基于人工智能的图像风格处理方法、装置及电子设备制造方法及图纸

本申请提供了一种基于人工智能的图像风格处理方法、装置、设备及计算机可读存储介质；方法包括：通过风格生成网络对第一图像样本进行风格变换处理，得到第二图像样本；获取所述第二图像样本图像进行风格分类时对应的风格分类损失函数、以及对所述第二图像样本进行内容分类时对应的内容分类损失函数；根据所述风格分类损失函数和所述内容分类损失函数训练所述风格生成网络；通过训练后的所述风格生成网络对第一图像进行风格变换处理，得到第二图像。通过本申请，能够实现准确图像风格迁移。能够实现准确图像风格迁移。能够实现准确图像风格迁移。

【技术实现步骤摘要】
基于人工智能的图像风格处理方法、装置及电子设备


[0001]本申请涉及人工智能技术，尤其涉及一种基于人工智能的图像风格处理方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。
[0003]随着深度学习的发展，图像识别技术应用到越来越多的领域以及产品中，针对于图像风格变换领域，将对抗生成网络应用于图像风格变换领域时，仅依靠判别网络监督生成网络进行训练所得到的生成网络无法满足具有多样性的图像风格迁移需求，例如，个人用户具有多样性的手写字图像等等，基于判别网络监督生成网络训练得到的生成网络无法按照预期实现图像风格变换。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的图像风格处理方法、装置、电子设备及计算机可读存储介质，能够实现更准确的风格迁移。
[0005]本申请实施例的技术方案是这样实现的：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像风格处理方法，其特征在于，包括：通过风格生成网络对第一图像样本进行风格变换处理，得到第二图像样本；获取对所述第二图像样本进行风格分类时对应的风格分类损失函数、以及对所述第二图像样本进行内容分类时对应的内容分类损失函数；根据所述风格分类损失函数和所述内容分类损失函数训练所述风格生成网络；通过训练后的所述风格生成网络对第一图像进行风格变换处理，得到第二图像。2.根据权利要求1所述的方法，其特征在于，所述通过风格生成网络对第一图像样本进行风格变换处理，得到第二图像样本，包括：通过风格生成网络对第一图像样本进行特征提取处理，得到所述第一图像样本的对象特征；通过所述风格生成网络对所述第一图像样本的对象特征向待模仿风格特征进行风格迁移处理，得到第二图像样本。3.根据权利要求1所述的方法，其特征在于，所述获取所述第二图像样本进行风格分类时对应的风格分类损失函数、以及对所述第二图像样本进行内容分类时对应的内容分类损失函数，包括：通过所述风格分类网络对所述第二图像样本进行风格分类，得到所述第二图像样本的风格分类预测结果，并通过所述风格分类网络对所述第三图像样本进行风格分类，得到第三图像样本的风格分类预测结果；其中，所述第三图像样本是通过图像采集得到的、与所述第一图像样本包括相同字符且具有待模仿风格特征；根据所述第二图像样本的风格分类预测结果与所述第三图像样本的风格分类预测结果之间的误差，构建风格分类损失函数；通过所述内容分类网络对所述第二图像样本进行内容分类，得到所述第二图像样本的内容分类预测结果，并通过所述内容分类网络对所述第三图像样本进行内容分类，得到所述第三图像样本的内容分类预测结果；根据所述第二图像样本的预测内容分类结果与所述第三图像样本的预测内容分类结果之间的误差，构建内容分类损失函数。4.根据权利要求1所述的方法，其特征在于，所述风格生成网络与判别网络组成对抗生成网络；所述根据所述风格分类损失函数和所述内容分类损失函数训练所述风格生成网络，包括：初始化所述风格生成网络的参数和所述判别网络的参数；交替地执行以下训练任务：根据所述风格分类损失函数、所述内容分类损失函数、所述第三图像样本、以及所述第二图像样本，训练所述风格生成网络；根据所述判别网络的第一损失函数、所述第三图像样本、以及所述第二图像样本，训练所述判别网络；其中，所述第三图像样本是通过图像采集得到的、与所述第一图像样本包括相同字符且具有待模仿风格特征；
其中，在训练所述风格生成网络的过程中，保持所述判别网络的参数不变；在训练所述判别网络的过程中，保持所述风格生成网络的参数不变。5.根据权利要求4所述的方法，其特征在于，所述根据所述风格分类损失函数、所述内容分类损失函数、所述第三图像样本、以及所述第二图像样本，训练所述风格生成网络，包括：根据所述第二图像样本与所述第三图像样本之间的误差，构建所述风格生成网络的损失函数；通过所述判别网络对所述第二图像样本进行判别处理，得到所述第二图像样本是否是真实图像的判别结果；根据所述第二图像样本的判别结果与所述第二图像样本的期望判别结果之间的误差，构建所述判别网络的第一损失函数；根据所述风格分类损失函数、所述内容分类损失函数、所述生成网络的损失函数、所述判别网络的损失函数，构建用于更新所述生成网络的参数的新损失函数；根据所述生成网络的新损失函数在所述风格生成网络中进行反向传播，以更新所述风格生成网络的参数。6.根据权利要求4所述的方法，其特征在于，所述根据所述判别网络的第一损失函数、所述第三图像样本、以及所述第二图像样本，训练所述判别网络，包括：通过所述判别网络对所述第二图像样本进行判别处理，得到针对所述第二图像样本的判别结果，并通过所述判别网络对所述第三图像样本进行判别处理，得到所述第三图像样本是否是真实图像的判别结果；根据所述第二图像样本的判别结果与所述第二图像样本的期望判别结果之间的误差，构建所述判别网络的第二损失函数，并根据所述第三图像样本的判别结果与所述第三图像样本的期望判别结果之间的误差，构建所述判别网络的第三损失函数；根据所...

【专利技术属性】
技术研发人员：聂士伟，黄飞，石世昌，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：