【技术实现步骤摘要】
图像生成方法及装置
本申请涉及图像处理
，具体涉及图像生成方法、装置、计算机设备及可读存储介质。
技术介绍
在网站、网页设计领域，对图像素材的需求是非常大的，若针对每张图像素材去单独设计和构建，将会产生非常大的工作量，且效率极慢，因此目前常常采用人工智能技术来自动生成图像素材。现有的自动生成图像素材的方法，基本都是将随机正态分布的高斯噪声输入生成式对抗网络(GAN，GenerativeAdversarialNetworks)模型，并由生成式对抗网络模型直接输出完整的图像素材。但是，在实际应用场景下，在要求图像素材的图像细节较多的情况下，通过生成式对抗网络模型直接将高斯噪声生成为完整的图像素材，而由于完整的图像细节较多，由噪声直接生成完整图像的难度较大导致生成的图像素材不稳定，图像素材出现颜色扭曲的几率较大。申请内容鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的图像生成方法、装置、计算机设备及可读存储介质。依据本申请的一个方面，提供了一种图像生成方法...
【技术保护点】
1.一种图像生成方法，其特征在于，包括：/n获取噪声数据；/n根据所述噪声数据和第一数据集合，获得特征图像；其中，所述第一数据集合用于根据所述噪声数据生成所述特征图像；/n根据所述特征图像和第二数据集合，获得目标图像；其中，所述第二数据集合用于根据所述特征图像生成所述目标图像。/n
【技术特征摘要】
1.一种图像生成方法，其特征在于，包括：
获取噪声数据；
根据所述噪声数据和第一数据集合，获得特征图像；其中，所述第一数据集合用于根据所述噪声数据生成所述特征图像；
根据所述特征图像和第二数据集合，获得目标图像；其中，所述第二数据集合用于根据所述特征图像生成所述目标图像。
2.根据权利要求1所述的方法，其特征在于，所述第一数据集合包括：第一子数据集合和第二子数据集合，其中，所述第一子数据集合用于根据所述噪声数据生成候选图像，所述第二子数据集合用于从所述候选图像中识别得到所述特征图像；
所述根据所述噪声数据和第一数据集合，获得特征图像，包括：
根据所述噪声数据和所述第一子数据集合，生成所述候选图像；
通过所述第二子数据集合确定所述候选图像中的所述特征图像。
3.根据权利要求2所述的方法，其特征在于，所述第二子数据集合包括：第一样本特征图像；
所述通过所述第二子数据集合确定所述候选图像中的所述特征图像，包括：
根据第二子数据集合，将与所述第一样本特征图像之间的相似度大于或等于预设相似度阈值的候选图像，确定为所述特征图像。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取第二样本特征图像；
根据所述第二样本特征图像，训练所述第一数据集合。
5.根据权利要求4所述的方法，其特征在于，还包括：
获取与所述第二样本特征图像对应的样本目标图像；
根据所述第二样本特征图像以及所述样本目标图像，训练所述第二数据集合。
6.根据权利要求1所述的方法，其特征在于，所述根据所述噪声数据和第一数据集合，获得特征图像，包括：
根据所述噪声数据和所述第一数据集合，获得与目标类别对应的特征图像；
所述根据所述特征图像和第二数据集合，获得目标图像，包括：
根据所述特征图像和所述第二数据集合，获得与所述目标类别对应的目标图像。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述特征图像包括：纹理特征图像、边缘特征图像中至少一种。
8.一种图像生成方法，其特征在于，包括：
获取噪声数据；
根据所述噪声数据，基于第一神经网络，生成特征图像，其中，所述特征图像包括纹理特征图像或边缘特征图像；
根据所述特征图像，基于第二神经网络，生成目标图像。
9.根据权利要求8所述的方法，其特征在于，所述第一神经网络包括：第一子神经网络和第二子神经网络；
所述根据所述噪声数据，基于第一神经网络，生成特征图像，包括：
根据所述噪声数据和所述第一子神经网络，生成所述候选图像；
根据所述第二子神经网络确定所述候选图像中的所述特征图像。
10.根据权利要求9所述的方法，其特征在于，所述根据所述噪声数据和所述第一子神经网络，生成所述候选图像，包括：
基于所述第一子神经网络的全连接层，将所述噪声数据转化为第一特征图；
基于所述第一子神经网络的卷积层，对所述第一特征图进行第一卷积处理，获得所述候选图像。
11.根据权利要求9所述的方法，其特征在于，所述第二子神经网络包括：样本特征图像；
所述根据所述第二子神经网络确定所述候选图像中的所述特征图像，包括：
基于所述第二子神经网络的全连接层，将所述候选图像转...
【专利技术属性】
技术研发人员：刘金林，任健强，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY
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。