图像生成模型的训练方法、生成方法、装置及设备制造方法及图纸

本申请实施例提供了一种图像生成模型的训练方法、生成方法、装置及设备，涉及机器学习和图像处理技术领域。所述方法包括：训练得到第一变换模型，第一变换模型用于基于第一噪声样本生成第一训练图像，第一训练图像为第一类风格的图像；基于第一变换模型，训练得到重构模型；训练得到第二变换模型，第二变换模型用于基于第二噪声样本生成第二训练图像，第二训练图像为第二类风格的图像；将第一变换模型与第二变换模型进行嫁接，生成嫁接后的变换模型；基于重构模型和嫁接后的变换模型，生成图像生成模型，图像生成模型用于将第一类风格的待变换图像，变换为第二类风格的目标图像。采用本申请实施例提供的技术方案，能够降低模型训练的时间成本。

【技术实现步骤摘要】
图像生成模型的训练方法、生成方法、装置及设备
本申请实施例涉及机器学习和图像处理
，特别涉及一种图像生成模型的训练方法、生成方法、装置及设备。
技术介绍
目前，机器学习技术越来越广泛地应用于图像处理
，例如，基于机器学习技术变换图像的风格。在相关技术中，先采集大量的训练样本对，每一训练样本对包括真实人脸图像与对应的人脸漫画图像；再采用大量的训练样本对，直接对学习模型进行大量的迭代训练，训练完成的学习模型即为图像生成模型。在上述相关技术中，通过图像生成模型生成的人脸漫画图像，既要保持人脸特征，又要具有较为强烈的漫画风格，因而需要采用大量的训练样本进行大量的迭代训练，模型训练的时间成本较高。
技术实现思路
本申请实施例提供了一种图像生成模型的训练方法、生成方法、装置及设备，能够降低模型训练的时间成本。所述技术方案如下：根据本申请实施例的一个方面，提供了一种图像生成模型的训练方法，所述方法包括：训练得到第一变换模型，所述第一变换模型用于基于第一噪声样本生成第一训练图像，所述第一训练图像为本文档来自技高网...

【技术保护点】
1.一种图像生成模型的训练方法，其特征在于，所述方法包括：/n训练得到第一变换模型，所述第一变换模型用于基于第一噪声样本生成第一训练图像，所述第一训练图像为第一类风格的图像；/n基于所述第一变换模型，训练得到重构模型，所述重构模型用于将原始图像样本映射为所述原始图像样本对应的隐变量；/n训练得到第二变换模型，所述第二变换模型用于基于第二噪声样本生成第二训练图像，所述第二训练图像为第二类风格的图像；/n将所述第一变换模型与所述第二变换模型进行嫁接，生成嫁接后的变换模型；/n基于所述重构模型和所述嫁接后的变换模型，生成图像生成模型，所述图像生成模型用于将所述第一类风格的待变换图像，变换为所述第二类...

【技术特征摘要】
1.一种图像生成模型的训练方法，其特征在于，所述方法包括：
训练得到第一变换模型，所述第一变换模型用于基于第一噪声样本生成第一训练图像，所述第一训练图像为第一类风格的图像；
基于所述第一变换模型，训练得到重构模型，所述重构模型用于将原始图像样本映射为所述原始图像样本对应的隐变量；
训练得到第二变换模型，所述第二变换模型用于基于第二噪声样本生成第二训练图像，所述第二训练图像为第二类风格的图像；
将所述第一变换模型与所述第二变换模型进行嫁接，生成嫁接后的变换模型；
基于所述重构模型和所述嫁接后的变换模型，生成图像生成模型，所述图像生成模型用于将所述第一类风格的待变换图像，变换为所述第二类风格的目标图像。


2.根据权利要求1所述的方法，其特征在于，所述第一变换模型包括第一映射网络和第一合成网络；
所述训练得到第一变换模型，包括：
获取第一训练样本集，所述第一训练样本集包括多个第一噪声样本；
将所述多个第一噪声样本分别输入所述第一映射网络，得到所述多个第一噪声样本分别对应的隐变量；
将所述多个第一噪声样本分别对应的隐变量分别输入所述第一合成网络，得到所述多个第一噪声样本分别对应的第一训练图像；
基于所述多个第一噪声样本分别对应的第一训练图像，调整所述第一变换模型的权重参数。


3.根据权利要求2所述的方法，其特征在于，所述第一变换模型包括第一判别网络；
所述基于所述多个第一噪声样本分别对应的第一训练图像，调整所述第一变换模型的权重参数，包括：
将所述多个第一噪声样本分别对应的第一训练图像分别输入所述第一判别网络，得到所述多个第一噪声样本分别对应的第一判别损失；
基于所述多个第一噪声样本分别对应的第一判别损失，调整所述第一变换模型的权重参数。


4.根据权利要求1所述的方法，其特征在于，所述基于所述第一变换模型，训练得到重构模型，包括：
获取第二训练样本集，所述第二训练样本集包括多个原始图像样本；
将所述多个原始图像样本分别输入所述重构模型，生成所述多个原始图像样本分别对应的隐变量；
将所述多个原始图像样本分别对应的隐变量输入所述第一变换模型，生成所述多个原始图像样本分别对应的重构图像，所述多个原始图像样本以及所述多个原始图像样本分别对应的重构图像为所述第一类风格的图像；
基于所述多个原始图像样本，以及所述多个原始图像样本分别对应的重构图像，确定所述多个原始图像样本分别对应的重构模型的损失；
基于所述多个原始图像样本分别对应的重构模型的损失，调整所述重构模型的权重参数。


5.根据权利要求4所述的方法，其特征在于，所述第一变换模型包括第一判别网络；
所述基于所述多个原始图像样本，以及所述多个原始图像样本分别对应的重构图像，确定所述多个原始图像样本分别对应的重构模型的损失，包括：
基于将所述多个原始图像样本分别对应的重构图像，分别输入所述第一判别网络得到的输出结果，确定第一子损失，所述第一子损失用于指示所述重构图像的第一特征性；
基于将所述多个原始图像样本以及所述多个原始图像样本分别对应的重构图像，分别输入感知网络得到的输出结果，确定第二子损失，所述第二子损失用于指示所述原始图像样本与所述原始图像样本对应的重构图像，在目标特征上的第一符合程度；
基于将所述多个原始图像样本以及所述多个原始图像样本分别对应的重构图像，分别输入回归函数得到的输出结果，确定第三子损失，所述第三子损失用于指示所述原始图像样本与所述原始图像样本对应的重构图像，在所述目标特征上的第二符合程度；
基于所述第一子损失、所述第二子损失和所述第三子损失，确定所述重构模型的损失。


6.根据权利要求1至5任一项所述的方法，其特征在于，在训练过程中，所述第二变换模型的...

【专利技术属性】
技术研发人员：李安，李玉乐，项伟，
申请(专利权)人：百果园技术新加坡有限公司，
类型：发明
国别省市：巴西;BR