【技术实现步骤摘要】
人物图像的生成方法及装置
本申请涉及计算机
，特别涉及一种人物图像的生成方法及装置。
技术介绍
目前，在一些特定场景下，需要根据给定的部分信息快速获取人物的面部画像，其中就包括基于自然语言的描述性文本生成面部图像的任务。通常这一任务由于描述的内容、信息较为模糊，常常由人力手工完成并加以核对。随着机器学习方法的发展，向计算机输入人物特征从而生成图像成为可能。但是，由于现有技术中语义和图像的一致性无法保证，从而导致最终生成的图像质量不高。因此，亟需一种可以快速生成人物图像，并提高生成的人物图像的质量的方法。
技术实现思路
基于上述现有技术的不足，本申请提供了一种人物图像的生成方法及装置，以解决由于现有技术中语义和图像的一致性无法保证，从而导致最终生成的图像质量不高的问题。为了实现上述目的，本申请提供了以下技术方案：本申请第一方面提供了一种人物图像的生成方法，包括：获取描述文本；其中，所述描述文本包括目标人物图像的描述信息；生成所述描述文本对应的语义特征向量...
【技术保护点】
1.一种人物图像的生成方法，其特征在于，包括：/n获取描述文本；其中，所述描述文本包括目标人物图像的描述信息；/n生成所述描述文本对应的语义特征向量；/n对所述语义特征向量进行运算，得到标准格式的常数向量；/n将所述标准格式的常数向量输入到生成式对抗网络模型，由所述生成式对抗网络模型进行运算得到并输出所述目标人物图像；其中，所述生成式对抗网络模型预先通过训练集训练得到。/n
【技术特征摘要】
1.一种人物图像的生成方法，其特征在于，包括：
获取描述文本；其中，所述描述文本包括目标人物图像的描述信息；
生成所述描述文本对应的语义特征向量；
对所述语义特征向量进行运算，得到标准格式的常数向量；
将所述标准格式的常数向量输入到生成式对抗网络模型，由所述生成式对抗网络模型进行运算得到并输出所述目标人物图像；其中，所述生成式对抗网络模型预先通过训练集训练得到。
2.根据权利要求1所述的生成方法，其特征在于，所述生成所述描述文本对应的语义特征向量，包括：
构建所述描述文本中的每一个文字对应的向量；
对所述描述文本中的每一个文字对应的向量进行求均值计算，得到计算结果；其中，所述计算结果为所述描述文本对应的语义特征向量。
3.根据权利要求1所述的生成方法，其特征在于，所述对所述语义特征向量进行运算，得到标准格式的常数向量，包括：
将所述语义特征向量输入到全连接层，由所述全连接层运算得到所述标准格式的常数向量。
4.根据权利要求3所述的生成方法，其特征在于，所述全连接层的训练方法，包括：
获取第一训练集；其中，所述第一训练集包括：多个训练文本对应的语义特征向量、以及每一个所述训练文本对应的图像的常数向量；
选择所述第一训练集中的每一个所述训练文本对应的语义特征向量输入到原始全连接层，由所述原始全连接层处理所述训练文本对应的语义特征向量，得到所述训练文本对应的语义特征向量的常数向量；
利用所述训练文本对应的语义特征向量的常数向量、与所述训练文本对应的图像的常数向量的均方值，计算得到均方值损失函数；
利用迭代训练所述原始全连接层的参数的方式，求解得到所述均方值损失函数的最优值，其中，所述均方值损失函数的最优值对应的所述原始全连接层，作为训练后的全连接层。
5.根据权利要求1至4中任意一项所述的生成方法，其特征在于，所述生成式对抗网络模型的训练方法，包括：
获取第二训练集；其中，所述第二训练集包括：多个常数向量、以及每一个所述常数向量对应的标准人物图像；每一个所述常数向量用于描述对应的标准人物图像；
选择所述第二训练集中的每一个常数向量输入到原始生成式对抗网络模型中的生成模型部分，由所述原始生成式对抗网络模型中的生成模型部分处理每一个所述常数向量得到对应的人物图像；
将所述第二训练集中的每一个所述常数向量对应的标准人物图像，与所述原始生成式对抗网络模型中的生成模型部分处理所述常数向量得到的人物图像，分别输入原始生成式对抗网络模型中的判别模型部分，由所述原始生成式对抗网络模型中的判别模型部分分别提取得到所述标准人物图像的图像特征，和所述人物图像的图像特征；
利用所述标准人物图像的图像特征和所述人物图像的图像特征的均方值，计算得到均方值损失函数；
利用迭代训练所述原始生成式对抗网络模型的参数的方式，求解得到所述均方值损失函数的最优值，其中，所述均方值损失函数的最优值对应的所述原始生成式对抗网络模型，作为训练后的生成式对抗网络模型。
6.一种人物图像的生成装置，其特征在于，包括：
第一获取单元，用于获取描述文本...
【专利技术属性】
技术研发人员：高晨，武卓卓，刘志超，于靓环，
申请(专利权)人：北京搜狐新媒体信息技术有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。