基于小数据生成网络的图像转换方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了基于小数据生成网络的图像转换方法、装置、设备及介质，方法包括：根据大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型，根据大数据图像集训练编码器得到目标编码器并对图像转换模型进行参数配置，扥就小数据卡通图像集对配置后的图像转换模型进行优化训练，得到包含卡通风格的图像转换模型，根据图像转换模型对所输入的待转换图像进行风格转换以得到目标卡通图像。本发明专利技术属于图像风格转换技术领域，对现有生成网络的训练方法的修改，通过小数据卡通图像集对图像转换模型进行优化训练，可实现小训练数据训练生成网络以对图像进行风格转换，解决了无條件生成网络训练过程中无法将编码器应用于小训练数据的问题。应用于小训练数据的问题。应用于小训练数据的问题。

【技术实现步骤摘要】
基于小数据生成网络的图像转换方法、装置、设备及介质


[0001]本专利技术涉及图像风格转换
，尤其涉及一种基于小数据生成网络的图像转换方法、装置、设备及介质。

技术介绍

[0002]聊天软件或交友软件中通常需要使用人像体现用户的个人特征，现有技术方法可基于用户图像智能生成卡通人像以供用户在聊天软件或交友软件中进行使用。然而对生成卡通人像的模型进行训练时，通常难以收集到大量的训练数据，由于卡通人像为模型所需生成输出的目标信息，因此制作或收集的卡通人脸的数据量很少，训练数据较少导致无法对深度学习模型进行有效训练，模型基于输入的真实人脸图像所生成的卡通图像的效果很差。虽然有條件生成网络(conditional GAN)能够解决训练数据较少的问题，但有條件生成网络的生成效果远比无條件生成网络(unconditional GAN)效果差很多，虽然现有的无條件生成网络能让模型从随机变数产生小数据量的图片风格(例如卡通)，生成卡通图像的效果较好，但无條件生成网络无法在小数据样本量下实现图像转换的功能。因此，现有的技术方法存在无法基于小数据样本对生成网络进行训练以实现图像转换的问题。

技术实现思路

[0003]本专利技术实施例提供了一种基于小数据生成网络的图像转换方法、装置、设备及介质，旨在解决现有技术方法中所存在的无法基于小数据样本对生成网络进行训练以实现图像转换的问题。
[0004]第一方面，本专利技术实施例提供了一种基于小数据生成网络的图像转换方法，所述方法包括：
[0005]根据预存的大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型；
[0006]根据所述图像转换模型中的多层分析网络及所述大数据图像集训练预置的编码器，以训练得到对应的目标编码器；
[0007]根据所述目标编码器对所述图像转换模型进行参数配置，得到配置后的所述图像转换模型；
[0008]根据预置的训练规则及预存的小数据卡通图像集对配置后的所述图像转换模型进行优化训练，得到包含卡通风格的图像转换模型；
[0009]若接收到所输入的待转换图像，根据所述包含卡通风格的图像转换模型对所述待转换图像进行风格转换，以得到与所述待转换图像对应的目标卡通图像。
[0010]第二方面，本专利技术实施例提供了一种基于小数据生成网络的图像转换装置，其包括：
[0011]初始图像转换模型训练单元，用于根据预存的大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型；
[0012]编码器训练单元，用于根据所述图像转换模型中的多层分析网络及所述大数据图像集训练预置的编码器，以训练得到对应的目标编码器；
[0013]参数配置单元，用于根据所述目标编码器对所述图像转换模型进行参数配置，得到配置后的所述图像转换模型；
[0014]模型优化训练单元，用于根据预置的训练规则及预存的小数据卡通图像集对配置后的所述图像转换模型进行优化训练，得到包含卡通风格的图像转换模型；
[0015]目标卡通图像获取单元，用于若接收到所输入的待转换图像，根据所述包含卡通风格的图像转换模型对所述待转换图像进行风格转换，以得到与所述待转换图像对应的目标卡通图像。
[0016]第三方面，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于小数据生成网络的图像转换方法。
[0017]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于小数据生成网络的图像转换方法。
[0018]本专利技术实施例提供了一种基于小数据生成网络的图像转换方法、装置、设备及介质。根据大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型，根据大数据图像集训练编码器得到目标编码器并对图像转换模型进行参数配置，扥就小数据卡通图像集对配置后的图像转换模型进行优化训练，得到包含卡通风格的图像转换模型，根据图像转换模型对所输入的待转换图像进行风格转换以得到目标卡通图像。通过上述方法，对现有生成网络的训练方法的修改，可基于大数据图像集训练编码器并根据训练结果对图像转换模型进行参数配置，通过小数据卡通图像集对图像转换模型进行优化训练，可实现小训练数据训练生成网络以对图像进行风格转换，解决了无條件生成网络训练过程中无法将编码器应用于小训练数据的问题。
附图说明
[0019]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的基于小数据生成网络的图像转换方法的流程示意图；
[0021]图2为本专利技术实施例提供的基于小数据生成网络的图像转换方法的子流程示意图；
[0022]图3为本专利技术实施例提供的基于小数据生成网络的图像转换方法的另一子流程示意图；
[0023]图4为本专利技术实施例提供的基于小数据生成网络的图像转换方法的又一子流程示意图；
[0024]图5为本专利技术实施例提供的基于小数据生成网络的图像转换方法的后一子流程示意图；
[0025]图6为本专利技术实施例提供的基于小数据生成网络的图像转换方法的再一子流程示
意图；
[0026]图7为本专利技术实施例提供的基于小数据生成网络的图像转换方法的其后一子流程示意图；
[0027]图8为本专利技术实施例提供的基于小数据生成网络的图像转换装置的示意性框图；
[0028]图9为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0031]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0032]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0033]请参阅图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小数据生成网络的图像转换方法，其特征在于，所述方法包括：根据预存的大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型；根据所述图像转换模型中的多层分析网络及所述大数据图像集训练预置的编码器，以训练得到对应的目标编码器；根据所述目标编码器对所述图像转换模型进行参数配置，得到配置后的所述图像转换模型；根据预置的训练规则及预存的小数据卡通图像集对配置后的所述图像转换模型进行优化训练，得到包含卡通风格的图像转换模型；若接收到所输入的待转换图像，根据所述包含卡通风格的图像转换模型对所述待转换图像进行风格转换，以得到与所述待转换图像对应的目标卡通图像。2.根据权利要求1所述的基于小数据生成网络的图像转换方法，其特征在于，所述根据预存的大数据图像集对初始图像转换模型进行迭代训练得到训练后的图像转换模型，包括：获取所述大数据图像集中的一张人脸图像作为当前人脸图像；根据所述初始图像转换模型的卷积输入层提取得到与所述当前人脸图像对应的输入特征，所述输入特征包括隐藏变量特征及噪声特征；根据所述初始图像转换模型中的多层分析网络对所述输入特征进行特征分析，以输出与所述输入特征对应的输出图像；根据预置的损失函数计算所述输出图像与所述当前人脸图像之间的损失值；根据预置的参数调整规则及所述损失值对所述初始图像转换模型中包含的参数值进行调整；判断所述大数据图像集中是否包含未训练的其它人脸图像；若所述大数据图像集中包含未训练的其他人脸图像，获取下一张人脸图像作为当前人脸图像并返回执行所述根据所述初始图像转换模型的卷积输入层提取得到与所述当前人脸图像对应的输入特征；若所述大数据图像集中不包含未训练的其他人脸图像，将当前得到的所述初始图像转换模型确定为训练后的图像转换模型。3.根据权利要求2所述的基于小数据生成网络的图像转换方法，其特征在于，所述根据预置的参数调整规则及所述损失值对所述初始图像转换模型中包含的参数值进行调整之后，还包括：判断所述损失值是否不大于预置的损失阈值；若所述损失值不大于所述损失阈值，将当前得到的所述初始图像转换模型确定为训练后的图像转换模型；若所述损失值大于所述损失阈值，随机获取所述大数据图像集中的一张人脸图像作为当前人脸图像并返回执行所述根据所述初始图像转换模型的卷积输入层提取得到与所述当前人脸图像对应的输入特征。4.根据权利要求2所述的基于小数据生成网络的图像转换方法，其特征在于，所述根据所述图像转换模型中的多层分析网络及所述大数据图像集训练预置的编码器，以训练得到
对应的目标编码器，包括：获取所述大数据图像集中的一张人脸图像作为当前人脸图像；根据所述编码器对所述当前人脸图像进行卷积处理，以得到所述编码器中多个卷积层分别对应的卷积特征向量；将多个所述卷积层的特征图分别输入至所述多层分析网络的多个分析层中，以分析得到对应的训练人脸图像；根据所述损失函数计算所述训练人脸图像与所述当前人脸图像之间的损失值；根据所述参数调整规则及所述损失值对所述编码器中包含的参数值进行调整；判断所述大数据图像集中是否包含未训练的其它人脸图像；若所述大数据图像集中包含未训练的其他人脸图像，获取下一张人脸图像作为当前人脸图像并返回执行所述根据所述编码器对所述当前人脸图像进行卷积处理，以得到所述编码器中多个卷积层分别对应的卷积特征向量；若所述大数据图像集中不包含未训练的其他人脸图像，将当前得到的所述编码器作...

【专利技术属性】
技术研发人员：林彦硕，
申请(专利权)人：深圳万兴软件有限公司，
类型：发明
国别省市：