图像生成模型的训练方法、图像生成方法及装置制造方法及图纸

本公开关于图像生成模型的训练方法、图像生成方法及装置，该训练方法包括：获取训练样本图像和目标生成图像；将训练样本图像输入图像生成模型的生成器输出训练结果图像，根据目标生成图像、训练结果图像和损失函数阈值确定辅助损失函数；根据图像生成模型的优化损失函数、辅助损失函数和辅助损失函数的权重得到生成器的最终损失函数；根据最终损失函数对生成器进行训练，直至满足收敛条件。本公开选择最小化绝对误差损失函数或最小化平方误差损失函数作为辅助损失函数，既可以实现像素值差别较小的像素点的梯度得到稳定保证，又可以实现像素值差别较大的像素点具有更大的梯度，提升图像生成模型的图像处理效果。

【技术实现步骤摘要】
图像生成模型的训练方法、图像生成方法及装置
本公开涉及图像处理
，尤其涉及一种图像生成模型的训练方法、图像生成方法及装置。
技术介绍
生成对抗网络(GenerativeAdversarialNetworks，GAN)是一种基于模型对抗的生成技术，通过生成器与辨别器在训练过程中的博弈来对目标分布进行拟合。GAN在各种产品中有着广泛的应用，在图像风格转换等领域有着重要作用。GAN被用来通过不同的卷积结构来生成真实自然的高质量图像。为了使GAN生成的图像更清晰真实，目前已经提出了大量的基于损失函数的改进方案。在常用的一种基于配对数据的图像风格转换方案中，需要通过损失函数反向传播的方式对生成器进行更新，使得生成器可以高效学习数据分布之间的转换，以便完成高质量的图像风格转换。相关技术中，基于配对数据的图像风格转换方案中仅使用一种损失函数更新生成器，常用的损失函数通常为L1损失函数(最小化绝对误差)或者L2损失函数(最小化平均误差)。如果使用L1损失函数更新生成器，那么生成器生成的图像会存在一些较为明显的锯齿状，在边缘部位清晰本文档来自技高网...

【技术保护点】
1.一种图像生成模型的训练方法，其特征在于，包括：/n获取训练样本图像和与所述训练样本图像对应的目标生成图像；/n将所述训练样本图像输入图像生成模型的生成器，输出训练结果图像，所述训练结果图像与所述目标生成图像均为基于所述训练样本图像生成的图像内容相同、图像风格不同的图像；/n根据所述目标生成图像中各像素点的像素值与所述训练结果图像中相对应的各像素点的像素值，以及预设的损失函数阈值，确定所述训练样本图像中各像素点相对应的预设的辅助损失函数，所述辅助损失函数表示最小化绝对误差损失函数或最小化平方误差损失函数；/n根据所述图像生成模型的优化损失函数、所述辅助损失函数和所述辅助损失函数的权重得到所述...

【技术特征摘要】
1.一种图像生成模型的训练方法，其特征在于，包括：
获取训练样本图像和与所述训练样本图像对应的目标生成图像；
将所述训练样本图像输入图像生成模型的生成器，输出训练结果图像，所述训练结果图像与所述目标生成图像均为基于所述训练样本图像生成的图像内容相同、图像风格不同的图像；
根据所述目标生成图像中各像素点的像素值与所述训练结果图像中相对应的各像素点的像素值，以及预设的损失函数阈值，确定所述训练样本图像中各像素点相对应的预设的辅助损失函数，所述辅助损失函数表示最小化绝对误差损失函数或最小化平方误差损失函数；
根据所述图像生成模型的优化损失函数、所述辅助损失函数和所述辅助损失函数的权重得到所述生成器的最终损失函数；
根据所述最终损失函数对所述生成器进行训练，直至将所述训练样本图像输入训练后的生成器，输出新的训练结果图像的各像素点的像素值与所述目标生成图像中相对应的各像素点的像素值满足预设的收敛条件。


2.根据权利要求1所述的方法，其特征在于，所述根据所述目标生成图像中各像素点的像素值与所述训练结果图像中相对应的各像素点的像素值，以及预设的损失函数阈值，确定所述训练样本图像中各像素点相对应的预设的辅助损失函数的步骤，包括：
按照预设的第一转换函数将所述目标生成图像中各像素点的像素值转换为第一转换结果，并按照预设的第二转换函数将所述训练结果图像中各像素点的像素值转换为第二转换结果；
将所述目标生成图像中各像素点的所述第一转换结果与所述训练结果图像中相对应的各像素点的所述第三转换结果之间的差值，与所述损失函数阈值进行比较得到比较结果；
根据所述比较结果确定所述训练样本图像中各像素点相对应的所述辅助损失函数；
其中，所述第一转换函数表示Y1＝(Y/255.0–0.5)/0.5，所述Y1表示所述目标生成图像中各像素点的所述第一转换结果，所述Y表示所述目标生成图像中各像素点的像素值，所述Y≥0，且所述Y≤255；所述第二转换函数表示双曲正切函数。


3.根据权利要求2所述的方法，其特征在于，所述辅助损失函数还表示最小化立方绝对误差损失函数；
所述根据所述比较结果确定所述训练样本图像中各像素点相对应的所述辅助损失函数的步骤，包括：
当所述比较结果表示所述差值小于或等于所述损失函数阈值时，确定所述训练样本图像中与所述比较结果对应的像素点相对应的所述辅助损失函数为所述最小化绝对误差损失函数；
当所述比较结果表示所述差值大于所述损失函数阈值时，确定所述训练样本图像中与所述比较结果对应的像素点相对应的所述辅助损失函数为所述最小化平方误差损失函数或所述最小化立方绝对误差损失函数；
其中，所述最小化绝对误差损失函数表示所述最小化平方误差损失函数表示所述最小化立方绝对误差损失函数表示所述len(delta)表示所述目标生成图像和所述训练结果图像中相对应的像素点的数量，所述i表示所述目标生成图像和所述训练结果图像中相对应的像素点的序号，所述deltai表示所述目标生成图像和所述训练结果图像中相对应的各像素点的所述差值。


4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述图像生成模型的优化损失函数、所述辅助损失函数和所述辅助损失函数的权重得到所述生成器的最终损失函数的步骤，包括：
根据如下公式生成所述最终损失函数：
Loss_G＝L(G,D)+alpha*loss；
其中，所述Loss_G表示所述最终损失函数，所述L(G,D)表示所述优化损失函数，所述alpha表示所述权重，所述alpha大于0，且所述alpha小于或等于1，所述loss表示所述辅助损失函数；
所述所述G表示所述生成器，所述G(x)表示所述训练结果图像中各像素点的像素...

【专利技术属性】
技术研发人员：张知行，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11