图像生成器的处理方法、图像生成方法及装置制造方法及图纸

本申请涉及一种图像生成器的处理方法、图像生成方法及装置，应用于机器学习领域，该图像生成器的处理方法包括：通过图像生成器将原始数据映射为隐编码向量；基于当前的属性编辑参数和隐编码向量获得携带目标属性的目标隐编码向量后，通过图像生成器生成目标图像；基于待训练的图像属性判别器所确定的样本图像与目标图像各自对应的目标属性相关程度，构建目标属性损失；根据目标属性损失更新图像属性判别器的网络参数和属性编辑参数后，返回获取目标属性的样本图像的步骤继续训练，直至训练结束时，根据图像生成器与训练结束时获得的与目标属性对应的属性编辑参数，获得对应目标属性的图像属性转换器。采用本方法能够提高图像属性转换准确性。属性转换准确性。属性转换准确性。

【技术实现步骤摘要】
图像生成器的处理方法、图像生成方法及装置


[0001]本申请涉及计算机
，特别是涉及一种图像生成器的处理方法、图像生成方法及装置。

技术介绍

[0002]随着人工智能的发展，出现了图像属性转换技术，图像属性转换技术可对输入图像的属性进行转换，例如修改输入图像的风格、将输入图像中人物的表情修改为微笑、将输入图像中人物的头发颜色修改为粉色，等等。图像属性转换技术广泛应用于社交、图像编辑等领域，另外也应用于构建图像样本库，等等。
[0003]但是，目前的图像属性转换技术不够成熟，导致转换后的图像属性表现不佳，例如修改输入图像中人物的表情，还会同时将输入图像中人物的面部年龄进行更改，导致图像属性转换不准确。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像属性转换准确性的图像生成器的处理方法、图像生成方法及装置。
[0005]一种图像生成器的处理方法，所述方法包括：
[0006]获取目标属性的样本图像和已训练的图像生成器；
[0007]通过所述图像生成器，将用于生成图像的原始数据映射为隐编码向量；
[0008]基于当前的属性编辑参数将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量后，通过所述图像生成器，生成与所述目标隐编码向量对应的目标图像；
[0009]基于待训练的图像属性判别器所确定的所述样本图像与所述目标图像各自对应的目标属性相关程度，构建目标属性损失；
[0010]根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参数后，返回所述获取目标属性的样本图像的步骤继续训练，直至训练结束时，根据所述图像生成器与训练结束时获得的与目标属性对应的属性编辑参数，获得对应目标属性的图像属性转换器。
[0011]一种图像生成器的处理装置，所述装置包括：
[0012]获取模块，用于获取目标属性的样本图像和已训练的图像生成器；
[0013]特征映射模块，用于通过所述图像生成器，将用于生成图像的原始数据映射为隐编码向量；
[0014]属性转换模块，用于基于当前的属性编辑参数将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量后，通过所述图像生成器，生成与所述目标隐编码向量对应的目标图像；
[0015]损失构建模块，用于基于待训练的图像属性判别器所确定的所述样本图像与所述
目标图像各自对应的目标属性相关程度，构建目标属性损失；
[0016]训练模块，用于根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参数后，返回所述获取目标属性的样本图像的步骤继续训练，直至训练结束时，根据所述图像生成器与训练结束时获得的与目标属性对应的属性编辑参数，获得对应目标属性的图像属性转换器。
[0017]在一个实施例中，所述特征映射模块还用于：初始化隐向量空间；从所述隐向量空间中的隐向量随机采样，获得用于生成图像的原始隐向量；将所述原始隐向量输入所述图像生成器中的特征映射网络；通过所述特征映射网络将所述原始隐向量映射为所述隐编码向量。
[0018]在一个实施例中，所述属性转换模块还用于：读取当前的属性编辑参数；从属性转换幅度集合中的属性转换幅度随机采样，获得属性转换幅度；根据所述当前的属性编辑参数和所述属性转换幅度，将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量。
[0019]在一个实施例中，所述属性转换模块还用于：将所述目标隐编码向量输入所述图像生成器中的特征合成网络；通过所述特征合成网络输出与所述目标隐编码向量对应的目标图像。
[0020]在一个实施例中，所述损失构建模块还用于：通过所述图像属性判别器，确定所述样本图像的目标属性相关程度相对于所述目标图像的目标属性相关程度的第一偏移程度，以及所述目标图像的目标属性相关程度相对于所述样本图像的目标属性相关程度的第二偏移程度；基于所述第一偏移程度以及所述第二偏移程度，构建所述目标属性损失。
[0021]在一个实施例中，所述训练模块还用于：根据所述目标属性损失更新所述图像属性判别器的网络参数；通过所述图像生成器的图像真伪判别器，确定所述样本图像与所述目标图像各自对应的图像真伪程度，基于所述样本图像与所述目标图像各自对应的图像真伪程度，构建图像真伪损失；根据所述图像真伪损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。
[0022]在一个实施例中，所述训练模块还用于：根据所述目标属性损失更新所述图像属性判别器的网络参数；通过待训练的图像身份判别器，确定所述目标图像与所述原始数据对应的原始图像各自对应的身份类别，基于所述目标图像与所述原始图像各自对应的身份类别，构建身份分类损失；根据所述身份分类损失更新所述图像身份判别器的网络参数；根据所述身份分类损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。
[0023]在一个实施例中，所述身份分类损失包括第一身份分类损失和第二身份分类损失；所述训练模块还用于：根据所述第一身份分类损失更新所述图像身份判别器的网络参数；根据所述第二身份分类损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。
[0024]在一个实施例中，所述损失构建模块还用于：通过所述图像生成器的图像真伪判别器，确定所述样本图像与所述目标图像各自对应的图像真伪程度，基于所述样本图像与所述目标图像各自对应的图像真伪程度，构建图像真伪损失；所述训练模块还用于：根据所述身份分类损失、所述图像真伪损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。
[0025]在一个实施例中，所述损失构建模块还用于：通过所述图像真伪判别器，确定所述样本图像的图像真伪程度相对于所述目标图像的图像真伪程度的第三偏移程度，以及所述目标图像的图像真伪程度相对于所述样本图像的图像真伪程度的第四偏移程度；基于所述第三偏移程度以及所述第四偏移程度，构建所述图像真伪损失。
[0026]在一个实施例中，所述特征映射模块还用于：将所述原始数据输入所述图像生成器中的特征映射网络；通过所述特征映射网络，将所述原始数据映射成隐编码向量；所述图像生成器的处理装置还包括特征合成模块，所述特征合成模块用于：通过所述图像生成器中的特征合成网络，根据所述隐编码向量输出与所述原始数据对应的原始图像。
[0027]在一个实施例中，所述目标属性为第一目标属性，所述样本图像为第一目标属性的第一样本图像，所述属性编辑参数为使用所述第一样本图像对所述图像生成器进行模型训练获得的第一属性编辑参数；所述获取模块还用于：获取第二目标属性的第二样本图像，所述第二目标属性与所述第一目标属性是非二元属性；所述训练模块还用于：通过所述第二目标属性的第二样本图像与所述图像生成器，对属性编辑参数进行模型训练，确定与所述第二目标属性对应的第二属性编辑参数；根据所述图像生成器与所述第一属性编辑参数、所述第二属性编辑参数，获得对应所述第一目标属性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像生成器的处理方法，其特征在于，所述方法包括：获取目标属性的样本图像和已训练的图像生成器；通过所述图像生成器，将用于生成图像的原始数据映射为隐编码向量；基于当前的属性编辑参数将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量后，通过所述图像生成器，生成与所述目标隐编码向量对应的目标图像；基于待训练的图像属性判别器所确定的所述样本图像与所述目标图像各自对应的目标属性相关程度，构建目标属性损失；根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参数后，返回所述获取目标属性的样本图像的步骤继续训练，直至训练结束时，根据所述图像生成器与训练结束时获得的与目标属性对应的属性编辑参数，获得对应目标属性的图像属性转换器。2.根据权利要求1所述的方法，其特征在于，所述通过所述图像生成器，将用于生成图像的原始数据映射为隐编码向量，包括：初始化隐向量空间；从所述隐向量空间中的隐向量随机采样，获得用于生成图像的原始隐向量；将所述原始隐向量输入所述图像生成器中的特征映射网络；通过所述特征映射网络将所述原始隐向量映射为所述隐编码向量。3.根据权利要求1所述的方法，其特征在于，所述基于当前的属性编辑参数将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量，包括：读取当前的属性编辑参数；从属性转换幅度集合中的属性转换幅度随机采样，获得属性转换幅度；根据所述当前的属性编辑参数和所述属性转换幅度，将所述隐编码向量朝目标属性的方向进行转换，获得携带目标属性的目标隐编码向量。4.根据权利要求1所述的方法，其特征在于，所述通过所述图像生成器，生成与所述目标隐编码向量对应的目标图像，包括：将所述目标隐编码向量输入所述图像生成器中的特征合成网络；通过所述特征合成网络输出与所述目标隐编码向量对应的目标图像。5.根据权利要求1所述的方法，其特征在于，所述基于待训练的图像属性判别器所确定的所述样本图像与所述目标图像各自对应的目标属性相关程度，构建目标属性损失，包括：通过所述图像属性判别器，确定所述样本图像的目标属性相关程度相对于所述目标图像的目标属性相关程度的第一偏移程度，以及所述目标图像的目标属性相关程度相对于所述样本图像的目标属性相关程度的第二偏移程度；基于所述第一偏移程度以及所述第二偏移程度，构建所述目标属性损失。6.根据权利要求1所述的方法，其特征在于，所述根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参数，包括：根据所述目标属性损失更新所述图像属性判别器的网络参数；通过所述图像生成器的图像真伪判别器，确定所述样本图像与所述目标图像各自对应的图像真伪程度，基于所述样本图像与所述目标图像各自对应的图像真伪程度，构建图像
真伪损失；根据所述图像真伪损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。7.根据权利要求1所述的方法，其特征在于，所述根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参数，包括：根据所述目标属性损失更新所述图像属性判别器的网络参数；通过待训练的图像身份判别器，确定所述目标图像与所述原始数据对应的原始图像各自对应的身份类别，基于所述目标图像与所述原始图像各自对应的身份类别，构建身份分类损失；根据所述身份分类损失更新所述图像身份判别器的网络参数；根据所述身份分类损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。8.根据权利要求7所述的方法，其特征在于，所述身份分类损失包括第一身份分类损失和第二身份分类损失；所述根据所述身份分类损失更新所述图像身份判别器的网络参数，包括：根据所述第一身份分类损失更新所述图像身份判别器的网络参数；所述根据所述身份分类损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数，包括：根据所述第二身份分类损失与所述目标属性损失所确定的目标损失，更新所述属性编辑参数。9.根据权利要求7所述的方法，其特征在于，所述方法还包括：通过所述图像生成器的图像真伪判别器，确定所述样本图像与所述目标图像各自对应的图像真伪程度，基于所述样本图像与所述目标图像各自对应的图像真伪程度，构建图像真伪损失；所述根据所述身份分类损失与所述目标属性损失所确定的...

【专利技术属性】
技术研发人员：何盛烽，杨慧婷，孙子荀，邓大付，王巨宏，
申请(专利权)人：深圳市腾讯计算机系统有限公司，
类型：发明
国别省市：