WO2025200729A1 - 图像生成方法、装置、电子设备及存储介质 - Google Patents

图像生成方法、装置、电子设备及存储介质

Info

Publication number
WO2025200729A1
WO2025200729A1 PCT/CN2025/072858 CN2025072858W WO2025200729A1 WO 2025200729 A1 WO2025200729 A1 WO 2025200729A1 CN 2025072858 W CN2025072858 W CN 2025072858W WO 2025200729 A1 WO2025200729 A1 WO 2025200729A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
clothing
try
features
sample
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
Application number
PCT/CN2025/072858
Other languages
English (en)
French (fr)
Inventor
董欣
张绪杰
李修
罗宇轩
林恩特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Publication of WO2025200729A1 publication Critical patent/WO2025200729A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Definitions

  • Embodiments of the present disclosure relate to an image generation method, apparatus, electronic device, and storage medium.
  • Virtual fitting technology aims to generate a virtual image of a person wearing the clothing in the image based on input clothing images and person images.
  • virtual fitting technology only supports single-modal data (garment images) as a control condition for generating fitting images, and cannot achieve image generation based on multi-modal control.
  • the embodiments of the present disclosure provide an image generation method, device, electronic device, and storage medium, which can realize the generation of try-on images based on multimodal control.
  • At least one embodiment of the present disclosure provides an image generation method, including:
  • control conditions include a posture image, a prompt text, and a reference image; wherein the prompt text is used to prompt a way to try on the clothing in the reference image;
  • An acquisition module configured to acquire control conditions, wherein the control conditions include a posture image, a prompt text, and a reference image; wherein the prompt text is used to indicate a way to try on the garment in the reference image;
  • a generation module configured to generate a try-on image using a preset diffusion model, a preset noise image and the control conditions
  • the subject being tried on in the try-on image is in a posture corresponding to the posture image, and the subject being tried on wears the garment in the try-on manner.
  • At least one embodiment of the present disclosure further provides an electronic device, the electronic device comprising:
  • processors one or more processors
  • a storage device for storing one or more programs
  • the one or more processors When the one or more programs are executed by the one or more processors, the one or more processors implement the image generation method as described in any one of the embodiments of the present disclosure.
  • At least one embodiment of the present disclosure further provides a storage medium comprising computer-executable instructions, wherein the computer-executable instructions, when executed by a computer processor, are used to execute the image generation method as described in any one of the embodiments of the present disclosure.
  • FIG2 is a schematic diagram of input and output of a preset diffusion model in an image generation method provided by at least one embodiment of the present disclosure
  • FIG3 is a schematic block diagram of data flow of an image generation method provided by at least one embodiment of the present disclosure
  • FIG5 is a schematic diagram of a process for constructing a preset diffusion model in an image generation method provided by at least one embodiment of the present disclosure
  • FIG6 is a schematic block diagram of data flow for constructing a sample reference image in an image generation method provided by at least one embodiment of the present disclosure
  • FIG7 is a schematic structural diagram of an image generating device provided by at least one embodiment of the present disclosure.
  • FIG8 is a schematic structural diagram of an electronic device provided by at least one embodiment of the present disclosure.
  • the term “including” and its variations are open-ended, i.e., “including but not limited to.”
  • the term “based on” means “based, at least in part, on.”
  • the term “one embodiment” means “at least one embodiment,” the term “another embodiment” means “at least one additional embodiment,” and the term “some embodiments” means “at least some embodiments.”
  • Other terms are defined in the following description.
  • Figure 1 is a flow chart of an image generation method provided by at least one embodiment of the present disclosure.
  • This embodiment of the present disclosure is applicable to the generation of try-on images based on multimodal control of text and images.
  • the method can be executed by an image generation device, which can be implemented in software and/or hardware and can be configured in an electronic device, such as a computer.
  • control conditions include a posture image, a prompt text, and a reference image; wherein the prompt text is used to prompt a way to try on the clothing in the reference image.
  • a posture image can be considered as an image composed of skeleton key points and connecting lines, used to present posture information.
  • the prompt text may include text such as clothing category and try-on method.
  • the prompt text template may be: a person wearing ⁇ clothing category 1> ⁇ try-on method 1>[label 1], ⁇ clothing category 2> ⁇ try-on method 2>[label 2], ..., and ⁇ clothing category N> ⁇ try-on method N>[label N].
  • clothing categories include tops, pants, hats, shoes, and bags.
  • the fitting method can be considered the way the clothing is fitted to the person being tried on.
  • fitting methods might include zipping up or zipping up, tucking into pants, or draping over pants.
  • the fitting method field in the prompt text may be empty.
  • the reference image can be understood as an image that includes clothing to be tried on.
  • the reference image may include only a single piece of clothing to be tried on, or may include other clothing items in addition to the clothing to be tried on.
  • the reference image may be labeled with clothing categories to indicate the clothing items to be tried on.
  • the prompt text and the reference image have a corresponding relationship, that is, the clothing that needs to be tried on in the reference image is expected to be tried on in the same way as the corresponding clothing category in the prompt text.
  • the posture image, prompt text, and reference image can be obtained through a user interface or other means, and the obtained posture image, prompt text, and reference image can be used as control conditions.
  • the process of receiving the reference image may include at least one of the following: receiving reference images corresponding to clothing categories in the order of clothing categories in the prompt text; receiving the reference image and the clothing category corresponding to the reference image; and sequentially generating corresponding reference images according to the clothing categories in the prompt text.
  • the system can first receive a prompt text and parse the description of the clothing category contained in the prompt text, such as "red sweater.” Then, based on an existing text-image generation model, it generates a corresponding reference image. This also allows the received reference image to correspond to the prompt text.
  • FIG2 is a schematic diagram of the input and output of a preset diffusion model in an image generation method provided by at least one embodiment of the present disclosure.
  • the input of the preset diffusion model may include a reference image and a prompt text.
  • the reference image may include three images, which may be a top image, a trousers image, and a bag image.
  • each reference image may be labeled with a corresponding clothing category.
  • Figure 3 is a schematic block diagram of a data flow for an image generation method provided by at least one embodiment of the present disclosure.
  • the image generation method provided by this embodiment generates a try-on image using a preset diffusion model, a preset noise image, and control conditions, and may include:
  • the prompt text may include, for example, "a man wearing a short-sleeved round-neck T-shirt [label 1], gray trousers [label 2], and low-top sneakers [label 3]";
  • the reference image may correspond to, for example, a T-shirt image G1, a trousers image G2, and a shoe image G3.
  • the prompt text may be subjected to feature extraction using an existing text encoder to obtain text features; and the reference image may be subjected to feature extraction using an existing image encoder to obtain image features.
  • the text features may be fused with the image features of multiple reference images to obtain a multimodal feature.
  • the multimodal feature may be subjected to first attention fusion with the output features of each network layer in a preset diffusion model (such as the denoising U-net model in Figure 3).
  • the process of denoising a preset noisy image to generate a try-on image requires multiple rounds of denoising. This means that after each round of denoising, the noisy image is re-input into the preset diffusion model shown in Figure 3. This means that the output features of the same network layer differ during different rounds of denoising. However, the multimodal features fused with the output features through the first attention step are considered unchanged.
  • generating a try-on image by using a preset diffusion model, according to a preset noise image and control conditions may further include:
  • the features of the garments to be tried on can be extracted from G1, G2, and G3 using the same clothing encoder structure.
  • the clothing feature extraction process can include: using the clothing encoder to perform cross-attention calculations on the reference image and the clothing categories in the prompt text to obtain clothing features.
  • the output features of the same network layer in different rounds of denoising can be considered different; while the clothing features that are fused with the output features for the second attention can be considered unchanged.
  • the traditional process of generating try-on images typically relies on a priori segmentation models, which limits the generation instructions for the try-on images. However, in the disclosed embodiments, this does not rely on a segmentation model. Instead, the cross-attention layer of the serving encoder extracts clothing features corresponding to the clothing category in the reference image. These clothing features are injected into a preset diffusion model and fused with the output features of each network layer through a second attention process, so that the try-on images retain the detailed texture details of the clothing.
  • the reference images include reference images corresponding to at least two clothing categories. This allows the try-on image to present a combined try-on effect of at least two clothing categories, thus enabling flexible, multi-modal, multi-reference control of try-on image generation.
  • Figure 4 is a schematic diagram of multimodal, multi-reference attention fusion in an image generation method provided by at least one embodiment of the present disclosure.
  • the process of determining multimodal features may include:
  • the text features are aligned with the corresponding image features; the aligned text features and image features are fused to obtain a first value vector and a first key vector; accordingly, the multimodal features are fused with the output features of each network layer in the preset diffusion model through a first attention fusion, including: determining a first query vector based on the output features, and performing a first attention fusion based on the first query vector, the first key vector, and the first value vector.
  • the prompt text template example can include clothing category labels, such as [Label 1], [Label 2], and [Label N].
  • the clothing category labels can be used as placeholders. After extracting text features, the corresponding text features of each clothing category can be located based on the clothing category labels. Accordingly, the clothing category labels can be used to align the text features of each clothing category with the corresponding image features.
  • the aligned text features and each image feature can be fused through the multimodal embedding module to obtain the first value vector V1 and the first key vector K1; the first query vector Q1 can be determined based on the output features; and the first attention fusion can be performed based on the first query vector Q1, the first key vector K1 and the first value vector V1 according to the multimodal attention module.
  • performing a second attention fusion on the clothing features and the output features of each network layer in the preset diffusion model may include:
  • a second value vector and a second key vector are determined; according to the output feature, a second query vector is determined, and a second attention fusion is performed according to the second query vector, the second key vector and the second value vector.
  • the second value vector V2 and the second key vector K2 can be determined according to the clothing features and the output features through the multi-reference embedding module; the second query vector Q2 can be determined according to the output features; and the second attention fusion can be performed according to the second query vector Q2, the second key vector K2 and the second value vector V2 according to the multi-reference attention module.
  • the first query vector Q1, the first key vector K1 and the first value vector V1, as well as the second query vector Q2, the second key vector K2 and the second value vector V2 can be determined.
  • the first attention fusion is first performed, and the result of the first attention fusion can be used as the output feature of the multi-reference attention module.
  • the second attention fusion can also be performed first, and the result of the second attention fusion can be used as the output feature of the multimodal attention module. It can be considered that corresponding adjustments can be made according to the specific diffusion model structure, and no specific limitation is made here. In this way, multi-reference, multi-modal try-on image generation can be achieved.
  • the technical solution of the embodiment of the present disclosure describes in detail the different ways of attention fusion based on prompt text and reference image.
  • By fusing the text features of the prompt text with the image features of the reference image, and performing multimodal attention fusion of the fused multimodal features with the output features of the diffusion model network layer it not only helps to generate images of different try-on methods, but also enhances the stability of the try-on and ensures the correct mapping of the clothing.
  • By performing attention fusion of the clothing features in the reference image with the output features of the diffusion model network layer the try-on image can retain the detailed texture details of the clothing, thereby improving the try-on image generation effect.
  • the image generation method provided in the embodiment of the present disclosure and the image generation method provided in the above embodiment belong to the same disclosed concept.
  • Technical details not fully described in this embodiment can be referred to the above embodiment, and the same technical features have the same beneficial effects in this embodiment and the above embodiment.
  • the various optional schemes in the image generation method provided in the embodiment of the present disclosure and the above-mentioned embodiment can be combined.
  • the image generation method provided in this embodiment provides a detailed description of the construction process of the preset diffusion model and the construction process of the sample reference image.
  • the diffusion model can be enabled to have the ability to obtain a try-on image by denoising the preset noise image, thereby realizing the construction of the diffusion model.
  • the sample parameter image can be automatically generated, which helps to improve the efficiency and effect of model construction.
  • a preset number of rounds of noise can be added to the sample fitting image, wherein the preset number of rounds can be pre-set according to the application scenario.
  • S520 Generate a sample try-on image prediction value based on the sample noise image and the sample control condition through a preset diffusion model.
  • a cue-based generative model can be used to randomly generate images of people wearing clothing from various clothing categories. Images with high similarity can be removed to obtain an enhanced dataset. From the randomly enhanced dataset, images of tops, pants, and shoes from the sample try-on images can be filtered out and retained as sample reference images. This establishes a correspondence between the person being tried on and the clothing description. As shown in Figure 6, it is understood that a correspondence must be established between the sample try-on images and the sample reference images in two different poses; otherwise, the try-on task degenerates into a copy-and-paste task.
  • an enhanced dataset is provided for the preset diffusion model, allowing the model to be trained without any explicit clothing segmentation, which can improve the efficiency and effectiveness of model building.
  • S530 Determine the reconstruction loss according to the sample try-on image and the predicted value of the sample try-on image.
  • the reconstruction loss between the sample fitting image and the predicted value of the sample fitting image may be determined based on an existing image loss determination method.
  • S540 Determine the noise prediction loss according to the predicted noise in each round of denoising using the preset diffusion model and the noise added in the corresponding round.
  • the subject in the try-on image is in a posture corresponding to the posture image, and wears the clothing according to the try-on method.
  • the clothing features are fused with the output features of each network layer in the preset diffusion model through a second attention fusion, so that the preset diffusion model outputs a try-on image based on the second attention fusion result.
  • the generation module may determine the multimodal features based on the following process:
  • the aligned text features and each image feature are fused to obtain a first value vector and a first key vector;
  • the multimodal features are fused with the output features of each network layer in the preset diffusion model using the first attention method, including:
  • a first query vector is determined according to the output features, and a first attention fusion is performed according to the first query vector, the first key vector, and the first value vector.
  • the generation module may be configured to:
  • control condition further includes a protection area image; accordingly, the non-try-on area of the try-on object presents the protection area image.
  • the receiving module may also be configured to receive the posture image and the protection area image based on the following process:
  • An original clothing image of a person being tried on is received, and a posture image and a protection area image are determined according to the original clothing image.
  • a model building module that builds a pre-defined diffusion model based on the following process:
  • the sample construction module is used to construct a sample reference image based on the following process:
  • the image generation device provided in the embodiments of the present disclosure can execute the image generation method provided in any embodiment of the present disclosure, and has the corresponding functional modules and beneficial effects of the execution method.
  • a machine-readable medium can be a tangible medium that can contain or store a program for use by or in conjunction with an instruction execution system, device or equipment.
  • a machine-readable medium can be a machine-readable signal medium or a machine-readable storage medium.
  • a machine-readable medium can include, but is not limited to, an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, device or equipment, or any suitable combination of the foregoing.
  • a more specific example of a machine-readable storage medium can include an electrical connection based on one or more lines, a portable computer disk, a hard disk, a random access memory (RAM), a read-only memory (ROM), an erasable programmable read-only memory (EPROM or flash memory), an optical fiber, a portable compact disk read-only memory (CD-ROM), an optical storage device, a magnetic storage device, or any suitable combination of the foregoing.
  • RAM random access memory
  • ROM read-only memory
  • EPROM or flash memory erasable programmable read-only memory
  • CD-ROM portable compact disk read-only memory
  • CD-ROM compact disk read-only memory
  • magnetic storage device or any suitable combination of the foregoing.
  • an image generation method comprising:
  • the subject in the try-on image is in a posture corresponding to the posture image, and wears the clothing according to the try-on method.
  • an image generation method further comprising:
  • generating a try-on image by using a preset diffusion model, according to a preset noise image and control conditions includes:
  • generating a try-on image using a preset diffusion model, according to a preset noise image and control conditions further includes:
  • the clothing encoder with the same structure as the preset diffusion model is used to extract features from the reference image to obtain clothing features.
  • the clothing features are fused with the output features of each network layer in the preset diffusion model through a second attention fusion, so that the preset diffusion model outputs a try-on image based on the second attention fusion result.
  • an image generation method further comprising:
  • the clothing feature extraction process includes:
  • an image generation method further comprising:
  • the process of determining the multimodal features includes:
  • the aligned text features and each image feature are fused to obtain a first value vector and a first key vector;
  • the multimodal features are fused with the output features of each network layer in the preset diffusion model using the first attention method, including:
  • a first query vector is determined according to the output features, and a first attention fusion is performed according to the first query vector, the first key vector, and the first value vector.
  • an image generation method further comprising:
  • performing a second attention fusion on the clothing features and the output features of each network layer in the preset diffusion model includes:
  • a second query vector is determined according to the output features, and a second attention fusion is performed according to the second query vector, the second key vector, and the second value vector.
  • an image generation method further comprising:
  • the process of receiving the reference image includes at least one of the following:

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例公开了一种图像生成方法、装置、电子设备及存储介质，该方法包括：获取控制条件；控制条件包括姿态图像、提示文本以及参考图像；提示文本用于提示参考图像中服装的试穿方式；通过预设扩散模型，根据预设噪声图像和控制条件生成试穿图像；试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。本公开实施例所提供的图像生成方法及其相关装置，能够实现基于多模态控制的试穿图像生成。

Description

图像生成方法、装置、电子设备及存储介质
本申请要求于2024年03月29日递交的中国专利申请第202410384982.2号的优先权，在此全文引用上述中国专利申请公开的内容以作为本申请的一部分。
技术领域
本公开的实施例涉及一种图像生成方法、装置、电子设备及存储介质。
背景技术
虚拟试装技术，旨在根据输入的服装图像和人物图像，生成人物图像中人物穿着服装图像中服装的虚拟图像。例如虚拟试装技术，仅支持服装图像此单种模态数据，作为生成试穿图像的控制条件，无法实现基于多模态控制的图像生成。
发明内容
本公开实施例提供了一种图像生成方法、装置、电子设备及存储介质，能够实现基于多模态控制的试穿图像生成。
本公开至少一实施例提供了一种图像生成方法，包括：
获取控制条件；其中，所述控制条件包括姿态图像、提示文本以及参考图像；其中，所述提示文本用于提示所述参考图像中服装的试穿方式；
通过预设扩散模型，根据预设噪声图像和所述控制条件，生成试穿图像；
其中，所述试穿图像中的试穿对象呈所述姿态图像对应的姿态，且所述试穿对象按照所述试穿方式穿着所述服装。
本公开至少一实施例还提供了一种图像生成装置，包括：
获取模块，用于获取控制条件；其中，所述控制条件包括姿态图像、提示文本以及参考图像；其中，所述提示文本用于提示所述参考图像中服装的试穿方式；
生成模块，用于通过预设扩散模型，根据预设噪声图像和所述控制条件，生成试穿图像；
其中，所述试穿图像中的试穿对象呈所述姿态图像对应的姿态，且所述试穿对象按照所述试穿方式穿着所述服装。
本公开至少一实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的图像生成方法。
本公开至少一实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像生成方法。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开至少一实施例提供的一种图像生成方法的流程示意图；
图2为本公开至少一实施例提供的一种图像生成方法中预设扩散模型部分输入输出的示意图；
图3为本公开至少一实施例提供的一种图像生成方法的数据流示意框图；
图4为本公开至少一实施例提供的一种图像生成方法中多模态、多参考的注意力融合示意图；
图5为本公开至少一实施例提供的一种图像生成方法中构建预设扩散模型的流程示意图；
图6为本公开至少一实施例提供的一种图像生成方法中构建样本参考图的数据流示意框图；
图7为本公开至少一实施例提供的一种图像生成装置的结构示意图；以及
图8为本公开至少一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，本公开实施例的技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开至少一实施例所提供的一种图像生成方法的流程示意图。本公开实施例适用于基于文本、图像多模态控制的试穿图像生成的情形。该方法可以由图像生成装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于计算机中。
如图1所示，本实施例提供的图像生成方法，可以包括：
S110、获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式。
示例性的，姿态图像可认为是由骨骼关键点及连线组成的、用于呈现姿态信息的图像。
示例性的，提示文本可以包括服装品类和试穿方式等文本。示例性的，提示文本的模板可以是：一个人穿着<服装品类1><试穿方式1>[标签1]，<服装品类2><试穿方式2>[标签2]，...，和<服装品类N><试穿方式N>[标签N]。
示例性的，服装品类例如包括上衣、裤子、帽子、鞋和包等。试穿方式可以认为是将服装拟合到试穿对象上的方式。以上衣为例，试穿方式例如可以包括拉链拉开或拉上，收到裤子中或者披在裤子上等。此外，在一些品类服装的试穿方式单一的情况下(例如裤子)，提示文本中的试穿方式可以为空字段。
示例性的，参考图像可理解为包括需要试穿服装的图像；且参考图像中可以仅包括需要试穿的单件服装，也可以包括除需要试穿服装外的其他服装。例如，可以通过对参考图像标注服装品类等方式，提示参考图像中需要试穿的服装。
可以认为，提示文本与参考图像具备对应关系，即参考图像中需要试穿的服装，期望按照提示文本中对应服装品类的试穿方式进行试穿。
本公开实施例中，可通过用户界面接收等方式获取姿态图像、提示文本以及参考图像，并可将获取到的姿态图像、提示文本以及参考图像作为控制条件。
在一些可选的实现方式中，参考图像的接收过程，可以包括下述至少一项：按提示文本中服装品类的顺序，接收服装品类对应的参考图像；接收参考图像，以及与参考图像对应的服装品类；根据提示文本中服装品类，顺序生成对应的参考图像。
示例性的，可先接收提示文本，并依序解析提示文本中的服装品类顺序。之后可按照解析顺序，提示用户输入对应的参考图像。从而可使接收的参考图像与提示文本具备对应关系。
示例性的，也可以在接收参考图像的同时，接收参考图像对应的服装品类。从而可使接收的参考图像与提示文本具备对应关系。
此外，还可以先接收提示文本，并依序解析提示文本中包含的对服装品类的描述文本，例如“红色的毛衣”等文本；之后，基于已有的文本-图像生成模型，生成对应的参考图像。从而也可使接收的参考图像与提示文本具备对应关系。
在这些可选的实现方式中，提供了多种灵活接收参考图像的方式。此外，其他可使接收的参考图像与提示文本具备对应关系的图像接收方式，也可应用于此。
S120、通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像。
为实现根据姿态图像、提示文本和参考图像合成逼真试穿图像的任务，本公开实施例中，将此任务建模为条件扩散模型(即预设扩散模型)，该模型以姿态图像、提示文本和参考图像为控制条件，将预设噪声图像进行多轮的逐步去噪过程，以估计出试穿图像。
示例性的，预设扩散模型，可基于样本试穿图像和对应的样本控制条件构建。样本试穿图像可以理解为试装对象真实穿着服装的图像。样本控制条件可以包括样本姿态图像、样本参考图像和样本提示文本。例如，样本控制条件与样本试穿图像对应，可以包括下述至少一项：可基于已有的姿态识别算法，识别样本试穿图像中的姿态参数，并生成对应样本姿态图像；可根据样本试穿图像进行数据增强，以生成包含样本试穿图像中各品类服装的样本参考图像；可基于已有图像-文本生成模型，生成各样本参考图像中的服装的描述文本，并可基于描述文本生成样本提示文本。
通过构建样本试穿图像和对应的样本控制条件，并基于样本控制条件使扩散模型可重构样本试穿图像，从而可使预设扩散模型具备根据姿态图像、提示文本和参考图像合成逼真试穿图像的能力。相应的，预设扩散模型可根据控制条件，将预设噪声图像进行多轮的逐步去噪，以估计出试穿图像。
本公开实施例中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
示例性的，图2为本公开至少一实施例提供的一种图像生成方法中预设扩散模型部分输入输出的示意图。参见图2，预设扩散模型的输入可以包括参考图像和提示文本。例如，参考图像可以包括三张图像，分别可为上衣图像、裤子图像和包图像。并且，各参考图像可以标注对应的服装品类。提示文本例如可以为，“一个人穿着拉链拉开的上衣，裤子，并在右手提着一个包”。相应的，预设扩散模型输出的试穿图像中，试穿对象可以穿着上衣图像中的上衣、穿着裤子图像中的裤子，以及提着包图像中的包；且上衣的拉链呈拉开状态，包被拎在了右手。
本公开实施例中，通过设置提示文本作为生成试穿图像的控制条件，可定制不同的着装风格，提高试穿图像生成的灵活性。通过将提示文本结合姿态图像和参考图像生成试穿图像，可使试穿效果根据图像和文本模态的指令来推断，以实现基于多模态控制的试穿图像生成。
在一些可选的实现方式中，控制条件还可以包括保护区域图像；相应的，试穿对象的非试穿区域呈现保护区域图像。
在这些可选的实现方式中，保护区域图像可以理解为期望试穿图像中可以保留的局部图像。示例性的，保护区域图像例如可以包括头部区域图像，或者不期望换装的区域的图像等。相应的，在生成试穿图像过程中，可不对该部分图像进行生成，而是将保护区域图像通过变形等方式映射至试穿图像，试穿对象的非试穿区域呈现保护区域图像。从而可进一步提高生成试穿图像的灵活性。
由于试穿图像中的试穿对象既需要呈姿态图像中的姿态，又需要保留保护区域图像。当保护区域图像与姿态图像不统一时，将在一定程度上影响试穿图像的生成效果。故姿态图像和保护区域图像的接收过程例如可以包括：接收试穿对象的原始着装图像，根据原始着装图像确定姿态图像和保护区域图像。其中，可基于已有的姿态识别算法，识别原始着装图像中的姿态参数，并生成对应姿态图像；并可从原始着装图像中选取除保护区域图像。从而可使保护区域图像与姿态图像具备一致性，能够提高试穿图像的生成效果。
本公开实施例的技术方案，获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式；通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像；其中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
在基于扩散模型将预设噪声图像去噪生成试穿图像过程中，通过设置姿态图像、提示文本以及参考图像作为生成试穿图像的控制条件，能够使试穿图像中的试穿对象呈姿态图像中的姿态，且可使试穿对象根据提示文本中指示的试穿方式，对参考图像中的服装进行试穿。从而可使试穿效果根据图像和文本模态的指令来推断，可实现基于多模态控制的试穿图像生成，提高试穿灵活性。
本公开实施例与上述实施例中所提供的图像生成方法中各个可选方案可以结合。本实施例所提供的图像生成方法，对基于提示文本和参考图像实现的不同方式的注意力融合进行了详细描述。通过将提示文本的文本特征和参考图像的图像特征进行融合，并将融合的多模态特征与扩散模型网络层的输出特征进行多模态注意力融合，不仅有助于生成不同试穿方式的图像，还可增强试穿的稳定性，保证服装的正确映射。通过将参考图像中的服装特征与扩散模型网络层的输出特征进行注意力融合，能够使试穿图像保留服装中详细的纹理细节，提高试穿图像生成效果。
示例性的，图3为本公开至少一实施例提供的一种图像生成方法的数据流示意框图。参见图3，本实施例提供的图像生成方法中，通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像，可以包括：
对提示文本进行特征提取，得到文本特征；对参考图像进行特征提取，得到图像特征；将文本特征和图像特征进行融合，得到多模态特征；将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，以使预设扩散模型基于第一注意力融合结果输出试穿图像。
如图3所示，提示文本例如可以包括，“一个男人穿着半袖圆领T恤[标签1]、灰色长裤[标签2]和低帮运动鞋[标签3]”；参考图像例如可以对应包括T恤图像G1、裤子图像G2和鞋子图像G3。例如可以通过已有的文本编码器对提示文本进行特征提取，得到文本特征；可以通过已有的图像编码器对参考图像进行特征提取，得到图像特征。例如可以将文本特征和多个参考图像的图像特征进行融合，得到一个多模态特征。可将该多模态特征，与预设扩散模型(如图3中的去噪U-net模型)中各网络层的输出特征，皆进行第一注意力融合。
此外，从预设噪声图像去噪生成试穿图像的过程，需要进行多轮的去噪过程。可以理解为，每轮去噪后的噪声图像将再次输入图3所示的预设扩散模型中，即不同轮次的去噪过程中、相同网络层的输出特征不同。而与输出特征进行第一注意力融合的多模态特征可认为不发生变化。
通过将提示文本的文本特征和参考图像的图像特征进行融合，并将融合的多模态特征与扩散模型网络层的输出特征进行多模态注意力融合，不仅有助于生成不同试穿方式的图像，还可增强试穿的稳定性，保证服装的正确映射。
在一些可选的实现方式中，通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像，还可以包括：
通过与预设扩散模型结构相同的服装编码器，对参考图像进行特征提取，得到服装特征；将服装特征中与预设扩散模型中各网络层的输出特征进行第二注意力融合，以使预设扩散模型基于第二注意力融合结果输出试穿图像。
再参见图3，可分别通过结构相同的服装编码器，对G1、G2和G3中进行需要试穿的服装的特征提取。由于参考图像与提示文本中的服装品类具备对应关系，在一些实现方式中，服装特征的提取过程，可以包括：通过服装编码器，对参考图像以及提示文本中的服装品类进行交叉注意力计算，得到服装特征。
如图3，可以通过服装编码器将G1与对应的服装品类(即T恤)、G2与对应的服装品类(即裤子)，G3与对应的服装品类(即鞋子)分别进行交叉注意力计算，得到各需要试穿服装的服装特征。并且，可将该多模态特征与预设扩散模型中各网络层的输出特征皆进行第二注意力融合。
参考第一注意力融合的过程，不同轮次的去噪过程中、相同网络层的输出特征可认为不同；而与输出特征进行第二注意力融合的各服装特征可认为不发生变化。
传统试穿图像的生成过程中，通常依赖于一个先验的分割模型，这将限制试穿图像的生成指令。而本公开实施例中，无需依赖分割模型，可基于服务编码器的交叉注意力层，提取参考图像中与服装品类相对应的服装特征。该服装特征可注入到预设扩散模型中，与各网络层的输出特征进行第二注意力融合，以使试穿图像保留服装中详细的纹理细节。
此外，传统试穿图像的生成过程中，仅可接收单件服装图的输入。而本公开实施例中，如图3所示，参考图像包括至少两种服装品类对应的参考图像，从而试穿图像可呈现至少两种品类服装的组合试穿效果，即可实现基于多模态、多参考灵活控制的试穿图像生成。
示例性的，图4为本公开至少一实施例提供的一种图像生成方法中多模态、多参考的注意力融合示意图。参见图4，本实施例提供的图像生成方法中，在参考图像包括至少两种服装品类对应的参考图像的情况下，多模态特征的确定过程，可以包括：
根据提示文本中的各服装品类标签，将文本特征与对应的各图像特征进行对齐；将对齐后的文本特征和各图像特征进行融合，得到第一值向量和第一键向量；相应的，将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，包括：根据输出特征确定第一查询向量，并根据第一查询向量、第一键向量和第一值向量进行第一注意力融合。
参见前文中提示文本的模板示例，提示文本中可以包括服装品类标签，例如[标签1]、[标签2]和[标签N]等。例如，可将服装品类标签作为占位符标记。在提取到文本特征后，可基于服装品类标签定位各服装品类对应的文本特征。相应的，通过服装品类标签，可实现各服装品类的文本特征与对应的图像特征进行对齐。
如图4所示，可通过多模态嵌入模块，将对齐后的文本特征和各图像特征进行融合，得到第一值向量V1和第一键向量K1；可根据输出特征确定第一查询向量Q1；可根据多模态注意力模块，根据第一查询向量Q1、第一键向量K1和第一值向量V1进行第一注意力融合。
再次参见图4，本实施例提供的图像生成方法中，在参考图像包括至少两种服装品类对应的参考图像的情况下，将服装特征中与预设扩散模型中各网络层的输出特征进行第二注意力融合，可以包括：
根据各服装特征和输出特征，确定第二值向量和第二键向量；根据输出特征确定第二查询向量，并根据第二查询向量、第二键向量和第二值向量进行第二注意力融合。
如图4所示，可通过多参考嵌入模块，根据各服装特征和输出特征，确定第二值向量V2和第二键向量K2；可根据输出特征确定第二查询向量Q2；可根据多参考注意力模块，根据第二查询向量Q2、第二键向量K2和第二值向量V2进行第二注意力融合。
示例性的，可基于已有注意力模块机制，确定第一查询向量Q1、第一键向量K1和第一值向量V1，以及第二查询向量Q2、第二键向量K2和第二值向量V2。例如，图4中先进行了第一注意力融合，并可将第一注意力融合的结果作为多参考注意模块的输出特征。此外，也可以先进行第二注意力融合，并可根据第二注意力融合的结果作为多模态注意力模块的输出特征。可以认为，可根据具体的扩散模型结构进行相应调整，在此不做具体限定。从而可实现基于多参考、多模态的试穿图像生成。
本公开实施例的技术方案，对基于提示文本和参考图像实现的不同方式的注意力融合进行了详细描述。通过将提示文本的文本特征和参考图像的图像特征进行融合，并将融合的多模态特征与扩散模型网络层的输出特征进行多模态注意力融合，不仅有助于生成不同试穿方式的图像，还可增强试穿的稳定性，保证服装的正确映射。通过将参考图像中的服装特征与扩散模型网络层的输出特征进行注意力融合，能够使试穿图像保留服装中详细的纹理细节，提高试穿图像生成效果。
此外，本公开实施例提供的图像生成方法与上述实施例提供的图像生成方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
本公开实施例与上述实施例中所提供的图像生成方法中各个可选方案可以结合。本实施例所提供的图像生成方法，对预设扩散模型的构建过程以及样本参考图像的构建过程进行了详细描述。通过根据样本试穿图像预测值与样本试穿图像构建重建损失，根据每轮去噪过程中的预测噪声与对应轮次添加的噪声构建噪声预测损失，能够使扩散模型具备由预设噪声图像去噪得到试穿图像的能力，实现扩散模型的构建。通过在样本试穿图像基础上进行数据增强，能够自动生成样本参数图像，有助于提高模型构建效率和构建效果。
图5为本公开至少一实施例提供的一种图像生成方法中构建预设扩散模型的流程示意图。如图5所示，本实施例提供的图像生成方法中，预设扩散模型的构建过程，可以包括：
S510、对样本试穿图像添加预设轮次的噪声，得到样本噪声图像。
本实施例中，可基于已有噪声添加方式，对样本试穿图像添加预设轮次的噪声。其中，预设轮次可根据应用场景进行预先设置。
S520、通过预设扩散模型，根据样本噪声图像和样本控制条件，生成样本试穿图像预测值。
本实施例中，样本控制条件可以包括样本姿态图像、样本参考图像和样本提示文本。参见上文阐述的样本控制条件和样本试穿图像具备对应关系可知，样本姿态图像、样本参考图像和样本提示文本可与样本试穿图像对应。此外，样本试穿图像预测值生成的过程，可参考上文中试穿图像的生成过程，在此不作赘述。
示例性的，图6为本公开至少一实施例提供的一种图像生成方法中构建样本参考图的数据流示意框图。参见图6，在一些可选的实现方式中，样本参考图像的生成过程，可以包括：
根据样本试穿图像，生成各服装品类对应服装的描述文本；根据各描述文本，确定对应服装的检测框；根据各检测框进行服装分割，得到各服装；在样本试穿图像基础上，对各服装进行增强，得到增强图像；从增强图像中筛选出分别保留各服装的图像，作为样本参考图像。
示例性的，可通过已有基于提示的生成模型，生成试穿图像中主要服装品类的服装。如图6，提示词例如可包括，“请提取与服装相关的物品，例如半袖圆领T恤”。例如，可以通过已有的文本生成模型，生成用于描述样本试穿图像中服装及穿着方式等的描述文本。如图6，描述文本包括对T恤、裤子和鞋子的描述文本；示例性的，对T恤的描述文本包括，“这个男人穿了件半袖圆领T恤”。例如，可基于已有的检测模型，根据各服装品类的描述文本，生成与图像中的每个服装品类相对应的边界框。例如，可基于已有的分割模型，来生成每个服装品类对应服装的精确掩码。
示例性的，可使用基于提示的生成模型，随机生成穿着各服装品类的服装的图像，并可去除相似度高的图像，得到增强后的数据集。其中，可从随机增强的数据集中筛选出保留样本试穿图像中上衣、裤子和鞋子的图像，作为样本参考图像。从而建立了试穿对象与服装、描述之间的对应关系。可以理解的是，如图6所示，样本试穿图像和样本参考图像需要在两个不同的姿势之间建立对应关系，否则试穿任务将退化为复制粘贴的任务。
在这些可选的实现方式中，为预设扩散模型提供了增强数据集，可允许模型在无需任何明确服装分割的情况下进行训练，可提高模型构建效率和效果。
S530、根据样本试穿图像和样本试穿图像预测值，确定重建损失。
本实施例中，可基于已有的图像损失确定方法，确定样本试穿图像和样本试穿图像预测值间的重建损失。
S540、根据预设扩散模型每轮去噪过程中的预测噪声和对应轮次添加的噪声，确定噪声预测损失。
本实施例中，噪声预测损失中可包括基于已有的图像损失确定方法，确定预测噪声图像和对应轮次添加噪声图像的损失；还可以包括预测噪声图像符合预设分布(例如高斯分布等)的损失。
S550、根据重建损失和噪声预测损失，对预设扩散模型进行参数调整。
本实施例中，可根据重建损失和噪声预测损失进行反向传播，以调整预设扩散模型中的参数，完成预设扩散模型的构建。
本公开实施例的技术方案，对预设扩散模型的构建过程以及样本参考图像的构建过程进行了详细描述。通过根据样本试穿图像预测值与样本试穿图像构建重建损失，根据每轮去噪过程中的预测噪声与对应轮次添加的噪声构建噪声预测损失，能够使扩散模型具备由预设噪声图像去噪得到试穿图像的能力，实现扩散模型的构建。通过在样本试穿图像基础上进行数据增强，能够自动生成样本参数图像，有助于提高模型构建效率和构建效果。此外，本公开实施例提供的图像生成方法与上述实施例提供的图像生成方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
图7为本公开至少一实施例所提供的一种图像生成装置的结构示意图。本实施例提供的图像生成装置适用于基于文本、图像多模态控制的试穿图像生成的情形。
如图7所示，本公开实施例提供的图像生成装置，可以包括：
获取模块710，用于获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式；
生成模块720，用于通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像；
其中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
在一些可选的实现方式中，生成模块，可以用于：
对提示文本进行特征提取，得到文本特征；
对参考图像进行特征提取，得到图像特征；
将文本特征和图像特征进行融合，得到多模态特征；
将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，以使预设扩散模型基于第一注意力融合结果输出试穿图像。
在一些可选的实现方式中，生成模块，还可以用于：
通过与预设扩散模型结构相同的服装编码器，对参考图像进行特征提取，得到服装特征；
将服装特征中与预设扩散模型中各网络层的输出特征进行第二注意力融合，以使预设扩散模型基于第二注意力融合结果输出试穿图像。
在一些可选的实现方式中，生成模块，可基于下述过程提取服装特征：
通过服装编码器，对参考图像以及提示文本中的服装品类进行交叉注意力计算，得到服装特征。
在一些可选的实现方式中，在参考图像包括至少两种服装品类对应的参考图像的情况下，生成模块可基于下述过程确定多模态特征：
根据提示文本中的各服装品类标签，将文本特征与对应的各图像特征进行对齐；
将对齐后的文本特征和各图像特征进行融合，得到第一值向量和第一键向量；
相应的，将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，包括：
根据输出特征确定第一查询向量，并根据第一查询向量、第一键向量和第一值向量进行第一注意力融合。
在一些可选的实现方式中，在参考图像包括至少两种服装品类对应的参考图像的情况下，生成模块，可以用于：
根据各服装特征和输出特征，确定第二值向量和第二键向量；
根据输出特征确定第二查询向量，并根据第二查询向量、第二键向量和第二值向量进行第二注意力融合。
在一些可选的实现方式中，图像生成装置，还可以包括：
接收模块，用于基于下述至少一项过程接收参考图像：
按提示文本中服装品类的顺序，接收服装品类对应的参考图像；
接收参考图像，以及与参考图像对应的服装品类；
根据提示文本中服装品类，顺序生成对应的参考图像。
在一些可选的实现方式中，控制条件还包括保护区域图像；相应的，试穿对象的非试穿区域呈现保护区域图像。
在一些可选的实现方式中，接收模块，还可以用于基于下述过程接收姿态图像和保护区域图像：
接收试穿对象的原始着装图像，根据原始着装图像确定姿态图像和保护区域图像。
在一些可选的实现方式中，图像生成装置，还可以包括：
模型构建模块，用于基于下述过程构建预设扩散模型：
对样本试穿图像添加预设轮次的噪声，得到样本噪声图像；
通过预设扩散模型，根据样本噪声图像和样本控制条件，生成样本试穿图像预测值；
根据样本试穿图像和样本试穿图像预测值，确定重建损失；
根据预设扩散模型每轮去噪过程中的预测噪声和对应轮次添加的噪声，确定噪声预测损失；
根据重建损失和噪声预测损失，对预设扩散模型进行参数调整。
在一些可选的实现方式中，样本控制条件包括样本参考图像；图像生成装置，还可以包括：
样本构建模块，用于基于下述过程构建样本参考图像：
根据样本试穿图像，生成各服装品类对应服装的描述文本；
根据各描述文本，确定对应服装的检测框；
根据各检测框进行服装分割，得到各服装；
在样本试穿图像基础上，对各服装进行增强，得到增强图像；
从增强图像中筛选出分别保留各服装的图像，作为样本参考图像。
本公开实施例所提供的图像生成装置，可执行本公开任意实施例所提供的图像生成方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图8，其示出了适于用来实现本公开至少一实施例的电子设备(例如图8中的终端设备或服务器)800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(Read-Only Memory，ROM)802中的程序或者从存储装置808加载到随机访问存储器(Random Access Memory，RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的图像生成方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的图像生成方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像生成方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式；通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像；其中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种图像生成方法，该方法包括：
获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式；
通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像；
其中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像，包括：
对提示文本进行特征提取，得到文本特征；
对参考图像进行特征提取，得到图像特征；
将文本特征和图像特征进行融合，得到多模态特征；
将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，以使预设扩散模型基于第一注意力融合结果输出试穿图像。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像，还包括：
通过与预设扩散模型结构相同的服装编码器，对参考图像进行特征提取，得到服装特征；
将服装特征中与预设扩散模型中各网络层的输出特征进行第二注意力融合，以使预设扩散模型基于第二注意力融合结果输出试穿图像。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，服装特征的提取过程，包括：
通过服装编码器，对参考图像以及提示文本中的服装品类进行交叉注意力计算，得到服装特征。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，在参考图像包括至少两种服装品类对应的参考图像的情况下，多模态特征的确定过程，包括：
根据提示文本中的各服装品类标签，将文本特征与对应的各图像特征进行对齐；
将对齐后的文本特征和各图像特征进行融合，得到第一值向量和第一键向量；
相应的，将多模态特征与预设扩散模型中各网络层的输出特征进行第一注意力融合，包括：
根据输出特征确定第一查询向量，并根据第一查询向量、第一键向量和第一值向量进行第一注意力融合。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，在参考图像包括至少两种服装品类对应的参考图像的情况下，将服装特征中与预设扩散模型中各网络层的输出特征进行第二注意力融合，包括：
根据各服装特征和输出特征，确定第二值向量和第二键向量；
根据输出特征确定第二查询向量，并根据第二查询向量、第二键向量和第二值向量进行第二注意力融合。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，参考图像的接收过程，包括下述至少一项：
按提示文本中服装品类的顺序，接收服装品类对应的参考图像；
接收参考图像，以及与参考图像对应的服装品类；
根据提示文本中服装品类，顺序生成对应的参考图像。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，控制条件还包括保护区域图像；相应的，试穿对象的非试穿区域呈现保护区域图像。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，姿态图像和保护区域图像的接收过程，包括：
接收试穿对象的原始着装图像，根据原始着装图像确定姿态图像和保护区域图像。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，预设扩散模型的构建过程，包括：
对样本试穿图像添加预设轮次的噪声，得到样本噪声图像；
通过预设扩散模型，根据样本噪声图像和样本控制条件，生成样本试穿图像预测值；
根据样本试穿图像和样本试穿图像预测值，确定重建损失；
根据预设扩散模型每轮去噪过程中的预测噪声和对应轮次添加的噪声，确定噪声预测损失；
根据重建损失和噪声预测损失，对预设扩散模型进行参数调整。
根据本公开的一个或多个实施例，提供了一种图像生成方法，还包括：
在一些可选的实现方式中，样本控制条件包括样本参考图像；样本参考图像的生成过程，包括：
根据样本试穿图像，生成各服装品类对应服装的描述文本；
根据各描述文本，确定对应服装的检测框；
根据各检测框进行服装分割，得到各服装；
在样本试穿图像基础上，对各服装进行增强，得到增强图像；
从增强图像中筛选出分别保留各服装的图像，作为样本参考图像。
根据本公开的一个或多个实施例，提供了一种图像生成装置，该装置包括：
获取模块，用于获取控制条件；其中，控制条件包括姿态图像、提示文本以及参考图像；其中，提示文本用于提示参考图像中服装的试穿方式；
生成模块，用于通过预设扩散模型，根据预设噪声图像和控制条件，生成试穿图像；
其中，试穿图像中的试穿对象呈姿态图像对应的姿态，且试穿对象按照试穿方式穿着服装。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (14)

  1. 一种图像生成方法，包括：
    获取控制条件；其中，所述控制条件包括姿态图像、提示文本以及参考图像；所述提示文本用于提示所述参考图像中服装的试穿方式；以及
    通过预设扩散模型，根据预设噪声图像和所述控制条件生成试穿图像；
    其中，所述试穿图像中的试穿对象呈所述姿态图像对应的姿态，且所述试穿对象按照所述试穿方式穿着所述服装。
  2. 根据权利要求1所述的方法，其中，所述通过预设扩散模型，根据预设噪声图像和所述控制条件生成试穿图像，包括：
    对所述提示文本进行特征提取，得到文本特征；
    对所述参考图像进行特征提取，得到图像特征；
    将所述文本特征和所述图像特征进行融合，得到多模态特征；以及
    将所述多模态特征与所述预设扩散模型中各网络层的输出特征进行第一注意力融合，以使所述预设扩散模型基于第一注意力融合的结果输出所述试穿图像。
  3. 根据权利要求1或2所述的方法，其中，所述通过预设扩散模型，根据预设噪声图像和所述控制条件生成试穿图像，还包括：
    通过与所述预设扩散模型结构相同的服装编码器，对所述参考图像进行特征提取，得到服装特征；
    将所述服装特征中与所述预设扩散模型中各网络层的输出特征进行第二注意力融合，以使所述预设扩散模型基于所述第二注意力融合的结果输出所述试穿图像。
  4. 根据权利要求3所述的方法，其中，所述服装特征的提取过程，包括：
    通过所述服装编码器，对所述参考图像以及所述提示文本中的服装品类进行交叉注意力计算，得到所述服装特征。
  5. 根据权利要求2所述的方法，其中，在所述参考图像包括至少两种服装品类对应的参考图像的情况下，所述多模态特征的确定过程，包括：
    根据所述提示文本中的各服装品类标签，将所述文本特征与所述各服装品类标签对应的各图像特征进行对齐；
    将对齐后的所述文本特征和所述各图像特征进行融合，得到第一值向量和第一键向量；
    所述将所述多模态特征与所述预设扩散模型中各网络层的输出特征进行第一注意力融合，包括：
    根据所述输出特征确定第一查询向量，并根据所述第一查询向量、所述第一键向量和所述第一值向量进行第一注意力融合。
  6. 根据权利要求3所述的方法，其中，在所述参考图像包括至少两种服装品类对应的参考图像的情况下，所述将所述服装特征中与所述预设扩散模型中各网络层的输出特征进行第二注意力融合，包括：
    根据各服装品类对应的服装特征和所述输出特征，确定第二值向量和第二键向量；
    根据所述输出特征确定第二查询向量；以及
    根据所述第二查询向量、所述第二键向量和所述第二值向量进行第二注意力融合。
  7. 根据权利要求1～6任一项所述的方法，其中，所述参考图像的获取过程，包括下述至少一项：
    按所述提示文本中服装品类的顺序，接收所述服装品类对应的参考图像；
    接收所述参考图像，以及与所述参考图像对应的所述服装品类；
    根据所述提示文本中的服装品类，顺序生成对应的参考图像。
  8. 根据权利要求1～7任一项所述的方法，其中，控制条件还包括保护区域图像；所述试穿对象的非试穿区域呈现所述保护区域图像。
  9. 根据权利要求8所述的方法，其中，所述姿态图像和所述保护区域图像的获取过程，包括：
    接收所述试穿对象的原始着装图像，根据所述原始着装图像确定所述姿态图像和所述保护区域图像。
  10. 根据权利要求1～9任一项所述的方法，其中，所述预设扩散模型的构建过程，包括：
    对样本试穿图像添加预设轮次的噪声，得到样本噪声图像；
    通过所述预设扩散模型，根据所述样本噪声图像和样本控制条件，生成样本试穿图像预测值；
    根据所述样本试穿图像和所述样本试穿图像预测值，确定重建损失；
    根据所述预设扩散模型每轮去噪过程中的预测噪声和对应轮次添加的噪声，确定噪声预测损失；以及
    根据所述重建损失和所述噪声预测损失，对所述预设扩散模型进行参数调整。
  11. 根据权利要求10所述的方法，其中，所述样本控制条件包括样本参考图像；所述样本参考图像的生成过程，包括：
    根据所述样本试穿图像生成各服装品类对应服装的描述文本；
    根据各所述描述文本确定对应服装的检测框；
    根据各所述检测框进行服装分割，得到各所述服装；
    在所述样本试穿图像的基础上，对各所述服装进行增强，得到增强图像；
    从所述增强图像中筛选出分别保留各所述服装的图像，作为样本参考图像。
  12. 一种图像生成装置，包括：
    获取模块，被配置为获取控制条件；其中，所述控制条件包括姿态图像、提示文本以及参考图像；所述提示文本用于提示所述参考图像中服装的试穿方式；
    生成模块，被配置为通过预设扩散模型，根据预设噪声图像和所述控制条件生成试穿图像；
    其中，所述试穿图像中的试穿对象呈所述姿态图像对应的姿态，且所述试穿对象按照所述试穿方式穿着所述服装。
  13. 一种电子设备，包括：
    一个或多个处理器；
    存储装置，用于存储一个或多个程序，
    当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11任一项所述的图像生成方法。
  14. 一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11任一项所述的图像生成方法。
PCT/CN2025/072858 2024-03-29 2025-01-16 图像生成方法、装置、电子设备及存储介质 Pending WO2025200729A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410384982.2A CN120726148A (zh) 2024-03-29 2024-03-29 一种图像生成方法、装置、电子设备及存储介质
CN202410384982.2 2024-03-29

Publications (1)

Publication Number Publication Date
WO2025200729A1 true WO2025200729A1 (zh) 2025-10-02

Family

ID=97165852

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/072858 Pending WO2025200729A1 (zh) 2024-03-29 2025-01-16 图像生成方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN120726148A (zh)
WO (1) WO2025200729A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121033352B (zh) * 2025-10-29 2026-03-06 深圳市东信时代信息技术有限公司 基于多模态协同的服装试穿方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080163344A1 (en) * 2006-12-29 2008-07-03 Cheng-Hsien Yang Terminal try-on simulation system and operating and applying method thereof
JP2010070889A (ja) * 2008-09-22 2010-04-02 Seiren Co Ltd 仮想試着装置
US20210334887A1 (en) * 2020-04-24 2021-10-28 Grace Tang System and Method for Continuous Virtual Fitting Using Virtual Fitting Catalogs
CN113822175A (zh) * 2021-09-03 2021-12-21 西安工程大学 一种基于关键点聚类驱动匹配的虚拟试衣图像生成方法
CN117011420A (zh) * 2023-07-26 2023-11-07 浙江大学 一种基于隐扩散模型的虚拟试穿方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080163344A1 (en) * 2006-12-29 2008-07-03 Cheng-Hsien Yang Terminal try-on simulation system and operating and applying method thereof
JP2010070889A (ja) * 2008-09-22 2010-04-02 Seiren Co Ltd 仮想試着装置
US20210334887A1 (en) * 2020-04-24 2021-10-28 Grace Tang System and Method for Continuous Virtual Fitting Using Virtual Fitting Catalogs
CN113822175A (zh) * 2021-09-03 2021-12-21 西安工程大学 一种基于关键点聚类驱动匹配的虚拟试衣图像生成方法
CN117011420A (zh) * 2023-07-26 2023-11-07 浙江大学 一种基于隐扩散模型的虚拟试穿方法

Also Published As

Publication number Publication date
CN120726148A (zh) 2025-09-30

Similar Documents

Publication Publication Date Title
US11935167B2 (en) Method and apparatus for virtual fitting
WO2022083383A1 (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN110827378A (zh) 虚拟形象的生成方法、装置、终端及存储介质
JP2023547917A (ja) 画像分割方法、装置、機器および記憶媒体
US20250022201A1 (en) Special effect video generation method and apparatus, device, and storage medium
CN111274945B (zh) 一种行人属性的识别方法、装置、电子设备和存储介质
US12347071B2 (en) Virtual clothing changing method and apparatus, and device and medium
WO2023051244A1 (zh) 图像生成方法、装置、设备及存储介质
CN110210501B (zh) 虚拟对象生成方法、电子设备及计算机可读存储介质
WO2024240222A1 (zh) 图像风格化处理方法、装置、设备、存储介质和程序产品
WO2022188708A1 (zh) 基于增强现实的试鞋方法、装置和电子设备
WO2025200729A1 (zh) 图像生成方法、装置、电子设备及存储介质
WO2025044753A1 (zh) 内容展示方法、装置、设备、计算机可读存储介质及产品
WO2026066123A1 (zh) 多媒体内容的生成方法、电子设备、存储介质和产品
WO2025201470A1 (zh) 模型训练数据生成
WO2024131594A1 (zh) 虚拟换装方法、装置、电子设备及存储介质
WO2025113388A1 (zh) 一种三维数据的生成方法、装置、电子设备及存储介质
WO2025167333A1 (zh) 一种图像生成方法、装置、设备、介质、产品
CN120107556A (zh) 一种目标检测方法、装置、终端设备及存储介质
WO2025045144A1 (zh) 图像检测方法、装置、电子设备和存储介质
WO2022083213A1 (zh) 图像生成方法、装置、设备和计算机可读介质
WO2025021169A1 (zh) 图像处理方法、设备、存储介质及程序产品
WO2024255306A1 (zh) 图像重建方法、装置、设备及存储介质
CN116343350A (zh) 一种活体检测方法、装置、存储介质及电子设备
WO2022161116A1 (zh) 物品展示方法和装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25775650

Country of ref document: EP

Kind code of ref document: A1