【技术实现步骤摘要】
基于深度学习的从布局到场景图像的自动生成方法及系统
[0001]本专利技术涉及计算机视觉
，特别是涉及基于深度学习的从布局到场景图像的自动生成方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]在艺术创作领域中，将脑海中的构图转变为栩栩如生的画作是个费时又费力的过程。它要求创作者有深厚的艺术功底及创作耐心。但是最终的成品可能并不尽人意，这时又需要复工，重新构图，重新创作，如此反复。该过程的创作流程效率低下，创作门槛高。
[0004]现有技术存在生成图像的边缘线条不清晰，物体可识别性低的缺陷。
技术实现思路
[0005]为了解决现有技术的不足，本专利技术提供了基于深度学习的从布局到场景图像的自动生成方法及系统；其基于简单的布局信息进行类似于照片的场景图像的自动生成，尤其通过关注物体的边缘轮廓来提高物体的可识别度和清晰度。
[0006]第一方面，本专利技术提供了基于深度学习的从布局到场景图像的自动生成方法；
【技术保护点】
【技术特征摘要】
1.基于深度学习的从布局到场景图像的自动生成方法，其特征是，包括：获取输入的布局；所述布局，包括：不同边界框的位置、尺寸和类别；把获取到的布局输入至训练好的生成器中，输出与布局一致的场景图像；其中，所述生成器通过与判别器的对抗学习来提高自己的图像生成能力，生成器的多层特征被转换为不同尺度的边缘图，从而实现多尺度学习；通过提取与融合生成器的多层特征中包含的边缘信息，完成对布局中各个物体边缘的迭代优化。2.如权利要求1所述的基于深度学习的从布局到场景图像的自动生成方法，其特征是，所述训练好的生成器，训练步骤包括：构建生成器和判别器；将生成器和判别器进行连接，组成生成对抗网络；构建训练集；其中，所述训练集为已知场景图像的布局；所述布局，包括：不同边界框的位置、尺寸和类别；将训练集，输入到生成器中，生成器生成预测图像；判别器对预测图像与真实图像进行真假判别，当总损失函数值停止下降时，停止训练，得到训练后的生成器。3.如权利要求1所述的基于深度学习的从布局到场景图像的自动生成方法，其特征是，所述生成器，结构包括：依次连接的映射层、第一残差块、第一边缘生成模块、第二残差块、第二边缘生成模块、第三残差块、第三边缘生成模块、第四残差块和图像生成单元。4.如权利要求3所述的基于深度学习的从布局到场景图像的自动生成方法，其特征是，所述第一残差块，结构包括：并列的两条分支；其中，第一条分支，包括依次连接的实例敏感和布局感知的特征归一化Instance
‑
Sensitive and Layout
‑
Aware Feature Normalization层、激活函数ReLU层、上采样层、卷积层、实例敏感和布局感知的特征归一化Instance
‑
Sensitive and Layout
‑
Aware Feature Normalization层、激活函数ReLU层和卷积层；第二条分支，包括依次连接的上采样层和卷积层；第一条分支的输入值为映射层的输出和表示物体特征的向量w；第二条分支的输入值为映射层的输出；第一条分支的输出值与第二条分支的输出值进行求和得到第一残差块的输出值；所述第一残差块，工作原理包括：对映射层的输出提取深层次的特征，表示物体特征的向量w在Instance
‑
Sensitive and Layout
‑
Aware Feature Normalization层发挥作用来辅助深层次特征的提取过程。5.如权利要求3所述的基于深度学习的从布局到场景图像的自动生成方法，其特征是，所述第二残差块，结构包括：并列的两条分支；其中，第一条分支，包括依次连接的边缘校准的归一化Edge CalibrationNormalization层、激活函数ReLU层、上采样层、卷积层、边缘校准的归一化Edge CalibrationNormalization层、激活函数ReLU层和卷积层；第二条分支，包括依次连接的上采样层和卷积层；第一条分支的输入值为第一残差块输出的层级特征、表示物体特征的向量w和提取到的边缘图；第二条分支的输入值为第一残差块输出的层级特征；第一条分支的输出值与第二条分支的输出值进行求和得到第二残差块的输出值；
所述第二残差块，工作原理包括：对第一残差块的输出提取更深层次的特征，表示物体特征的向量w和提取到的边缘图在边缘校准的归一化Edge CalibrationNormalization层发挥作用来辅助深层次特征的提取过程。6.如权利要求3所述的基于深度学习的从布局到场景图像的自动生成方法，其特征是，所述第一边缘生成模块，用于接收前一个模块输出值，生成第一中间...
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。