CN117131850A - 基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 - Google Patents
基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117131850A CN117131850A CN202311137492.4A CN202311137492A CN117131850A CN 117131850 A CN117131850 A CN 117131850A CN 202311137492 A CN202311137492 A CN 202311137492A CN 117131850 A CN117131850 A CN 117131850A
- Authority
- CN
- China
- Prior art keywords
- style
- user
- target
- label
- neural network
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 152
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于生成对抗神经网络的表单风格转换方法、装置、设备及介质,涉及信息处理技术领域。所述方法是先应用具有不同风格的多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,然后获取用户提供的待转表单和至少一个用户指定风格标签,并将所述待转表单作为原始表单,以及将所述至少一个用户指定风格标签作为目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,如此不但可以根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果,还可以大大减轻用户的操作负担。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于生成对抗神经网络的表单风格转换方法、装置、设备及介质。
背景技术
表单是用于存储数据的数字化介质,其包含有多种组件,用户可以根据自己的需求,设计并生成想要的表单。在现代企业信息系统中,表单广泛用于数据的输入和管理,已成为大型组织中执行业务流程的重要工具。在表单页面中,风格样式设计是表单外观的重要因素。现有表单设计工具大多支持用户手动修改表单风格样式,如修改按钮颜色和背景图案等,但是这通常需要用户有一定的设计知识和闲暇时间,使得存在增加用户操作负担的缺陷。
目前,虽然也有一些表单设计工具提供了表单模板供用户选择使用,但是这些模板风格固定,且缺少对用户习惯和设计意图的理解,无法根据用户需求进行个性化修改,使得难以满足用户的多样化个性需求。因此如何根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果,并减轻用户的操作负担,是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种基于生成对抗神经网络的表单风格转换方法、装置、计算机设备及计算机可读存储介质,用以解决现有表单设计工具所存在增加用户操作负担和无法根据用户需求进行个性化修改,使得难以满足用户的多样化个性需求的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种基于生成对抗神经网络的表单风格转换方法,包括:
获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签;
应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪;
获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同;
将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单;
将所述转后新表单返回给所述用户。
基于上述发明内容,提供了一种采用表单模板和生成对抗神经网络进行表单风格转换模型训练并应用的新方案,即先应用具有不同风格的多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,然后获取用户提供的待转表单和至少一个用户指定风格标签,并将所述待转表单作为原始表单,以及将所述至少一个用户指定风格标签作为目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,如此不但可以根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果,还可以大大减轻用户的操作负担(即用户仅需上传待转表单和指定目标风格标签),便于实际应用和推广。
在一个可能的设计中,所述至少一个风格标签、所述至少一个目标风格标签、所述至少一个用户指定风格标签或所述至少一个当前风格标签包含有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签。
在一个可能的设计中,应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括:
从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板;
将在所述各对原始表单与目标表单中的原始表单以及目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将该目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单以及至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
在一个可能的设计中,应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括:
从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板;
针对所述各对原始表单与目标表单,将对应原始表单和对应目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将对应目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到对应的、基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
在一个可能的设计中,将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,包括:
从所述多个表单模板中查找到具有所述至少一个当前风格标签的某个原始表单和具有所述至少一个用户指定风格标签的某个目标表单;
将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在特定表单风格转换模型中的所述表单生成器,生成得到转后新表单,其中,所述特定表单风格转换模型是指与所述某个原始表单和所述某个目标表单对应的所述表单风格转换模型。
在一个可能的设计中,将所述转后新表单返回给所述用户,包括:
在人机交互界面上为所述用户预览展示所述转后新表单和至少一个可调整风格标签,其中,在所述至少一个可调整风格标签中的各个可调整风格标签均提供有至少两个微调选择项;
当检测到所述用户对所述至少一个可调整风格标签进行了微调选择并做出了重新转换决定时,将所述转后新表单作为所述原始表单,以及将所述用户对所述至少一个可调整风格标签的微调选择结果作为所述至少一个目标风格标签,重新输入在所述表单风格转换模型中的所述表单生成器,生成得到新的转后新表单;
将所述新的转后新表单返回给所述用户。
在一个可能的设计中,在预览展示所述转后新表单和至少一个可调整风格标签之后,所述方法还包括:
当检测到所述用户未对所述至少一个可调整风格标签进行了微调选择并做出了一键应用全站决定时,将在所述一键应用全站决定中选定的各个待转表单分别作为所述原始表单,以及将所述转后新表单所具有的至少一个当前风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器中,生成得到与所述各个待转表单一一对应的各个转后新表单,其中,所述转后新表单所具有的至少一个当前风格标签分别与所述各个待转表单的至少一个当前风格标签完全不同或部分不同;
将所述各个转后新表单返回给所述用户。
第二方面,提供了一种基于生成对抗神经网络的表单风格转换装置,包括有表单模板获取模块、转换模型训练模块、用户需求获取模块、转换模型应用模块和新表单返回模块;
所述表单模板获取模块,用于获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签;
所述转换模型训练模块,通信连接所述表单模板获取模块,用于应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪;
所述用户需求获取模块,用于获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同;
所述转换模型应用模块,分别通信连接所述转换模型训练模块和所述用户需求获取模块,用于将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单;
所述新表单返回模块,通信连接所述转换模型应用模块,用于将所述转后新表单返回给所述用户。
第三方面,本发明提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的表单风格转换方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的表单风格转换方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的表单风格转换方法。
上述方案的有益效果:
(1)本发明创造性提供了一种采用表单模板和生成对抗神经网络进行表单风格转换模型训练并应用的新方案,即先应用具有不同风格的多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,然后获取用户提供的待转表单和至少一个用户指定风格标签,并将所述待转表单作为原始表单,以及将所述至少一个用户指定风格标签作为目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,如此不但可以根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果,还可以大大减轻用户的操作负担(即用户仅需上传待转表单和指定目标风格标签),便于实际应用和推广;
(2)还可以实现对转后新表单进行风格预览并微调的目的,以及在用户满意情况下快速进行一键应用全站表单的动作,进一步减轻用户操作负担;
(3)还可以针对各对原始表单与目标表单训练得到对应的转换模型,不但可以利于快速完成模型预训练,还可以进一步确保表单风格转换的准确性;
(4)还可以根据用户提供的待转表单和指定风格标签来选择当前最适用转换模型进行表格风格转换,进一步确保表单风格转换的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本申请实施例提供的基于生成对抗神经网络的表单风格转换方法的流程示意图。
图2为本申请实施例提供的基于生成对抗神经网络的表单风格转换装置的结构示意图。
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,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的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A、单独存在B或者同时存在A和B等三种情况;又例如,A、B和/或C,可以表示存在A、B和C中的任意一种或他们的任意组合;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
如图1所示,本实施例第一方面提供的且基于生成对抗神经网络的表单风格转换方法,可以但不限于由具有一定计算资源的计算机设备执行,例如由平台服务器、个人计算机(Personal Computer,PC,指一种大小、价格和性能适用于个人使用的多用途计算机;台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant,PDA)或可穿戴设备等电子设备执行。如图1所示,所述表单风格转换方法,可以但不限于包括有如下步骤S1~S5。
S1.获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签。
在所述步骤S1中,所述表单模板即为已有的表单风格样式设计结果,以便作为后续模型训练的样本数据。例如可以收集诸如具有简约风格、商务风格和艺术风格等各种风格的现有表单风格样式设计结果来作为所述表单模板,并可对每种表单风格的颜色、形状和排版等元素进行标签注释,得到所述各个表单模板的所述至少一个风格标签。具体的,所述至少一个风格标签包含但不限于有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签等。此外,所述多个表单模板的具体获取方式可以但不限于是从表单数据库中常规读取得到。
S2.应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
在所述步骤S2中,所述生成对抗神经网络(Generative Adversarial Nets,GAN)是一种估计生成模型的新框架:同时训练两个模型,分别为用于捕获数据分布的生成模型和用于判别数据是真实数据还是生成数据(伪数据)的判别模型;数据判别任务利用如CNN的神经网络对输入数据进行分析处理,得到跟输入数据内容相关的信息;与数据判别任务相反,在数据生成任务中,数据生成模型根据输入的所述跟输入数据内容相关的信息来生成数据;对于数据生成任务来说,数据生成模型的输入是不确定的,具体取决于场景以及特定的模型设计,其中风格迁移就属于其中的一种场景;生成对抗神经网络(GAN)可以应用于风格迁移。在所述生成对抗神经网络中有两个核心的组成:生成器(Generator,即前述的生成模型)与判别器(Discriminator,即前述的判别模型);所述判别器与所述生成器可以都由多层感知机(可以看成全连接神经网络,即FC)构成,并在训练过程中,体现“对抗”的关键步骤是:先固定生成器的参数,训练优化判别器,使得判别器能够尽可能准确地区分“真数据”与“假数据”;然后固定判别器的参数,训练优化生成器,尽可能使得判别器无法准确地区分“真数据”与“假数据”,如此在模型训练完成后,即可使用经训练的生成器(Generator)来生成数据了。此外,所述判别器也可使用卷积神经网络(Strided Convolution,普通的卷积运算,若不Padding则会使通道减小),以及所述生成器也可使用转置卷积(TransposedConvolution)(也可以看做是反卷积)来实现。
在所述步骤S2中,基于上述生成对抗神经网络的原理,可以训练模型理解和模仿各种不同的表单模板风格,使生成器尝试生成仿真的表单风格,以及使判别器尝试区分生成的表单风格与真实的表单风格,通过两者相互对抗,最终使模型能够生成更接近真实的表单风格;例如想训练模型生成具有复古风格的表单,那么生成器就需要尝试生成具有复古风格的新表单,而判别器则需要从这些生成的表单和真实的且具有复古风格的表单中区分出真伪,直到认定不能区分真伪时,则可用该生成器来生成具有复古风格的表单,如此可以应用所述多个表单模板,通过对包括有所述表单生成器和所述表单鉴别器的所述生成对抗神经网络进行训练,得到所述表单风格转换模型。具体的,应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括但不限于有如下步骤S21~S22。
S21.从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板。
在所述步骤S21中,举例的,假设所述多个表单模板包括有表单模板A、表单模板B、表单模板C和表单模板D,则可以确定如下各对原始表单与目标表单:表单模板A与表单模板B、表单模板B与表单模板A、表单模板A与表单模板C、表单模板C与表单模板A、表单模板A与表单模板D、表单模板D与表单模板A、表单模板B与表单模板C、表单模板C与表单模板B、表单模板B与表单模板D、表单模板D与表单模板B、表单模板C与表单模板D以及表单模板D与表单模板C,等等。
S22.将在所述各对原始表单与目标表单中的原始表单以及目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将该目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单以及至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
在所述步骤S22中,对所述生成对抗神经网络进行训练的具体方式,可以参照现有生成对抗神经网络训练方式常规推导得到。此外,所述至少一个目标风格标签也包含但不限于有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签等。
S3.获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同。
在所述步骤S3中,所述待转表单可以但不限于由所述用户上传得到,所述至少一个用户指定风格标签可以但不限于通过常规的人机交互方式由所述用户输入得到;例如,当企业信息系统有一个客户信息收集表单,其当前风格标签有简约风格且黑白灰颜色风格,而用户希望改动这个表单,使其变得更加生动和富有活力,即想把表单风格转换为鲜艳色调和圆润形状,则所述用户可在人机交互界面上选择鲜艳色调风格标签和圆润形状风格标签作为所述至少一个用户指定风格标签,以及将所述客户信息收集表单作为所述待转表单进行上传。此外,所述至少一个用户指定风格标签或所述至少一个当前风格标签也包含但不限于有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签等。
S4.将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单。
在所述步骤S4中,由于所述表单生成器已经过预训练具有使所述表单鉴别器无法鉴别生成新表单是否真伪的能力,因此可以生成得到具有所述至少一个用户指定风格标签的所述转后新表单,实现根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果的目的。此外,所述转后新表单的具体生成数目可以预先指定,即可以是一个,也可以是多个,以便供所述用户选择。
S5.将所述转后新表单返回给所述用户。
在所述步骤S5中,为了实现对所述转后新表单进行风格预览并微调的目的,优选的,将所述转后新表单返回给所述用户,包括但不限于有如下步骤S51~S53:S51.在人机交互界面上为所述用户预览展示所述转后新表单和至少一个可调整风格标签,其中,在所述至少一个可调整风格标签中的各个可调整风格标签均提供有至少两个微调选择项;S52.当检测到所述用户对所述至少一个可调整风格标签进行了微调选择并做出了重新转换决定时,将所述转后新表单作为所述原始表单,以及将所述用户对所述至少一个可调整风格标签的微调选择结果作为所述至少一个目标风格标签,重新输入在所述表单风格转换模型中的所述表单生成器,生成得到新的转后新表单;S52.将所述新的转后新表单返回给所述用户。所述至少一个可调整风格标签也包含但不限于有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签等。前述检测的具体方式为现有的常规人机交互方式,例如检测所述用户是否已点击重新转换按钮,若是,则检测确定做出了重新转换决定。此外,所述用户也可以在所述转后新表单上对某些风格样式直接进行微调,得到最终的新表单,例如在表单预览环节,所述用户可以把按钮颜色从黄色改为企业标志色——橙色,并在微调完成后点击确认,即可直接生成最终的新表单。
在所述步骤S51之后,还为了在用户满意情况下快速进行一键应用全站表单的动作,进一步减轻用户操作负担,优选的,在预览展示所述转后新表单和至少一个可调整风格标签之后,所述方法还包括但不限于有如下步骤S511~S512:S511.当检测到所述用户未对所述至少一个可调整风格标签进行了微调选择并做出了一键应用全站决定时,将在所述一键应用全站决定中选定的各个待转表单分别作为所述原始表单,以及将所述转后新表单所具有的至少一个当前风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器中,生成得到与所述各个待转表单一一对应的各个转后新表单,其中,所述转后新表单所具有的至少一个当前风格标签分别与所述各个待转表单的至少一个当前风格标签完全不同或部分不同;S512.将所述各个转后新表单返回给所述用户。前述检测的具体方式也为现有的常规人机交互方式,例如检测所述用户是否已点击一键应用全站按钮,若是,则检测确定做出了一键应用全站决定,实现在用户满意后可一键将满意风格应用到所有表单中的目的。
由此基于前述步骤S1~S5所描述的且基于生成对抗神经网络的表单风格转换方法,提供了一种采用表单模板和生成对抗神经网络进行表单风格转换模型训练并应用的新方案,即先应用具有不同风格的多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,然后获取用户提供的待转表单和至少一个用户指定风格标签,并将所述待转表单作为原始表单,以及将所述至少一个用户指定风格标签作为目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,如此不但可以根据用户需求自动、快速且准确地将表单转换成符合用户想象和需求的风格结果,还可以大大减轻用户的操作负担(即用户仅需上传待转表单和指定目标风格标签),便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上,还提供了另一种针对各对原始表单与目标表单进行对应转换模型训练的可能设计一,即应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括但不限于有如下步骤S201~S202。
S201.从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板。
在所述步骤S201中,具体选取举例可参照前述步骤S21,于此不再赘述。
S202.针对所述各对原始表单与目标表单,将对应原始表单和对应目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将对应目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到对应的、基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
在所述步骤S202中,可以举例针对表单模板A与表单模板B、表单模板B与表单模板A、表单模板A与表单模板C、表单模板C与表单模板A、表单模板A与表单模板D、表单模板D与表单模板A、表单模板B与表单模板C、表单模板C与表单模板B、表单模板B与表单模板D、表单模板D与表单模板B、表单模板C与表单模板D或表单模板D与表单模板C等,训练得到对应的所述表单风格转换模型。
由此基于前述的可能设计一,可以针对各对原始表单与目标表单训练得到对应的转换模型,不但可以利于快速完成模型预训练,还可以进一步确保表单风格转换的准确性。
本实施例在前述可能设计一的技术方案基础上,还提供了一种如何具体应用各对原始表单与目标表单的表单风格转换模型的可能设计二,即将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到至少一个转后新表单,包括但不限于有如下步骤S401~S402。
S401.从所述多个表单模板中查找到具有所述至少一个当前风格标签的某个原始表单和具有所述至少一个用户指定风格标签的某个目标表单。
在所述步骤S401中,若直接查找不到具有所述至少一个当前风格标签的某个原始表单和/或具有所述至少一个用户指定风格标签的某个目标表单,则可以将具有与所述至少一个当前风格标签最相似的风格标签的某个表单模板作为具有所述至少一个当前风格标签的某个原始表单,和/或将具有与至少一个用户指定风格标签最相似的风格标签的某个表单模板作为具有所述至少一个用户指定风格标签的某个目标表单。
S402.将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在特定表单风格转换模型中的所述表单生成器,生成得到转后新表单,其中,所述特定表单风格转换模型是指与所述某个原始表单和所述某个目标表单对应的所述表单风格转换模型。
由此基于前述的可能设计二,还可以根据用户提供的待转表单和指定风格标签来选择当前最适用转换模型进行表格风格转换,进一步确保表单风格转换的准确性。
如图2所示,本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的表单风格转换方法的虚拟装置,包括有表单模板获取模块、转换模型训练模块、用户需求获取模块、转换模型应用模块和新表单返回模块;
所述表单模板获取模块,用于获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签;
所述转换模型训练模块,通信连接所述表单模板获取模块,用于应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪;
所述用户需求获取模块,用于获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同;
所述转换模型应用模块,分别通信连接所述转换模型训练模块和所述用户需求获取模块,用于将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单;
所述新表单返回模块,通信连接所述转换模型应用模块,用于将所述转后新表单返回给所述用户。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面或第一方面中任一可能设计所述的表单风格转换方法,于此不再赘述。
如图3所示,本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的表单风格转换方法的计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任一可能设计所述的表单风格转换方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见第一方面或第一方面中任一可能设计所述的表单风格转换方法,于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的表单风格转换方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任一可能设计所述的表单风格转换方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如第一方面或第一方面中任一可能设计所述的表单风格转换方法,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任一可能设计所述的表单风格转换方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于生成对抗神经网络的表单风格转换方法,其特征在于,包括:
获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签;
应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪;
获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同;
将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单;
将所述转后新表单返回给所述用户。
2.根据权利要求1所述的表单风格转换方法,其特征在于,所述至少一个风格标签、所述至少一个目标风格标签、所述至少一个用户指定风格标签或所述至少一个当前风格标签包含有表单页面背景风格标签、表单页面文字风格标签、表单页面控件风格标签和/或表单页面控件排版风格标签。
3.根据权利要求1所述的表单风格转换方法,其特征在于,应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括:
从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板;
将在所述各对原始表单与目标表单中的原始表单以及目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将该目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单以及至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
4.根据权利要求1所述的表单风格转换方法,其特征在于,应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,包括:
从所述多个表单模板中选取各对原始表单与目标表单,其中,所述原始表单为在所述多个表单模板中的第一表单模板,所述目标表单为在所述多个表单模板中的且与所述第一表单模板不同的第二表单模板;
针对所述各对原始表单与目标表单,将对应原始表单和对应目标表单所具有的所述至少一个风格标签输入生成对抗神经网络的表单生成器中,以及将对应目标表单输入所述生成对抗神经网络的表单鉴别器中,对所述生成对抗神经网络进行训练,得到对应的、基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪。
5.根据权利要求4所述的表单风格转换方法,其特征在于,将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单,包括:
从所述多个表单模板中查找到具有所述至少一个当前风格标签的某个原始表单和具有所述至少一个用户指定风格标签的某个目标表单;
将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在特定表单风格转换模型中的所述表单生成器,生成得到转后新表单,其中,所述特定表单风格转换模型是指与所述某个原始表单和所述某个目标表单对应的所述表单风格转换模型。
6.根据权利要求1所述的表单风格转换方法,其特征在于,将所述转后新表单返回给所述用户,包括:
在人机交互界面上为所述用户预览展示所述转后新表单和至少一个可调整风格标签,其中,在所述至少一个可调整风格标签中的各个可调整风格标签均提供有至少两个微调选择项;
当检测到所述用户对所述至少一个可调整风格标签进行了微调选择并做出了重新转换决定时,将所述转后新表单作为所述原始表单,以及将所述用户对所述至少一个可调整风格标签的微调选择结果作为所述至少一个目标风格标签,重新输入在所述表单风格转换模型中的所述表单生成器,生成得到新的转后新表单;
将所述新的转后新表单返回给所述用户。
7.根据权利要求1所述的表单风格转换方法,其特征在于,在预览展示所述转后新表单和至少一个可调整风格标签之后,所述方法还包括:
当检测到所述用户未对所述至少一个可调整风格标签进行了微调选择并做出了一键应用全站决定时,将在所述一键应用全站决定中选定的各个待转表单分别作为所述原始表单,以及将所述转后新表单所具有的至少一个当前风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器中,生成得到与所述各个待转表单一一对应的各个转后新表单,其中,所述转后新表单所具有的至少一个当前风格标签分别与所述各个待转表单的至少一个当前风格标签完全不同或部分不同;
将所述各个转后新表单返回给所述用户。
8.一种基于生成对抗神经网络的表单风格转换装置,其特征在于,包括有表单模板获取模块、转换模型训练模块、用户需求获取模块、转换模型应用模块和新表单返回模块;
所述表单模板获取模块,用于获取具有不同风格的多个表单模板,其中,在所述多个表单模板中的各个表单模板均具有预先标注的至少一个风格标签;
所述转换模型训练模块,通信连接所述表单模板获取模块,用于应用所述多个表单模板,对包括有表单生成器和表单鉴别器的生成对抗神经网络进行训练,得到基于所述生成对抗神经网络的且已完成预训练的表单风格转换模型,其中,所述表单生成器用于在输入原始表单和至少一个目标风格标签后,生成一个新表单,所述表单鉴别器用于根据具有所述至少一个目标风格标签的目标表单,鉴别所述新表单的真伪;
所述用户需求获取模块,用于获取用户提供的待转表单和至少一个用户指定风格标签,其中,所述至少一个用户指定风格标签与所述待转表单所具有的至少一个当前风格标签完全不同或部分不同;
所述转换模型应用模块,分别通信连接所述转换模型训练模块和所述用户需求获取模块,用于将所述待转表单作为所述原始表单,以及将所述至少一个用户指定风格标签作为所述至少一个目标风格标签,输入在所述表单风格转换模型中的所述表单生成器,生成得到转后新表单;
所述新表单返回模块,通信连接所述转换模型应用模块,用于将所述转后新表单返回给所述用户。
9.一种计算机设备,其特征在于,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7中任意一项所述的表单风格转换方法。
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指令,当所述指令在计算机上运行时,执行如权利要求1~7中任意一项所述的表单风格转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311137492.4A CN117131850A (zh) | 2023-09-04 | 2023-09-04 | 基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311137492.4A CN117131850A (zh) | 2023-09-04 | 2023-09-04 | 基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131850A true CN117131850A (zh) | 2023-11-28 |
Family
ID=88854301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311137492.4A Pending CN117131850A (zh) | 2023-09-04 | 2023-09-04 | 基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131850A (zh) |
-
2023
- 2023-09-04 CN CN202311137492.4A patent/CN117131850A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8799829B2 (en) | Methods and systems for background uploading of media files for improved user experience in production of media-based products | |
CN104471564B (zh) | 在将数据变换成可消费内容时创建变型 | |
CN109688463A (zh) | 一种剪辑视频生成方法、装置、终端设备及存储介质 | |
US9575950B2 (en) | Systems and methods for managing spreadsheet models | |
CN106462572A (zh) | 用于分布式光学字符识别和分布式机器语言翻译的技术 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN109902672A (zh) | 图像标注方法及装置、存储介质、计算机设备 | |
CN106415605A (zh) | 用于分布式光学字符识别和分布式机器语言翻译的技术 | |
CN109408058B (zh) | 基于机器学习的前端辅助开发方法和装置 | |
US20190354261A1 (en) | System and method for creating visual representation of data based on generated glyphs | |
CN108984555A (zh) | 用户状态挖掘和信息推荐方法、装置以及设备 | |
CN113408208B (zh) | 模型训练方法、信息提取方法、相关装置及存储介质 | |
CN108230236B (zh) | 数字图像自动拼版方法及数字化出版的图片拼版方法 | |
KR20210090273A (ko) | 음성패킷 추천방법, 장치, 설비 및 저장매체 | |
CN114065750A (zh) | 商品信息匹配、发布方法及其装置、设备、介质、产品 | |
CN110245310A (zh) | 一种对象的行为分析方法、装置及存储介质 | |
CN108268258A (zh) | 一种用于获取网页代码的方法、装置及电子设备 | |
CN105138610A (zh) | 一种基于图像元素的图像特征值预测方法和装置 | |
CN113296769A (zh) | 数据处理方法、视觉稿的处理方法、系统及电子设备 | |
CN107451194A (zh) | 一种图片搜索方法及装置 | |
CN117131850A (zh) | 基于生成对抗神经网络的表单风格转换方法、装置、设备及介质 | |
JP6937730B2 (ja) | 情報共有支援装置、情報共有支援方法、およびプログラム | |
CN117391044A (zh) | 一种表单设计风格迁移方法、装置、设备及存储介质 | |
US11961261B2 (en) | AI-based aesthetical image modification | |
CN114510591B (zh) | 数字图像生成排版系统和方法 |
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 |