式信息的目标隐向量生成准确的图像。
在一些实施例中,多个原始图像例如可以是从稀疏的多个视角对目标类别的特定的目标对象进行观察而得到的多个图像。这些原始图像可以是用户提供的,并且可以是通过拍摄、计算机渲染或其他方式得到的。稀疏的多个视角的含义为零星的若干个视角,因而只能得到少量的图像,即稀疏数据。此外,多个原始图像中的目标对象属于预先确定的目标类别。在之后的步骤中,需要使用多个原始图像对与目标类别对应的中间图像生成模型进行微调,进而使用微调后得到的目标图像生成模型生成从任意的目标视角对目标对象进行观察得到的图像的预测结果。
通过使用本公开的方法,无需使用从各个视角无死角地对目标对象进行观察而得到的稠密图像数据即能够生成从任意的目标视角对目标对象进行观察得到的图像的预测结果。
在一些实施例中,中间编码器可以被配置为对输入的图像进行编码,以生成描述输入的图像中的对象(特别地,目标类别的对象)的相关信息的、与该对象对应的中间隐向量。中间编码器可以是经训练而得到的,训练方式例如可以参照本公开后文中的描述的训练方法。此外,中间编码器和其下游的中间生成器可以通过联合训练而得到,因而中间隐向量可以“隐式”描述图像中的对象的相关信息。中间编码器的网络结构可以采用相关技术中的图像编码器或图像编码网络的网络结构,也可以根据需求自行设计搭建。
在一些实施例中,稀疏的多个视角可以是预先确定的,例如直接获取到的或根据拍摄时相机的姿态或渲染的相关参数而确定的,也可以是通过模板匹配等方法确定的。稀疏的多个视角还可以是利用中间编码器确定的,换句话说,中间编码器能够对输入的图像进行处理,以输出该图像的观察视角。
根据一些实施例,图像生成方法还可以包括:利用中间编码器对多个原始图像进行处理,以得到对稀疏的多个视角的预测结果。多个第一预测图像可以是基于中间隐向量和对稀疏的多个视角的预测结果而生成的。由此,通过利用中间编码器对原始图像的观察视角进行预测,从而能够在没有预先确定原始图像的观察视角的情况下得到对这些观察视角的准确预测结果,以用于在后的对中间图像生成模型的微调步骤。
在一些实施例中,在步骤S202,可以先在多个原始图像中确定最具一张最能代表该目标对象的参考图像。参考图像可以是用户选择的,也可以是通过其他方式确定的。
根据一些实施例,如图3所示,步骤S202、利用中间图像生成模型中的中间编码器对多个原始图像进行编码,以得到与目标对象对应的中间隐向量可以包括:步骤S301、利用中间图像生成模型中的中间判别器得到多个原始图像各自对应的判别结果,判别结果表征对应的原始图像为通过观察而得到的图像的置信度;步骤S302、基于多个原始图像各自对应的判别结果,在多个原始图像中确定参考图像;以及步骤S303、利用中间编码器对参考图像进行编码,以得到中间隐向量。
由此,通过利用中间判别器,实现了自动在多个目标图像中确定最具代表性的参考图像。
在一些实施例中,中间判别器可以采用相关技术中的生成对抗模型中的判别器,这样的判别器能够判别输入的图像是真实图像(例如,通过拍摄或渲染而得到的对特定对象的观察结果)还是神经网络模型生成的图像(例如,生成器所生成的图像)。中间判别器得到的结果可以表征对应的目标图像为通过观察而得到的图像的置信度,从而使得能够利用多个原始图像各自对应置信度在这些原始图像中选出参考图像。可以理解的是,可以选择一张图像作为参考图像,也可以选择多张作为参考图像,在此不做限定。
根据一些实施例,中间生成器和中间判别器可以是通过交替训练而得到的。由此,通过交替训练,可以使得中间生成器能够生成更贴近真实观察结果的图像,而中间判别器能够得到更准确的判别结果。在一些实施例中,中间生成器和中间判别器的训练方式可以参照本公开后文中的描述的训练方法。
根据一些实施例,在步骤S203,可以基于隐向量并分别基于稀疏的多个视角中的每一个视角,利用中间生成器生成该视角下观察目标对象的预测图像。
根据一些实施例,如图4所示,步骤S203、基于中间隐向量和稀疏的多个视角,利用中间图像生成模型中的中间生成器生成多个第一预测图像可以包括:步骤S401、基于中间隐向量,利用中间生成器生成目标对象的三维形状信息;以及步骤S402、基于目标对象的三维形状信息和稀疏的多个视角,生成多个第一预测图像。
由此,通过利用中间生成器生成目标对象的三维形状信息,使得能够利用该三维形状信息和对应的视角生成准确的预测图像。此外,通过先利用编码器对原始图像进行编码,以得到描述该目标对象的相关信息的隐向量,进而能够基于该隐向量得到目标对象的准确的三维形状信息。
在一些实施例中,基于中间隐向量生成目标对象的三维形状信息和基于三维形状信息和特定视角生成预测图像的过程都是可微分的,因此可以实现反向传播以对中间图像生成模型进行端到端微调。
根据一些实施例,三维形状信息包括目标对象的符号距离场。步骤S402、基于目标对象的三维形状信息和稀疏的多个视角,生成多个第一预测图像可以包括:将符号距离场转换为目标对象的神经辐射场;以及基于稀疏的多个视角,利用神经辐射场生成多个第一预测图像。
由此,通过生成目标对象的符号距离场,再将符号距离场转换为目标对象的神经辐射场,进而利用神经辐射场生成指定视角下的预测图像,使得能够得到准确的预测结果。此外,由于符号距离场的生成、符号距离场到神经辐射场的转化、以及基于神经辐射场生成指定视角下的预测图像三个过程都是可微分的,因此能够实现端到端微调中间图像生成模型。
在一些实施例中,中间生成器也可以使用深度四面体剖分法(Deep MarchingTetrahedra,DMTet)以基于中间隐向量和指定视角生成预测图像。
在一些实施例中,在步骤S204,可以根据多个第一预测图像、多个原始图像和预先确定的损失函数确定损失值,进而基于该损失值调整中间图像生成模型的参数,以得到目标图像生成模型。
在一些实施例中,在步骤S204,可以对经训练或其他方式得到的中间图像生成模型(其中的部分或全部子模型,例如中间编码器和/或中间生成器)进行微调,以提升模型的效果。微调的目的为使得微调后得到的目标图像生成模型(或,模型中的微调后得到的目标生成器)生成的某视角下的预测图像与同一视角下的原始图像接近,因此在步骤S204可以先基于第一预测图像和与该第一预测图像具有相同视角的原始图像的差异计算损失值,进而基于损失值调整中间图像生成模型的参数。需要注意的是,微调不同于一般意义上的训练,其含义为对已经具有一定能力的模型的参数进行进一步调整,以使得该模型能够用于特定的任务(例如,仅针对目标对象,生成在指定视角下观察目标对象而得到的图像的预测结果)。
根据一些实施例,步骤S204、基于多个第一预测图像和多个原始图像,对中间图像生成模型进行微调,以得到目标图像生成模型可以包括:基于多个第一预测图像和多个原始图像,对中间编码器和中间生成器进行微调,以得到目标编码器和目标生成器。步骤S205、利用目标图像生成模型生成目标图像可以包括:利用目标编码器对多个原始图像进行编码,以得到与目标对象对应的目标隐向量;以及基于目标隐向量和目标视角,利用目标生成器生成目标图像。
由此,通过对中间编码器和中间生成器两者进行微调,可以使得微调后的中间编码器(即,目标编码器)生成预测能力更强的隐向量,并使得微调后的中间生成器(即,目标生成器)生成更准确的预测结果。此外,通过利用微调后得到的目标编码器和目标生成器进行图像生成,能够得到更准确的图像生成结果。
根据本公开的另一方面,提供了一种图像生成模型的训练方法。如图5所示,该训练方法包括:步骤S501、获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;步骤S502、获取基于随机采样而得到的样本隐向量;步骤S503、基于样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,多个第二预测图像表征从多个样本视角对目标类别的对象进行观察而得到的图像的预测结果;步骤S504、利用初始判别器得到多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,判别结果指示对应的图像是否为通过观察而得到的图像;以及步骤S505、基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,对初始生成器和初始判别器进行交替训练,以得到图像生成模型,图像生成模型至少包括对初始生成器进行训练而得到的中间生成器。
由此,通过上述训练方式,使得图像生成模型具备生成从任意视角对特定的目标类别的对象进行观察的预测结果的能力。
在一些实施例中,在步骤S501,多个真实图像可以是通过人工采集或网络爬取而得到的。需要注意的是,每个待训练的初始生成器和初始判别器均对应一个需要三维重建的特定的目标类别的具体对象,例如车辆。多个真实图像均为该目标类别的图像,也即,包括该目标类别的对象。多个真实图像可以包括同一个对象,也可以包括同属于该目标类别的不同的对象。经训练得到的图像生成模型因而被配置用于生成该目标类别的对象进行观察而得到的图像的预测结果。
在一些实施例中,多个真实视角可以是预先确定的,例如直接获取到的或根据拍摄时相机的姿态或渲染的相关参数而确定的,也可以是通过模板匹配等方法确定的。
在一些实施例中,在步骤S502,可以通过随机采样得到样本隐向量。随机采样得到的样本隐向量能够表征属于目标类别的随机对象。
根据一些实施例,如图6所示,步骤S502、获取基于随机采样而得到的样本隐向量可以包括:步骤S601、基于预设概率分布进行随机采样,以得到随机向量;以及步骤S602、利用隐向量生成网络对随机向量进行处理,以得到样本隐向量。如图7所示,训练方法还可以包括:步骤S706、基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,调整隐向量生成网络的参数。可以理解的是,图7中的步骤S701-步骤S705的操作和图5中的步骤S501-步骤S505的操作类似,在此不作赘述。
由此,通过先生成随机向量,再利用隐向量生成网络基于随机向量得到与随机对象对应的样本隐向量,使得能够得到预测能力更强、更能够表征随机对象的信息的样本隐向量,提升了生成的图像的真实程度,进而能够提升经训练的生成器和判别器的生成能力和判别能力。
在一些实施例中,预设概率分布可以采用多维正态高斯分布,也可以采用其他的概率分布。
在一些实施例中,在步骤S503,初始生成器(以及经训练得到的中间生成器)可以先基于样本隐向量生成与特定对象对应的三维形状信息,进而基于该三维形状信息和特定的视角生成从该视角对特定对象进行观察得到的图像的预测结果。该过程可以参照上文中间生成器生成图像的过程,在此不作赘述。
在一些实施例中,在步骤S504,初始判别器可以生成与输入的图像对应的判别结果。该判别结果能够指示输入的图像是真实图像(通过观察得到的图像)还是神经网络模型生成的图像(例如,生成器所生成的图像)。该过程可以参照上文中间判别器判别图像的过程,在此不作赘述。
通过在步骤S505交替训练初始生成器和初始判别器,可以使得经训练得到的中间生成器能够生成接近真实图像的图像,并且可以得到能够输出准确判别结果的中间判别器。通过训练得到的图像生成模型中包括中间生成器,并且可以包括中间判别器,以用于在应用本公开所描述的图像生成方法时在多个原始图像中确定参考图像。
根据一些实施例,如图7所示,训练方法还可以包括:步骤S707、基于样本隐向量和中间视角,利用中间生成器生成中间图像,中间图像表征从中间视角对目标类别的对象进行观察而得到的图像的预测结果;步骤S708、利用初始编码器对中间图像进行编码,以得到与中间图像中的对象对应的预测隐向量;以及步骤S709、基于样本隐向量和预测隐向量,调整初始编码器的参数,以得到中间编码器,图像生成模型包括中间编码器。
由此,通过科技与样本隐向量和初始编码器生成的预测隐向量调整初始编码器的参数,可以使得经训练得到的中间编码器能够生成准确表征图像中的特定对象的相关信息的隐向量。
可以理解的是,初始编码器的结构和生成编码的方式可以参照前文描述的中间编码器,在此不作赘述。
在一些实施例中,步骤S709的目的为使得经训练的编码器生成的与输入图像对应的隐向量尽可能接近该输入图像真实的隐向量。在步骤S709,可以基于样本隐向量、预测隐向量以及预设的损失函数,确定相应的损失值,进而基于该损失值调整初始编码器的参数。样本隐向量和预测隐向量的差异与损失值成正比。
在一些实施例中,在训练初始编码器之前,可以先冻结中间生成器的参数,以避免对训练好的中间生成器产生干扰。
根据一些实施例,如图7所示,训练方法还可以包括:步骤S710、利用初始编码器对中间图像进行处理,以得到对中间视角的预测结果;以及步骤S711、基于中间视角和对中间视角的预测结果,调整初始编码器的参数。
由此,通过上述方式,可以使得经训练得到的中间编码器能够输出与输入图像对应的准确的观察视角。
可以理解的是,可以利用本公开描述的图像生成方法中的步骤对通过上述训练方法训练得到的图像生成模型进行进一步处理,以得到用于特定目标对象的目标图像生成模型,进而可以利用该模型生成对从指定的目标视角下观察该目标对象得到的图像的预测结果。
根据本公开的另一方面,提供了一种图像生成装置。如图8所示,图像生成装置800包括:第一获取单元810,获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,目标对象属于目标类别;第一编码单元820,被配置为利用中间图像生成模型中的中间编码器对多个原始图像进行编码,以得到与目标对象对应的中间隐向量;第一生成单元830,被配置为基于中间隐向量和稀疏的多个视角,利用中间图像生成模型中的中间生成器生成多个第一预测图像,其中,中间生成器被配置用于基于输入的与属于目标类别的对象对应的隐向量和指定视角,生成在指定视角下观察该对象而得到的图像的预测结果;微调单元840,被配置为基于多个第一预测图像和多个原始图像,对中间图像生成模型进行微调,以得到目标图像生成模型;以及第二生成单元850,被配置为利用目标图像生成模型生成目标图像,目标图像表征从目标视角对目标对象进行观察而得到的图像的预测结果。
可以理解的是,装置800中的单元810-单元850的操作与图2中的步骤S201-步骤S205的操作类似,在此不作赘述。
根据一些实施例,微调单元840可以被配置为基于多个第一预测图像和多个原始图像,对中间编码器和中间生成器进行微调,以得到目标编码器和目标生成器。第二生成单元850可以包括:第一编码子单元,被配置为利用目标编码器对多个原始图像进行编码,以得到与目标对象对应的目标隐向量;以及第一生成子单元,被配置为基于目标隐向量和目标视角,利用目标生成器生成目标图像。
根据一些实施例,第一编码单元820可以包括:判别子单元,被配置为利用中间图像生成模型中的中间判别器得到多个目标图像各自对应的判别结果,判别结果表征对应的目标图像为通过观察而得到的图像的置信度;确定子单元,被配置为基于多个目标图像各自对应的判别结果,在多个目标图像中确定参考图像;以及第二编码子单元,被配置为利用中间编码器对参考图像进行编码,以得到中间隐向量。
根据一些实施例,中间生成器和中间判别器可以是通过交替训练而得到的。
根据一些实施例,第一生成单元830可以包括:第二生成子单元,被配置为基于中间隐向量,利用中间生成器生成目标对象的三维形状信息;以及第三生成子单元,被配置为基于目标对象的三维形状信息和稀疏的多个视角,生成多个第一预测图像。
根据一些实施例,三维形状信息可以包括目标对象的符号距离场。第三生成子单元可以包括:转换子单元,被配置为将符号距离场转换为目标对象的神经辐射场;以及第四生成子单元,被配置为基于稀疏的多个视角,利用神经辐射场生成多个第一预测图像。
根据一些实施例,图像生成装置800还可以包括:第一处理单元,被配置为利用中间编码器对多个原始图像进行处理,以得到对稀疏的多个视角的预测结果,其中,多个第一预测图像是基于中间隐向量和对稀疏的多个视角的预测结果而生成的。
根据本公开的另一方面,还提供了一种图像生成模型的训练装置。如图9所示,训练装置900包括:第二获取单元910,被配置为获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;第三获取单元920,被配置为获取基于随机采样而得到的样本隐向量;第三生成单元930,被配置为基于样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,多个第二预测图像表征从多个样本视角对目标类别的对象进行观察而得到的图像的预测结果;判别单元940,被配置为利用初始判别器得到多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,判别结果指示对应的图像是否为通过观察而得到的图像;以及训练单元950,被配置为基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,对初始生成器和初始判别器进行交替训练,以得到图像生成模型,图像生成模型至少包括对初始生成器进行训练而得到的中间生成器。
可以理解的是,训练装置900中的单元910-单元950的操作与图5中的步骤S501-步骤S505的操作类似,在此不作赘述。
根据一些实施例,训练装置900还可以包括:第四生成单元,被配置为基于样本隐向量和中间视角,利用中间生成器生成中间图像,中间图像表征从中间视角对目标类别的对象进行观察而得到的图像的预测结果;第二编码单元,被配置为利用初始编码器对中间图像进行编码,以得到与中间图像中的对象对应的预测隐向量;以及第一调参单元,被配置为基于样本隐向量和预测隐向量,调整初始编码器的参数,以得到中间编码器,图像生成模型包括中间编码器。
根据一些实施例,训练装置900还可以包括:第二处理单元,被配置为利用初始编码器对中间图像进行处理,以得到对中间视角的预测结果;以及第二调参单元,被配置为基于中间视角和对中间视角的预测结果,调整初始编码器的参数。
根据一些实施例,第三获取单元930可以包括:采样子单元,被配置为基于预设概率分布进行随机采样,以得到随机向量;以及处理子单元,被配置为利用隐向量生成网络对随机向量进行处理,以得到样本隐向量。训练装置900还可以包括:第三调参单元,被配置为基于多个真实图像各自对应的判别结果和多个第二预测图像各自对应的判别结果,调整隐向量生成网络的参数。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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,例如图像生成方法和/或图像生成模型的训练方法。例如,在一些实施例中,图像生成方法和/或图像生成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ROM1002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图像生成方法和/或图像生成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)而被配置为执行图像生成方法和/或图像生成模型的训练方法。
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 (25)
1.一种图像生成方法,包括:
获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,所述目标对象属于目标类别;
利用中间图像生成模型中的中间编码器对所述多个原始图像进行编码,以得到与所述目标对象对应的中间隐向量;
基于所述中间隐向量和所述稀疏的多个视角,利用所述中间图像生成模型中的中间生成器生成多个第一预测图像,其中,所述中间生成器被配置用于基于输入的与属于所述目标类别的对象对应的隐向量和指定视角,生成在所述指定视角下观察该对象而得到的图像的预测结果;
基于所述多个第一预测图像和所述多个原始图像,对所述中间图像生成模型进行微调,以得到目标图像生成模型;以及
利用所述目标图像生成模型生成目标图像,所述目标图像表征从目标视角对所述目标对象进行观察而得到的图像的预测结果。
2.根据权利要求1所述的方法,其中,基于所述多个第一预测图像和所述多个原始图像,对所述中间图像生成模型进行微调,以得到目标图像生成模型包括:
基于所述多个第一预测图像和所述多个原始图像,对所述中间编码器和所述中间生成器进行微调,以得到目标编码器和目标生成器,
其中,利用所述目标图像生成模型生成目标图像包括:
利用所述目标编码器对所述多个原始图像进行编码,以得到与所述目标对象对应的目标隐向量;以及
基于所述目标隐向量和所述目标视角,利用所述目标生成器生成所述目标图像。
3.根据权利要求1所述的方法,其中,利用中间图像生成模型中的中间编码器对所述多个原始图像进行编码,以得到与所述目标对象对应的中间隐向量包括:
利用所述中间图像生成模型中的中间判别器得到所述多个原始图像各自对应的判别结果,所述判别结果表征对应的原始图像为通过观察而得到的图像的置信度;
基于所述多个原始图像各自对应的判别结果,在所述多个原始图像中确定参考图像;以及
利用所述中间编码器对所述参考图像进行编码,以得到所述中间隐向量。
4.根据权利要求3所述的方法,其中,所述中间生成器和所述中间判别器是通过交替训练而得到的。
5.根据权利要求1所述的方法,其中,基于所述中间隐向量和所述稀疏的多个视角,利用所述中间图像生成模型中的中间生成器生成多个第一预测图像包括:
基于所述中间隐向量,利用所述中间生成器生成所述目标对象的三维形状信息;以及
基于所述目标对象的三维形状信息和所述稀疏的多个视角,生成所述多个第一预测图像。
6.根据权利要求5所述的方法,其中,所述三维形状信息包括所述目标对象的符号距离场,基于所述目标对象的三维形状信息和所述稀疏的多个视角,生成所述多个第一预测图像包括:
将所述符号距离场转换为所述目标对象的神经辐射场;以及
基于所述稀疏的多个视角,利用所述神经辐射场生成所述多个第一预测图像。
7.根据权利要求1所述的方法,还包括:
利用所述中间编码器对所述多个原始图像进行处理,以得到对所述稀疏的多个视角的预测结果,
其中,所述多个第一预测图像是基于所述中间隐向量和对所述稀疏的多个视角的预测结果而生成的。
8.一种图像生成模型的训练方法,包括:
获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;
获取基于随机采样而得到的样本隐向量;
基于所述样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,所述多个第二预测图像表征从所述多个样本视角对所述目标类别的对象进行观察而得到的图像的预测结果;
利用初始判别器得到所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,所述判别结果指示对应的图像是否为通过观察而得到的图像;以及
基于所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,对所述初始生成器和所述初始判别器进行交替训练,以得到图像生成模型,所述图像生成模型至少包括对所述初始生成器进行训练而得到的中间生成器。
9.根据权利要求8所述的方法,还包括:
基于所述样本隐向量和中间视角,利用中间生成器生成中间图像,所述中间图像表征从所述中间视角对所述目标类别的对象进行观察而得到的图像的预测结果;
利用初始编码器对所述中间图像进行编码,以得到与所述中间图像中的对象对应的预测隐向量;以及
基于所述样本隐向量和所述预测隐向量,调整所述初始编码器的参数,以得到中间编码器,所述图像生成模型包括所述中间编码器。
10.根据权利要求9所述的方法,还包括:
利用初始编码器对所述中间图像进行处理,以得到对所述中间视角的预测结果;以及
基于所述中间视角和对所述中间视角的所述预测结果,调整所述初始编码器的参数。
11.根据权利要求8所述的方法,其中,获取基于随机采样而得到的样本隐向量包括:
基于预设概率分布进行随机采样,以得到随机向量;以及
利用隐向量生成网络对所述随机向量进行处理,以得到所述样本隐向量,
其中,所述方法还包括:
基于所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,调整所述隐向量生成网络的参数。
12.一种图像生成装置,包括:
第一获取单元,获取从稀疏的多个视角对目标对象进行观察而得到的多个原始图像,所述目标对象属于目标类别;
第一编码单元,被配置为利用中间图像生成模型中的中间编码器对所述多个原始图像进行编码,以得到与所述目标对象对应的中间隐向量;
第一生成单元,被配置为基于所述中间隐向量和所述稀疏的多个视角,利用所述中间图像生成模型中的中间生成器生成多个第一预测图像,其中,所述中间生成器被配置用于基于输入的与属于所述目标类别的对象对应的隐向量和指定视角,生成在所述指定视角下观察该对象而得到的图像的预测结果;
微调单元,被配置为基于所述多个第一预测图像和所述多个原始图像,对所述中间图像生成模型进行微调,以得到目标图像生成模型;以及
第二生成单元,被配置为利用所述目标图像生成模型生成目标图像,所述目标图像表征从目标视角对所述目标对象进行观察而得到的图像的预测结果。
13.根据权利要求12所述的装置,其中,所述微调单元被配置为基于所述多个第一预测图像和所述多个原始图像,对所述中间编码器和所述中间生成器进行微调,以得到目标编码器和目标生成器,
其中,所述第二生成单元包括:
第一编码子单元,被配置为利用所述目标编码器对所述多个原始图像进行编码,以得到与所述目标对象对应的目标隐向量;以及
第一生成子单元,被配置为基于所述目标隐向量和所述目标视角,利用所述目标生成器生成所述目标图像。
14.根据权利要求12所述的装置,其中,所述第一编码单元包括:
判别子单元,被配置为利用所述中间图像生成模型中的中间判别器得到所述多个目标图像各自对应的判别结果,所述判别结果表征对应的目标图像为通过观察而得到的图像的置信度;
确定子单元,被配置为基于所述多个目标图像各自对应的判别结果,在所述多个目标图像中确定参考图像;以及
第二编码子单元,被配置为利用所述中间编码器对所述参考图像进行编码,以得到所述中间隐向量。
15.根据权利要求14所述的装置,其中,所述中间生成器和所述中间判别器是通过交替训练而得到的。
16.根据权利要求12所述的装置,其中,所述第一生成单元包括:
第二生成子单元,被配置为基于所述中间隐向量,利用所述中间生成器生成所述目标对象的三维形状信息;以及
第三生成子单元,被配置为基于所述目标对象的三维形状信息和所述稀疏的多个视角,生成所述多个第一预测图像。
17.根据权利要求16所述的装置,其中,所述三维形状信息包括所述目标对象的符号距离场,所述第三生成子单元包括:
转换子单元,被配置为将所述符号距离场转换为所述目标对象的神经辐射场;以及
第四生成子单元,被配置为基于所述稀疏的多个视角,利用所述神经辐射场生成所述多个第一预测图像。
18.根据权利要求12所述的装置,还包括:
第一处理单元,被配置为利用所述中间编码器对所述多个原始图像进行处理,以得到对所述稀疏的多个视角的预测结果,
其中,所述多个第一预测图像是基于所述中间隐向量和对所述稀疏的多个视角的预测结果而生成的。
19.一种图像生成模型的训练装置,包括:
第二获取单元,被配置为获取从多个真实角度对目标类别的对象进行观察而得到的多个真实图像;
第三获取单元,被配置为获取基于随机采样而得到的样本隐向量;
第三生成单元,被配置为基于所述样本隐向量和多个样本视角,利用初始生成器生成多个第二预测图像,所述多个第二预测图像表征从所述多个样本视角对所述目标类别的对象进行观察而得到的图像的预测结果;
判别单元,被配置为利用初始判别器得到所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,所述判别结果指示对应的图像是否为通过观察而得到的图像;以及
训练单元,被配置为基于所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,对所述初始生成器和所述初始判别器进行交替训练,以得到图像生成模型,所述图像生成模型至少包括对所述初始生成器进行训练而得到的中间生成器。
20.根据权利要求19所述的装置,还包括:
第四生成单元,被配置为基于所述样本隐向量和中间视角,利用中间生成器生成中间图像,所述中间图像表征从所述中间视角对所述目标类别的对象进行观察而得到的图像的预测结果;
第二编码单元,被配置为利用初始编码器对所述中间图像进行编码,以得到与所述中间图像中的对象对应的预测隐向量;以及
第一调参单元,被配置为基于所述样本隐向量和所述预测隐向量,调整所述初始编码器的参数,以得到中间编码器,所述图像生成模型包括所述中间编码器。
21.根据权利要求20所述的装置,还包括:
第二处理单元,被配置为利用初始编码器对所述中间图像进行处理,以得到对所述中间视角的预测结果;以及
第二调参单元,被配置为基于所述中间视角和对所述中间视角的所述预测结果,调整所述初始编码器的参数。
22.根据权利要求19所述的装置,其中,所述第三获取单元包括:
采样子单元,被配置为基于预设概率分布进行随机采样,以得到随机向量;以及
处理子单元,被配置为利用隐向量生成网络对所述随机向量进行处理,以得到所述样本隐向量,
其中,所述装置还包括:
第三调参单元,被配置为基于所述多个真实图像各自对应的判别结果和所述多个第二预测图像各自对应的判别结果,调整所述隐向量生成网络的参数。
23.一种电子设备,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1-11中任一项所述的方法。
24.一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1-11中任一项所述的方法。
25.一种计算机程序产品,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1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552561.1A CN116580212B (zh) | 2023-05-16 | 2023-05-16 | 图像生成方法、图像生成模型的训练方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552561.1A CN116580212B (zh) | 2023-05-16 | 2023-05-16 | 图像生成方法、图像生成模型的训练方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580212A true CN116580212A (zh) | 2023-08-11 |
CN116580212B CN116580212B (zh) | 2024-02-06 |
Family
ID=87542809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552561.1A Active CN116580212B (zh) | 2023-05-16 | 2023-05-16 | 图像生成方法、图像生成模型的训练方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580212B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200167966A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation using auto-encoder |
CN112837415A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 一种蛋白质冷冻电镜投影图像的三维结构重建方法 |
US20210295606A1 (en) * | 2020-03-18 | 2021-09-23 | Adobe Inc. | Reconstructing three-dimensional scenes in a target coordinate system from multiple views |
CN113822969A (zh) * | 2021-09-15 | 2021-12-21 | 宿迁硅基智能科技有限公司 | 训练神经辐射场模型和人脸生成方法、装置及服务器 |
CN114119849A (zh) * | 2022-01-24 | 2022-03-01 | 阿里巴巴(中国)有限公司 | 三维场景渲染方法、设备以及存储介质 |
CN114140603A (zh) * | 2021-12-08 | 2022-03-04 | 北京百度网讯科技有限公司 | 虚拟形象生成模型的训练方法和虚拟形象生成方法 |
CN114693853A (zh) * | 2022-04-06 | 2022-07-01 | 商汤集团有限公司 | 对象渲染方法、装置、电子设备及存储介质 |
CN115082639A (zh) * | 2022-06-15 | 2022-09-20 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
WO2022202068A1 (en) * | 2021-03-25 | 2022-09-29 | Mitsubishi Electric Corporation | Insegan: a generative approach to instance segmentation in depth images |
CN115330940A (zh) * | 2022-08-09 | 2022-11-11 | 北京百度网讯科技有限公司 | 一种三维重建方法、装置、设备和介质 |
CN115661375A (zh) * | 2022-12-27 | 2023-01-31 | 北京百度网讯科技有限公司 | 三维发型生成方法、装置、电子设备和存储介质 |
CN115797565A (zh) * | 2022-12-20 | 2023-03-14 | 北京百度网讯科技有限公司 | 三维重建模型训练方法、三维重建方法、装置及电子设备 |
CN115866229A (zh) * | 2023-02-14 | 2023-03-28 | 北京百度网讯科技有限公司 | 多视角图像的视角转换方法、装置、设备和介质 |
CN115908109A (zh) * | 2022-11-02 | 2023-04-04 | 阿里巴巴(中国)有限公司 | 人脸图像风格化模型训练方法、设备和存储介质 |
CN116030185A (zh) * | 2022-12-02 | 2023-04-28 | 北京百度网讯科技有限公司 | 三维发丝生成方法和模型的训练方法 |
CN116071278A (zh) * | 2022-11-29 | 2023-05-05 | 西安交通大学 | 无人机航拍图像合成方法、系统、计算机设备及存储介质 |
CN116109778A (zh) * | 2023-03-02 | 2023-05-12 | 南京大学 | 基于深度学习的人脸三维重建方法、计算机设备与介质 |
-
2023
- 2023-05-16 CN CN202310552561.1A patent/CN116580212B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200167966A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation using auto-encoder |
US20210295606A1 (en) * | 2020-03-18 | 2021-09-23 | Adobe Inc. | Reconstructing three-dimensional scenes in a target coordinate system from multiple views |
CN112837415A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 一种蛋白质冷冻电镜投影图像的三维结构重建方法 |
WO2022202068A1 (en) * | 2021-03-25 | 2022-09-29 | Mitsubishi Electric Corporation | Insegan: a generative approach to instance segmentation in depth images |
CN113822969A (zh) * | 2021-09-15 | 2021-12-21 | 宿迁硅基智能科技有限公司 | 训练神经辐射场模型和人脸生成方法、装置及服务器 |
CN114140603A (zh) * | 2021-12-08 | 2022-03-04 | 北京百度网讯科技有限公司 | 虚拟形象生成模型的训练方法和虚拟形象生成方法 |
CN114119849A (zh) * | 2022-01-24 | 2022-03-01 | 阿里巴巴(中国)有限公司 | 三维场景渲染方法、设备以及存储介质 |
CN114693853A (zh) * | 2022-04-06 | 2022-07-01 | 商汤集团有限公司 | 对象渲染方法、装置、电子设备及存储介质 |
CN115082639A (zh) * | 2022-06-15 | 2022-09-20 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
CN115330940A (zh) * | 2022-08-09 | 2022-11-11 | 北京百度网讯科技有限公司 | 一种三维重建方法、装置、设备和介质 |
CN115908109A (zh) * | 2022-11-02 | 2023-04-04 | 阿里巴巴(中国)有限公司 | 人脸图像风格化模型训练方法、设备和存储介质 |
CN116071278A (zh) * | 2022-11-29 | 2023-05-05 | 西安交通大学 | 无人机航拍图像合成方法、系统、计算机设备及存储介质 |
CN116030185A (zh) * | 2022-12-02 | 2023-04-28 | 北京百度网讯科技有限公司 | 三维发丝生成方法和模型的训练方法 |
CN115797565A (zh) * | 2022-12-20 | 2023-03-14 | 北京百度网讯科技有限公司 | 三维重建模型训练方法、三维重建方法、装置及电子设备 |
CN115661375A (zh) * | 2022-12-27 | 2023-01-31 | 北京百度网讯科技有限公司 | 三维发型生成方法、装置、电子设备和存储介质 |
CN115866229A (zh) * | 2023-02-14 | 2023-03-28 | 北京百度网讯科技有限公司 | 多视角图像的视角转换方法、装置、设备和介质 |
CN116109778A (zh) * | 2023-03-02 | 2023-05-12 | 南京大学 | 基于深度学习的人脸三维重建方法、计算机设备与介质 |
Non-Patent Citations (4)
Title |
---|
YU-JHE LI 等: "3D-Aware Encoding for Style-based Neural Radiance Fields", 《ARXIV》, pages 1 - 21 * |
刘灿 等: "深度学习驱动的可视化", 《计算机辅助设计与图形学学报》, vol. 32, no. 10, pages 1537 - 1548 * |
卫星 等: "基于混合生成对抗网络的多视角图像生成算法", 《自动化学报》, vol. 47, no. 11, pages 2623 - 2636 * |
李明阳 等: "视觉深度学习的三维重建方法综述", 《计算机科学与探索》, vol. 17, no. 02, pages 279 - 302 * |
Also Published As
Publication number | Publication date |
---|---|
CN116580212B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN115631418B (zh) | 图像处理方法及装置、神经辐射场的训练方法 | |
CN112749758B (zh) | 图像处理方法、神经网络的训练方法、装置、设备和介质 | |
EP4123592A2 (en) | Human-object interaction detection method, neural network and training method therefor, device, and medium | |
CN114004985B (zh) | 人物交互检测方法、神经网络及其训练方法、设备和介质 | |
CN116051729B (zh) | 三维内容生成方法、装置和电子设备 | |
CN114972958B (zh) | 关键点检测方法、神经网络的训练方法、装置和设备 | |
WO2023005287A1 (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN115578515B (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 | |
EP4123591A2 (en) | Human-object interaction detection method, neural network and training method therefor, device, and medium | |
CN117274491A (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
CN112507833A (zh) | 人脸识别及模型训练的方法、装置、设备和存储介质 | |
CN114550313A (zh) | 图像处理方法、神经网络及其训练方法、设备和介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN116580212B (zh) | 图像生成方法、图像生成模型的训练方法、装置和设备 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115359309A (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113793290B (zh) | 一种视差确定方法、装置、设备、介质 | |
CN115797455B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN116228897B (zh) | 图像处理方法、图像处理模型和训练方法 | |
CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、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 |