CN117149034A - 一种图像处理方法及其相关设备 - Google Patents
一种图像处理方法及其相关设备 Download PDFInfo
- Publication number
- CN117149034A CN117149034A CN202311012164.1A CN202311012164A CN117149034A CN 117149034 A CN117149034 A CN 117149034A CN 202311012164 A CN202311012164 A CN 202311012164A CN 117149034 A CN117149034 A CN 117149034A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- processing instruction
- target
- text
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 659
- 238000000034 method Methods 0.000 claims abstract description 135
- 230000015654 memory Effects 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 71
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 75
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 26
- 239000013598 vector Substances 0.000 description 26
- 238000003062 neural network model Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 239000013535 sea water Substances 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
- G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像处理方法及其相关设备,其使用的模型可以正确理解用户的图像生成意图,使得模型最终输出的目标图像为正确的图像,从而满足用户的需求。本申请的方法包括:当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。
Description
技术领域
本申请实施例涉及人工智能(artificial intelligence,AI)技术,尤其涉及一种图像处理方法及其相关设备。
背景技术
图像可控生成任务是计算机视觉的一个典型任务,该任务通常指神经网络模型在用户所给出的引导下,生成用户所需要的图像。
在相关技术中,当用户需要生成图像时,可向神经网络模型输入图像处理指令以及用于引导模型的图像,图像处理指令用于指示用户所需的目标图像。得到图像处理指令以及该图像后,神经网络模型可该图像进行特征提取,从而得到图像特征。然后,神经网络模型可利用图像特征作为引导信号,以引导针对图像处理指令的编码过程,从而编码得到目标图像,并将目标图像返回给用户观看和使用。
上述过程中,由于图像处理指令以及用于引导模型的图像为相互独立的存在,使得神经网络模型可能对用户的引导(也就是用户的图片生成意图)产生理解偏差,这样会导致神经网络模型所生成的目标图像并非正确的图像,无法满足用户的需求。
发明内容
本申请实施例提供了一种图像处理方法及其相关设备,其使用的模型可以正确理解用户的图像生成意图,使得模型最终输出的目标图像为正确的图像,从而满足用户的需求。
本申请实施例的第一方面提供了一种图像处理方法,该方法包括:
当用户需要生成目标图像时,可面向用户提供接口,用户可向该接口输入多个参考图像以及针对多个参考图像的第一处理指令,其中,第一处理指令用于指示用户所需的目标图像。如此一来,可通过该接口接收用户输入的多个参考图像以及第一处理指令。
得到多个参考图像以及第一处理指令后,可利用多个参考图像对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。比如,第二处理指令用于指示目标图像是由多个参考图像进行融合得到的,又如,第二处理指令用于指示目标图像是由某个参考图像进行转换得到的。
得到第二处理指令后,可将第二处理指令输入至目标模型中,以通过目标模型基于第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,可提供给用户观看和使用。
从上述方法可以看出:当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,该方法还包括:获取多个参考文本,多个参考文本用于描述多个参考图像;基于多个参考图像,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。前述实现方式中,所获取到的输入信息不仅包含多个参考图像以及第一处理指令,还包含用于描述多个参考图像的多个参考文本,故可成功获取作为输入信息的多个参考图像、第一处理指令以及多个参考文本。那么,可利用多个参考图像以及多个参考文本对第一处理指令进行调整,从而得到第二处理指令。由此可见,可接收多模态的输入信息,从而更加准确地完成指令调整,进而基于调整后的指令更加准确地完成图像处理。
在一种可能实现的方式中,获取多个参考文本包括:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。前述实现方式中,可通过多种方式获取用于描述多个参考图像的多个参考文本,比如,用户向接口不仅输入多个参考图像以及第一处理指令,还输入了多个参考文本,又如,对用户输入的多个参考图像进行识别,从而得到多个参考文本,再如,从用户输入的第一处理指令中,提取出多个参考文本。如此一来,可通过多种方式来成功获取多模态的输入信息。
在一种可能实现的方式中,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。前述实习方式中,得到多个图像文本对(也就是多个参考图像以及多个参考文本)以及第一处理指令后,对于多个图像文本对中的任意一个图像文本对而言,可利用该图像文本对所包含的一个参考图像以及一个参考文本,生成一个问答对,该问答对包含一个第三处理指令(也就是提问)以及一个新参考图像(也就是回答),该第三处理指令用于指示该图像文本对中的参考图像以及该问答对中的新参考图像之间的关系。对于多个图像文本对中的其余图像文本对而言,也可对其余图像文本对执行类似的操作,故最终可得到多个问答对,多个问答对包含多个第三处理指令以及多个新参考图像。得到多个问答对后,也就是得到多个第三处理指令以及多个新参考图像后,可以多个第三处理指令为参考,并利用多个参考图像以及多个参考文本,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系,也就是说,第二处理指令用于指示目标图像是由多个参考图像进行融合得到的。
在一种可能实现的方式中,通过目标模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以多个第三处理指令以及多个新参考图像为参考,通过目标模型基于第二处理指令对多个参考图像进行融合,得到目标图像。前述实现方式中,目标模型的输入包含多个第三处理指令、多个新参考图像以及第二处理指令,故目标模型可以多个第三处理指令以及多个新参考图像为参考,基于第二处理指令对多个参考图像进行融合,从而准确得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。前述实现方式中,多个图像文本对包含第一图像文本对、第二图像文本对以及第三图像文本对,第一图像文本对包含多个参考图像中的第一图像以及多个参考文本中的第一文本,第二图像文本对包含多个参考图像中的第二图像以及多个参考文本中的第二文本,第三图像文本对包含多个参考图像中的第三图像以及多个参考文本中的第三文本。那么,可利用第一图像文本对以及第二图像文本对,来生成一个问答对,该问答对包含第四处理指令(也就是提问)以及第二图像(也就是回答),第四处理指令用于指示第一图像与第二图像之间的关系。得到问答对后,也就是得到第四处理指令和第二图像后,可以第四处理指令为参考,并利用第三图像以及第三文本,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系,也就是说,第二处理指令用于指示目标图像由第三图像转换得到的。
在一种可能实现的方式中,通过目标模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以第四处理指令以及第二图像为参考,通过目标模型基于第二处理指令对第三图像进行转换,得到目标图像。前述实现方式中,目标模型的输入包含第四处理指令、第二图像以及第二处理指令,目标模型可以第四处理指令以及第二图像为参考,基于第二处理指令对第三图像进行转换,从而准确得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。前述实现方式中,若用户需要进行图像融合,第一处理指令中的目标文本包含多个参考文本,故可按照多个参考文本在目标文本中的位置,将多个参考图像嵌入至目标文本中,从而得到第二处理指令。若用户需要进行图像转换,第一处理指令中的目标文本包含第三文本,故可按照第三文本在目标文本中的位置,将第三图像嵌入至目标文本中,从而得到第二处理指令。
本申请实施例的第二方面提供了一种模型训练方法,该方法包括:获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像;基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系;通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像;基于目标图像以及真实图像,对待训练模型进行训练,得到目标模型,真实图像基于至少一个参考图像得到。
本申请实施例训练得到的目标模型,具备图像处理功能。具体地,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,该方法还包括:获取多个参考文本,多个参考文本用于描述多个参考图像;基于多个参考图像,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,获取多个参考文本包括:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
在一种可能实现的方式中,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以多个第三处理指令以及多个新参考图像为参考,通过待训练模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以第四处理指令以及第二图像为参考,通过待训练模型基于第二处理指令对第三图像进行转换,得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
本申请实施例的第三方面提供了一种图像处理装置,该装置包括:获取模块,用于获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像;调整模块,用于基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系;处理模块,用于通过目标模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像。
本申请实施例中,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,获取模块,还用于获取多个参考文本,多个参考文本用于描述多个参考图像;调整模块,用于基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,获取模块,用于:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
在一种可能实现的方式中,调整模块,用于:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块,用于以多个第三处理指令以及多个新参考图像为参考,通过目标模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,调整模块,用于:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块,用于以第四处理指令以及第二图像为参考,通过目标模型基于第二处理指令对第三图像进行转换,得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
本申请实施例的第四方面提供了一种模型训练装置,该装置包括:获取模块,用于获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像;调整模块,用于基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系;处理模块,用于通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像;训练模块,用于基于目标图像以及真实图像,对待训练模型进行训练,得到目标模型,真实图像基于至少一个参考图像得到。
本申请实施例训练得到的目标模型,具备图像处理功能。具体地,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,获取模块,还用于获取多个参考文本,多个参考文本用于描述多个参考图像;调整模块,用于基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,获取模块,用于:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
在一种可能实现的方式中,调整模块,用于:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块,用于以多个第三处理指令以及多个新参考图像为参考,通过待训练模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,调整模块,用于:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块,用于以第四处理指令以及第二图像为参考,通过待训练模型基于第二处理指令对第三图像进行转换,得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
本申请实施例的第五方面提供了一种图像处理装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,物品推荐装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。
本申请实施例的第六方面提供了一种模型训练装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第七方面提供了一种电路系统,该电路系统包括处理电路,该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第八方面提供了一种芯片系统,该芯片系统包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片系统还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例的第九方面提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,该程序在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十方面提供了一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例中,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a为本申请实施例提供的图像处理系统的一个结构示意图;
图2b为本申请实施例提供的图像处理系统的另一结构示意图;
图2c为本申请实施例提供的图像处理的相关设备的一个示意图;
图3为本申请实施例提供的系统100架构的一个示意图;
图4为本申请实施例提供的图像处理框架的一个结构示意图;
图5为本申请实施例提供的图像处理方法的一个流程示意图;
图6为本申请实施例提供的图像处理框架的一个示意图;
图7为本申请实施例提供的图像处理框架的另一示意图;
图8为本申请实施例提供的模型训练方法的一个流程示意图;
图9为本申请实施例提供的图像处理装置的一个结构示意图;
图10为本申请实施例提供的模型训练装置的一个结构示意图;
图11为本申请实施例提供的执行设备的一个结构示意图;
图12为本申请实施例提供的训练设备的一个结构示意图;
图13为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种图像处理方法及其相关设备,其使用的模型可以正确理解用户的图像生成意图,使得模型最终输出的目标图像为正确的图像,从而满足用户的需求。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
图像可控生成任务是计算机视觉的一个典型任务,该任务通常指神经网络模型在用户所给出的引导下,生成用户所需要的图像。例如,用户可给出文本,神经网络模型基于文本来生成用户所需的图像。又如,用户可给出文本加图像,神经网络模型基于文本加图像来生成用户所需的图像等等。
在相关技术中,当用户需要生成图像时,可向神经网络模型输入图像处理指令以及用于引导模型的图像,图像处理指令用于指示用户所需的目标图像。得到图像处理指令以及该图像后,神经网络模型可该图像进行特征提取,从而得到图像特征。然后,神经网络模型可利用图像特征作为引导信号,以引导针对图像处理指令的编码过程,从而编码得到目标图像,并将目标图像返回给用户观看和使用。例如,用户给出“生成一盘水果”的指令,并给出一盘水果的简笔图像,模型可基于该指令以及简笔图像,生成一盘水果的彩色图像。
上述过程中,由于图像处理指令以及用于引导模型的图像为相互独立的存在,使得神经网络模型可能对用户的引导(也就是用户的图片生成意图)产生理解偏差,这样会导致神经网络模型所生成的目标图像并非正确的图像,无法满足用户的需求。
为了解决上述问题,本申请实施例提供了一种图像处理方法,该方法可结合人工智能(artificial intelligence,AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
接下来介绍几种本申请的应用场景。
图2a为本申请实施例提供的图像处理系统的一个结构示意图,该图像处理系统包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为图像处理的发起端,作为图像处理请求的发起方,通常由用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的图像处理请求,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的图像处理。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的图像处理系统中,用户设备可以获取用户输入/选择的图像,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的图像执行图像处理应用,从而得到该图像的对应的处理结果。示例性的,用户设备可以获取用户输入的多个参考图像以及针对多个参考图像的处理指令,然后用户设备可向数据处理设备发送多个参考图像以及处理指令等信息,使得数据处理设备基于处理指令对多个参考图像进行一系列的处理,从而得到目标图像,并将目标图像返回至用户设备,以提供给用户观看和使用。
在图2a中,数据处理设备可以执行本申请实施例的图像处理方法。
图2b为本申请实施例提供的图像处理系统的另一结构示意图,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的图像处理系统中,用户设备可以获取用户输入的多个参考图像以及针对多个参考图像的处理指令,然后用户设备可基于处理指令对多个参考图像进行一系列的处理,从而得到目标图像,并将目标图像提供给用户观看和使用。
在图2b中,用户设备自身就可以执行本申请实施例的图像处理方法。
图2c为本申请实施例提供的图像处理的相关设备的一个示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备210,其中,数据存储系统250可以存储执行设备210的待处理数据,数据存储系统250可以集成在执行设备210上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对图像执行图像处理应用,从而得到相应的处理结果。
图3为本申请实施例提供的系统100架构的一个示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储系统150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储系统150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)中。
向量计算单元可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(doubledata rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。
本申请实施例提供的模型训练方法,涉及数据序列的处理,具体可以应用于数据训练、机器学习、深度学习等方法,对训练数据(例如,将本申请实施例提供的模型训练方法中的多个参考图像、第一处理指令以及第二处理指令等等)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的神经网络(如本申请实施例提供的模型训练方法中的目标模型);并且,本申请实施例提供的图像处理方法可以运用上述训练好的神经网络,将输入数据(例如,本申请实施例提供的图像处理方法中的多个参考图像、第一处理指令以及第二处理指令等等)输入到所述训练好的神经网络中,得到输出数据(例如,本申请实施例提供的图像处理方法中的目标图像)。需要说明的是,本申请实施例提供的模型训练方法和图像处理方法是基于同一个构思产生的发明,也可以理解为一个系统中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
下面先对本申请实施例提供的图像处理方法进行介绍,本申请实施例提供的图像处理方法可通过如图4所示的图像处理框架实现(图4为本申请实施例提供的图像处理框架的一个结构示意图),该框架可部署前述的数据处理设备或用户设备中,该框架包括:指令调整模块、指令合成模块以及指令处理模块,其中,指令获取模块的输入端作为整个框架的输入端,指令获取模块的输出端与指令调整模块的输入端连接,指令调整模块的输出端与指令处理模块的输入端连接,指令处理模块的输出端作为整个框架的输出端。为了了解该框架的工作流程,下文对该工作流程进行介绍,图5为本申请实施例提供的图像处理方法的一个流程示意图,如图5所示,该方法包括:
501、获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。
本实施例中,当用户需要获取目标图像时,图像处理框架的指令获取模块可面向用户提供接口(比如,用户界面等等),用户可向该接口输入多个参考图像以及针对多个参考图像的第一处理指令,其中,第一处理指令用于指示目标图像(也可以理解为用户所需要的图像)。如此一来,指令获取模块可通过该接口接收用户输入的多个参考图像以及第一处理指令。
例如,如图6所示(图6为本申请实施例提供的图像处理框架的一个示意图),设用户需要进行图像融合,用户可向图像处理框架的指令获取模块输入参考图像1、参考图像2、参考图像3以及生成指令(前述的第一处理指令),参考图像1的内容为城市,参考图像2的内容为海水,参考图像3的内容为男人,生成指令的内容为:“Generate a image with a man,standing in sea water,and watching over the middle street of city”,表明用户所需生成的目标图像的内容为一个站在海水里看着城市里的街道的男人。
又如,如图7所示(图7为本申请实施例提供的图像处理框架的另一示意图),设用户需要进行图像转换,用户可向图像处理框架的指令获取模块输入参考图像1、参考图像2、参考图像3以及生成指令,参考图像1的内容为二维(2-dimention,2D)帽子,参考图像2的内容为三维(3-dimention,3D)帽子,参考图像3的内容为2D标志,生成指令的内容为:“Tranfer 2D logo to 3D logo”,表明用户所需生成的目标图像的内容为3D标志。
具体地,用户向指令获取模块所输入的第一处理指令通常是单模态信息,故第一处理指令可以通过多种方式呈现:
(1)第一处理指令可包含用于生成目标图像的目标文本,故第一处理指令可用于指示目标图像。例如图6所示的例子,用户所输入的生成指令为描述目标图像的目标文本,目标文本的内容为“Generate a image with a man,standing in sea water,andwatching over the middle street of city”。
(2)第一处理指令可包含用于生成目标图像的目标语音等等,故第一处理指令可用于指示目标图像。例如图7所示的例子,用户所输入的生成指令为生成目标图像的目标语音,目标语音的内容为“Tranfer 2D logo to 3D logo”。
更具体地,指令获取模块还可获取以下信息:
在获取多个参考图像以及第一处理指令的基础上,指令获取模块还可获取用于描述多个参考图像的多个参考文本,可以理解的是,多个参考文本与多个参考图像是一一对应的,一个参考文本用于描述一个参考图像。由此可见,多个参考文本与多个参考图像可构成多个图像文本对,一个图像文本对包含一个参考图像以及一个参考文本。
更具体地,指令获取模块可通过以下多种方式获取多个参考文本:
(1)用户向指令获取模块所提供的接口所输入的信息不仅包含多个参考图像以及第一处理指令,还包含用于描述多个参考图像的多个参考文本。那么,指令获取模块可通过该接口,成功接收用户所输入的多个参考图像、第一处理指令以及多个参考文本。
例如图6所示的例子,用户可向图像处理框架的指令获取模块输入参考图像1、参考图像2、参考图像3、参考文本1、参考文本2、参考文本3以及生成指令,参考图像1的内容为城市,参考文本1的内容为a city,参考图像2的内容为海水,参考文本2的内容为seawater,参考图像3的内容为男人,参考文本3的内容为a man,生成指令的内容为:“Generatea image with a man,standing in sea water,and watching over the middle streetof city”。
又如图7所示的例子,用户可向图像处理框架的指令获取模块输入参考图像1、参考图像2、参考图像3、参考文本1、参考文本2、参考文本3以及生成指令,参考图像1的内容为二2D帽子,参考文本1的内容为2D cap,参考图像2的内容为3D帽子,参考文本2的内容为3Dcap,参考图像3的内容为2D标志,参考文本3的内容为3D logo,生成指令的内容为:“Tranfer 2D logo to 3D logo”。
(2)在得到用户输入的多个参考图像后,指令获取模块可对多个参考图像进行图像识别,从而得到用于描述多个参考图像的多个参考文本。
(3)在得到用户输入的第一处理指令后,由于第一处理指令包含用于生成目标图像的目标文本,若目标文本包含用于描述多个参考图像的文本,指令获取模块可对第一处理指令所包含的目标文本进行文本提取,从而得到多个参考文本。
502、基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。
得到多个参考图像以及第一处理指令后,指令获取模块可将多个参考图像以及第一处理指令发送至指令调整模块。那么,指令调整模块可利用多个参考图像对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。
具体地,指令调整模块可通过以下方式获取第二处理指令:
得到多个参考图像、多个参考文本以及第一处理指令后,指令获取模块可将多个参考图像、多个参考文本以及第一处理指令发送至指令调整模块,故指令调整模块可利用多个参考图像以及多个参考文本,对第一处理指令进行调整,从而得到第二处理指令。
更具体地,指令调整模块还可通过以下多种方式获取第二处理指令:
(1)得到多个图像文本对以及第一处理指令后,对于多个图像文本对中的任意一个图像文本对而言,指令调整模块可利用该图像文本对所包含的一个参考图像以及一个参考文本,生成一个问答对,该问答对包含一个第三处理指令(也就是提问)以及一个新参考图像(也就是回答),该第三处理指令用于指示该图像文本对中的参考图像以及该问答对中的新参考图像之间的关系(也就是说,该新参考图像是仿照该参考图像生成得到)。
需要说明的是,对于该图像文本对而言,指令调整模块可先基于该图像文本对中的参考图像,生成一个新参考图像。然后,指令调整模块可对该图像文本对中的参考文本进行拓展,得到用于描述该新参考图像的新参考文本,可以理解的是,该新参考文本包含该参考文本。那么,指令调整模块可将该参考图像嵌入至该新参考文本中(嵌入该参考图像的位置是该参考文本在该新参考文本中的位置),从而得到一个第三处理指令,故该第三处理指令与该新参考图像则构成了基于该图像文本对所生成的问答对。
对于多个图像文本对中的其余图像文本对而言,指令调整模块也可对其余图像文本对执行类似的操作,故最终可得到多个问答对,多个问答对包含多个第三处理指令以及多个新参考图像,多个第三处理指令与多个新参考图像之间一一对应。
得到多个问答对后,也就是得到多个第三处理指令以及多个新参考图像后,指令调整模块可以多个第三处理指令为参考,并利用多个参考图像以及多个参考文本,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系(也就是说,目标图像是仿照多个参考图像生成得到,即目标图像是由多个参考图像融合得到)。
需要说明的是,用户需完成针对多个参考图像的图像融合,在这种情况下,第一处理指令中的目标文本则包含多个参考文本。那么,在参考多个第三处理指令的内部结构后,指令调整模块可确定多个参考文本在目标文本中的位置,并按照这些位置将多个参考图像嵌入至目标文本中,从而得到第二处理指令。由此可见,指令调整模块所得到的第二处理指令为多模态信息,第二处理指令不仅包含目标文本,还包含嵌入至目标文本的多个参考图像,嵌入多个参考图像的位置也就是多个参考文本在目标文本中的位置。
例如图6所示的例子,指令获取模块将参考图像1、参考图像2、参考图像3、参考文本1、参考文本2、参考文本3以及生成指令发送至指令调整模块后,指令调整模块可对参考文本1进行拓展,并把参考图像1插入其中,得到提问1为:Generate a image with“A cityin style of XXX,like<image1>(也就是参考图像1)”,并且,指令调整模块还可基于参考图像1,生成作为回答1的新参考图像1,参考图像1和新参考图像1的内容大部分是相同的,仅在细节处存在区别(例如,纹理、颜色等等)。那么,提问1和回答1则构成了问答对1。
同样地,指令调整模块可对参考文本2进行拓展,并把参考图像2插入其中,得到提问2为:Generate a image with“The sea water,no wave,like<image2>”,并且,指令调整模块还可基于参考图像2,生成作为回答2的新参考图像2。那么,提问2和回答2则构成了问答对2。
同样地,指令调整模块可对参考文本3进行拓展,并把参考图像3插入其中,得到提问2为:Generate a image with“A man stands on rocks,like<image3>”,并且,指令调整模块还可基于参考图像3,生成作为回答3的新参考图像3。那么,提问3和回答3则构成了问答对3。
得到三个问答对后,指令调整模块可参考提问1、提问2以及提问3的样式,确定参考文本1、参考文本2以及参考文本3在生成指令中的位置,并按照这三个位置将参考图像1、参考图像2以及参加图像3插入生成指令中,以得到新生成指令(前述的第二处理指令)为:“Generate a image with“Aman,like<image3>,standing in sea that like<image2>,and watching over the middle street of city like<image1>”。
(2)设多个图像文本对包含第一图像文本对、第二图像文本对以及第三图像文本对,第一图像文本对包含多个参考图像中的第一图像以及多个参考文本中用于描述第一图像的第一文本,第二图像文本对包含多个参考图像中的第二图像以及多个参考文本中用于描述第二图像的第二文本,第三图像文本对包含多个参考图像中的第三图像以及多个参考文本中用于描述第三图像的第三文本。那么,指令调整模块可利用第一图像文本对以及第二图像文本对,来生成一个问答对,该问答对包含第四处理指令(也就是提问)以及第二图像(也就是回答),第四处理指令用于指示第一图像与第二图像之间的关系(也就是说,第二图像由第一图像转换得到)。
需要说明的是,对于第一图像文本对以及第二图像文本对而言,指令调整模块可对第一文本和第二文本进行融合以及拓展,得到用于生成第二图像的第四文本,可以理解的是,第四文本包含第一文本以及第二文本。那么,指令调整模块可将第一图像嵌入至第四文本中(嵌入第一图像的位置是第一文本在第四文本中的位置),从而得到第四处理指令,故第四处理指令与第二图像则构成了基于第一图像文本对以及第二图像文本对所生成的问答对。
得到问答对后,也就是得到第四处理指令和第二图像后,指令调整模块可以第四处理指令为参考,并利用第三图像以及第三文本,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系(也就是说,目标图像由第三图像转换得到)。
需要说明的是,用户需完成针对第三图像的图像转换,在这种情况下,第一处理指令中的目标文本则包含第三文本。那么,在参考第四处理指令的内部结构后,指令调整模块可确定第三文本在目标文本中的位置,并按照该位置将第三图像嵌入至目标文本中,从而得到第二处理指令。由此可见,指令调整模块所得到的第二处理指令为多模态信息,第二处理指令不仅包含目标文本,还包含嵌入至目标文本的第三图像,嵌入第三图像的位置也就是第三文本在目标文本中的位置。
例如图7所示的例子,指令获取模块将参考图像1、参考图像2、参考图像3、参考文本1、参考文本2、参考文本3以及生成指令发送至指令调整模块后,指令调整模块可对参考文本1以及参考文本2进行融合以及拓展,并把参考图像1插入其中,得到提问为:Transferthis 2D cap like<image1>(也就是参考图像1)to 3D”,并且,指令调整模块还可直接将参考图像2作为相应的回答。那么,该提问和该回答则构成了问答对。
得到该问答对后,指令调整模块可参考该问答对中的提问的样式,确定参考文本3在生成指令中的位置,并按照该位置将参考图像3插入生成指令中,以得到新生成指令为:“Transfer this 2D logo like<image3>to 3D”。
503、通过目标模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像。
得到第二处理指令后,指令调整模块可将第二处理指令发送至指令处理模块,由于指令处理模块包含目标模型(已训练的神经网络模型,例如,多模态语言大模型等等),也就相当于将第二处理指令输入至目标模型中,以通过目标模型基于第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,可提供给用户观看和使用。
具体地,指令处理模块可通过多种方式获取目标图像:
(1)指令调整模块得到第二处理指令后,可将多个第三处理指令、多个新参考图像以及第二处理指令发送至指令处理模块,故指令处理模块中的目标模型可以多个第三处理指令以及多个新参考图像为参考,基于第二处理指令对多个参考图像进行融合,从而得到目标图像。可以理解的是,目标模型对第二处理指令进行解析后,可得到第二处理指令所包含的目标文本以及嵌入在目标文本中的多个参考图像,故目标模型可确定需要进行针对多个参考图像的图像融合,故目标模型可融合多个参考图像,从而得到目标图像。
例如图6所示的例子,指令获取模块将三个问答对以及新生成指令发送至指令处理模块的目标模型后,目标模型可仿照三个问答对的内容,将新生成指令视为一个新提问,并对新提问中所包含的参考图像1、参考图像2以及参考图像3进行融合,从而得到目标图像,目标图像的内容为一个站在海水里看着城市里的街道的男人。
(2)指令调整模块得到第二处理指令后,可将第四处理指令、第二图像以及第二处理指令发送至指令处理模块,故指令处理模块中的目标模型可以第四处理指令以及第二图像为参考,基于第二处理指令对第三图像进行转换,从而得到目标图像。可以理解的是,目标模型对第二处理指令进行解析后,可得到第二处理指令所包含的目标文本以及嵌入在目标文本中的第三图像,故目标模型可确定需要进行针对第三图像的图像转换,故目标模型可对第三图像进行转换,从而得到目标图像。
例如图7所示的例子,指令获取模块将问答对以及新生成指令发送至指令处理模块的目标模型后,目标模型可仿照问答对的内容,将新生成指令视为一个新提问,并对新提问中所包含的参考图像3进行转换,从而得到目标图像,目标图像的内容为3D标志。
应理解,本申请实施例中,指令调整模块可包含规则或模型,这些规则或模型用于调整第一处理指令,得到第二处理指令。值得注意的是,这些规则可以是某种算法,这些模型可以是某种神经网络模型,指令调整模块所包含的模型与指令处理模块所包含的目标模型,既可以是同一种模型,也可以是不同的模型,此处不做限制。
还应理解,本申请实施例中,仅以2D图像到3D图像的转换作为图像转换的例子进行示意性介绍,在实际应用中,图像转换还可包含低分辨率图像到高分辨率图像的转换,模糊图像到清晰图像的转换,低动态范围图像到高动态范围图像的转换,黑白图像到彩色图像的转换等等。
本申请实施例中,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
以上是对本申请实施例提供的图像处理方法所进行的详细说明,以下将对本申请实施例提供的模型训练方法进行介绍。图8为本申请实施例提供的模型训练方法的一个流程示意图,如图8所示,该方法包括:
801、获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。
本实施例中,当需要对待训练模型进行训练时,可先获取一批训练数据,该批训练数据包含多个参考图像以及针对多个参考图像的第一处理指令。需要说明的是,基于多个参考图像所得到的真实图像是已知的,也就是说,针对多个参考图像的真实处理结果是已知的。
在一种可能实现的方式中,该方法还包括:获取多个参考文本,多个参考文本用于描述多个参考图像。
在一种可能实现的方式中,获取多个参考文本包括:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
关于步骤801的介绍,可参考图5所示实施例中步骤501的相关说明部分,此处不再赘述。
802、基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。
得到多个参考图像以及第一处理指令后,可利用多个参考图像对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。
在一种可能实现的方式中,基于多个参考图像,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令包括:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
关于步骤802的介绍,可参考图5所示实施例中步骤502的相关说明部分,此处不再赘述。
803、通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像。
得到第二处理指令,可将第二处理指令输入至待训练模型,以通过待训练模型利用第二处理指令,对至少一个参考图像进行处理,从而得到并对外输出目标图像,也就是针对多个参考图像的预测处理结果。
在一种可能实现的方式中,通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以多个第三处理指令以及多个新参考图像为参考,通过待训练模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像包括:以第四处理指令以及第二图像为参考,通过待训练模型基于第二处理指令对第三图像进行转换,得到目标图像。
关于步骤803的介绍,可参考图5所示实施例中步骤503的相关说明部分,此处不再赘述。
804、基于目标图像以及真实图像,对待训练模型进行训练,得到目标模型,真实图像基于至少一个参考图像得到。
得到目标图像后,由于真实图像已知,故可通过预置的损失函数对目标图像以及真实图像进行计算,从而得到目标损失,目标损失用于指示目标图像以及真实图像之间的差异(即针对多个参考图像的预测处理结果与针对多个参考图像的真实处理结果之间的差异)。得到目标损失后,可利用目标损失对待训练模型的参数进行更新,从而得到更新参数后的待训练模型。然后,可获取下一批训练数据,并利用下一批训练数据对更新参数后的待训练模型继续进行训练,直至满足模型训练条件(比如,目标损失收敛等等),从而得到图5所示实施例中的目标模型。
本申请实施例训练得到的目标模型,具备图像处理功能。具体地,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
以上是对本申请实施例提供的图像处理方法以及模型训练方法所进行的详细说明,以下将对本申请实施例提供的图像处理装置以及模型训练装置进行介绍。图9为本申请实施例提供的图像处理装置的一个结构示意图,如图9所示,该装置包括:
获取模块901,用于获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像;
调整模块902,用于基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系;
处理模块903,用于通过目标模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像。
本申请实施例中,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,获取模块901,还用于获取多个参考文本,多个参考文本用于描述多个参考图像;调整模块902,用于基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,获取模块901,用于:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
在一种可能实现的方式中,调整模块902,用于:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块903,用于以多个第三处理指令以及多个新参考图像为参考,通过目标模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,调整模块902,用于:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块903,用于以第四处理指令以及第二图像为参考,通过目标模型基于第二处理指令对第三图像进行转换,得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
图10为本申请实施例提供的模型训练装置的一个结构示意图,如图10所示,该装置包括:
获取模块1001,用于获取多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像;
调整模块1002,用于基于多个参考图像,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系;
处理模块1003,用于通过待训练模型基于第二处理指令,对至少一个参考图像进行处理,得到目标图像;
训练模块1004,用于基于目标图像以及真实图像,对待训练模型进行训练,得到目标模型,真实图像基于至少一个参考图像得到。
本申请实施例训练得到的目标模型,具备图像处理功能。具体地,当用户需要生成目标图像时,可先获取来自用户的多个参考图像以及针对多个参考图像的第一处理指令,第一处理指令用于指示目标图像。然后,可利用多个参考图像,对第一处理指令进行调整,从而得到第二处理指令,第二处理指令用于指示多个参考图像中的至少一个参考图像与目标图像之间的关系。最后,可将第二处理输入至目标模型,以通过目标模型利用第二处理指令对至少一个参考图像进行处理,从而得到并输出目标图像,以提供给用户观看和使用。前述过程中,由于第二处理指令是基于多个参考图像以及第一处理指令得到的,故目标模型在利用第二处理指令对多个参考图像中的至少一个图像进行处理的过程中,不仅可以考虑到多个参考图像中的至少一个图像的内容以及目标图像的内容,还可考虑到至少一个图像的内容与目标图像的内容之间的联系,所考虑的因素较为全面,这样目标模型可以正确理解用户的图像生成意图,使得其最终输出的目标图像为正确的图像,从而满足用户的需求。
在一种可能实现的方式中,获取模块1001,还用于获取多个参考文本,多个参考文本用于描述多个参考图像;调整模块1002,用于基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令。
在一种可能实现的方式中,获取模块1001,用于:获取用户输入的多个参考文本;或,对多个参考图像进行图像识别,得到多个参考文本;或,对第一处理指令进行文本提取,得到多个参考文本。
在一种可能实现的方式中,调整模块1002,用于:基于多个参考图像以及多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;以多个第三处理指令为参考,基于多个参考图像以及多个参考文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示多个参考图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块1003,用于以多个第三处理指令以及多个新参考图像为参考,通过待训练模型基于第二处理指令对多个参考图像进行融合,得到目标图像。
在一种可能实现的方式中,多个参考图像包含第一图像、第二图像以及第三图像,多个参考文本包含用于描述第一图像的第一文本、用于描述第二图像的第二文本以及用于描述第三图像的第三文本,调整模块1002,用于:基于第一图像、第一文本以及第二文本,生成第四处理指令以及第二图像,第四处理指令用于指示第一图像与第二图像之间的关系;以第四处理指令为参考,基于第三图像以及第三文本,对第一处理指令进行调整,得到第二处理指令,第二处理指令用于指示第三图像与目标图像之间的关系。
在一种可能实现的方式中,处理模块1003,用于以第四处理指令以及第二图像为参考,通过待训练模型基于第二处理指令对第三图像进行转换,得到目标图像。
在一种可能实现的方式中,第一处理指令包含用于生成目标图像的目标文本,目标文本包含用于描述至少一个参考图像的至少一个参考文本,第二处理指令包含目标文本以及嵌入至目标文本中的至少一个参考图像,嵌入至少一个参考图像的位置为至少一个参考文本在目标文本中的位置。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图11为本申请实施例提供的执行设备的一个结构示意图。如图11所示,执行设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1100上可部署有图9对应实施例中所描述的图像处理装置,用于实现图5对应实施例中图像处理的功能。具体的,执行设备1100包括:接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个,图11中以一个处理器为例),其中,处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中,接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
存储器1104可以包括只读存储器和随机存取存储器,并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1103控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1103中,或者由处理器1103实现。处理器1103可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,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。该处理器1103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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104,处理器1103读取存储器1104中的信息,结合其硬件完成上述方法的步骤。
接收器1101可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息;发射器1102还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1102还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1103,用于通过图5对应实施例中的目标模型,为用户生成目标图像。
本申请实施例还涉及一种训练设备,图12为本申请实施例提供的训练设备的一个结构示意图。如图12所示,训练设备1200由一个或多个服务器实现,训练设备1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1212(例如,一个或一个以上处理器)和存储器1232,一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中,存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1212可以设置为与存储介质1230通信,在训练设备1200上执行存储介质1230中的一系列指令操作。
训练设备1200还可以包括一个或一个以上电源1226,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1258;或,一个或一个以上操作系统1241,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图8对应实施例中的模型训练方法,从而得到目标模型。
本申请实施例还涉及一种计算机存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图13,图13为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1300,NPU 1300作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1303,通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1303是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1308中。
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1305,DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。
BIU为Bus Interface Unit即,总线接口单元1313,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1309的交互。
总线接口单元1313(Bus Interface Unit,简称BIU),用于取指存储器1309从外部存储器获取指令,还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
向量计算单元1307包括多个运算处理单元,在需要的情况下,对运算电路1303的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对预测标签平面进行上采样等。
在一些实现中,向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如,向量计算单元1307可以将线性函数;或,非线性函数应用到运算电路1303的输出,例如对卷积层提取的预测标签平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1307生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1303的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1304连接的取指存储器(instruction fetch buffer)1309,用于存储控制器1304使用的指令;
统一存储器1306,输入存储器1301,权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,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,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。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。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (21)
1.一种图像处理方法,其特征在于,所述方法包括:
获取多个参考图像以及针对所述多个参考图像的第一处理指令,所述第一处理指令用于指示目标图像;
基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像中的至少一个参考图像与所述目标图像之间的关系;
通过目标模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个参考文本,所述多个参考文本用于描述所述多个参考图像;
所述基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令。
3.根据权利要求2所述的方法,其特征在于,所述获取多个参考文本包括:
获取用户输入的多个参考文本;或,
对所述多个参考图像进行图像识别,得到所述多个参考文本;或,
对所述第一处理指令进行文本提取,得到所述多个参考文本。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述多个参考图像以及所述多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;
以所述多个第三处理指令为参考,基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像与所述目标图像之间的关系。
5.根据权利要求4所述的方法,其特征在于,所述通过目标模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像包括:
以所述多个第三处理指令以及所述多个新参考图像为参考,通过目标模型基于所述第二处理指令对所述多个参考图像进行融合,得到所述目标图像。
6.根据权利要求2或3所述的方法,其特征在于,所述多个参考图像包含第一图像、第二图像以及第三图像,所述多个参考文本包含用于描述所述第一图像的第一文本、用于描述所述第二图像的第二文本以及用于描述所述第三图像的第三文本,所述基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述第一图像、所述第一文本以及所述第二文本,生成第四处理指令以及所述第二图像,所述第四处理指令用于指示所述第一图像与所述第二图像之间的关系;
以所述第四处理指令为参考,基于所述第三图像以及所述第三文本,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述第三图像与所述目标图像之间的关系。
7.根据权利要求6所述的方法,其特征在于,所述通过目标模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像包括:
以所述第四处理指令以及所述第二图像为参考,通过目标模型基于所述第二处理指令对所述第三图像进行转换,得到所述目标图像。
8.根据权利要求1至7任意一项所述的方法,其特征在于,所述第一处理指令包含用于生成所述目标图像的目标文本,所述目标文本包含用于描述所述至少一个参考图像的至少一个参考文本,所述第二处理指令包含所述目标文本以及嵌入至所述目标文本中的所述至少一个参考图像,嵌入所述至少一个参考图像的位置为所述至少一个参考文本在所述目标文本中的位置。
9.一种模型训练方法,其特征在于,所述方法包括:
获取多个参考图像以及针对所述多个参考图像的第一处理指令,所述第一处理指令用于指示目标图像;
基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像中的至少一个参考图像与所述目标图像之间的关系;
通过待训练模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像;
基于所述目标图像以及真实图像,对所述待训练模型进行训练,得到目标模型,所述真实图像基于所述至少一个参考图像得到。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
获取多个参考文本,所述多个参考文本用于描述所述多个参考图像;
所述基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令。
11.根据权利要求10所述的方法,其特征在于,所述获取多个参考文本包括:
获取用户输入的多个参考文本;或,
对所述多个参考图像进行图像识别,得到所述多个参考文本;或,
对所述第一处理指令进行文本提取,得到所述多个参考文本。
12.根据权利要求10或11所述的方法,其特征在于,所述基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述多个参考图像以及所述多个参考文本,生成多个第三处理指令以及多个新参考图像,一个第三处理指令用于指示一个参考图像与一个新参考图像之间的关系;
以所述多个第三处理指令为参考,基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像与所述目标图像之间的关系。
13.根据权利要求12所述的方法,其特征在于,所述通过待训练模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像包括:
以所述多个第三处理指令以及所述多个新参考图像为参考,通过待训练模型基于所述第二处理指令对所述多个参考图像进行融合,得到所述目标图像。
14.根据权利要求10或11所述的方法,其特征在于,所述多个参考图像包含第一图像、第二图像以及第三图像,所述多个参考文本包含用于描述所述第一图像的第一文本、用于描述所述第二图像的第二文本以及用于描述所述第三图像的第三文本,所述基于所述多个参考图像以及所述多个参考文本,对所述第一处理指令进行调整,得到第二处理指令包括:
基于所述第一图像、所述第一文本以及所述第二文本,生成第四处理指令以及所述第二图像,所述第四处理指令用于指示所述第一图像与所述第二图像之间的关系;
以所述第四处理指令为参考,基于所述第三图像以及所述第三文本,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述第三图像与所述目标图像之间的关系。
15.根据权利要求14所述的方法,其特征在于,所述通过待训练模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像包括:
以所述第四处理指令以及所述第二图像为参考,通过待训练模型基于所述第二处理指令对所述第三图像进行转换,得到所述目标图像。
16.根据权利要求9至15任意一项所述的方法,其特征在于,所述第一处理指令包含用于生成所述目标图像的目标文本,所述目标文本包含用于描述所述至少一个参考图像的至少一个参考文本,所述第二处理指令包含所述目标文本以及嵌入至所述目标文本中的所述至少一个参考图像,嵌入所述至少一个参考图像的位置为所述至少一个参考文本在所述目标文本中的位置。
17.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取多个参考图像以及针对所述多个参考图像的第一处理指令,所述第一处理指令用于指示目标图像;
调整模块,用于基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像中的至少一个参考图像与所述目标图像之间的关系;
处理模块,用于通过目标模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像。
18.一种模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取多个参考图像以及针对所述多个参考图像的第一处理指令,所述第一处理指令用于指示目标图像;
调整模块,用于基于所述多个参考图像,对所述第一处理指令进行调整,得到第二处理指令,所述第二处理指令用于指示所述多个参考图像中的至少一个参考图像与所述目标图像之间的关系;
处理模块,用于通过待训练模型基于所述第二处理指令,对所述至少一个参考图像进行处理,得到所述目标图像;
训练模块,用于基于所述目标图像以及真实图像,对所述待训练模型进行训练,得到目标模型,所述真实图像基于所述至少一个参考图像得到。
19.一种图像处理装置,其特征在于,所述图像处理装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述图像处理装置执行如权利要求1至16任意一项所述的方法。
20.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或多个指令,所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至16任一所述的方法。
21.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至16任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311012164.1A CN117149034A (zh) | 2023-08-10 | 2023-08-10 | 一种图像处理方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311012164.1A CN117149034A (zh) | 2023-08-10 | 2023-08-10 | 一种图像处理方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117149034A true CN117149034A (zh) | 2023-12-01 |
Family
ID=88903592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311012164.1A Pending CN117149034A (zh) | 2023-08-10 | 2023-08-10 | 一种图像处理方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117149034A (zh) |
-
2023
- 2023-08-10 CN CN202311012164.1A patent/CN117149034A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070207A (zh) | 一种模型训练方法及装置 | |
CN112529149B (zh) | 一种数据处理方法及相关装置 | |
CN114241597A (zh) | 一种姿态识别方法及其相关设备 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN113627421A (zh) | 一种图像处理方法、模型的训练方法以及相关设备 | |
CN113066125A (zh) | 一种增强现实方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN116312489A (zh) | 一种模型训练方法及其相关设备 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN115623242A (zh) | 一种视频处理方法及其相关设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN115565104A (zh) | 一种动作预测方法及其相关设备 | |
CN114841361A (zh) | 一种模型训练方法及其相关设备 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN115879524A (zh) | 一种模型训练方法及其相关设备 | |
CN117149034A (zh) | 一种图像处理方法及其相关设备 | |
CN115712828A (zh) | 一种图像分类方法及其相关设备 | |
CN113065633B (zh) | 一种模型训练方法及其相关联设备 | |
CN117746047A (zh) | 一种图像处理方法及其相关设备 | |
CN116343004A (zh) | 一种图像处理方法及其相关设备 | |
CN117173626A (zh) | 一种目标检测方法及其相关设备 | |
CN116306771A (zh) | 一种模型训练方法及其相关设备 | |
CN116912314A (zh) | 一种姿态估计方法及其相关设备 | |
CN117852603A (zh) | 一种任务信息获取方法以及相关设备 |
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 |