【技术实现步骤摘要】
图像生成模型训练方法和装置、图像生成方法和装置
本申请涉及计算机
,具体涉及图像处理、增强现实、深度学习
,尤其涉及一种图像生成模型训练方法和装置、图像生成方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。
技术介绍
基于传统的生成式对抗网络实现的图像转换、翻译算法网络一般都是一个编码器和解码器结构,网络把解码器部分生成的图片直接送入判别网络进行判别,生成的图片效果不是太好,经常会出现生成的图片不完整,局部往往出现较多的瑕疵现象,而且生成图片清晰度也不太高,细节的纹理也不甚清晰。特别是对一些背景复杂和一些不太常见的人脸输入,生成的图片效果往往很差,甚至完全转换失败。
技术实现思路
提供了一种图像生成模型训练方法和装置、图像生成方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。根据第一方面,提供了一种图像生成模型训练方法,上述方法包括:获取预置的样本集,其中,样本集至少包括一个样本,样本包括第一域图像和第二域图像;获取预先建立的生成式对抗网络,其中,生成式对抗网络的生成网络包括生成模块和网络模块,网络模块用于提升生成模块输出的图像的精细度;执行以下训练步骤:从样本集中选取样本;将该样本的第一域图像输入生成模块,得到生成模块输出的伪图像以及网络模块输出的参考图像;将该样本的第二域图像、伪图像以及参考图像一起输入生成式对抗网络的判别网络;响应于确定生成式对抗网络满足训练完成条件,则将生成式对抗网络作为图像生成模型。根据第二方面,提供了一种图像生成模型训练装 ...
【技术保护点】
1.一种图像生成模型训练方法,所述方法包括:/n获取预置的样本集,其中,所述样本集至少包括一个样本,样本包括第一域图像和第二域图像;/n获取预先建立的生成式对抗网络,其中,所述生成式对抗网络的生成网络包括生成模块和网络模块,所述网络模块用于提升所述生成模块输出的图像的精细度;/n执行以下训练步骤:从所述样本集中选取样本;将该样本的第一域图像输入所述生成模块,得到所述生成模块输出的伪图像以及所述网络模块输出的参考图像;将该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络;响应于确定所述生成式对抗网络满足训练完成条件,则将所述生成式对抗网络作为图像生成模型。/n
【技术特征摘要】
1.一种图像生成模型训练方法,所述方法包括:
获取预置的样本集,其中,所述样本集至少包括一个样本,样本包括第一域图像和第二域图像;
获取预先建立的生成式对抗网络,其中,所述生成式对抗网络的生成网络包括生成模块和网络模块,所述网络模块用于提升所述生成模块输出的图像的精细度;
执行以下训练步骤:从所述样本集中选取样本;将该样本的第一域图像输入所述生成模块,得到所述生成模块输出的伪图像以及所述网络模块输出的参考图像;将该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络;响应于确定所述生成式对抗网络满足训练完成条件,则将所述生成式对抗网络作为图像生成模型。
2.根据权利要求1所述的方法,所述方法还包括:
提取所述生成模块的中间层特征,并将提取的中间层特征输入所述网络模块,以使所述网络模块输出新的参考图像;
采用新的参考图像替换所述参考图像。
3.根据权利要求1所述的方法,其中,所述网络模块包括多个级联连接的卷积模块,每个卷积模块包括依次连接的设定个卷积层。
4.根据权利要求3所述的方法,所述将所述参考图像输入所述生成式对抗网络的判别网络包括:
将每个卷积模块输出的图像输入所述生成式对抗网络的判别网络,以使所述判别网络对各个卷积模块输出的图像进行分类。
5.根据权利要求1-4之一所述的方法,其中,所述训练完成条件包括以下至少一项:
训练迭代次数达到预定迭代阈值,所述判别网络的判别准确率在预定范围内,该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络之后,计算的损失值小于预定损失值阈值。
6.一种图像生成方法,所述方法包括:
获取待处理图像;
将所述待处理图像输入采用如权利要求1-5中任一项所述的方法生成的图像生成模型中,输出生成后的图像。
7.一种图像生成模型训练装置,所述装置包括:
样本获取单元,被配置成获取预置的样本集,其中,所述样本集至少包括一个样本,样本包括第一域图像和第二域图像;
网络获取单元,被配置成获取预先建立的生成式对抗网络,其中,所述生成式对抗网络的生成网络包括生成模块和网络模块,所述网络模块用于提升所述生成模块输出的图像的精细度;
选取单元,被配置成从所述样本集中选取样本;
...
【专利技术属性】
技术研发人员:杨少雄,
申请(专利权)人:北京百度网讯科技有限公司,
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。