【技术实现步骤摘要】
图像视角转换/故障判断方法、装置、设备及介质
[0001]本申请涉及图像识别
，具体涉及一种图像视角转换/故障判断方法、装置、设备及介质。
技术介绍
[0002]随着图像合成技术的不断发展及对图像合成的能力不断提升，机器合成图像的质量不断提高。基于物体单视图合成多视图技术，被广泛应用于计算机视觉、计算机图形学、机器人视觉技术以及虚拟现实技术等诸多
中。
[0003]图像合成方法主要包括基于图像像素和基于特征表达两种。基于图像像素的方法需要统计未知像素点周围的前景和背景信息，然后根据统计信息计算出未知像素点的值。当前景与背景在颜色、纹理以及风格等方面相近时，这种方法较为适用；反之，则图像合成效果较差。基于特征表达方法的主要思想在于根据特征向量生成图像，其中最具有代表性的算法为主成分分析(Principal Component Analysis,PCA)算法。
[0004]然而，传统的针对单视图的图像合成方法受观察角度的影响，容易导致合成的观察对象的三维图像丢失大量的空间信息，降低合成图像的质量及效率...
【技术保护点】
【技术特征摘要】
1.一种图像视角转换方法，其特征在于，包括：获取模型训练数据，所述模型训练数据包括训练对象的多个不同视角的平面图像及各所述视角对应的标签，其中，不同视角对应的标签不同；根据所述模型训练数据对预先设计的生成对抗网络模型进行训练，以获取视角转换网络模型；将目标对象的平面图像及预期视角对应的标签输入所述视角转换网络模型，使得所述视角转换网络模型生成所述目标对象的预期视角平面图像。2.根据权利要求1所述的方法，其特征在于，所述获取模型训练数据包括：获取训练对象的三维模型，并对所述三维模型进行投影，以获取所述训练对象的多个不同视角的平面图像；生成与所述平面图像数量相同的标签，并将所述多个不同视角的平面图像分别标注对应的标签。3.根据权利要求2所述的方法，其特征在于，所述多个不同视角的平面图像包括前视图平面图像、左斜侧视图平面图像、右斜侧视图平面图像、侧视图平面图像及俯视图平面图像中的至少两个。4.根据权利要求2或3所述的方法，其特征在于，所述标签包括编码向量，所述生成对抗网络模型包括生成器G及判别器D；所述获取视角转换网络模型包括：获取所述训练对象的预设输入图像x和预设输入编码向量c；根据所述预设输入图像x和所述预设输入编码向量c，获取所述生成器G输出的预生成图像G(x,c)；根据所述预生成图像G(x,c)及所述判别器D的概率分布D(x)确定对抗损失L
adv
，其中，所述对抗损失L
adv
定义如下：L
adv
＝Ε
x
[log D(x)]+Ε
x,c
[log(1
‑
D(G(x,c)))]；计算所述对抗损失L
adv
的目标值，使得所述预生成图像G(x,c)取得最小值的同时，所述判别器D的概率分布D(x)取得最大值。5.根据权利要求4所述的方法，其特征在于，所述根据所述预设输入图像x和所述预设输入编码向量c，获取所述生成器G输出的预生成图像G(x,c)，包括：根据所述预设输入编码向量c获取预设维度的高维特征；根据所述预设维度的高维特征生成特征向量；将所述预设输入图像x及所述特征向量输入所述生成器G，以使得所述生成器G生成所述预生成图像G(x,c)。6.根据权利要求4所述的方法，其特征在于，所述获取视角转换网络模型还包括：获取所述判别器D的原始编码向量c'的概率分布D(c'|x)；根据所述原始编码向量c'的概率分布D(c'|x)确定真实图像的域分类损失及根据所述预生成图像G(x,c)确定预生成图像域分类的损失其中，所述真实图像的域分类损失及所述预生成图像域分类的损失分别定义如下：
计算所述真实图像的域分类损失的最小值，及所述预生成图像域分类的损失的最小值，以获取所述视角转换网络模型。7.根据权利要求4所述的方法，其特征在于，所述生成器包括顺序排布的：第一卷积层，包括一个尺寸为7
×
7的卷积核；第二卷积层，包括两个尺寸为3
×
3且步长为2的卷积核；残差模块，数量为9个；反卷积层，包括两个尺寸为4
×
4且步长为2的卷积核。8.根...
【专利技术属性】
技术研发人员：赵蕊蕊，
申请(专利权)人：长鑫存储技术有限公司，
类型：发明
国别省市：
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。