一种图像生成方法、装置及设备制造方法及图纸

本发明专利技术公开一种图像生成方法、装置及设备，该方法包括：获取第一图像；根据所述第一图像，通过预先训练的新型生成式对抗网络GAN模型生成第二图像，所述预先训练的新型GAN模型是通过新型代价损失函数控制训练得到的。本发明专利技术在训练新型GAN模型过程中，增加了GAN网络的生成回路，并设计了新型的代价损失函数，该新型GAN模型能够解决生成的图像中存在的背景被修改的问题。利用该新型GAN模型来生成图像，能够增强图像的生成效果，降低了生成图像中存在的前景和背景混杂的现象。

【技术实现步骤摘要】
一种图像生成方法、装置及设备
本专利技术属于图像处理
，具体涉及一种图像生成方法、装置及设备。
技术介绍
GAN(GenerativeAdversarialNetworks,生成式对抗网络)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。目前GAN最常用于图像生成，如超分辨率任务，语义分割等等。在利用GAN生成图像时，将一幅图像输入GAN中，GAN通过框架中的生成器和判别器互相博弈学习输出一幅新的图像。但当前相关技术中利用GAN生成的图像存在前景和背景混杂的现象，生成图像的效果有待改进。
技术实现思路
为解决上述问题，本专利技术提供一种图像生成方法、装置及设备，在训练新型GAN模型过程中，增加了GAN网络的生成回路，并设计了新型的代价损失函数，增强了GAN生成图像的生成效果，降低了生成图像中存在的前景和背景混杂的现象。本专利技术通过以下几个方面来解决以上问题：第一方面，本专利技术实施例提供了一种图像生成方法，所述方法包括：获取第一图像；根据所述第一图像，通过预先训练的生成式对抗网络新型GAN模型生成第二图像，所述预先训练的新型GAN模型是通过新型代价损失函数控制本文档来自技高网...

【技术保护点】
1.一种图像生成方法，其特征在于，所述方法包括：获取第一图像；根据所述第一图像，通过预先训练的新型生成式对抗网络GAN模型生成第二图像，所述预先训练的新型GAN模型是通过新型代价损失函数控制训练得到的。

【技术特征摘要】
1.一种图像生成方法，其特征在于，所述方法包括：获取第一图像；根据所述第一图像，通过预先训练的新型生成式对抗网络GAN模型生成第二图像，所述预先训练的新型GAN模型是通过新型代价损失函数控制训练得到的。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像，通过预先训练的新型GAN模型生成第二图像之前，还包括：获取训练样本集，所述训练样本集包括多组图像对；通过所述训练样本集训练新型GAN模型，所述新型GAN模型包括第一生成器、第二生成器、第一判别器和第二判别器。3.根据权利要求2所述的方法，其特征在于，所述通过所述训练样本集训练新型GAN模型，包括：从所述训练样本集中随机获取一组图像对包括的第一样本图像和第二样本图像；根据所述第一样本图像和所述第二样本图像，训练所述新型GAN模型；计算所述新型GAN模型对应的新型代价损失函数的代价值；根据所述代价值，判断是否终止对所述新型GAN模型的训练。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一样本图像和所述第二样本图像，训练所述新型GAN模型，包括：根据所述第一样本图像，通过所述新型GAN模型包括的第一生成器生成第一生成图像，通过所述新型GAN模型包括的第一判别器判别所述第一生成图像；根据所述第一生成图像，通过所述新型GAN模型包括的第二生成器生成第二生成图像；通过所述新型GAN模型包括的第二判别器判别所述第一样本图像；根据所述第一样本图像，通过所述第二生成器生成第三生成图像；根据所述第二样本图像，通过所述第二生成器生成第四生成图像，通过所述第二判别器判别所述第四生成图像；根据所述第四生成图像，通过所述第一生成器生成第五生成图像；通过所述第一判别器判别所述第二样本图像；根据所述第二样本图像，通过所述第一生成器生成第六生成图像。5.根据权利要求4所述的方法，其特征在于，所述计算所述新型GAN模型对应的新型代价损失函数的代价值，包括：根据所述第一样本图像和所述第三生成图像，计算所述第一样本图像...

【专利技术属性】
技术研发人员：白立飞，张峰，王子玮，张昆，王惠峰，熊荔，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：北京,11