CN117392485B - 图像生成模型训练方法、业务执行方法、装置及介质 - Google Patents

Abstract

本说明书公开了图像生成模型训练方法、业务执行方法、装置及介质，专用设备通过将获取的原始图像进行加噪处理后输入到图像生成模型中以根据加噪后的图像被加噪的次数值对原始图像进行去噪，从而获取预测的还原图像，通过最小化还原图像中提取出的图像前景特征与原始图像中提取出的图像前景特征之间的偏差为训练目标，训练图像生成模型，以使训练出的图像生成模型可根据输入的加噪后的原始图像生成图像中的图像前景特征与原始图像中的图像前景特征相似的还原图像。还原图像与原始图像都可用于构建训练集，以在原始图像不足以训练出符合业务要求的预设的指定模型时，可通过扩充后的训练集训练出业务执行所需的预设的指定模型。

Description

图像生成模型训练方法、业务执行方法、装置及介质

技术领域

本说明书涉及计算机视觉领域，尤其涉及一种图像生成模型训练方法、业务执行方法、装置及介质。

背景技术

随着计算机视觉领域的迅速发展，基于深度学习技术的模型越来越多的被使用在多个领域的业务中，如，在图像识别领域中根据使用者的需求判断图像内容、在医学领域中根据获取到的患者病灶信息生成患者部分的图像、在计算机游戏领域中根据玩家的探索进度生成游戏图像。

然而，现有的模型训练技术，在上述模型的训练过程中需要足够的图像数据作为训练数据才能训练出符合业务要求的模型，在图像数据不足的情况下，现有技术难以训练出符合业务要求的模型，如，艺术图像生成模型生成的艺术图像需要的表现力和真实感越强，在训练过程中所需要的图像数据越多，而数量不足的图像数据则会出现训练出的艺术图像生成模型生成的艺术图像的表现力和真实感难以符合要求的问题。

因此，如何通过数量不足的图像数据训练出符合业务要求的模型，是一个亟待解决的问题。

发明内容

本说明书提供一种图像生成模型训练方法、业务执行方法、装置及介质，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种图像生成模型训练方法，包括：

获取原始图像；

将所述原始图像进行加噪处理，得到加噪后图像；

将所述加噪后图像输入到第一图像生成模型，以通过所述第一图像生成模型对所述加噪后图像进行去噪，得到还原图像，并确定出所述还原图像中提取出的图像前景特征，其中，图像前景特征用于表示图像中的目标物的形态特征，所述图像前景特征不包括用于体现所述目标物的细节体貌特征；

以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

可选地，将所述原始图像进行加噪处理，得到加噪后图像，具体包括：

将所述原始图像以及噪声信号的数量值输入到预先构建出的第二图像生成模型，以通过所述第二图像生成模型输出所述原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

可选地，构建第二图像生成模型，具体包括：

获取样本图像；

通过第N个噪声信号，对经过第N-1个噪声信号进行加噪后得到的加噪后图像进行加噪，得到经过第N个噪声信号进行加噪后得到的加噪后图像，N为不小于1的正整数，经过第0个噪声信号进行加噪后得到的加噪后图像为所述样本图像；

根据经过第N个噪声信号进行加噪后得到的加噪后图像，经过第N-m个噪声信号进行加噪后得到的加噪后图像、第N个噪声信号以及第N-m+1个噪声信号，确定从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，m为小于N的正整数；

根据所述转移关系，构建所述第二图像生成模型。

可选地，将所述加噪后图像输入到第一图像生成模型，以通过所述第一图像生成模型对所述加噪后图像进行去噪，得到还原图像，具体包括：

将所述加噪后图像以及所述加噪后图像被加噪的次数值输入到所述第一图像生成模型中，以通过所述第一图像生成模型根据所述次数值，预测出所述原始图像经过所述次数值的加噪处理后变为所述加噪后图像所使用的叠加噪声信号，并根据所述叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据所述叠加噪声信号以及所述第k-1个过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出所述还原图像为止，k为不超过所述次数值的正整数。

本说明书提供了一种业务执行方法，包括：

获取初始图像；

将所述初始图像输入预先训练的图像生成模型中，输出目标图像，其中，所述图像生成模型为采用上述的训练方法训练得到的模型；

根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

本说明书提供了一种图像生成模型训练装置，包括：

获取模块：用于获取原始图像；

加噪模块：用于将所述原始图像进行加噪处理，得到加噪后图像；

输入模块：用于将所述加噪后图像输入到第一图像生成模型，以通过所述第一图像生成模型对所述加噪后图像进行去噪，得到还原图像，并确定出所述还原图像中提取出的图像前景特征；

训练模块：用于以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

可选地，所述加噪模块具体用于，

将所述原始图像以及噪声信号的数量值输入到预先构建出的第二图像生成模型，以通过所述第二图像生成模型输出所述原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

可选地，所述加噪模块具体用于，

获取样本图像；通过第N个噪声信号，对经过第N-1个噪声信号进行加噪后得到的加噪后图像进行加噪，得到经过第N个噪声信号进行加噪后得到的加噪后图像，N为不小于1的正整数，经过第0个噪声信号进行加噪后得到的加噪后图像为所述样本图像；根据经过第N个噪声信号进行加噪后得到的加噪后图像，经过第N-m个噪声信号进行加噪后得到的加噪后图像、第N个噪声信号以及第N-m+1个噪声信号，确定从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，m为小于N的正整数；根据所述转移关系，构建所述第二图像生成模型。

可选地，所述输入模块具体用于，

将所述加噪后图像以及所述加噪后图像被加噪的次数值输入到所述第一图像生成模型中，以通过所述第一图像生成模型根据所述次数值，预测出所述原始图像经过所述次数值的加噪处理后变为所述加噪后图像所使用的叠加噪声信号，并根据所述叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据所述叠加噪声信号以及所述第k-1个过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出所述还原图像为止，k为不超过所述次数值的正整数。

本说明书提供了一种业务执行装置，包括：

获取模块：用于获取初始图像；

输入模块：用于将所述初始图像输入预先训练的图像生成模型中，输出目标图像其中，所述图像生成模型为采用上述的训练方法训练得到的模型；

训练模块：用于根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

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图像生成模型训练方法或业务执行方法。

本说明书提供了一种电子设备，包括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图像生成模型训练方法或业务执行方法。

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：

在本说明书提供的图像生成模型训练方法中，专用设备通过第二图像生成模型对于获取的原始图像进行加噪处理，将加噪后的图像输入到第一图像生成模型中，以通过所述第一图像生成模型对加噪后图像进行去噪，从而得到还原图像，并确定出从所述还原图像中提取出的图像前景特征，而后以最小化原始图像对应的图像前景特征与还原图像中提取出的图像前景特征之间的偏差为优化目标，对第一图像生成模型进行训练。训练后的第一图像生成模型根据输入的加噪后图像输出图像中的图像前景特征与原始图像相似的还原图像。

在本说明书提供的业务执行方法中，在获取初始图像后，将所述初始图像输入到预先训练的图像生成模型中，输出目标图像，其中所述图像生成模型为采用上述图像生成模型训练方法训练得到的模型，根据初始图像和目标图像构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的执行模型执行业务。

从上述方法可以看出，通过将训练集中的图像数据加噪后输入到预先训练的图像生成模型进行去噪，可以生成图像中的图像前景特征与加噪前的图像前景特征相似，但其余细节存在不同的图像，生成出的图像可作为图像数据扩充训练集，从而实现了通过有限的训练集训练出符合业务要求的模型的需求，提高了模型的整体训练效率。

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为本说明书提供的一种图像生成模型训练方法流程示意图；

图2为本说明书提供的一种业务执行方法流程示意图；

图3为本说明书提供的一种图像生成模型训练装置的结构示意图；

图4为本说明书提供的一种业务执行装置的结构示意图；

图5为本说明书中提供的一种对应于图1或图2的电子设备的结构示意图。

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为本说明书提供的一种图像生成模型训练方法的流程示意图，包括：

S101：获取原始图像。

本说明书提供的一种图像生成模型训练方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端，也可以是服务器，抑或是用于训练模型的专用设备，而为了便于描述，下面仅以执行主体是专用设备为例，对本说明书提供的一种图像生成模型训练方法进行说明。

在现有的计算机视觉领域中，目前基于深度学习技术的模型往往需要足够的图像数据进行训练，而在图像数据不足的情况下，训练出的模型很难满足业务的需求。目前对于图像数据不足的问题，主流方法为将初始图像以旋转、翻转、平移、填充等方式进行处理，从而生成额外的用于训练模型的图像数据，但以上述处理方法生成的图像数据，可能会存在例如图像结构或内容与初始图像过于相似或图像中图像前景特征与原始图像存在过大差异性的情况，即，真实性过低之类的问题，而以这些可能存在问题的图像数据作为训练集训练出的模型，模型的泛化能力会受到影响，从而无法满足业务对模型的性能需求。

基于此，本说明书提供了一种图像生成模型的训练方法，专用设备获取原始图像，而后专用设备通过将加噪后的原始图像输入到第一图像生成模型中进行去噪，从而得到还原图像，根据原始图像中提取出的图像前景特征以及从得到的还原图像中提取出的图像前景特征对模型进行训练，从而训练出可根据原始图像确定出还原图像的图像生成模型。

在对图像生成模型进行训练的过程中，专用设备需要先获取用于作为训练样本的原始图像，其中，该原始图像可以通过预设的图像集中获取，也可以通过指定的采集设备采集得到的。

S102：将所述原始图像进行加噪处理，得到加噪后图像。

专用设备获取原始图像后，需要将原始图像进行加噪，从而得到加噪后图像。当将原始图像通过多个噪声信号进行加噪时，需要依次添加噪声信号至原始图像，即，在将原始图像通过第一个噪声信号加噪后，通过第二个噪声信号对第一个噪声信号加噪后的原始图像进行加噪，直至所有噪声信号都添加至原始图像后，从而得到加噪后图像。

需要指出的是，依次添加噪声信号进行的计算量较大，特别是在图像数据较多的情况下，分别多次计算会增加计算压力。因此，本说明书提供了一种根据预先构建出的第二图像生成模型对原始图像进行加噪的方法，其中，预先构建出的第二图像生成模型可根据输入的原始图像以及噪声信号的数量值，输出原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

以添加至原始图像中的噪声信号为多个高斯分布信号为例，在第二图像生成模型的构建过程中，需要先获取样本图像，而后通过第N个高斯分布信号，对经过第N-1个高斯分布信号进行加噪后得到的加噪后图像进行加噪，得到经过第N个高斯分布信号进行加噪后得到的加噪后图像，N为不小于1的正整数，经过第0个噪声信号进行加噪后得到的加噪后图像为样本图像。

根据经过第N个噪声信号进行加噪后得到的加噪后图像，经过第N-m个噪声信号进行加噪后得到的加噪后图像、第N个噪声信号以及第N-m+1个噪声信号，确定从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，m为小于N的正整数，根据从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，构建所述第二图像生成模型。

具体的，在构建第二图像生成模型的过程中，专用设备可以通过接收到的拟合指令，查询并获取高斯分布信号的添加式信息，并通过获取到的高斯分布信号的添加式信息，生成用于进行加噪的高斯分布信号：

其中，是高斯分布信号，/>是样本图像的像素值，/>是高斯分布信号的方差，其值是介于/>之间的一个系数。

而后专用设备通过将输入的高斯分布信号的添加式进行迭代，以实现向样本图像中多次叠加后的高斯分布信号：

具体的，设为初始的样本图像，专用设备可通过上述高斯分布信号的添加式信息，得到迭代一次后的二次添加高斯分布信号的叠加式：。

以此类推，专用设备基于拟合指令不断迭代高斯分布信号的添加式信息，最终可以得到以下各叠加式：

…

其中，每一次迭代中的都是服从标准正态分布重新采样得到的随机数，其中有。

设，可以得到：

。

在确定从至/>的计算过程后，专用设备可以构建从/>直接一次转移到第N次加噪后的图像/>的转移关系：

具体的，根据，/>，/>三者之间的关系，

(1)

(2)

可以得到：

化简可得：

由于两个正态分布进行卷积，卷积后的概率密度函数仍然是正态分布，因此可得出：

式子中和/>是两个独立的随机变量且都满足正态分布，根据上述公式，将两次采样合并成一次采样，使用叠加后的概率分布采样即可。

根据的常数/>对/>分布的影响：

因为满足正态分布，其均值μ=0，方差为σ=1，所以/>服从/>分布。

根据μ=0，σ=1，可得到服从如下分布：

对于同理，得到/>服从如下分布：

对两个正态分布进行叠加，可得新的正态分布：

专用设备只要对新的分布进行随机采样，就等同于原来两个分布进行叠加采样，完成了一次采样从/>到/>的转移，即：

（3）

根据此转移方法，专用设备可确定出到/>的转移：

以此类推，专用设备可最终确定出从到/>的转移关系：

令，即可得到最后一次采样从/>到/>的转移关系：

根据上述确定出的转移关系，专用设备可以构建出第二图像生成模型，从而可以通过第二图像生成模型对图像的加噪，即，第二图像生成模型可根据输入的原始图像以及叠加的高斯分布信号的数量值，输出原始图像经过对应数量值次数加噪处理后的加噪后图像。

专用设备将原始图像以及噪声信号的数量值输入到通过上述方法预先构建出的第二图像生成模型，以通过第二生成模型输出原始图像经过噪声信号的数量值对应次数的加噪处理后得到的加噪后图像，而后即可通过对加噪后图像进行去噪获取还原图像。也就是说，将原始图像和噪声信号的数量值N输入到第二图像生成模型中后，第二图像生成模型输出的加噪后图像相当于是在原始图像的基础上进行了N次单独的加噪（即，通过第一个噪声信号对原始图像进行加噪，得到经第一个噪声信号加噪后的图像，然后再用第二个加噪信号对经过第一个噪声信号加噪后的图像进行加噪，以此类推），从而可以显著提高图像的加噪效率。

S103：将所述加噪后图像输入到第一图像生成模型，以通过所述第一图像生成模型对所述加噪后图像进行去噪，得到还原图像，并确定出所述还原图像中提取出的图像前景特征。

专用设备得到第二图像生成模型输出的加噪后图像后，将第二图像生成模型加噪后图像以及加噪后图像被加噪的次数值输入到第一图像生成模型中，以通过第一图像生成模型对加噪后图像进行去噪，从而得到还原图像，而后确定出从还原图像中提取出的图像前景特征。

在第一图像生成模型对加噪后图像进行去噪的过程中，需要先根据加噪后图像被加噪的次数值，预测出加噪后图像对应的原始图像经过对应次数值的加噪处理过程中所使用的叠加噪声信号，并根据预测叠加噪声信号，预测出输入的加噪后图像在经过对应次数值次加噪处理前的过渡图像。上述根据预测过渡图像的步骤可使用于加噪后图像以及此加噪后图像的所有过渡图像。即，第一图像生成模型可根据输入的图像以及图像对应的被加噪的次数值k，预测出输入的图像从对应的原始图像经过k次加噪处理过程中所使用的叠加噪声信号，而后根据叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据叠加噪声信号以及第k-1各过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出输入图像对应的还原图像为止，k为不超过输入的图像对应的次数值的正整数。

而对于高斯分布信号的去除，可构建出转移模型以达成第一图像生成模块根据加噪后图像对应被加噪的次数值预测出加噪后图像对应的还原图像的功能，具体的：

设为被预测的加噪次数值为t的加噪后图像，逆向通过/>得到还原图像。第一图像生成模型构建在任意时刻从/>到出/>的转移关系，而后根据在任意时刻从/>到的转移关系确定出在任意时刻从/>到/>的转移关系。

其中，第一图像生成模型构建在任意时刻从到/>的转移关系，即确定出条件概率/>的具体步骤为：

通过叠加噪声信号的转移关系表示/>，此转移关系在构建第二图像生成模型的过程中可确定出。

由于到/>是一个随机过程，由贝叶斯定理/>可知：

其中，和/>都代表从/>得到它们的概率，因此可以表示为：

全部添加这个条件表示在相同的/>下，实际上可以忽略这个条件。

专用设备需要确定出叠加信号图像中去除高斯分布信号的转移模型：

用于表示/>发生的情况下/>发生的概率，由第二图像生成模型构建过程中已知的：/>，即

其中满足分布/>，乘以常数/>再加上一个常数/>后可得到新的分布：/>，此为已知/>时刻，/>时刻的概率分布，为正态分布。

用于表示/>发生的情况下/>发生的概率，同理可得到：

可以得到的概率分布为：/>。

用于表示/>发生的情况下/>发生的概率，同理可到出：

专用设备确定出的概率分布为：/>。

由于都是正态分布，可将其参数代回其概率密度函数形式：

其中，是随机变量的取值，/>是均值，/>是标准差。

可以得到：

专用设备通过上述三个概率密度函数以及从叠加信号图像中去除高斯分布信号的转移模型

可以确定出：

可确定出符合正态分布公式的形式：

至此，专用设备计算出了给定条件下/>的概率密度函数及其分布：

去除分布中的最终项，由于已知/>和/>的关系：

可得到：

确定出给定条件下/>的概率分布：

根据上述给定条件下/>的概率分布，专用设备可以通过第一图像生成模型，根据给定/>和一次添加高斯分布信号/>的条件，确定出/>，实现第一图像生成模型对过渡图像的预测，进而得到还原图像。

S104：以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

通过第一图像生成模型得到加噪后图像对应的还原图像后，以最小化从加噪后图像对应的原始图像中提取出的图像前景特征，与从还原图像中提取出的图像前景特征之间的偏差为优化目标，对第一图像生成模型进行训练。以通过训练后的第一图像生成模型获取图像中的图像前景特征与对应原始图像中的图像前景特征相似的还原图像，还原图像可用于构建训练集以训练其他需要图像数据训练的模型。

训练后的第一图像生成模型可根据输入的加噪后图像输出加噪后图像对应的还原图像，其中，还原图像中的图像前景特征与对应的原始图像中的图像前景特征相似度高，而其他未做限定的部分存在一定的区别，实现了神似而形不似的效果，因此可以作为不同图像数据构建训练集，以对模型进行训练。

从上述方法可以看出，通过上述的模型训练方法，可以训练出一个能够得到差异化图像的图像生成模型，进而通过该图像生成模型来生成用于构建训练集的训练样本，以对待训练的模型进行训练，具体过程如下：

图2为本说明书提供的一种业务执行方法的流程示意图，包括：

S201：获取初始图像。

本说明书提供的一种业务执行方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端、服务器，而为了便于描述，下面仅以执行主体是服务器为例，对本说明书提供的一种业务执行方法进行说明。

对于业务执行所需要模型，需要获取一定数目的训练数据对模型进行训练，其中，训练数据的数目越多，质量越高，训练出的模型的能力越强。而对于训练数据不足的情况，训练出的模型的效果无法满足业务执行的需求，而本说明书提供的业务执行方法可以通过上述的图像生成模型训练方法训练出的图像生成模型，通过初始图像获取额外的可用于构建训练集的目标图像。

以艺术图像生成业务为例，其所需要的艺术图像生成模型（即需要训练的指定模型）需要大量的艺术图像数据作为训练数据，而在图像数据缺乏的情况下，例如一种艺术派系的作品图像较少，可通过少量的此艺术派系的图像作为初始图像，获取额外的目标图像以训练艺术图像生成模型。

服务器获取可用于训练模型的图像数据作为初始图像，需要说明的是，初始图像可以是加噪后的图像，也可以是未加噪的图像，其中，对于加噪后的图像需要说明加噪后的图像对应的加噪次数，未说明的会影响预先训练的图像生成模型输出的还原图像的图像质量，未加噪的图像可根据本说明书提供的图像生成模型训练方法训练出的第二图像生成模型进行加噪。

S202：将所述初始图像输入预先训练的图像生成模型中，输出目标图像，其中，所述图像生成模型为采用上述的训练方法训练得到的模型。

服务器将初始图像输入预先训练的第一图像生成模型以获取目标图像，其中目标图像可用于构建训练业务执行所需的预设的指定模型。其中，预先训练的第一图像生成模型为通过本说明书提供的图像生成模型训练方法训练得到的模型，可通过对加噪后图像进行去噪获取可用于训练模型的还原图像。

例如，在训练艺术图像生成模型（即需要训练的指定模型）前，即可将训练集中的图像作为初始图像，加噪后与加噪次数值一同输入到预先训练的第一图像生成模型进行去噪，从而获取图像中的图像前景特征与初始图像中的图像前景特征相似的图像作为额外的图像数据，以扩充艺术图像生成模型训练集。

需要说明的是，也可以不限定对初始图像的加噪次数，从而获取更多的目标图像，例如对于一个加噪一次的图像，不仅可以获取还原一次的目标图像，也可以获取还原两次的目标图像，本说明书不作具体限制。

S203：根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

服务器获取图像中的图像前景特征与初始图像中的图像前景特征相似的目标图像后，根据初始图像以及目标图像构建训练集，对业务执行所需的预设的指定模型进行训练，而后通过训练后的执行模型执行业务。

例如，服务器在训练艺术图像生成模型（即需要训练的指定模型）时，即可根据初始图像和目标图像构建艺术图像生成模型训练集，以少量的初始图像数据训练出符合业务需求的艺术图像生成模型，从而提高了艺术图像生成模型的训练效率。

需要说明的是，本说明书中输入到第一图像生成模型中的初始图像可以是经过加噪后的图像，也可以是未经加噪的图像，而无论对于哪种情况，第一图像生成模型对于输入到图像均会视为经过加噪的图像，进而对其进行去噪，以得到与初始图像在图像前景特征较为相似，但是其余部分存在显著差别的目标图像，而对于未经加噪的初始图像来说，第一图像生成模型将通过训练过程中所学习到的去噪的逻辑，将初始图像中的部分图像数据视为噪点，以进行去噪操作。

以上为本说明书的一个或多个图像生成模型训练方法与业务执行方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图3为本说明书实施例提供的一种图像生成模型训练装置的结构示意图，所述装置包括：

获取模块301，用于获取原始图像；

加噪模块302，用于将所述原始图像进行加噪处理，得到加噪后图像；

输入模块303，用于将所述加噪后图像输入到第一图像生成模型，以通过所述第一图像生成模型对所述加噪后图像进行去噪，得到还原图像，并确定出所述还原图像中提取出的图像前景特征；

训练模块304，用于以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

可选地，所述加噪模块具体用于，

将所述原始图像以及噪声信号的数量值输入到预先构建出的第二图像生成模型，以通过所述第二图像生成模型输出所述原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

可选地，所述加噪模块具体用于，

获取样本图像；通过第N个噪声信号，对经过第N-1个噪声信号进行加噪后得到的加噪后图像进行加噪，得到经过第N个噪声信号进行加噪后得到的加噪后图像，N为不小于1的正整数，经过第0个噪声信号进行加噪后得到的加噪后图像为所述样本图像；根据经过第N个噪声信号进行加噪后得到的加噪后图像，经过第N-m个噪声信号进行加噪后得到的加噪后图像、第N个噪声信号以及第N-m+1个噪声信号，确定从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，m为小于N的正整数；根据所述转移关系，构建所述第二图像生成模型。

可选地，所述输入模块具体用于，

将所述加噪后图像以及所述加噪后图像被加噪的次数值输入到所述第一图像生成模型中，以通过所述第一图像生成模型根据所述次数值，预测出所述原始图像经过所述次数值的加噪处理后变为所述加噪后图像所使用的叠加噪声信号，并根据所述叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据所述叠加噪声信号以及所述第k-1个过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出所述还原图像为止，k为不超过所述次数值的正整数。

图4为本说明书实施例提供的一种业务执行装置的结构示意图，所述装置包括：

获取模块401：用于获取初始图像；

输入模块402：用于将所述初始图像输入预先训练的图像生成模型中，输出目标图像其中，所述图像生成模型为采用上述的训练方法训练得到的模型；

训练模块403：用于根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

本说明书还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可用于执行上述图1提供的图像生成模型训练方法或上述图2提供的业务执行方法。

基于图1所示的图像生成模型训练方法与图2提供的业务执行方法，本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5，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所述的一种图像生成模型训练方法或图2所述的一种业务执行方法。

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，并不排除在包括所述要素的过程、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。

以上所述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 (9)

1.一种图像生成模型训练方法，其特征在于，包括：

获取原始图像；

将所述原始图像进行加噪处理，得到加噪后图像；

将所述加噪后图像以及所述加噪后图像被加噪的次数值输入到第一图像生成模型中，以通过所述第一图像生成模型根据所述次数值，预测出所述原始图像经过所述次数值的加噪处理后变为所述加噪后图像所使用的叠加噪声信号，并根据所述叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据所述叠加噪声信号以及所述第k-1个过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出所述还原图像为止，k为不超过所述次数值的正整数，并确定出所述还原图像中提取出的图像前景特征，其中，图像前景特征用于表示图像中的目标物的形态特征，所述图像前景特征不包括用于体现所述目标物的细节体貌特征；

以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

2.如权利要求1所述的方法，其特征在于，将所述原始图像进行加噪处理，得到加噪后图像，具体包括：

将所述原始图像以及噪声信号的数量值输入到预先构建出的第二图像生成模型，以通过所述第二图像生成模型输出所述原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

3.如权利要求2所述的方法，其特征在于，构建第二图像生成模型，具体包括：

获取样本图像；

通过第N个噪声信号，对经过第N-1个噪声信号进行加噪后得到的加噪后图像进行加噪，得到经过第N个噪声信号进行加噪后得到的加噪后图像，N为不小于1的正整数，经过第0个噪声信号进行加噪后得到的加噪后图像为所述样本图像；

根据经过第N个噪声信号进行加噪后得到的加噪后图像，经过第N-m个噪声信号进行加噪后得到的加噪后图像、第N个噪声信号以及第N-m+1个噪声信号，确定从经过第N-m个噪声信号进行加噪后得到的加噪后图像到经过第N个噪声信号进行加噪后得到的加噪后图像的转移关系，m为小于N的正整数；

根据所述转移关系，构建所述第二图像生成模型。

4.一种业务执行方法，其特征在于，包括：

获取初始图像；

将所述初始图像输入预先训练的图像生成模型中，输出目标图像，其中，所述图像生成模型为采用权利要求1~3中任一项所述的训练方法训练得到的模型；

根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

5.一种图像生成模型训练装置，其特征在于，包括：

获取模块：用于获取原始图像；

加噪模块：用于将所述原始图像进行加噪处理，得到加噪后图像；

输入模块：用于将所述加噪后图像以及所述加噪后图像被加噪的次数值输入到第一图像生成模型中，以通过所述第一图像生成模型根据所述次数值，预测出所述原始图像经过所述次数值的加噪处理后变为所述加噪后图像所使用的叠加噪声信号，并根据所述叠加噪声信号，预测出在经过第k次加噪处理前的第k-1个过渡图像，以及根据所述叠加噪声信号以及所述第k-1个过渡图像，预测出在经过第k-1次加噪处理前的第k-2个过渡图像，直至预测出所述还原图像为止，k为不超过所述次数值的正整数，并确定出所述还原图像中提取出的图像前景特征；

训练模块：用于以最小化所述原始图像对应的图像前景特征与所述还原图像中提取出的图像前景特征之间的偏差为优化目标，对所述第一图像生成模型进行训练。

6.如权利要求5所述的装置，其特征在于，所述加噪模块具体用于，将所述原始图像以及噪声信号的数量值输入到预先构建出的第二图像生成模型，以通过所述第二图像生成模型输出所述原始图像经过所述数量值对应次数的加噪处理后得到的加噪后图像。

7.一种业务执行装置，其特征在于，包括：

获取模块：用于获取初始图像；

输入模块：用于将所述初始图像输入预先训练的图像生成模型中，输出目标图像其中，所述图像生成模型为采用权利要求1~3中任一项所述的训练方法训练得到的模型；

训练模块：用于根据初始图像和目标图像，构建训练集，以通过所述训练集，对预设的指定模型进行训练，并通过训练后的指定模型执行业务。

8.一种计算机可读存储介质，其特征在于，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1~4任一项所述的方法。

9.一种电子设备，包括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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。