【技术实现步骤摘要】
图像处理模型训练方法、图像生成方法、装置和设备
本公开涉及图像处理
,尤其涉及一种图像处理模型训练方法、图像生成方法、装置和设备。
技术介绍
目前,图像生成技术被广泛的研究,可以作为一种有效的方式合成新图像。其中,操纵图像上对象实例的特定属性,这种方式不仅有利于更可控的图像编辑,而且有利于许多图像理解任务,例如在无人驾驶或者自动驾驶等领域中,针对图像上对象实例的状态估计和识别。操纵图像上对象实例的特定属性,可以视作属性从一个状态到另一个状态的转换,并且把状态看作域/类型,属性操纵可被建模为域/类型转换。现有基于模型训练的属性转换方案中,一方面,由于模型容积和每种属性状态下训练样本数量的限制,例如利用对象实例处于一些特定属性状态下的样本图像进行模型训练等,训练好的模型只能处理对象实例属性的有限数量的离散状态;另一方面,由于模型只能适应对象实例属性的离散状态,导致模型处理过程中不能很好地把对象实例的待调整属性和其他属性信息进行分离,进而不能实现只针对某一特定属性的状态控制与图像生成。
技术实现思路
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种图像处理模型训练方法、图像生成方法、装置和设备。第一方面,本公开实施例提供了一种图像处理模型训练方法,图像处理模型包括生成对抗网络,所述方法包括:确定样本图像上目标对象的第一可调属性特征向量和第一固定属性特征向量;其中,所述第一可调属性特征向量根据所述目标对象的属性调整需求确定;将所述第一可调属性 ...
【技术保护点】
1.一种图像处理模型训练方法,其特征在于,图像处理模型包括生成对抗网络,所述方法包括:/n确定样本图像上目标对象的第一可调属性特征向量和第一固定属性特征向量;其中,所述第一可调属性特征向量根据所述目标对象的属性调整需求确定;/n将所述第一可调属性特征向量和所述第一固定属性特征向量进行向量融合后,输入所述生成对抗网络中的生成器,生成与所述样本图像对应的目标图像;/n确定所述目标图像上目标对象的第二可调属性特征向量和第二固定属性特征向量;/n基于所述第一可调属性特征向量和所述第二可调属性特征向量,确定可调属性差异度;/n基于所述第一固定属性特征向量和所述第二固定属性特征向量,确定固定属性差异度;/n基于所述可调属性差异度和所述固定属性差异度,调整所述图像处理模型的网络参数。/n
【技术特征摘要】
1.一种图像处理模型训练方法,其特征在于,图像处理模型包括生成对抗网络,所述方法包括:
确定样本图像上目标对象的第一可调属性特征向量和第一固定属性特征向量;其中,所述第一可调属性特征向量根据所述目标对象的属性调整需求确定;
将所述第一可调属性特征向量和所述第一固定属性特征向量进行向量融合后,输入所述生成对抗网络中的生成器,生成与所述样本图像对应的目标图像;
确定所述目标图像上目标对象的第二可调属性特征向量和第二固定属性特征向量;
基于所述第一可调属性特征向量和所述第二可调属性特征向量,确定可调属性差异度;
基于所述第一固定属性特征向量和所述第二固定属性特征向量,确定固定属性差异度;
基于所述可调属性差异度和所述固定属性差异度,调整所述图像处理模型的网络参数。
2.根据权利要求1所述的方法,其特征在于,所述图像处理模型还包括胶囊网络;
相应的,所述基于所述第一固定属性特征向量和所述第二固定属性特征向量,确定固定属性差异度,包括:
分别将所述第一固定属性特征向量和所述第二固定属性特征向量输入所述胶囊网络,并根据所述胶囊网络的输出结果确定所述固定属性差异度。
3.根据权利要求1所述的方法,其特征在于,所述图像处理模型还包括多分支估计器,所述多分支估计器包括卷积层以及分别与所述卷积层连接的多个分支胶囊网络;
相应的,所述确定所述目标图像上目标对象的第二可调属性特征向量,包括:
将所述目标图像和与所述目标图像对应的图像标签输入所述多分支估计器,得到所述目标图像上目标对象的多个第二可调属性特征向量;其中,所述图像标签用于标记可调属性;
所述基于所述第一可调属性特征向量和所述第二可调属性特征向量,确定可调属性差异度,包括:
确定所述第一可调属性特征向量和每个第二可调属性特征向量之间的向量差异值;
基于多个所述向量差异值确定所述可调属性差异度。
4.根据权利要求1所述的方法,其特征在于,所述图像处理模型还包括编码器和解码器;
相应的,所述确定样本图像上目标对象的第一可调属性特征向量和第一固定属性特征向量,包括:
将所述样本图像输入所述编码器,得到所述目标对象的第一固定属性特征向量;
将根据所述目标对象的属性调整需求预先确定的模长值输入所述解码器,得到所述目标对象的第一可调属性特征向量;
所述确定所述目标图像上目标对象的第二固定属性特征向量,包括:
将所述目标图像输入所述编码器,得到所述目标对象的第二固定属性特征向量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一可调属性特征向量和所述第二可调属性特征向量,确定可调属性差异度,包括:
确定所述第二可调属性特征向量的模长值,并确定所述模长值与所述第一可调属性特征向量对应的模长值之间的差值,将所述差值作为所述可调属性差异度;其中,所述第一可调属性特征向量对应的模长值根据所述目标对象的属性调整需求预先确定;
所述基于所述第一固定属性特征向量和所述第二固定属性特征向量,确定固定属性差异度,包括:
分别确定所述第一固定属性特征向量和所述第二固定属性特征向量的模长值,并将两个模长值之间差值作为所述固定属性差异度。
6.根据权利要求1所述的方法,其特征在于,还包括:
获取所述样本图像上目标对象的初始可调属性特征向量;
将所述初始可调属性特征向量和所述第二固定属性特征向量进行向量融合后,输入所述生成对抗网络中的生成器,生成与所述目标图像对应的验证图像;
确定所述验证图像上目标对象的第三可调属性特征向量;
基于所述初始可调属性特征向量和所述第三可调属性特征向量,确定可调属性验证值;
所述基于所述可调属性差异度和所述固定属性差异度,调整所述图像处理模型的网络参数,包括:
基于所述可调属性差异度、所述固定属性差异度和所述可调属性验证值,调整所述图像处理模型的网络参数。
7.根据权利要求6所述的方法,其特征在于,所述图像处理模型还包括解码器;
相应的,所述获取所述样本图...
【专利技术属性】
技术研发人员:郑自强,
申请(专利权)人:驭势科技南京有限公司,
类型:发明
国别省市:江苏;32
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。