CN116704477A - 自动驾驶场景图像生成方法、训练方法、装置和设备 - Google Patents

Abstract

本公开提供了自动驾驶场景图像生成方法、训练方法、装置和设备，涉及人工智能技术领域，尤其涉及图像处理、深度学习、自动驾驶等技术领域。该自动驾驶场景图像生成方法的具体实现方案为：提取初始图像的图像特征，其中，图像特征表征与初始图像的描述文本相对应的特征；提取相对于初始图像的变更内容的文本特征；以及对图像特征和文本特征进行处理，生成目标图像；其中，目标图像表征对初始图像按照变更内容进行变更后的图像。

Description

自动驾驶场景图像生成方法、训练方法、装置和设备

技术领域

本公开涉及人工智能技术领域，尤其涉及图像处理、深度学习、自动驾驶等技术领域，具体涉及自动驾驶场景图像生成方法、训练方法、装置和设备。

背景技术

自动驾驶技术是指在不需要人为操作即能感知车辆附近的驾驶环境并为车辆自动规划驾驶路线，实现车辆自动驾驶的技术。

由于实际车辆驾驶环境复杂多变，车辆的自动驾驶系统需要在多样化的驾驶场景中学习如何规避风险，减少碰撞事件。因此，为了提高自动驾驶系统的规避风险的性能，需要大量多样化的驾驶场景图像，以供自动驾驶系统进行学习。

发明内容

本公开提供了一种自动驾驶场景图像生成方法、训练方法、装置和设备。

根据本公开的一方面，提供了一种自动驾驶场景图像生成方法，包括：提取初始图像的图像特征，其中，图像特征表征与初始图像的描述文本相对应的特征；提取相对于初始图像的变更内容的文本特征；以及对图像特征和文本特征进行处理，生成目标图像；其中，目标图像表征对初始图像按照变更内容进行变更后的图像。

根据本公开的另一方面，提供了一种深度学习模型的训练方法，深度学习模型包括特征提取模块和特征处理模块，该训练方法包括：利用特征提取模块，提取初始样本图像的样本图像特征；其中，样本图像特征表征与初始样本图像的描述文本相对应的特征；利用特征提取模块，提取相对于初始样本图像的样本变更内容的样本文本特征；利用特征处理模块，对样本图像特征和样本文本特征进行处理，生成目标样本图像，其中，目标样本图像表征对初始样本图像按照样本图像变更内容进行变更后的图像；基于损失函数，根据初始样本图像、样本文本特征和目标样本图像，得到第一损失值；以及基于第一损失值，固定特征提取模块的参数，调整特征处理模块的参数，得到经训练的深度学习模型。

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；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上的方法。

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，上述计算机指令用于使所述计算机执行如上的方法。

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，上述计算机程序在被处理器执行时实现如上的方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用自动驾驶场景图像生成方法或深度学习模型的训练方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的图像生成方法的流程图；

图3a示意性示出了根据本公开实施例的初始图像300a的示意图；

图3b示意性示出了根据本公开实施例的对初始图像300a按照变更内容进行变更后的目标图像的示意图；

图4示意性示出了根据本公开实施例的图像生成方法的示意图；

图5示意性示出了根据本公开另一实施例的图像生成方法的示意图；

图6示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图；

图7示意性示出了根据本公开实施例的深度学习模型的训练方法的示意图；

图8示意性示出了根据本公开实施例的深度学习模型的特征提取模块的训练方法的示意图；

图9示意性示出了根据本公开实施例的图像生成装置的框图；

图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；以及

图11示意性示出了根据本公开实施例的适于实现自动驾驶场景图像生成方法或深度学习模型的训练方法的电子设备的框图。

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和精神。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。

驾驶场景的多样性，是决定自动驾驶模型能否在实际应用场景中准确规避驾驶风险的重要因素。相关技术中，一般采用硬编码的方式，在特定的驾驶场景的地图坐标上生成障碍物。但是，这种方式需要撰写代码脚本，生成的驾驶场景较为单一，使得自动驾驶模型较难学习如何在实际应用场景中较为准确的规避碰撞等驾驶风险。因此，亟需一种较为简便且灵活的生成驾驶场景图像的方法，以得到多样化的驾驶场景。

有鉴于此，本公开实施例提供了一种自动驾驶场景图像生成方法，通过提取初始图像的图像特征和相对于初始图像的变更内容的文本特征，对图像特征和文本特征进行处理，得到对初始图像按照变更内容进行变更后的目标图像。可以基于相对于初始图像的变更内容的文本实现对初始图像的内容的变更，生成内容变更后的图像，从而简化了驾驶场景图像生成的操作难度，以得到多样化的驾驶场景图像。

图1示意性示出了根据本公开实施例的可以应用自动驾驶场景图像生成方法或深度学习模型的训练方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用自动驾驶场景图像生成方法或深度学习模型的训练方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的自动驾驶场景图像生成方法或深度学习模型的训练方法及装置。

如图1所示，根据该实施例的系统架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练方法一般可以由第一终端设备101、第二终端设备102、第三终端设备103执行。相应地，本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练装置也可以设置于第一终端设备101、第二终端设备102、第三终端设备103中。

或者，本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练方法一般也可以由服务器105执行。相应地，本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的自动驾驶场景图像生成方法或深度学习模型的训练装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

在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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图2示意性示出了根据本公开实施例的自动驾驶场景图像生成方法的流程图。

如图2所示，该方法包括操作S210～S230。

在操作S210，提取初始图像的图像特征，其中，图像特征表征与初始图像的描述文本相对应的特征。

在操作S220，提取相对于初始图像的变更内容的文本特征。

在操作S230，对图像特征和文本特征进行处理，生成目标图像；其中，目标图像表征对初始图像按照变更内容进行变更后的图像。

根据本公开的实施例，初始图像可以是包括自动驾驶车辆的图像和该自动驾驶车辆所在的地图区域的车道线图像。也可以包括除自动驾驶车辆以外的其他静态障碍物和动态障碍物。静态障碍物可以包括路障、交通指示牌、树木等。动态障碍物可以包括与自动驾驶车辆行驶在相同或不同车道线上的其他车辆。

根据本公开的实施例，图像特征可以表征与初始图像的描述文本相对应的特征。初始图像的描述文本可以是对初始图像内容的描述文本。

图3a示意性示出了根据本公开实施例的初始图像的示意图。

如图3a所示，在初始图像300a中，自动驾驶车辆Ta301行驶于车道线L₁与车道线L₂之间的车道上。与自动驾驶车辆Ta301位于同一车道上的车辆还包括跟随自动驾驶车辆Ta301行驶的车辆Tb302。车辆Tc303行驶在位于车道线L₁与隔离栏L₀之间的车道上。

根据本公开的实施例，初始图像300的描述文本可以是“主车同车道随行一辆机动车，主车左侧车道在主车后方随行另一辆机动车”。根据实际应用场景的需求，初始图像的描述文本中还可以包括车辆的行驶速度、行驶方向等其他行驶状态信息。“主车”可以指自动驾驶车辆。

根据本公开的实施例，相对于初始图像的变更内容可以表示对初始图像内容的变更意图文本。变更内容可以是针对某一具体车道的变更内容，例如：“在主车右车道新增2辆速度为30km/h的机动车辆”、“删除主车左车道的机动车辆”等。变更内容也可以是以风险等级划分的变更内容，例如：“增加2辆一级风险等级的障碍车辆”、“删除全部二级风险等级的障碍车辆”等。

根据本公开的实施例，以风险等级划分的变更内容可以是预先配置的。例如：一级风险等级的障碍车辆可以是“与主车位于同一车道且相对行驶的车辆”。二级风险等级的障碍车辆可以是“与主车位于相邻车道，且同向行驶的车辆”。

需要说明的是，相对于初始图像的变更内容不仅可以包括动态障碍物，也可以包括静态障碍物。例如：“在距离主车行驶前方30米处增设路障等”。

根据本公开的实施例，通过对图像特征和文本特征进行处理，生成目标图像。目标图像可以表征对初始图像按照变更内容进行变更后的图像。

例如：变更内容可以是“主车右车道新增2辆速度为30km/h的机动车”。

图3b示意性示出了根据本公开实施例的对初始图像300a按照变更内容进行变更后的目标图像的示意图。

如图3b所示，在目标图像300b中，自动驾驶车辆Ta301行驶于车道线L₁与车道线L₂之间的车道上。与自动驾驶车辆Ta301位于同一车道上的车辆还包括跟随自动驾驶车辆Ta301行驶的车辆Tb302。车辆Tc303行驶在位于车道线L₁与隔离栏L₀之间的车道上。在自动驾驶车辆Ta301右侧的车道线L₂与车道线L₃之间的车道上，增加了车辆Td304。在自动驾驶车辆Ta301右侧的车道线L₃与车道线L₄之间的车道上，增加了车辆Te305。

根据本公开的实施例，通过提取初始图像的图像特征和相对于初始图像的变更内容的文本特征，对图像特征和文本特征进行处理，得到对初始图像按照变更内容进行变更后的目标图像。可以基于相对于初始图像的变更内容的文本实现对初始图像的内容的变更，生成内容变更后的图像，从而简化了驾驶场景图像生成的操作难度，以得到多样化的驾驶场景图像。

根据本公开的实施例，上述操作S210可以包括如下操作：对初始图像进行编码，得到多个图像编码特征。根据预定特征分布图，得到多个图像编码特征与描述文本的多个文本特征之间的第一匹配概率。根据第一匹配概率，从多个图像编码特征中得到图像特征。

根据本公开的实施例，预定特征分布图可以表征图像编码特征与初始图像的描述文本的文本特征之间的匹配概率。

例如：第一预定特征分布图中可以包括：图像编码特征IFa与初始图像的描述文本的文本特征TFa的匹配概率为0.96，图像编码特征IFb与初始图像的描述文本的文本特征TFb的匹配概率为0.83，图像编码特征IFc与初始图像的描述文本的文本特征TFc的匹配概率为0.92。

根据本公开的实施例，可以通过设定第一预定匹配概率阈值，从多个图像编码特征中得到图像特征。

例如：第一预定匹配概率阈值可以是0.9，可以将图像编码特征与初始图像的描述文本的文本特征的匹配概率大于预定匹配概率阈值的图像编码特征IFa，确定为图像特征。即：图像特征为图像编码特征IFa和图像编码特征IFc。

根据本公开的实施例，通过第一预定特征分布图，选择到与初始图像的描述文本的文本特征相匹配的图像特征，可以提高融合后的特征中信息的准确度。

根据本公开的实施例，上述操作S220可以包括如下操作：对变更内容进行编码，得到多个文本编码特征；根据预定特征分布图，得到多个文本编码特征与变更内容的多个图像特征之间的第二匹配概率；以及根据第二匹配概率，从多个文本编码特征中得到文本特征。

根据本公开的实施例，第二预定特征分布图可以表征文本编码特征与变更内容的图像特征之间的匹配概率。

例如：第二预定特征分布图中可以包括：文本编码特征TFd与变更内容的图像特征IFd的匹配概率为0.93。文本编码特征TFe与变更内容的图像特征IFe的匹配概率为0.98。文本编码特征TFf与变更内容的图像特征IFf的匹配概率为0.95。

根据本公开的实施例，可以通过设定第二预定匹配概率阈值，从多个文本编码特征中得到文本特征。

例如：第二预定匹配概率阈值可以是0.95，可以将文本编码特征与变更内容的图像特征的匹配概率大于等于0.95的文本编码特征确定为文本特征。即：文本特征为文本编码特征TFe和文本编码特征TFf。

需要说明的是，第一预定匹配概率阈值与第二预定匹配概率阈值可以是相同的，也可以是不同的，在此不作限定。

根据本公开的实施例，通过第二预定特征分布图，选择到与变更内容的图像特征相匹配的文本特征，可以提高融合后的特征中信息的准确度。

根据本公开的实施例，上述操作S230可以包括：对图像特征和文本特征进行融合，得到融合特征；以及对融合特征进行处理，生成目标图像。

根据本公开的实施例，可以基于注意力机制，对图像特征和文本特征进行融合，得到融合特征。

例如：将图像特征用于作为查询矩阵(Query矩阵)，文本特征用于作为键矩阵(Key矩阵)和值矩阵(Value矩阵)，基于交叉注意力机制，将图像特征与文本特征进行融合，得到融合特征。

根据本公开的实施例，融合特征中可以包括对初始图像按照变更内容进行变更后的目标图像中的内容信息。

例如：初始图像可以包括主车以及主车在道路上的位置信息。变更内容可以是“在主车右车道新增2辆机动车”，则融合特征中至少可以包括主车、新增的2辆机动车、主车在道路上的位置信息、新增的2辆机动车在道路上的位置信息等。

图4示意性示出了根据本公开实施例的图像生成方法的示意图。

如图4所示，在实施例400中，对初始图像401进行编码，得到多个图像编码特征402。基于第一预定特征分布图中的第一匹配概率，从多个图像编码特征402中得到图像特征403。对相对于初始图像的变更内容404进行编码，得到多个文本编码特征405。基于第二预定特征分布图中的第二匹配概率，从多个文本编码特征405中得到文本特征406。基于注意力机制，对图像特征403和文本特征406进行融合，得到融合特征407。对融合特征407进行处理可以得到目标图像408。

图5示意性示出了根据本公开另一实施例的图像生成方法的示意图。

如图5所示，在实施例500中，将初始图像501输入图像特征提取模块502，输出初始图像的图像特征。将相对于初始图像的变更内容“主车右侧车道增加2辆机动车”503输入文本特征模块504，输出变更内容的文本特征。将初始图像的图像特征与变更内容的文本特征共同输入注意力模块505，输出融合特征。将融合特征输入解码模块506，得到目标图像507。目标图像507与初始图像501相比，在主车(图中标识T的车辆)右侧车道增加了2辆机动车。

根据本公开的实施例，基于注意力机制，可以实现由变更内容的文本特征引导下的图像内容的变更，能够基于语言文本实现对驾驶场景图像的内容进行变更，生成多样化的驾驶场景图像。

图6示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。

如图6所示，该方法包括操作S610～S650。

在操作S610，利用特征提取模块，提取初始样本图像的样本图像特征。

在操作S620，利用特征提取模块，提取相对于初始样本图像的样本变更内容的样本文本特征。

在操作S630，利用特征处理模块，对样本图像特征和样本文本特征进行处理，生成目标样本图像。

在操作S640，基于损失函数，根据初始样本图像、样本文本特征和目标样本图像，得到第一损失值。

在操作S650，基于第一损失值，固定特征提取模块的参数，调整特征处理模块的参数，得到经训练的深度学习模型。

根据本公开的实施例，初始样本图像、样本变更内容、目标样本图像与前文所述的初始图像、变更内容、目标图像的定义范围相同，在此不作赘述。

根据本公开的实施例，样本图像特征表征与初始样本图像的描述文本相对应的特征。目标样本图像表征对初始样本图像按照样本图像变更内容进行变更后的图像。

根据本公开的实施例，损失函数可以是交叉熵损失函数，也可以是余弦嵌入损失函数，在此不作具体限定。

根据本公开的实施例，特征提取模块可以是预训练得到的。因此，在训练过程中，特征提取模块的参数不作调整，仅调整特征处理模块的参数，得到经训练的深度学习模型。

根据本公开的实施例，由于经过预训练的特征提取模块，提取到的样本图像特征是与初始样本图像的描述文本相对应的特征，因此，可以与样本变更内容的文本特征进行有效融合，以生成对初始样本图像按照样本图像变更内容进行变更后的目标图像。该模型实现了基于变更内容的文本对图像内容进行变更的过程，简化了驾驶场景图像生成的操作。通过激发模型的潜能，实现多样化驾驶场景的生成。

根据本公开的实施例，特征提取模块可以包括图像编码模块和文本编码模块。特征提取模块是预训练得到的，特征提取模块的训练方法可以包括：利用图像编码模块提取样本图像的样本图像特征；利用文本编码模块提取用于描述样本图像的样本文本的样本文本特征；基于损失函数，根据样本图像特征和样本文本特征，得到第二损失值；以及基于第二损失值，调整文本编码模块的参数和图像编码模块的参数，得到经训练的特征提取模块和样本特征分布图。

根据本公开的实施例，可以基于对比学习，将多个样本图像与多个用于描述样本图像的样本文本组成多个样本对，并构建一个样本矩阵。在样本矩阵中，对角线上的元素表示正样本对，其他元素表示负样本对。正样本对表示该样本对中样本图像的图像内容与样本文本的文本内容相对应。负样本对表示该样本对中样本图像的图像内容与样本文本的文本内容不对应。

根据本公开的实施例，利用图像编码模块、文本编码模块对上述正样本对、负样本对进行处理，可以得到正样本对的图像特征与文本特征之间的匹配概率、负样本对的图像特征与文本特征的匹配概率。

根据本公开的实施例，基于损失函数，根据正样本对的图像特征与文本特征之间的匹配概率、负样本对的图像特征与文本特征的匹配概率，计算第二损失值，并基于第二损失值，调整文本编码模块的参数和图像编码模块的参数，直至满足预定收敛条件，即：正样本对的图像特征与文本特征之间的匹配概率远大于负样本对的图像特征与文本特征之间的匹配概率。即可得到经训练的特征提取模块。

根据本公开的实施例，预定收敛条件可以是正样本对的图像特征与文本特征之间的匹配概率收敛或大于等于某个预定阈值，以及负样本对的图像特征与文本特征之间的匹配概率收敛或小于等于某个预定阈值。可以根据实际应用需求，设定收敛条件，在此不作具体限定。

根据本公开的实施例，样本特征分布图可以是多个图像特征与图像内容的描述文本的多个文本特征之间的样本特征分布图。

根据本公开的实施例，通过对比学习得到的特征提取模块，可以实现利用图像编码模块能够提取到与图像描述文本对应的图像特征，以及利用文本编码模块能够提取到与文本相关联的图像对应的图像特征，以便实现基于语言文本对图像内容的变更，生成多样化场景图像的技术效果。

特征提取模块不仅可以用于提取图像特征和变更内容的文本特征，还可以用于目标样本图像的图像特征的提取，以用于验证目标样本图像的内容是否与对初始图像的内容按照变更内容进行变更之后的内容一致。

根据本公开的实施例，基于损失函数，根据初始样本图像、样本文本特征和目标样本图像，得到第一损失值，可以包括如下操作：提取目标样本图像的目标样本图像特征和初始图像的描述文本的文本特征；对描述文本的文本特征和样本变更内容的样本文本特征进行拼接，得到目标样本文本特征；基于损失函数，根据目标样本图像特征和目标样本文本特征，得到第一损失值。

根据本公开的实施例，可以利用图像编码模块提取目标样本图像的目标样本图像特征。可以利用文本编码模块提取初始样本图像的描述文本的文本特征。

根据本公开的实施例，通过对描述文本的文本特征和样本变更内容的样本文本特征进行拼接，可以得到用于描述目标样本图像的目标样本文本特征。

例如：初始样本图像的描述文本的文本特征可以表征主车和主车在道路上的位置信息。样本变更内容的样本文本特征可以表征变更车辆和变更车辆在道路上的位置信息。将描述文本的文本特征和样本变更内容的样本文本特征进行拼接，得到的目标样本文本特征可以表征主车信息、主车在道路上的位置信息、变更车辆信息和变更车辆在道路上的位置信息。

由于特征提取模块是预先训练得到的，可以利用图像编码模块提取的目标样本图像特征与目标样本文本特征计算第一损失值，例如：交叉熵损失或余弦嵌入损失。当该第一损失值不满足预定收敛条件的情况下，需要调整特征处理模块的参数，直至第一损失值收敛，得到经训练的深度学习模型。

根据本公开的实施例，基于初始样本图像、样本文本特征和目标样本图像计算模型损失，使得目标样本图像中的图像内容更加接近对初始图像按照变更内容进行变更后的图像的内容，从而提高模型的精度。

根据本公开的实施例，提取初始样本图像的样本图像特征，可以包括如下操作：对初始样本图像进行编码，得到多个样本图像编码特征；根据第一样本特征分布图，得到多个样本图像编码特征与描述文本的多个样本文本特征之间的第三匹配概率；以及根据第三匹配概率，从多个样本图像编码特征中得到样本图像特征。

例如：第一样本特征分布图中可以包括：样本图像编码特征IF₁与初始样本图像的描述文本的样本文本特征TF₁的匹配概率为0.96，样本图像编码特征IF₂与初始样本图像的描述文本的样本文本特征TF₂的匹配概率为0.83。可以通过设定预定匹配概率阈值，例如：可以是0.9，从多个样本图像编码特征中得到样本图像特征IF₁。

根据本公开的实施例，提取相对于初始样本图像的样本变更内容的样本文本特征，可以包括如下操作：对样本变更内容进行编码，得到多个样本文本编码特征；根据第二样本特征分布图，得到多个样本文本编码特征与样本变更内容的多个样本图像特征之间的第四匹配概率；以及根据第四匹配概率，从多个样本文本编码特征中得到样本文本特征。

例如：第二样本特征分布图中可以包括：样本文本编码特征TF₃与变更内容的图像的图像特征IF₃的匹配概率为0.95。样本文本编码特征TF₄与变更内容的图像的图像特征IF₄的匹配概率为0.85。可以通过设定预定匹配概率阈值，例如：可以是0.9，从多个样本文本编码特征中得到样本文本特征TF₃。

根据本公开的实施例，提取初始样本图像的样本图像特征以及提取相对于初始样本图像的样本变更内容的样本文本特征的过程，与前文所述的提取初始图像的图像特征以及提取相对于初始图像的变更内容的文本特征的过程相同，在此不作赘述。

根据本公开的实施例，通过预训练的特征提取模块，提取初始样本图像的图像特征与描述文本的文本特征匹配概率较高，提取的变更内容的文本特征与变更内容的图像的图像特征的匹配概率较高，因此，可以实现生成的目标图像中的图像内容与变更内容的匹配度较高。

根据本公开的实施例，对样本图像特征和样本文本特征进行处理，生成样本目标图像，可以包括如下操作：对样本图像特征和样本文本特征进行融合，得到样本融合特征；以及对样本融合特征进行处理，得到样本目标图像。

根据本公开的实施例，可以基于注意力机制，对样本图像特征和样本文本特征进行融合，得到样本融合特征。

例如：可以将样本图像特征用于作为样本查询矩阵，样本文本特征用于作为样本键矩阵和样本值矩阵。

根据本公开的实施例，样本融合特征、注意力机制、样本查询矩阵、样本键矩阵以及样本值矩阵与前文所述的融合特征、注意力机制、查询矩阵、键矩阵以及值矩阵的定义范围相同，在此不作赘述。

根据本公开的实施例，基于注意力机制融合样本图像特征和样本文本特征，可以得到由文本特征指引下的变更图像的内容特征，从而得到按照样本变更内容对初始样本图像进行变更的变更后的样本目标图像。

图7示意性示出了根据本公开实施例的深度学习模型的训练方法的示意图。

如图7所示，在实施例700中，将初始样本图像701输入图像编码模块703，得到样本图像特征。将相对于初始样本图像的样本变更内容702输入文本编码模块704，得到样本文本特征。将样本图像特征与样本文本特征输入特征处理模块705，生成目标样本图像706。

然后，将目标样本图像706输入图像编码模块703，输出目标样本图像的图像特征707。将初始样本图像701和相对于初始样本图像的样本变更内容702输入文本编码模块704，输出目标样本的文本特征708。基于损失函数，根据目标样本图像的图像特征707和目标样本的文本特征708，得到第一损失值709。并基于第一损失值709调整特征处理模块705的参数，得到经训练的深度学习模型。

在本公开实施例中，深度学习模型的训练过程还包括特征提取模块的预训练过程。

图8示意性示出了根据本公开实施例的深度学习模型的特征提取模块的训练方法的示意图。

如图8所示，将样本图像801输入图像编码模块803，输出样本图像的样本图像特征805。将用于描述样本图像的样本文本802输入文本编码模块804，输出样本文本的样本文本特征806。基于损失函数，根据样本图像的样本图像特征805和样本文本的样本文本特征806，得到第二损失值807。并基于第二损失值807，调整图像编码模块803和文本编码模块804的参数，直至第二损失值收敛，得到预训练的特征提取模块。

图9示意性示出了根据本公开实施例的图像生成装置的框图。

如图9所示，该图像生成装置900可以包括：第一提取模块910、第二提取模块920和生成模块930。

第一提取模块910，用于提取初始图像的图像特征，其中，图像特征表征与初始图像的描述文本相对应的特征。

第二提取模块920，用于提取相对于初始图像的变更内容的文本特征。

生成模块930，用于对图像特征和文本特征进行处理，生成目标图像；其中，目标图像表征对初始图像按照变更内容进行变更后的图像。

根据本公开的实施例，第一提取模块包括：第一图像编码子模块、第一获得子模块和第二获得子模块。

第一图像编码子模块，用于对初始图像进行编码，得到多个图像编码特征。第一获得子模块，用于根据预定特征分布图，得到多个图像编码特征与描述文本的多个文本特征之间的第一匹配概率。第二获得子模块，用于根据第一匹配概率，从多个图像编码特征中得到图像特征。

根据本公开的实施例，第二提取模块包括：第一文本编码子模块、第三获得子模块和第四获得子模块。第一文本编码子模块，用于对变更内容进行编码，得到多个文本编码特征。第三获得子模块，用于根据预定特征分布图，得到多个文本编码特征与变更内容的多个图像特征之间的第二匹配概率。第四获得子模块，用于根据第二匹配概率，从多个文本编码特征中得到文本特征。

根据本公开的实施例，生成模块包括：第一特征融合子模块和第一生成子模块。第一特征融合子模块，用于对图像特征和文本特征进行融合，得到融合特征。第一生成子模块，用于对融合特征进行处理，生成目标图像。

根据本公开的实施例，第一特征融合子模块包括：第一特征融合单元，用于基于注意力机制，对图像特征和文本特征进行融合，得到融合特征，其中，图像特征用于作为查询矩阵，文本特征用于作为键矩阵和值矩阵。

图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。

如图10所示，该深度学习模型的训练装置可以包括：特征提取模块1010、特征处理模块1020、损失计算模块1030和调整模块1040。

特征提取模块1010，用于提取初始样本图像的样本图像特征；其中，样本图像特征表征与初始样本图像的描述文本相对应的特征；并提取相对于初始样本图像的样本变更内容的样本文本特征。

特征处理模块1020，用于对样本图像特征和样本文本特征进行处理，生成目标样本图像，其中，目标样本图像表征对初始样本图像按照样本图像变更内容进行变更后的图像。

损失计算模块1030，用于基于损失函数，根据初始样本图像、样本文本特征和目标样本图像，得到第一损失值。

调整模块1040，用于基于第一损失值，固定特征提取模块的参数，调整特征处理模块的参数，得到经训练的深度学习模型。

根据本公开的实施例，损失计算模块包括：特征提取子模块、拼接子模块和损失计算子模块。特征提取子模块，用于提取目标样本图像的目标样本图像特征和初始图像的描述文本的文本特征。拼接子模块，用于对描述文本的文本特征和样本变更内容的样本文本特征进行拼接，得到目标样本文本特征。损失计算子模块，用于基于损失函数，根据目标样本图像特征和目标样本文本特征，得到第一损失值。

根据本公开的实施例，特征提取模块包括图像编码模块和文本编码模块。该装置还包括用于训练特征提取模块的训练模块。

根据本公开的实施例，训练模块包括：图像特征提取子模块、文本特征提取子模块、损失计算子模块和调整子模块。图像特征提取子模块，用于利用图像编码模块提取样本图像的样本图像特征。文本特征提取子模块，用于利用文本编码模块提取用于描述样本图像的样本文本的样本文本特征。损失计算子模块，用于基于损失函数，根据样本图像特征和样本文本特征，得到第二损失值。调整子模块，用于基于第二损失值，调整文本编码模块的参数和图像编码模块的参数，得到经训练的特征提取模块和样本特征分布图。

根据本公开的实施例，特征提取模块包括：第二图像编码子模块、第五获得子模块和第六获得子模块。第二图像编码子模块，用于对初始样本图像进行编码，得到多个样本图像编码特征。第五获得子模块，用于根据样本特征分布图，得到多个样本图像编码特征与描述文本的多个样本文本特征之间的第三匹配概率。第六获得子模块，用于根据第三匹配概率，从多个样本图像编码特征中得到样本图像特征。

根据本公开的实施例，特征提取模块包括：第二文本编码子模块、第七获得子模块和第八获得子模块。第二文本编码子模块，用于对样本变更内容进行编码，得到多个样本文本编码特征。第七获得子模块，用于根据样本特征分布图，得到多个样本文本编码特征与样本变更内容的多个样本图像特征之间的第四匹配概率。第八获得子模块，用于根据第四匹配概率，从多个样本文本编码特征中得到样本文本特征。

根据本公开的实施例，特征处理模块包括：第二特征融合子模块和特征处理子模块。第二特征融合子模块，用于对样本图像特征和样本文本特征进行融合，得到样本融合特征。特征处理子模块，用于对样本融合特征进行处理，得到样本目标图像。

根据本公开的实施例，第二特征融合子模块包括：第二特征融合单元，用于基于注意力机制，对样本图像特征和样本文本特征进行融合，得到样本融合特征，其中，样本图像特征用于作为样本查询矩阵，样本文本特征用于作为样本键矩阵和样本值矩阵。

根据本公开的实施例，本公开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。

根据本公开的实施例，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，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如上所述的方法。

根据本公开的实施例，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如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，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，个人数字处理、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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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。

计算单元1101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1101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、各种运行机器学习模型算法的计算单元、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11 01执行上文所描述的各个方法和处理，例如图像生成方法或深度学习模型的训练方法。例如，在一些实施例中，图像生成方法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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的图像生成方法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1101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，也可以是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，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种自动驾驶场景图像生成的方法，包括：

提取初始图像的图像特征，其中，所述图像特征表征与所述初始图像的描述文本相对应的特征；

提取相对于所述初始图像的变更内容的文本特征；以及

对所述图像特征和所述文本特征进行处理，生成目标图像；其中，所述目标图像表征对所述初始图像按照所述变更内容进行变更后的图像。

2.根据权利要求1所述的方法，其中，所述提取初始图像的图像特征，包括：

对所述初始图像进行编码，得到多个图像编码特征；

根据第一预定特征分布图，得到所述多个图像编码特征与所述描述文本的多个文本特征之间的第一匹配概率；以及

根据所述第一匹配概率，从所述多个图像编码特征中得到所述图像特征。

3.根据权利要求1所述的方法，其中，所述提取相对于所述初始图像的变更内容的文本特征，包括：

对所述变更内容进行编码，得到多个文本编码特征；

根据第二预定特征分布图，得到多个文本编码特征与所述变更内容的多个图像特征之间的第二匹配概率；以及

根据所述第二匹配概率，从所述多个文本编码特征中得到所述文本特征。

4.根据权利要求1所述的方法，其中，所述对所述图像特征和所述文本特征进行处理，生成目标图像，包括：

对所述图像特征和所述文本特征进行融合，得到融合特征；

对所述融合特征进行处理，生成所述目标图像。

5.根据权利要求4所述的方法，其中，所述对所述图像特征和所述文本特征进行融合，得到融合特征，包括：

基于注意力机制，对所述图像特征和所述文本特征进行融合，得到所述融合特征，其中，所述图像特征用于作为查询矩阵，所述文本特征用于作为键矩阵和值矩阵。

6.一种深度学习模型的训练方法，所述深度学习模型包括特征提取模块和特征处理模块，该训练方法包括：

利用特征提取模块，提取初始样本图像的样本图像特征；其中，所述样本图像特征表征与所述初始样本图像的描述文本相对应的特征；

利用所述特征提取模块，提取相对于所述初始样本图像的样本变更内容的样本文本特征；

利用特征处理模块，对所述样本图像特征和所述样本文本特征进行处理，生成目标样本图像，其中，所述目标样本图像表征对所述初始样本图像按照所述样本图像变更内容进行变更后的图像；

基于损失函数，根据所述初始样本图像、所述样本文本特征和所述目标样本图像，得到第一损失值；以及

基于所述第一损失值，固定所述特征提取模块的参数，调整所述特征处理模块的参数，得到经训练的深度学习模型。

7.根据权利要求6所述的方法，其中，所述基于损失函数，根据所述初始样本图像、所述样本文本特征和所述目标样本图像，得到第一损失值，包括：

提取所述目标样本图像的目标样本图像特征和所述初始图像的描述文本的文本特征；

对所述描述文本的文本特征和所述样本变更内容的样本文本特征进行拼接，得到目标样本文本特征；以及

基于所述损失函数，根据所述目标样本图像特征和所述目标样本文本特征，得到所述第一损失值。

8.根据权利要求6所述的方法，其中，所述特征提取模块包括图像编码模块和文本编码模块，所述特征提取模块的训练方法包括：

利用图像编码模块提取样本图像的样本图像特征；

利用文本编码模块提取用于描述所述样本图像的样本文本的样本文本特征；

基于所述损失函数，根据所述样本图像特征和所述样本文本特征，得到第二损失值；以及

基于所述第二损失值，调整所述文本编码模块的参数和所述图像编码模块的参数，得到经训练的特征提取模块和样本特征分布图。

9.根据权利要求6所述的方法，其中，所述提取初始样本图像的样本图像特征，包括：

对所述初始样本图像进行编码，得到多个样本图像编码特征；

根据第一样本特征分布图，得到所述多个样本图像编码特征与所述描述文本的多个样本文本特征之间的第三匹配概率；以及

根据所述第三匹配概率，从所述多个样本图像编码特征中得到所述样本图像特征。

10.根据权利要求6所述的方法，其中，所述提取相对于所述初始样本图像的样本变更内容的样本文本特征，包括：

对所述样本变更内容进行编码，得到多个样本文本编码特征；

根据第二样本特征分布图，得到多个样本文本编码特征与所述样本变更内容的多个样本图像特征之间的第四匹配概率；以及

根据所述第四匹配概率，从所述多个样本文本编码特征中得到所述样本文本特征。

11.根据权利要求6所述的方法，其中，所述对所述样本图像特征和所述样本文本特征进行处理，生成样本目标图像，包括：

对所述样本图像特征和所述样本文本特征进行融合，得到样本融合特征；以及

对所述样本融合特征进行处理，得到所述样本目标图像。

12.根据权利要求11所述的方法，其中，所述对所述样本图像特征和所述样本文本特征进行融合，得到样本融合特征，包括：

基于注意力机制，对所述样本图像特征和所述样本文本特征进行融合，得到所述样本融合特征，其中，所述样本图像特征用于作为样本查询矩阵，所述样本文本特征用于作为样本键矩阵和样本值矩阵。

13.一种图像生成的装置，包括：

第一提取模块，用于提取初始图像的图像特征，其中，所述图像特征表征与所述初始图像的描述文本相对应的特征；

第二提取模块，用于提取相对于所述初始图像的变更内容的文本特征；以及

生成模块，用于对所述图像特征和所述文本特征进行处理，生成目标图像；其中，所述目标图像表征对所述初始图像按照所述变更内容进行变更后的图像。

14.根据权利要求13所述的装置，其中，所述第一提取模块包括：

第一图像编码子模块，用于对所述初始图像进行编码，得到多个图像编码特征；

第一获得子模块，用于根据预定特征分布图，得到所述多个图像编码特征与所述描述文本的多个文本特征之间的第一匹配概率；以及

第二获得子模块，用于根据所述第一匹配概率，从所述多个图像编码特征中得到所述图像特征。

15.根据权利要求13所述的装置，其中，所述第二提取模块包括：

第一文本编码子模块，用于对所述变更内容进行编码，得到多个文本编码特征；

第三获得子模块，用于根据预定特征分布图，得到多个文本编码特征与所述变更内容的多个图像特征之间的第二匹配概率；以及

第四获得子模块，用于根据所述第二匹配概率，从所述多个文本编码特征中得到所述文本特征。

16.根据权利要求13所述的装置，其中，所述生成模块包括：

第一特征融合子模块，用于对所述图像特征和所述文本特征进行融合，得到融合特征；以及

第一生成子模块，用于对所述融合特征进行处理，生成所述目标图像。

17.根据权利要求16所述的装置，其中，所述第一特征融合子模块包括：

第一特征融合单元，用于基于注意力机制，对所述图像特征和所述文本特征进行融合，得到所述融合特征，其中，所述图像特征用于作为查询矩阵，所述文本特征用于作为键矩阵和值矩阵。

18.一种深度学习模型的训练装置，所述深度学习模型包括特征提取模块和特征处理模块，该装置包括：

特征提取模块，用于提取初始样本图像的样本图像特征；其中，所述样本图像特征表征与所述初始样本图像的描述文本相对应的特征；并提取相对于所述初始样本图像的样本变更内容的样本文本特征；

特征处理模块，用于对所述样本图像特征和所述样本文本特征进行处理，生成目标样本图像，其中，所述目标样本图像表征对所述初始样本图像按照所述样本图像变更内容进行变更后的图像；

损失计算模块，用于基于损失函数，根据所述初始样本图像、所述样本文本特征和所述目标样本图像，得到第一损失值；以及

调整模块，用于基于所述第一损失值，固定所述特征提取模块的参数，调整所述特征处理模块的参数，得到经训练的深度学习模型。

19.根据权利要求18所述的装置，其中，所述损失计算模块包括：

特征提取子模块，用于提取所述目标样本图像的目标样本图像特征和所述初始图像的描述文本的文本特征；

拼接子模块，用于对所述描述文本的文本特征和所述样本变更内容的样本文本特征进行拼接，得到目标样本文本特征；以及

损失计算子模块，用于基于所述损失函数，根据所述目标样本图像特征和所述目标样本文本特征，得到所述第一损失值。

20.根据权利要求18所述的装置，其中，所述特征提取模块包括图像编码模块和文本编码模块，所述深度学习模型还包括用于训练所述特征提取模块的训练模块，所述训练模块包括：

图像特征提取子模块，用于利用图像编码模块提取样本图像的样本图像特征；

文本特征提取子模块，用于利用文本编码模块提取用于描述所述样本图像的样本文本的样本文本特征；

损失计算子模块，用于基于所述损失函数，根据所述样本图像特征和所述样本文本特征，得到第二损失值；以及

调整子模块，用于基于所述第二损失值，调整所述文本编码模块的参数和所述图像编码模块的参数，得到经训练的特征提取模块和样本特征分布图。

21.根据权利要求20所述的装置，其中，所述特征提取模块包括：

第二图像编码子模块，用于对所述初始样本图像进行编码，得到多个样本图像编码特征；

第五获得子模块，用于根据样本特征分布图，得到所述多个样本图像编码特征与所述描述文本的多个样本文本特征之间的第三匹配概率；以及

第六获得子模块，用于根据所述第三匹配概率，从所述多个样本图像编码特征中得到所述样本图像特征。

22.根据权利要求20所述的装置，其中，所述特征提取模块包括：

第二文本编码子模块，用于对所述样本变更内容进行编码，得到多个样本文本编码特征；

第七获得子模块，用于根据样本特征分布图，得到多个样本文本编码特征与所述样本变更内容的多个样本图像特征之间的第四匹配概率；以及

第八获得子模块，用于根据所述第四匹配概率，从所述多个样本文本编码特征中得到所述样本文本特征。

23.根据权利要求18所述的装置，其中，所述特征处理模块包括：

第二特征融合子模块，用于对所述样本图像特征和所述样本文本特征进行融合，得到样本融合特征；以及

特征处理子模块，用于对所述样本融合特征进行处理，得到所述样本目标图像。

24.根据权利要求23所述的装置，其中，所述第二特征融合子模块包括：

第二特征融合单元，用于基于注意力机制，对所述样本图像特征和所述样本文本特征进行融合，得到所述样本融合特征，其中，所述样本图像特征用于作为样本查询矩阵，所述样本文本特征用于作为样本键矩阵和样本值矩阵。

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，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。