本公开的实施例公开了用于生成图像的方法和装置。该方法的一具体实施方式包括：获取物品的目标外观属性；将目标外观属性输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，所述特征参数表示用户浏览所述外观图像之后的目标行为执行情况。基于图像生成模型输出的外观图像的特征参数构建图像生成模型的损失函数，使得图像生成模型生成的外观图像的特征参数的数值较大，从而确保生成的图像可以更准确。从而确保生成的图像可以更准确。从而确保生成的图像可以更准确。
【技术实现步骤摘要】
用于生成图像的方法和装置
[0001]本公开的实施例涉及计算机
，具体涉及机器学习领域，尤其涉及一种用于生成图像的方法和装置。
技术介绍
[0002]相关技术中，设计商品外观图像的方式包括如下三种：人工设计、半自动化的商品主图生成系统以及基于人工智能技术的图像生成。其中，人工设计费时费力，而且受到图片设计者的主观因素影响；半自动化的商品主图生成系统生成图片需要上传一张已有的商品的图片，而对于新品来说，往往还没有商品实物，只有商品的属性，并且，这种方法只能随机生成多张图片然后人工挑选，这就受到挑选图片的人的主观因素影响；基于人工智能技术的图像生成可以用来生成满足外观属性(尺寸，颜色等)的商品外观图像，由此生成的商品外观图像仅能体现出商品的外观属性。
技术实现思路
[0003]本公开的实施例提出了用于生成图像的方法和装置。
[0004]第一方面，本公开的实施例提供了一种用于生成图像的方法，该方法包括：获取物品的目标外观属性；将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0005]在一些实施例中，图像生成模型经由如下步骤训练得到：构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像；基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数；基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0006]在一些实施例中，基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数，包括：从第一样本物品的外观图像中提取第一样本外观特征向量；对第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量；将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0007]在一些实施例中，回归预测模型为全连接神经网络模型，且全连接神经网络模型包括残差块。
[0008]在一些实施例中，特征参数预测模型经由如下步骤训练得到：获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数；基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数；基于已标记
样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0009]第二方面，本公开的实施例提供了一种用于生成图像的装置，装置包括：属性获取单元，被配置成获取物品的目标外观属性；图像生成单元，被配置成将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0010]在一些实施例中，该装置还包括图像生成模型训练单元，被配置成经由如下步骤得到图像生成模型：构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像；基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数；基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0011]在一些实施例中，图像生成模型训练单元还包括特征参数预测模块，被配置成：从第一样本物品的外观图像中提取第一样本外观特征向量；对第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量；将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0012]在一些实施例中，回归预测模型为全连接神经网络模型，且全连接神经网络模型包括残差块。
[0013]在一些实施例中，该装置还包括特征参数预测模型训练单元，被配置成：获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数；基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数；基于已标记样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0014]本公开的实施例提供的用于生成图像的方法和装置，基于图像生成模型输出的外观图像的特征参数构建图像生成模型的损失函数，使得图像生成模型生成的外观图像的特征参数的数值较大，从而确保生成的图像可以更准确，更符合物品的属性表达。
附图说明
[0015]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
[0016]图1是本公开的一些实施例可以应用于其中的示例性系统架构图；
[0017]图2是根据本公开的用于生成图像的方法的一个实施例的流程图；
[0018]图3是根据本公开的用于生成图像的方法的一个实施例中训练图像生成模型的流程图；
[0019]图4是根据本公开的用于生成图像的方法的一个实施例中训练特征参数预测模型的流程图；
[0020]图5是根据本公开的用于生成图像的装置的一个实施例的结构示意图；
[0021]图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
[0022]下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0023]需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
[0024]图1示出了可以应用本公开的实施例的用于生成图像的方法或用于生成图像的装置的示例性系统架构100。
[0025]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于生成图像的方法，其中，包括：获取物品的目标外观属性；将所述目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，所述图像生成模型的损失函数基于所述图像生成模型输出的外观图像的特征参数构建，所述特征参数表示用户浏览所述外观图像之后的目标行为执行情况。2.根据权利要求1所述的方法，其中，所述图像生成模型经由如下步骤训练得到：构建初始图像生成模型，并基于所述初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将所述第一样本物品的外观属性作为条件标签，输入所述初始图像生成模型，得到所述第一样本物品的外观图像；基于所述第一样本物品的外观图像和所述第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出所述第一样本物品的外观图像的特征参数；基于所述损失函数，训练所述初始图像生成模型，得到训练后的图像生成模型。3.根据权利要2所述的方法，其中，基于所述第一样本物品的外观图像和所述第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出所述第一样本物品的外观图像的特征参数，包括：从所述第一样本物品的外观图像中提取第一样本外观特征向量；对所述第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于所述第一样本外观特征向量和所述第一样本非外观特征向量，生成第一样本属性特征向量；将所述第一样本属性特征向量输入预先训练的回归预测模型，估计出所述第一样本物品的外观图像的特征参数。4.根据权利要求3所述的方法，其中，所述回归预测模型为全连接神经网络模型，且所述全连接神经网络模型包括残差块。5.根据权利要求2至4之一所述的方法，其中，所述特征参数预测模型经由如下步骤训练得到：获取第二样本物品的外观图像、非外观属性以及所述第二样本物品在预设时间段内的浏览次数和下单次数；基于所述第二样本物品的浏览次数和下单次数，确定所述第二样本物品的样本特征参数；基于已标记样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将所述第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品标记的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。6.一种用于生成图像的装置，其中，包括：属性获取单元，被配置成获取物品的目标外观属性；图像生成单元，被配置成将所述目标外观属性作为条件标签，输入预先训练的图像生
成模型，得到该物品的目标外观图像，其...
【专利技术属性】
技术研发人员：毕文东，易津锋，周伯文，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：
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。