CN116595438A - 图片创作方法、装置、设备及存储介质 - Google Patents
图片创作方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116595438A CN116595438A CN202310559074.8A CN202310559074A CN116595438A CN 116595438 A CN116595438 A CN 116595438A CN 202310559074 A CN202310559074 A CN 202310559074A CN 116595438 A CN116595438 A CN 116595438A
- Authority
- CN
- China
- Prior art keywords
- picture
- data
- creation
- authoring
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010422 painting Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000007480 spreading Effects 0.000 description 4
- 238000003892 spreading Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 description 2
- 102100036366 ProSAAS Human genes 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供一种图片创作方法、装置、设备及存储介质，涉及人工智能技术领域，该方法包括：获取车辆行驶数据、图画元素数据和用户偏好数据；根据车辆行驶数据和用户偏好数据，确定图片创作类型；基于图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，图片创作模型通过对车辆行驶数据和图画元素数据进行分析和建模获得。通过人工智能化处理技术分析和提取其中的图像元素，生成高品质图画，能够得到良好的图画效果；实现了车辆行驶数据与图画创作的融合，为用户提供了个性化的服务，提高了智能座舱的个性化创作能力；可以让用户根据自己的需求进行创作，提升了用户体验。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种图片创作方法、装置、设备及存储介质。
背景技术
现有图片创作的方式主要通过各种软件、网页、在线编辑器进行图片的图像编辑、处理和生成，其中，现有的图像处理或创作能够提供功能包括(1)利用人工智能算法实现图像风格转换、图像重建、图像生成等功能；(2)生成矢量图像或对矢量图像进行编辑；(3)利用人工智能算法实现自动化绘制、图像风格转换等功能；(4)利用人工智能算法实现图像修复等。
目前，上述图片创作方式需要依赖于专业图像处理设备和/或图像处理软件，需要一定的作图理论和图像处理等专业知识才能操作，时间成本高，普通人参与图像创作的门槛和成本均很高，难以满足用户多种个性化的需求，体验感差。
发明内容
有鉴于此，本申请实施例的目的在于提供一种图片创作方法、装置、设备及存储介质，通过获取车辆行驶数据、图画元素数据和用户偏好数据确定图片创作类型并构建图片创作模型，触发车辆目标图片作品文件进行个性化创作，使得创作的目标图片作品文件与创作指令相匹配，为用户提供个性化的服务，提高了智能座舱的个性化创作能力，可以让用户根据自己的需求进行创作，从而解决了上述技术问题。
第一方面，本申请实施例提供一种图片创作方法，所述方法包括：获取车辆行驶数据、图画元素数据和用户偏好数据；根据所述车辆行驶数据和用户偏好数据，确定图片创作类型；基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，所述图片创作模型通过对所述车辆行驶数据和所述图画元素数据进行分析和建模获得。
在上述实现过程中，通过收集车辆的行驶数据，并结合通过人工智能化处理技术分析和提取的图画元素、用户偏好，确定图片创作类型，并构建图片创作模型，触发车辆图片文件的个性化创作，使创作的图片文件与创作指令相匹配，实现了车辆行驶数据与图画创作的融合，为用户提供了个性化的服务，提高了智能座舱的个性化创作能力；通过人工智能化处理技术分析和提取其中的图像元素，生成高品质图画能够得到良好的图画效果；可以让用户根据自己的需求进行创作，提升了用户体验。
可选地，所述图片创作模型获得的方式，包括：对车辆行驶数据和图画元素数据进行预处理，以获得特征输入数据；基于所述特征输入数据，进行生成对抗网络模型训练，以获得所述图片创作模型；其中，所述图片创作模型用于根据多种车辆行驶状态确定对应的创作图画素材，所述创作图画素材包括：图画结构、图画规律和图画风格中的至少一者。
在上述实现过程中，通过使用深度学习模型处理数据前，进行数据预处理，再选择生成对抗网络深度学习模型训练图片创作模型，实现了驾驶数据和图画元素数据的智能匹配和组合，提供了更加个性化、更加贴近生活、随意的绘画创作方式，使得用户能够更加轻松地进行创作，并提供了更多的创作自由度。
可选地，所述对车辆行驶数据和图画元素数据进行预处理，获得特征输入数据，包括：对车辆行驶数据进行降维、归一化处理，以获得车辆行驶特征数据；对图画元素数据进行特征提取，以获得图画元素特征数据；其中，所述图画特征数据包括：画笔、笔触力度、画风、饱和度和色调中的至少一者；基于所述车辆行驶特征数据和所述图画元素特征数据，确定所述特征输入数据。
在上述实现过程中，通过在训练深度学习模型前对相关数据进行降维、归一化、特征提取，更好地实现了驾驶数据与图画元素的匹配和组合，提供了更加完整的创作流程，从创作到分享都能够在一个平台上完成，使得整个创作过程更加高效、更加方便。
可选地，所述对图画元素数据进行特征提取，以获得图画元素特征数据之前，还包括：对所述图画元素数据进行清洗和处理，获得待特征提取的图画元素数据。
在上述实现过程中，通过清洗和处理使得更能够满足机器学习算法的要求，使得后续训练机器学习模型更具有针对性、更准确，提高了图片创作模型的精度。
可选地，所述基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品之后，所述方法还包括：将所述目标图画作品渲染至目标智能设备，和/或，上传至目标平台；其中，所述目标智能设备包括：车辆的车载人机交互界面、移动端设备；所述目标平台包括：云端图库、自媒体平台。
在上述实现过程中，通过将创作出的目标图片作品保存在目标平台或渲染至移动端设备、目标智能设备交互界面，可供用户进行编辑或二次创作，可以满足用户的个性化需求和分享需求，提高了创作图片的传播力和影响力；提供了更加方便、更加快捷的分享和传播方式，使得所生成的画作更容易被推广和传播。
可选地，所述基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品之后，所述方法还包括：将目标图片作品上传至车辆后台的图片管理运营平台；获取所述图片管理运营平台上对所述目标图片作品进行评估的评估反馈数据；基于车辆行驶数据、图画元素数据和所述评估反馈数据，对图片创作模型进行生成对抗网络模型重复训练，获得优化后的图片创作模型。
在上述实现过程中，通过结合评估反馈数据进行优化式的模型训练，并使用人工智能化处理技术进行图片创作，模型具有自我学习和优化的能力，能够不断提高图片创作的质量和效率，深度学习相应的训练模型和数据集，可以满足用户的个性化需求和分享需求，提高了创作的传播力和影响力。
可选地，所述根据所述车辆行驶数据和用户偏好数据，确定图片创作类型，包括：获取车辆行驶数据中的当前车辆所在地的地理位置信息以及当前车辆所在地的天气信息；获取用户偏好数据中的用户创作需求；根据所述地理位置信息、天气信息和用户创作需求，确定图片创作类型。
在上述实现过程中，通过结合地理位置信息、天气信息和用户创作需求，确定图片创作类型，更准确地捕捉了用户的情感状态、驾驶状态，生成更合适的目标图片作品，提高了用户体验感。
第二方面，本申请实施例提供了一种图片创作装置，所述装置包括：获取模块，用于获取车辆行驶数据、图画元素数据和用户偏好数据；类型确定模块，用于根据所述车辆行驶数据和用户偏好数据，确定图片创作类型；创作模块，用于基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，所述图片创作模型通过对所述车辆行驶数据和图画元素数据进行分析和建模获得。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
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片创作方法的流程图；
图2为本申请实施例提供的图片创作装置的功能模块示意图；
图3为本申请实施例提供图片创作装置的电子设备的方框示意图。
图标：210-获取模块；220-类型确定模块；230-创作模块；300-电子设备；311-存储器；312-存储控制器；313-处理器；314-外设接口；315-输入输出单元；316-显示单元。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在介绍本申请实施例前，首先对本申请涉及的技术概念作简要介绍。
生成对抗网络(GAN，Generative Adversarial Networks)：是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中，并不要求G和D都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。
本申请发明人注意到，现有图片创作的方式主要通过各种软件、网页、在线编辑器进行图画图像编辑、处理和生成，其中，常用的网页包括：(1)国内最大的图库，拥有丰富的图片资源和多种类型的图片内容，包括新闻、时尚、艺术、科技等；(2)专注于明星图片的图库，拥有海量的明星图片资源和多种类型的明星图片内容；(3)以传播中国文化为宗旨的图库，拥有国家文化图片资源和多种类型的图片内容，包括历史、文化、旅游、民俗等；(4)专业的高清图片网站，拥有丰富的高清图片资源和多种类型的图片内容，包括商业、创意、生活、旅游等。常用的在线编辑器包括：(1)在线艺术风格转换工具，将用户上传的照片转换成不同风格的艺术作品；(2)在线绘画工具，生成各种类型的图像；(3)在线艺术特效工具，将用户上传的照片转换成艺术风格的图像。
这些常规的创作图片方式具有一些缺陷：(1)依赖专业设备和软件。需要一定的技术和知识才能进行操作，这使得普通用户很难自己完成创作处理。(2)时间成本高。使用专业处理需要花费较长的时间，需要多次尝试和调整，这会增加用户的时间成本。(3)需要专业知识。需要一定的作图理论和图像处理知识，对于普通用户来说会比较困难。(4)限制用户数量。使用门槛较高，只有少数专业人士或爱好者能够使用，限制了用户数量和市场规模。这些创作图画图像的常规方式专业度过高，使得普通难以参与图片的创作，但是，移动互联网的出现改变了很多制作状态，加之人工智能的发展，可基于新能源车辆驾驶员行驶轨迹等信息进行创作，而非传统的制图创作方式，这种创作方式不仅能够提供更多的创作素材，还能够使得图画作品更加贴近生活、更加具有个性化和独特性。
有鉴于此，本申请实施例提供了一种如下介绍的图片创作方法。这种创作方式可以将创作内容从云端保存在电脑或手机对应的软件中，供用户进行编辑或二次创作；还能够提供更多的创作自由度，让用户能够根据自己的需求进行创作，同时也能够让用户更容易地进行分享和传播。可以提供将创作内容上传到图库(数字素材库)的功能，同时也可以将其上传到短视频平台或自媒体平台，让用户更容易地将自己的创作分享给更多的人，同时也能够使得所创作的图像作品更加广泛地传播。
请参阅图1，图1为本申请实施例提供的一种图片创作方法的流程图。下面对本申请实施例进行详细阐释。该方法包括：步骤100、步骤120和步骤140。
步骤100：获取车辆行驶数据、图画元素数据和用户偏好数据；
步骤120：根据车辆行驶数据和用户偏好数据，确定图片创作类型；
步骤140：基于图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，图片创作模型通过对车辆行驶数据和图画元素数据进行分析和建模获得。
示例性地，车辆行驶数据可以是：表征驾驶员驾驶状态、驾驶行为的历史驾驶数据，例如：车速、路线、时间等驾驶数据，可通过车载传感器和GPS定位设备采集。图画元素数据可以是：在在车内使用制作图画的时间、频率、音量等数据，可具体包括不同类型的图画/图像、不同艺术家的作品以及不同年代的画作等，这些数据可以从各图库、数字博物馆以及专业机构等处获得。用户偏好数据可以是：反映用户心情、状态的数据，可通过语音或点触手势的用户输入方式获得。图片创作类型可以是：根据驾驶员的行为、状态等特征和目前车辆的驾驶环境、地理位置、天气条件，确定对应合适的图像创作类型，例如：二次元漫画或国风山水画等。
可选地，本申请实施例的图片创作方法是一种利用人工智能处理基于智能座舱的目标图片作品文件生成方法。图片创作指令包括自然指令和人工触发指令，其中，人工触发指令为人工输入触发的创作需求。当接收到图片创作指令时，解析用户提供的绘制图画创作指令，理解其中的内容和要求，以为后续的个性化创作做好准备；同时，响应于图片创作指令，系统获取车辆当前的行驶信息、车辆周围场景信息和车辆所属位置信息。根据当前场景创作需求、车辆行驶信息、车辆周围场景信息和车辆所属位置信息确定需要创作的目标图片作品创作类型，例如：基于顺畅的路况、周边的景致和晴朗的天气创作指令可能就为“创作一副抽象派作品”，那么系统就会生成一副与该指令相匹配的现代主义抽象派画作-NFT数字藏品。基于目标图片作品创作类型和预设的图片创作模型在移动端或PC端进行图片二次编辑创作，生成目标图片作品文件，其中，该图片创作模型通过使用卷积神经网络(CNN)或循环神经网络(RNN)等模型来处理图画元素和车辆行驶数据，实现智能匹配和组合的建模。在创作过程中，系统可以利用绘图理论和人工智能技术进行图画创作、上色和调配平衡度等处理。
特别地，相比于现有技术，本申请实施例的优势在于：1.高效性：利用人工智能技术对基于智能座舱的图片文件进行处理，可以快速准确地提取和理解图片中的各种信息，提高车辆信息的获取和处理效率。2.可扩展性：与其他智能座舱技术结合使用，扩展智能座舱的应用场景，例如：通过与语音识别、自然语言处理等技术结合使用，可以实现更加智能化的车辆信息处理和交互体验。3.自动化：可实现对图片文件的自动处理和输出，无需人工干预，减少了人力和时间成本，提高了处理效率和可用性。4.可升级性强：通过对算法的升级，实现对新的车型、场景等的支持和适应，保持技术的前沿性和竞争力。
通过收集车辆的行驶数据，并结合通过人工智能化处理技术分析和提取的图画元素、用户偏好，确定图片创作类型，并构建图片创作模型，触发车辆图片文件的个性化创作，使创作的图片文件与创作指令相匹配，实现了车辆行驶数据与图画创作的融合，为用户提供了个性化的服务，提高了智能座舱的个性化创作能力；通过人工智能化处理技术分析和提取其中的图像元素，生成高品质图画能够得到良好的图画效果；可以让用户根据自己的需求进行创作，提升了用户体验。
在一个实施例中，步骤140中图片创作模型获得的方式，可以包括：步骤141、步骤142。
步骤141：对车辆行驶数据和图片元素数据进行预处理，以获得特征输入数据；
步骤142：基于特征输入数据，进行生成对抗网络模型训练，以获得图片创作模型；其中，图片创作模型用于根据多种车辆行驶状态确定对应的创作图画素材，创作图片素材包括：图画结构、图画规律和图画风格中的至少一者。
示例性地，通过采集驾驶员历史的车辆行驶数据，如车速、路线、时间等，以及其在车内使用制作图画工具的时间、频率等图画元素数据，也可在收集了驾驶员对不同类型图片的评价、喜好度等反馈数据，以及通过分析驾驶员在社交媒体上的图片喜好、分享行为等数据，对驾驶员的行驶习惯和图片偏好进行分析和建模。先对图画元素和车辆行驶数据进行特征提取、分析等预处理，获得神经网络模型输入前的特征数据，基于生成对抗网络(GAN)深度学习模型，利用神经网络、决策树、支持向量机等算法训练机器学习模型，使得模型能够结合驾驶员的行驶习惯和图片偏好，学习到图片图画的结构、规律和风格，进而获得最终的图片创作模型。在深度学习模型的基础上，采用基于相似度或聚类的算法来实现图画图像元素和车辆行驶数据的匹配和组合。
特别地，利用深度学习和生成对抗网络(GAN)等技术，根据用户的创作指令生成具有个性化的图像文件，此方式需要大量的图像数据进行训练，以提高生成图像的质量和真实感。将用户喜欢的风格应用到生成的图像文件上，实现风格的迁移，可通过上述预训练的生成对抗网络模型来实现，其输入包括原始图像、参考风格图像和创作指令。
通过使用深度学习模型处理数据前，进行数据预处理，再选择生成对抗网络深度学习模型训练图片创作模型，实现了驾驶数据和图画元素数据的智能匹配和组合，提供了更加个性化、更加贴近生活、随意的绘画创作方式，使得用户能够更加轻松地进行创作，并提供了更多的创作自由度。
在一个实施例中，步骤141可以包括：步骤1411、步骤1412和步骤1413。
步骤1411：对车辆行驶数据进行降维、归一化处理，以获得车辆行驶特征数据；
步骤1412：对图画元素数据进行特征提取，以获得图画元素特征数据；其中，图画元素特征数据包括：画笔、笔触力度、画风、饱和度和色调中的至少一者；
步骤1413：基于车辆行驶特征数据和图画元素特征数据，确定特征输入数据。
示例性地，示例性地，采集驾驶员历史的车辆行驶数据，如车速、路线、时间等，以及其在车内使用制作图画工具的时间、频率等图画元素数据，可具体包括不同类型的图画/图像、不同艺术家的作品以及不同年代的画作等，这些数据可以从各图库、数字博物馆以及专业机构等处获得。对车辆行驶数据进行降维、归一化等处理，以便更好地与图画元素进行匹配和组合；同时从图画数据中提取出特征，以便机器学习算法能够对其进行分析和处理，图画图像特征包括画笔、笔触力度、画风、饱和度、色调等。
通过在训练深度学习模型前对相关数据进行降维、归一化、特征提取，更好地实现了驾驶数据与图画元素的匹配和组合，提供了更加完整的创作流程，从创作到分享都能够在一个平台上完成，使得整个创作过程更加高效、更加方便。
在一个实施例中，步骤1412之前还包括：步骤1412a。
步骤1412a：对图画元素数据进行清洗和处理，获得待特征提取的图画元素数据。
示例性地，采集大量的图画/图片/图像数据，其包括在车内在车内使用作图工具的时间、频率等图画元素数据，还可包括不同类型的图画/图像、不同艺术家的作品以及不同年代的画作等，这些数据可以从各图库、数字博物馆以及专业机构等处获得。在对这些大量数据进行特征提取前，对数据进行去除噪点、标准化图片格式等清洗和处理，获得待特征提取的图画元素数据，更能够满足机器学习算法的要求，使得后续训练机器学习模型更具有针对性、更准确，提高了图片创作模型的精度。
在一个实施例中，步骤140之后，还包括：步骤150。
步骤150：将目标图片作品渲染至目标智能设备，和/或，上传至目标平台；其中，目标智能设备包括：车辆的车载人机交互界面、移动端设备；目标平台包括：云端图库、自媒体平台。
示例性地，目标智能设备可以是：移动端对应的软件系统、智能座舱应用系统前端交互界面、或其他车载交互界面。目标平台可以是：云端图库、短视频平台或自媒体平台。可选地，获取基于智能座舱的图片文件，通过车载摄像头或其他传感器获取；再利用人工智能技术对图片文件进行处理，包括：图像识别、物体检测、语义分割等操作，实现对图片中的各种信息的提取和理解；根据处理结果生成对应的图像标注或描述，例如：品牌、颜色、车牌号码等信息，可以通过文字、语音等方式进行输出。
进一步地，将生成的图画图像处理结果输出到移动端设备上，供用户查看和分享；或者，将生成的图像文件实时渲染在目标智能设备中，为用户提供个性化的视觉体验，此种方式需要考虑硬件性能和显示效果，以提高渲染速度和图像质量，同时，设计与用户友好的交互界面，使用户能够轻松地提供创作指令、选择喜欢的风格和预览生成的图像文件，可提供基本的图像编辑功能，方便用户进行微调；以及将生成目标图片作品的功能通过云端图库、自媒体平台与智能座舱建立联系，提供给用户使用，用户可以通过语音控制或者触摸屏幕等方式操控系统生成目标图片作品。上述可利用智能座舱的处理能力，将上述功能整合到智能座舱的硬件和软件系统中，确保各个部分的协同工作，为用户提供稳定、高效的个性化服务。
通过将创作出的目标图片作品保存在目标平台或渲染至移动端设备、目标智能设备交互界面，可供用户进行编辑或二次创作，可以满足用户的个性化需求和分享需求，提高了创作图片的传播力和影响力；提供了更加方便、更加快捷的分享和传播方式，使得所生成的画作更容易被推广和传播。
在一个实施例中，步骤140之后包括：步骤161、步骤162和步骤163。
步骤161：将目标图片作品上传至车辆后台的图片管理运营平台；
步骤162：获取图片管理运营平台上对目标图片作品进行评估的评估反馈数据；
步骤163：基于车辆行驶数据、图画元素数据和评估反馈数据，对图片创作模型进行生成对抗网络模型重复训练，获得优化后的图片创作模型。
示例性地，图片管理运营平台可以是SAAS平台图库。可将目标图片作品上传至车辆后台的图片管理运营平台配合模型训练和优化，使用SAAS平台图库丰富且大量的数据集进行模型训练，同时采用对应的优化算法来提高模型的准确性和效率。先对图画元素和车辆行驶数据进行特征提取和分析，然后根据用户输入的需求和偏好，基于图片创作模型自动生成符合用户要求的图画作品。图片创作库是一个累积的过程，通过自适应学习技术，可不断地学习和优化自身的生成模型和算法，以适应不同用户的需求和偏好。可选地，将创作出的目标图片作品保存在云端图库中，供用户进行编辑或二次创作，以供用户版权采集和商业化获取。也可上传到短视频平台或自媒体平台进行分享(步骤150)，以评估生成的目标图片作品，检查其是否符合评估生成的画作，检查其是否符合作图的基本规律和艺术风格，如果存在问题，可以根据收集到的评估反馈数据，对模型进行优化和调整，以便生成更好的目标图片作品。
通过结合评估反馈数据进行优化式的模型训练，并使用人工智能化处理技术进行图片创作，模型具有自我学习和优化的能力，能够不断提高图片创作的质量和效率，深度学习相应的训练模型和数据集，可以满足用户的个性化需求和分享需求，提高了创作的传播力和影响力。
在一个实施例中，步骤120可以包括：步骤121、步骤122和步骤123。
步骤121：获取车辆行驶数据中的当前车辆所在地的地理位置信息以及当前车辆所在地的天气信息；
步骤122：获取用户偏好数据中的用户创作需求；
步骤123：根据地理位置信息、天气信息和用户创作需求，确定图片创作类型。
示例性地，对车辆行驶数据进行解析，可获得当前所在地的天气数据，如温度、湿度、气压等天气信息，具体地：在在寒冷的天气中，系统可以自动创作出明亮度更高，饱和度更强，色调为冷色较多的且能够增强驾驶员活力的彩色图像作品。通过对车辆行驶数据进行解析，可获取当前所在地的地理位置信息，如城市、街道、商业区等，具体地：在繁华的商业区中，系统可以自动根据路线创作出热闹、繁荣盛世、当代元素的“时尚大片”。结合用户通过语音或点触输入的心情、状态或特别的创作需求，即根据用户输入的需求和偏好、天气信息、地理位置信息，综合确定图片创作类型。后期还可通过图画创作系统对车主用户生成的图画图像情感做分析技术，分析用户输入的语音、手势等数据，以及图画作品本身的图画元素等，以更准确地捕捉用户的情感状态，生成更具情感共鸣的图形图画作品。
通过结合地理位置信息、天气信息和用户创作需求，确定图片创作类型，更准确地捕捉了用户的情感状态、驾驶状态，生成更合适的目标图片作品，提高了用户体验感。
请参阅图2，图2为本申请实施例提供的一种图片创作装置的功能模块示意图。该装置包括：获取模块210、类型确定模块220和创作模块230。
获取模块210，用于获取车辆行驶数据、图画元素数据和用户偏好数据；
类型确定模块220，用于根据车辆行驶数据和用户偏好数据，确定图片创作类型；
创作模块230，用于基于图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，图片创作模型通过对车辆行驶数据和图画元素数据进行分析和建模获得。
可选地，所述图片创作模型获得的方式，包括：
对车辆行驶数据和图画元素数据进行预处理，以获得特征输入数据；
基于所述特征输入数据，进行生成对抗网络模型训练，以获得所述图片创作模型；
其中，所述图片创作模型用于根据多种车辆行驶状态确定对应的创作图画素材，所述创作图画素材包括：图画结构、图画规律和图画风格中的至少一者。
可选地，创作模块230可以用于：
对车辆行驶数据进行降维、归一化处理，以获得车辆行驶特征数据；
对图画元素数据进行特征提取，以获得图画元素特征数据；其中，所述图画特征数据包括：画笔、笔触力度、画风、饱和度和色调中的至少一者；
基于所述车辆行驶特征数据和所述图画元素特征数据，确定所述特征输入数据。
可选地，创作模块230可以用于：
对所述图画元素数据进行清洗和处理，获得待特征提取的图画元素数据。
可选地，创作模块230可以用于：
将所述目标图画作品渲染至目标智能设备，和/或，上传至目标平台；
其中，所述目标智能设备包括：车辆的车载人机交互界面、移动端设备；所述目标平台包括：云端图库、自媒体平台。
可选地，创作模块230可以用于：
将目标图片作品上传至车辆后台的图片管理运营平台；
获取所述图片管理运营平台上对所述目标图片作品进行评估的评估反馈数据；
基于车辆行驶数据、图画元素数据和所述评估反馈数据，对图片创作模型进行生成对抗网络模型重复训练，获得优化后的图片创作模型。
可选地，类型确定模块220可以用于：
获取车辆行驶数据中的当前车辆所在地的地理位置信息以及当前车辆所在地的天气信息；
获取用户偏好数据中的用户创作需求；
根据所述地理位置信息、天气信息和用户创作需求，确定图片创作类型。
请参阅图3，图3是电子设备的方框示意图。电子设备300可以包括存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、显示单元316。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对电子设备300的结构造成限定。例如，电子设备300还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。
上述的存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、显示单元316各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器313用于执行存储器中存储的可执行模块。
其中，存储器311可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器311用于存储程序，所述处理器313在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备300所执行的方法可以应用于处理器313中，或者由处理器313实现。
上述的处理器313可能是一种集成电路芯片，具有信号的处理能力。上述的处理器313可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称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。可以实现或者执行本申请实施例中的公开的各方法、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。
上述的外设接口314将各种输入/输出装置耦合至处理器313以及存储器311。在一些实施例中，外设接口314，处理器313以及存储控制器312可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
上述的输入输出单元315用于提供给用户输入数据。所述输入输出单元315可以是，但不限于，鼠标和键盘等。
上述的显示单元316在电子设备300与用户之间提供一个交互界面(例如用户操作界面)给用户参考。在本实施例中，所述显示单元316可以是液晶显示器或触控显示器。液晶显示器或触控显示器可以对处理器执行所述程序的过程进行显示。
本实施例中的电子设备300可以用于执行本申请实施例提供的各个方法中的各个步骤。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中的步骤。
本申请实施例所提供的上述方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中的步骤，具体可参见上述方法实施例，在此不再赘述。
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，所述模块的划分，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。在本申请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。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种图片创作方法，其特征在于，所述方法包括：
获取车辆行驶数据、图画元素数据和用户偏好数据；
根据所述车辆行驶数据和用户偏好数据，确定图片创作类型；
基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；
其中，所述图片创作模型通过对所述车辆行驶数据和所述图画元素数据进行分析和建模获得。
2.根据权利要求1所述的方法，其特征在于，所述图片创作模型获得的方式，包括：
对车辆行驶数据和图画元素数据进行预处理，以获得特征输入数据；
基于所述特征输入数据，进行生成对抗网络模型训练，以获得所述图片创作模型；
其中，所述图片创作模型用于根据多种车辆行驶状态确定对应的创作图画素材，所述创作图画素材包括：图画结构、图画规律和图画风格中的至少一者。
3.根据权利要求2所述的方法，其特征在于，所述对车辆行驶数据和图画元素数据进行预处理，获得特征输入数据，包括：
对车辆行驶数据进行降维、归一化处理，以获得车辆行驶特征数据；
对图画元素数据进行特征提取，以获得图画元素特征数据；其中，所述图画元素特征数据包括：画笔、笔触力度、画风、饱和度和色调中的至少一者；
基于所述车辆行驶特征数据和所述图画元素特征数据，确定所述特征输入数据。
4.根据权利要求3所述的方法，其特征在于，所述对图画元素数据进行特征提取，以获得图画元素特征数据之前，还包括：
对所述图画元素数据进行清洗和处理，获得待特征提取的图画元素数据。
5.根据权利要求1所述的方法，其特征在于，所述基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品之后，所述方法还包括：
将所述目标图片作品渲染至目标智能设备，和/或，上传至目标平台；
其中，所述目标智能设备包括：车辆的车载人机交互界面、移动端设备；所述目标平台包括：云端图库、自媒体平台。
6.根据权利要求1所述的方法，其特征在于，所述基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品之后，所述方法还包括：
将目标图片作品上传至车辆后台的图片管理运营平台；
获取所述图片管理运营平台上对所述目标图片作品进行评估的评估反馈数据；
基于车辆行驶数据、图画元素数据和所述评估反馈数据，对图片创作模型进行生成对抗网络模型重复训练，获得优化后的图片创作模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述车辆行驶数据和用户偏好数据，确定图片创作类型，包括：
获取车辆行驶数据中的当前车辆所在地的地理位置信息以及当前车辆所在地的天气信息；
获取用户偏好数据中的用户创作需求；
根据所述地理位置信息、天气信息和用户创作需求，确定图片创作类型。
8.一种图片创作装置，其特征在于，所述装置包括：
获取模块，用于获取车辆行驶数据、图画元素数据和用户偏好数据；
类型确定模块，用于根据所述车辆行驶数据和用户偏好数据，确定图片创作类型；
创作模块，用于基于所述图片创作类型，采用图片创作模型进行编辑创作，以生成目标图片作品；其中，所述图片创作模型通过对所述车辆行驶数据和图画元素数据进行分析和建模获得。
9.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559074.8A CN116595438A (zh) | 2023-05-17 | 2023-05-17 | 图片创作方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559074.8A CN116595438A (zh) | 2023-05-17 | 2023-05-17 | 图片创作方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116595438A true CN116595438A (zh) | 2023-08-15 |
Family
ID=87611059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310559074.8A Pending CN116595438A (zh) | 2023-05-17 | 2023-05-17 | 图片创作方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595438A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112915A (zh) * | 2023-10-24 | 2023-11-24 | 广州美术学院 | 基于用户特征及大数据训练的智能设计方法和系统 |
| CN117150066A (zh) * | 2023-10-27 | 2023-12-01 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
| CN117217748A (zh) * | 2023-09-14 | 2023-12-12 | 湖南如艺文化发展有限公司 | 数字文化艺术生态平台 |
| CN118297077A (zh) * | 2024-06-06 | 2024-07-05 | 深圳市火火兔智慧科技有限公司 | 基于随机种子的作品创作方法、装置、设备及介质 |
-
2023
- 2023-05-17 CN CN202310559074.8A patent/CN116595438A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217748A (zh) * | 2023-09-14 | 2023-12-12 | 湖南如艺文化发展有限公司 | 数字文化艺术生态平台 |
| CN117217748B (zh) * | 2023-09-14 | 2024-03-29 | 湖南如艺文化发展有限公司 | 数字文化艺术生态平台 |
| CN117112915A (zh) * | 2023-10-24 | 2023-11-24 | 广州美术学院 | 基于用户特征及大数据训练的智能设计方法和系统 |
| CN117112915B (zh) * | 2023-10-24 | 2024-02-20 | 广州美术学院 | 基于用户特征及大数据训练的智能设计方法和系统 |
| CN117150066A (zh) * | 2023-10-27 | 2023-12-01 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
| CN117150066B (zh) * | 2023-10-27 | 2024-01-23 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
| CN118297077A (zh) * | 2024-06-06 | 2024-07-05 | 深圳市火火兔智慧科技有限公司 | 基于随机种子的作品创作方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527318B (zh) | 一种基于生成对抗式网络模型的发型更换方法 | |
| CN116595438A (zh) | 图片创作方法、装置、设备及存储介质 | |
| US20190220983A1 (en) | Image matting using deep learning | |
| CN112131472B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
| WO2021178379A1 (en) | Systems and methods for automating video editing | |
| CN111885399B (zh) | 内容分发方法、装置、电子设备以及存储介质 | |
| CN111930994A (zh) | 视频编辑的处理方法、装置、电子设备及存储介质 | |
| CN113094552A (zh) | 视频模板的搜索方法、装置、服务器及可读存储介质 | |
| Zhang et al. | A comprehensive survey on computational aesthetic evaluation of visual art images: Metrics and challenges | |
| CN108959323B (zh) | 视频分类方法和装置 | |
| CN110852047A (zh) | 一种文本配乐方法、装置、以及计算机存储介质 | |
| CN111080746A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114529635B (zh) | 一种图像生成方法、装置、存储介质及设备 | |
| CN117011875A (zh) | 多媒体页面的生成方法、装置、设备、介质和程序产品 | |
| CN115909390B (zh) | 低俗内容识别方法、装置、计算机设备以及存储介质 | |
| CN116958342A (zh) | 虚拟形象的动作生成方法、动作库的构建方法及装置 | |
| CN116701706B (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
| CN118052907A (zh) | 一种文本配图生成方法和相关装置 | |
| CN116467033A (zh) | 信息展示方法、装置、存储介质及计算机设备 | |
| CN115860829A (zh) | 一种智能广告图像生成方法及装置 | |
| CN115130453A (zh) | 互动信息生成方法和装置 | |
| Chai et al. | An artistic analysis model based on sequence cartoon images for scratch | |
| CN116665624A (zh) | 音乐创作方法、装置、设备及存储介质 | |
| CN114328990B (zh) | 图像完整性识别方法、装置、计算机设备和存储介质 | |
| CN115797723B (zh) | 滤镜推荐方法、装置、电子设备及存储介质 |
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 |