生成模型训练方法以及装置制造方法及图纸

本说明书实施例提供生成模型训练方法以及装置，其中所述生成模型训练方法包括：获取原始图像；对所述原始图像进行扩散处理，以及对所述原始图像的图像分量进行衰减处理，获得加噪图像集；根据所述原始图像和所述加噪图像集确定加噪图像，并将所述加噪图像输入至初始生成模型进行处理，获得还原图像；基于所述还原图像和所述原始图像对所述初始生成模型进行调参，直至获得满足训练停止条件的目标生成模型。实现扩散和逆扩散处理过程中，结合图像分量的衰减处理，使得生成模型可以学习到不同维度的图像变化过程，从而有效的提高了模型训练精度。练精度。练精度。

【技术实现步骤摘要】
生成模型训练方法以及装置


[0001]本说明书实施例涉及机器学习
，特别涉及生成模型训练方法以及装置。

技术介绍

[0002]随着互联网技术的发展，扩散过程已经广泛用于构建生成模型。通过使生成模型学习扩散过程的逆过程，使得生成模型能够从高斯噪声生成给定数据分布中的样本。其中，扩散过程可以理解为一个迭代过程，在迭代过程中的每一步中，都对当前的加噪数据进一步添加高斯噪声，使得逐步加噪的迭代步骤决定了每次加噪前后，加噪数据的维度都不会发生变化，始终和原始数据的维度保持一致。同理，扩散过程相对应的逆过程也是一个迭代过程，并且过程中维度也不会发生变化。也就是说，在目前的扩散过程及其逆过程中，加噪数据的维度始终保持和原始数据维度相同，当数据维度较高时，会存在模型训练成本较高和模型学习难度大的问题，同时由于这样维持数据维度的特性，使得基于扩散过程和逆处理过程的生成模型，在高维数据上的训练时间较长，拟合难度较大，因此亟需一种有效的方案以解决上述问题。

技术实现思路

[0003]有鉴于此，本说明书实施例提供了一种生成模型训练方法。本说明书一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成模型训练方法，所述生成模型为一种机器学习模型，包括：获取原始图像；对所述原始图像进行扩散处理，以及对所述原始图像的图像分量进行衰减处理，获得加噪图像集；根据所述原始图像和所述加噪图像集确定加噪图像，并将所述加噪图像输入至初始生成模型进行处理，获得还原图像；基于所述还原图像和所述原始图像对所述初始生成模型进行调参，直至获得满足训练停止条件的目标生成模型。2.根据权利要求1所述的方法，所述对所述原始图像进行扩散处理，以及对所述原始图像的图像分量进行衰减处理，获得加噪图像集，包括：对所述原始图像中像素点对应的像素值进行归一化处理，获得中间图像，以及对所述中间图像进行正交分解处理，获得图像分量；对所述中间图像进行扩散处理，以及对所述图像分量进行衰减处理，获得所述加噪图像集。3.根据权利要求2所述的方法，所述对所述中间图像进行扩散处理，以及对所述图像分量进行衰减处理，获得所述加噪图像集，包括：确定第i扩散周期对应的中间图像，以及所述中间图像对应的第i图像分量；对所述中间图像添加第i噪声，以及对所述第i图像分量进行衰减处理；在所述第i图像分量的衰减结果未小于分量阈值的情况下，根据扩散处理结果确定与所述中间图像的图像维度相同的第一加噪图像，将所述第一加噪图像作为所述中间图像，i自增1，并执行确定第i扩散周期对应的中间图像，以及所述中间图像对应的第i图像分量的步骤；在所述第i图像分量的衰减结果小于分量阈值的情况下，根据扩散处理结果确定小于所述中间图像的图像维度的第二加噪图像，将所述第二加噪图像作为所述中间图像，i自增1，并执行确定第i扩散周期对应的中间图像，以及所述中间图像对应的第i图像分量的步骤；直至扩散处理和衰减处理满足迭代停止条件的情况下，根据所述第一加噪图像和所述第二加噪图像组成所述加噪图像集。4.根据权利要求1
‑
3任一项所述的方法，所述根据所述原始图像和所述加噪图像集确定加噪图像，包括：在所述加噪图像集中随机采样到第一目标加噪图像，并基于所述第一目标加噪图像对所述原始图像进行扩散处理，获得第二目标加噪图像；将所述第一目标加噪图像和所述第二目标加噪图像作为所述加噪图像。5.根据权利要求1
‑
3任一项所述的方法，所述基于所述还原图像和所述原始图像对所述初始生成模型进行调参，直至获得满足训练停止条件的目标生成模型，包括：根据所述还原图像和所述原始图像计算所述初始生成模型对应的模型损失值；在所述模型损失值小于预设损失值阈值的情况下，确定所述初始生成模型满足训练停止条件，并将所述初始生成模型作为所述目标生成模型。6.一种生成模型训练装置，包括：
获取模块，被配置为获取原始图像；处理模块，被配置为对所述原始...

【专利技术属性】
技术研发人员：张晗，冯睿蠡，阳展韬，黄梁华，刘宇，张轶飞，沈宇军，赵德丽，周靖人，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：