CN117173002A - 模型训练、图像生成、信息提取方法、装置及电子设备 - Google Patents
模型训练、图像生成、信息提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117173002A CN117173002A CN202311211596.5A CN202311211596A CN117173002A CN 117173002 A CN117173002 A CN 117173002A CN 202311211596 A CN202311211596 A CN 202311211596A CN 117173002 A CN117173002 A CN 117173002A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- target
- model
- sample image
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000000644 propagated effect Effects 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本说明书公开了模型训练、图像生成、信息提取方法、装置及电子设备,可以在对水印图像生成模型以及水印提取模型进行训练的过程中,通过对目标样本图像中包含的每个像素值在按照指定传播方式进行传播过程中的变化进行模拟,得到目标样本图像对应的传播后的图像,从而可以通过传播后的图像对水印图像生成模型以及水印提取模型进行训练,进而可以使得通过水印图像生成模型生成的包含水印信息的图像在经过指定传播方式传播后,依旧能通过水印提取模型有效地从中提取出的水印信息。
Description
技术领域
本说明书涉及数字媒体技术领域,尤其涉及模型训练、图像生成、信息提取方法、装置及电子设备。
背景技术
随着数字媒体技术以及人工智能技术的发展,图像数据的数字水印在各个社交媒体平台中受到广泛的应用,其中,数字水印技术是一种通过在图像数据中加入人眼不可见的水印信息来起到侵权识别、内容溯源等作用的技术,以包含用户的私有数据。
但是,由于在实际应用场景中,图像数据除了通过互联网直接进行传播外,还可能会在打印、拍摄后进行传播,而针对打印、拍摄后的图像数据,很难有效地从中再次提取出预先加入的水印信息,从而导致加入水印信息的图像数据经过打印、拍摄后,难以在传播过程中实现侵权识别和内容溯源。
发明内容
本说明书提供一种模型训练、图像生成、信息提取方法、装置及电子设备,以部分的解决现有技术存在的图像数据中包含的水印信息难以有效地提取的问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练方法,包括:
获取样本图像;
将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像;
按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像;
将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息;
以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
可选地,所述水印图像生成模型包括:图像编码器、图像解码器;
将所述样本图像输入到所述水印图像生成模型中,通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像,具体包括:
将所述样本图像输入到所述图像编码器中,以通过所述图像编码器对所述样本图像进行编码,得到所述样本图像的特征图,作为第一特征图,并将确定出的所述第一水印信息对应的水印编码与所述第一特征图进行拼接,得到所述样本图像对应的第二特征图;
将所述第二特征图输入到所述图像解码器中,以通过所述图像解码器,得到目标样本图像。
可选地,通过所述图像解码器得到目标样本图像,具体包括:
通过所述图像解码器,根据所述第二特征图生成基础目标样本图像;
针对所述基础目标样本图像中包含的每个像素,从所述样本图像中包含的各像素中确定出与该像素的位置相对应的像素,作为该像素对应的原始像素;
将该像素的像素值与该像素对应的原始像素的像素值进行残差连接,得到该像素的目标像素值;
根据所述基础目标样本图像中包含的各像素的目标像素值,得到目标样本图像。
可选地,按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像,具体包括:
将所述目标样本图像输入到预先训练的图像转换模型中,以通过所述图像转换模型确定所述目标样本图像中的每个像素的像素值在按照指定传播方式进行传播后的变化值,并根据所述变化值,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像。
可选地,训练所述图像转换模型,具体包括:
获取历史图像以及所述历史图像在经过指定传播方式传播后的目标传播图像;
将所述历史图像输入到所述图像转换模型中,以通过所述图像转换模型确定所述历史图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值,并根据所述变化值得到所述历史图像对应的传播后图像;
以最小化所述历史图像对应的传播后图像和所述目标传播图像之间的偏差为优化目标,对所述图像转换模型进行训练,得到训练后图像转换模型。
可选地,以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,具体包括:
以最小化所述第一水印信息和所述第二水印信息之间的偏差和最小化所述目标样本图像和所述样本图像之间的偏差为优化目标,对所述水印图像生成模型进行训练。
可选地,以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,具体包括:
将所述样本图像以及所述目标样本图像作为待判别图像集;
针对所述待判别图像集中包含的每个图像,将该图像输入到预设的判别模型中,以通过所述判别模型确定用于表示该图像是否为添加水印信息的图像的判别结果;
以最小化所述判别结果与该图像是否为添加水印信息的图像的实际结果之间的偏差和最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,至少对所述水印图像生成模型进行训练。
本说明书提供了一种图像生成方法,包括:
获取基础图像;
将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
通过所述目标图像进行任务执行。
本说明书提供了一种信息提取方法,包括:
获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述模型训练方法训练得到;
根据所述水印信息,执行任务。
本说明书提供了一种模型训练装置,包括:
获取模块,用于获取样本图像;
生成模块,用于将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像;
转换模块,用于按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像;
提取模块,用于将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息;
训练模块,用于以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
本说明书提供了一种图像生成装置,包括:
基础图像获取模块,用于获取基础图像;
图像生成模块,用于将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
执行模块,用于通过所述目标图像进行任务执行。
本说明书提供了一种信息提取装置,包括:
目标图像获取模块,用于获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
信息提取模块,用于将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述模型训练方法训练得到;
任务执行模块,用于根据所述水印信息,执行任务。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练、图像生成、信息提取方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练、图像生成、信息提取方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练方法,首先获取样本图像,将样本图像输入到预设的水印图像生成模型中,以通过水印图像生成模型将预设的第一水印信息添加到样本图像中,得到目标样本图像,进而按照指定传播方式,对目标样本图像中至少部分像素的像素值进行调整,得到目标样本图像对应的传播后图像,从而将目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过水印提取模型提取出传播后图像中包含的水印信息,作为第二水印信息,以最小化第一水印信息和第二水印信息之间的偏差为优化目标,对水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对水印提取模型进行训练,得到训练后水印提取模型。
从上述方法中可以看出,可以在对水印图像生成模型以及水印提取模型进行训练的过程中,通过对目标样本图像中包含的每个像素值在按照指定传播方式进行传播过程中的变化进行模拟,得到目标样本图像对应的传播后的图像,从而可以通过传播后的图像对水印图像生成模型以及水印提取模型进行训练,进而可以使得通过水印图像生成模型生成的包含水印信息的图像在经过指定传播方式传播后,依旧能通过水印提取模型有效地从中提取出的水印信息。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书中提供的一种模型训练方法的流程示意图;
图2为本说明书中提供的数字水印模型的示意图;
图3为本说明书中提供的一种图像生成方法的流程示意图;
图4为本说明书提供的一种信息提取方法的流程示意图;
图5为本说明书提供的一种模型训练装置的示意图;
图6为本说明书中提供的一种图像生成装置的示意图;
图7为本说明书提供的一种信息提取装置的示意图;
图8为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图,包括以下步骤:
S100:获取样本图像。
随着数字媒体技术的发展,为了防止图像被他人滥用,通常可以通过在图像中添加人眼不可见的水印信息来进行侵权识别、内容溯源等任务的执行,这里的水印信息可以为诸如:作者信息、公司标志、文件转接信息等信息。
例如:为了防止个人的摄影作品被他人滥用,可以通过在个人的摄影作用中添加作者信息来起到侵权识别的作用。
基于此,业务平台可以通过水印图像生成模型,将指定的水印信息添加到指定图像中,从而可以避免他人滥用。
其中,水印图像生成模型需要经过训练后方可部署到业务平台的服务器中,而在对水印图像生成模型进行训练之前,业务平台可以先获取到用于训练水印图像生成模型的样本图像,进而可以通过样本图像对需要进行训练的水印图像生成模型进行训练。
在本说明书中,用于实现模型训练方法的执行主体,可以是指服务器等设置于业务平台的指定设备,也可以是指诸如台式电脑、笔记本电脑等终端设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的模型训练方法进行说明。
S102:将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像。
进一步地,上述的需要进行训练的水印图像生成模型中可以包含图像编码器、图像解码器。
服务器可以将样本图像输入到需要进行训练的水印图像生成模型的图像编码器中,以通过图像编码器对样本图像进行编码,得到样本图像的特征图作为第一特征图,并将确定出的第一水印信息对应的水印编码与第一特征图进行拼接,得到样本图像对应的第二特征图。进而可以获取到的第二特征图输入到水印图像生成模型的图像解码器中,以通过图像解码器得到目标样本图像。
需要说明的是,上述的第一水印信息对应的水印编码可以为预先通过人工等方式确定出的,也可以为预先将水印信息输入到指定编码器中确定出的,这里的指定编码器可以为图像编码器,也可以为其他用于对水印信息进行编码的编码器。
在实际应用场景中,为了避免通过图像解码器得到的目标样本图像与样本图像之间存在较大的差异,服务器还可以在将第一水印信息对应的水印编码与第一特征图进行拼接之前,对第一水印信息对应的水印编码进行扩张卷积处理,得到扩张后的水印编码,以及,对第一特征图进行扩张卷积处理,得到扩张后的第一特征图,从而可以将扩张后的水印编码与扩张后的第一特征图进行拼接,得到样本图像对应的第二特征图。进而可以通过图像解码器基于第二特征图,得到目标样本图像。
除此之外,服务器还可以将通过图像解码器根据第二特征图生成基础目标样本图像,针对基础目标样本图像中包含的每个像素,从样本图像中包含的各像素中确定出与该像素的位置相对应的像素,作为该像素对应的原始像素。
进一步地,服务器可以将该像素的像素值与该像素对应的原始像素的像素值进行残差连接,得到该像素的目标像素值,根据基础目标样本图像中包含各像素的目标像素值,得到目标样本图像,可以理解为,服务器可以将同一像素分别在基础目标样本图像中的像素值和在样本图像中的像素值进行残差连接,从而可以避免生成的目标样本图像和样本图像之间存在较大的差异。
S104:按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像。
进一步地,服务器可以确定按照指定传播方式传播后的目标样本图像在传播过程中的图像变换关系,并根据确定出的图像变换关系,对目标样本图像中至少部分像素的像素值进行调整,得到目标样本图像对应的传播后图像。
具体地,服务器可以将目标样本图像输入到预先训练的图像转换模型中,以通过图像转换模型确定目标样本图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值,并根据确定出的变化值,对目标样本图像中至少部分像素的像素值进行调整,得到目标样本图像对应的传播后图像。
上述的经过指定传播方式传播后的目标样本图像可以根据实际需求确定,诸如:打印后的目标样本图像、拍摄后的目标样本图像、互联网传播的目标样本图像、压缩后的目标样本图像等。
上述的图像转换模型的训练方法可以为获取历史图像以及历史图像在经过指定传播方式传播后的目标传播图像,将历史图像输入到所述图像转换模型中,以通过图像转换模型确定历史图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值,并根据确定出的历史图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值得到历史图像对应的传播后图像,以最小化历史图像对应的传播后图像和目标传播图像之间的偏差为优化目标对图像转换模型进行训练,得到训练后图像转换模型。
S106:将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息。
S108:以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
服务器可以将通过图像转换模型得到的目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过水印提取模型提取出目标样本图像对应的传播后图像中包含的水印信息,作为第二水印信息。进而可以以最小化第一水印信息和第二水印信息之间的偏差为优化目标,对水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对水印提取模型进行训练,得到训练后水印提取模型。
具体地,服务器可以根据第一水印信息和第二水印信息之间的偏差,确定第一损失,并可以以第一损失最小化为优化目标,对水印图像生成模型以及水印提取模型进行联合训练,其中,第一水印信息和第二水印信息之间的偏差越小,确定出的第一损失越小。
除此之外,服务器还可以根据目标样本图像和样本图像之间的偏差,确定第二损失,并
以最小化第一损失和第二损失为优化目标,对水印图像生成模型进行训练,其中,目标样本图像和样本图像之间的偏差越小,确定出的第二损失越小。
当然,服务器也可以以最小化第一损失和第二损失为优化目标,对水印图像生成模型以及水印提取模型进行联合训练。
另外,服务器还可以将样本图像以及目标样本图像作为待判别图像集,针对待判别图像集中包含的每个图像,将该图像输入到预设的判别模型中,以通过判别模型确定用于表示该图像是否为添加水印信息的图像的判别结果,并根据判别与该图像是否为添加水印信息的图像的实际结果之间的偏差,确定第三损失,进而可以以最小化第一损失和第三损失为优化目标,至少对水印图像生成模型进行训练,具体如图2所示。
图2为本说明书中提供的水印图像生成模型的训练过程的示意图。
结合图2可以看出,服务器可以以最小化第一损失和第三损失为优化目标,对水印图像生成模型进行训练。
当然,服务器还可以以最小化第一损失和第三损失为优化目标,对水印图像生成模型以及判别模型进行联合训练。
另外,服务器还可以以最小化第一损失和第三损失为优化目标,对水印图像生成模型、水印提取模型进行联合训练。
除此之外,服务器还可以以最小化第一损失和第三损失为优化目标,对水印图像生成模型、水印提取模型以及判别模型进行联合训练。
从上述内容中可以看出,服务器可以在对水印图像生成模型以及水印提取模型进行训练的过程中,通过图像转换模型模拟出用于训练水印图像生成模型以及水印提取模型的样本图像中的每个像素的像素值在经过指定传播方式进行传播后的图像,从而可以通过传播后的图像对水印图像生成模型以及水印提取模型进行训练,进而可以提升通过水印图像生成模型生成的包含水印信息的图像在经过指定传播方式传播后,再通过水印提取模型提取出的水印信息的准确率。
为了进一步地对本说明书进行说明,下面详细描述通过上述方法训练得到的水印图像生成模型生成水印图像的方法,如图3所示。
图3为本说明书中提供的一种图像生成方法的流程示意图,包括以下步骤:
S300:获取基础图像。
S302:将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述模型训练方法训练得到。
S304:通过所述目标图像进行任务执行。
在本说明书中,业务平台的服务器可以获取用户需要添加水印信息的图像,作为基础图像,并可以将获取到的基础图像输入到预先训练的水印图像生成模型中,以通过水印图像生成模型将预设的水印信息添加到基础图像中,得到目标图像,并通过目标图像进行任务执行。
从上述内容中可以看出,服务器可以通过水印图像生成模型生成包含的预设的水印信息的目标图像,并且能够使得生成的目标图像中包含的水印信息能够在目标图像被打印、压缩、拍摄后依旧能够有效的被提取出来。
为了进一步地对本说明书进行说明,下面详细描述通过上述方法训练得到的水印图像生成模型生成水印图像的方法,如图4所示。
图4为本说明书中提供的一种图像生成方法的流程示意图,包括以下步骤:
S400:获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述模型训练方法训练得到。
S402:将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述模型训练方法训练得到。
S404:根据所述水印信息,执行任务。
在本说明书中,业务平台可以获取目标图像,这里的目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,从而可以将目标图像输入到预先训练的水印提取模型中,以通过水印提取模型,从目标图像中提取出目标图像中包含的水印信息,进而可以根据水印信息,执行任务。
上述的执行的任务可以为诸如:侵权识别,内容溯源等。
从上述内容中可以看出,服务器可以通过水印提取模型在目标图像被打印、压缩、拍摄后依旧能够有效地提取出目标图像中包含的水印信息。
以上为本说明书的一个或多个实施例提供的模型训练、图像生成方法,基于同样的思路,本说明书还提供了相应的模型训练、图像生成、信息提取装置,如图5、图6、图7所示。
图5为本说明书提供的一种模型训练装置的示意图,包括:
获取模块501,用于获取样本图像;
生成模块502,用于将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像;
转换模块503,用于按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像;
提取模块504,用于将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息;
训练模块505,用于以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
可选地,所述水印图像生成模型包括:图像编码器、图像解码器;
所述生成模块502具体用于,将所述样本图像输入到所述图像编码器中,以通过所述图像编码器对所述样本图像进行编码,得到所述样本图像的特征图,作为第一特征图,并将确定出的所述第一水印信息对应的水印编码与所述第一特征图进行拼接,得到所述样本图像对应的第二特征图;将所述第二特征图输入到所述图像解码器中,以通过所述图像解码器,得到目标样本图像。
可选地,所述生成模块502具体用于,通过所述图像解码器,根据所述第二特征图生成基础目标样本图像;针对所述基础目标样本图像中包含的每个像素,从所述样本图像中包含的各像素中确定出与该像素的位置相对应的像素,作为该像素对应的原始像素;将该像素的像素值与该像素对应的原始像素的像素值进行残差连接,得到该像素的目标像素值;根据所述基础目标样本图像中包含的各像素的目标像素值,得到目标样本图像。
可选地,所述转换模块503具体用于,将所述目标样本图像输入到预先训练的图像转换模型中,以通过所述图像转换模型确定所述目标样本图像中的每个像素的像素值在按照指定传播方式进行传播后的变化值,并根据所述变化值,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像。
可选地,所述训练模块505具体用于,获取历史图像以及所述历史图像在经过指定传播方式传播后的目标传播图像;将所述历史图像输入到所述图像转换模型中,以通过所述图像转换模型确定所述历史图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值,并根据所述变化值得到所述历史图像对应的传播后图像;以最小化所述历史图像对应的传播后图像和所述目标传播图像之间的偏差为优化目标,对所述图像转换模型进行训练,得到训练后图像转换模型。
可选地,所述训练模块505具体用于,以最小化所述第一水印信息和所述第二水印信息之间的偏差和最小化所述目标样本图像和所述样本图像之间的偏差为优化目标,对所述水印图像生成模型进行训练。
可选地,所述训练模块505具体用于,将所述样本图像以及所述目标样本图像作为待判别图像集;针对所述待判别图像集中包含的每个图像,将该图像输入到预设的判别模型中,以通过所述判别模型确定用于表示该图像是否为添加水印信息的图像的判别结果;以最小化所述判别结果与该图像是否为添加水印信息的图像的实际结果之间的偏差和最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,至少对所述水印图像生成模型进行训练。
图6为本说明书提供的一种图像生成装置的示意图,包括:
基础图像获取模块601,用于获取基础图像;
图像生成模块602,用于将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
执行模块603,用于通过所述目标图像进行任务执行。
图7为本说明书提供的一种信息提取装置的示意图,包括:
目标图像获取模块701,用于获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述模型训练方法训练得到;
信息提取模块702,用于将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述模型训练方法训练得到;
任务执行模块703,用于根据所述水印信息,执行任务。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练方法。
本说明书还提供了图8所示的一种对应于图1的电子设备的示意结构图。如图8,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1的模型训练方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种模型训练方法,包括:
获取样本图像;
将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像;
按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像;
将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息;
以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
2.如权利要求1所述的方法,所述水印图像生成模型包括:图像编码器、图像解码器;
将所述样本图像输入到所述水印图像生成模型中,通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像,具体包括:
将所述样本图像输入到所述图像编码器中,以通过所述图像编码器对所述样本图像进行编码,得到所述样本图像的特征图,作为第一特征图,并将确定出的所述第一水印信息对应的水印编码与所述第一特征图进行拼接,得到所述样本图像对应的第二特征图;
将所述第二特征图输入到所述图像解码器中,以通过所述图像解码器,得到目标样本图像。
3.如权利要求2所述的方法,通过所述图像解码器得到目标样本图像,具体包括:
通过所述图像解码器,根据所述第二特征图生成基础目标样本图像;
针对所述基础目标样本图像中包含的每个像素,从所述样本图像中包含的各像素中确定出与该像素的位置相对应的像素,作为该像素对应的原始像素;
将该像素的像素值与该像素对应的原始像素的像素值进行残差连接,得到该像素的目标像素值;
根据所述基础目标样本图像中包含的各像素的目标像素值,得到目标样本图像。
4.如权利要求1所述的方法,按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像,具体包括:
将所述目标样本图像输入到预先训练的图像转换模型中,以通过所述图像转换模型确定所述目标样本图像中的每个像素的像素值在按照指定传播方式进行传播后的变化值,并根据所述变化值,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像。
5.如权利要求4所述的方法,训练所述图像转换模型,具体包括:
获取历史图像以及所述历史图像在经过指定传播方式传播后的目标传播图像;
将所述历史图像输入到所述图像转换模型中,以通过所述图像转换模型确定所述历史图像中的每个像素的像素值在经过指定传播方式进行传播后的变化值,并根据所述变化值得到所述历史图像对应的传播后图像;
以最小化所述历史图像对应的传播后图像和所述目标传播图像之间的偏差为优化目标,对所述图像转换模型进行训练,得到训练后图像转换模型。
6.如权利要求1所述的方法,以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,具体包括:
以最小化所述第一水印信息和所述第二水印信息之间的偏差和最小化所述目标样本图像和所述样本图像之间的偏差为优化目标,对所述水印图像生成模型进行训练。
7.如权利要求1或6所述的方法,以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,具体包括:
将所述样本图像以及所述目标样本图像作为待判别图像集;
针对所述待判别图像集中包含的每个图像,将该图像输入到预设的判别模型中,以通过所述判别模型确定用于表示该图像是否为添加水印信息的图像的判别结果;
以最小化所述判别结果与该图像是否为添加水印信息的图像的实际结果之间的偏差和最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,至少对所述水印图像生成模型进行训练。
8.一种图像生成方法,包括:
获取基础图像;
将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述权利要求1~7任一项所述的方法训练得到;
通过所述目标图像进行任务执行。
9.一种信息提取方法,包括:
获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述权利要求1~7任一项所述的方法训练得到;
将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述权利要求1~7任一项所述的方法训练得到;
根据所述水印信息,执行任务。
10.一种模型训练装置,包括:
获取模块,用于获取样本图像;
生成模块,用于将所述样本图像输入到预设的水印图像生成模型中,以通过所述水印图像生成模型将预设的第一水印信息添加到所述样本图像中,得到目标样本图像;
转换模块,用于按照指定传播方式,对所述目标样本图像中至少部分像素的像素值进行调整,得到所述目标样本图像对应的传播后图像;
提取模块,用于将所述目标样本图像对应的传播后图像输入到预设的水印提取模型中,以通过所述水印提取模型提取出所述传播后图像中包含的水印信息,作为第二水印信息;
训练模块,用于以最小化所述第一水印信息和所述第二水印信息之间的偏差为优化目标,对所述水印图像生成模型进行训练,得到训练后水印图像生成模型,以及,对所述水印提取模型进行训练,得到训练后水印提取模型。
11.一种图像生成装置,包括:
基础图像获取模块,用于获取基础图像;
图像生成模块,用于将所述基础图像输入到预先训练的水印图像生成模型中,以通过所述水印图像生成模型将预设的水印信息添加到所述基础图像中,得到目标图像,所述水印图像生成模型是通过上述权利要求1~7任一项所述的方法训练得到;
执行模块,用于通过所述目标图像进行任务执行。
12.一种信息提取装置,包括:
目标图像获取模块,用于获取目标图像,所述目标图像是通过预先训练的水印图像生成模型在基础图像中加入预设的水印信息后所得到的图像,所述水印图像生成模型是通过上述权利要求1~7任一项所述的方法训练得到;
信息提取模块,用于将所述目标图像输入到预先训练的水印提取模型中,以通过所述水印提取模型,从所述目标图像中提取出所述目标图像中包含的水印信息,所述水印提取模型是通过上述权利要求1~7任一项所述的方法训练得到;
任务执行模块,用于根据所述水印信息,执行任务。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211596.5A CN117173002A (zh) | 2023-09-19 | 2023-09-19 | 模型训练、图像生成、信息提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211596.5A CN117173002A (zh) | 2023-09-19 | 2023-09-19 | 模型训练、图像生成、信息提取方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117173002A true CN117173002A (zh) | 2023-12-05 |
Family
ID=88935342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311211596.5A Pending CN117173002A (zh) | 2023-09-19 | 2023-09-19 | 模型训练、图像生成、信息提取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173002A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495649A (zh) * | 2024-01-02 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 一种图像的处理方法、装置及设备 |
-
2023
- 2023-09-19 CN CN202311211596.5A patent/CN117173002A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495649A (zh) * | 2024-01-02 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 一种图像的处理方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117372631B (zh) | 一种多视角图像生成模型的训练方法、应用方法 | |
CN115952272B (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN116188632A (zh) | 一种图像的生成方法、装置、存储介质及电子设备 | |
CN117173002A (zh) | 模型训练、图像生成、信息提取方法、装置及电子设备 | |
CN110728319B (zh) | 一种图像生成方法、装置以及计算机存储介质 | |
CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN113010780B (zh) | 一种模型训练以及点击率预估方法及装置 | |
CN117194992A (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN115937851A (zh) | 一种增强深度学习学习域的方法和系统 | |
CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
CN116451808B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115953706B (zh) | 虚拟形象处理方法及装置 | |
CN117523323B (zh) | 一种生成图像的检测方法及装置 | |
CN117911630B (zh) | 一种三维人体建模的方法、装置、存储介质及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN115658891B (zh) | 一种意图识别的方法、装置、存储介质及电子设备 | |
CN117808976B (zh) | 一种三维模型构建方法、装置、存储介质及电子设备 | |
CN115862668B (zh) | 机器人基于声源定位判断交互对象的方法和系统 | |
CN117992787A (zh) | 一种模型训练的方法、任务执行的方法及装置 | |
CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、存储介质 | |
CN118038087A (zh) | 图像处理方法及装置 | |
CN117876114A (zh) | 一种业务执行和模型训练的方法及装置 | |
CN118116005A (zh) | 自然语言处理方法及相关装置 | |
CN117521011A (zh) | 一种基于语言指导采样的指代表达理解方法 |
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 |