图像处理方法、模型的训练方法、装置、系统及介质制造方法及图纸

本公开提供了一种图像处理方法、图像处理模型的训练方法、装置、计算机系统、可读存储介质及计算机程序产品，涉及人工智能技术领域。该图像处理方法包括：对模板图像进行处理，得到包括第一目标对象的图像掩膜和模板图像的属性特征信息，第一目标对象为模板图像中的对象；基于模板图像、图像掩膜和模板图像的属性特征信息，得到目标隐变量，目标隐变量包括第一目标对象的属性特征信息和目标模板图像信息，目标模板图像信息包括模板图像中的除第一目标对象的属性特征信息外的信息；基于图像掩膜，将目标隐变量中的第一目标对象的属性特征信息替换为第二目标对象的属性特征信息，得到目标图像。目标图像。目标图像。

【技术实现步骤摘要】
图像处理方法、模型的训练方法、装置、系统及介质


[0001]本公开涉及人工智能
，更具体地，涉及一种图像处理方法、图像处理模型的训练方法、装置、计算机系统、可读存储介质及计算机程序产品。

技术介绍

[0002]随着图像数据量爆炸式增长，使得难以依靠人工来分析和处理这些图像数据。计算机视觉技术为解放人力提供巨大潜力。计算机视觉是一门研究如何使用电子设备“处理”的科学，即，利用摄影机和电脑代替人眼对目标进行识别、处理和重建等的科学技术。计算机视觉技术满足了用户对于图像的个性化需求。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：对图像进行特效处理后，生成的目标图像会存在失真、畸变等问题。

技术实现思路

[0004]有鉴于此，本公开提供了一种图像处理方法、图像处理模型的训练方法、装置、计算机系统、可读存储介质及计算机程序产品。
[0005]本公开的一个方面提供了一种图像处理方法，包括：
[0006]对模板图像进行处理，得到包括第一目标对象的图像掩膜和上述模板图像的属性特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，包括：对模板图像进行处理，得到包括第一目标对象的图像掩膜和所述模板图像的属性特征信息，其中，所述第一目标对象为所述模板图像中的对象；基于所述模板图像、所述图像掩膜和所述模板图像的属性特征信息，得到目标隐变量，其中，所述目标隐变量包括所述第一目标对象的属性特征信息和目标模板图像信息，所述目标模板图像信息包括模板图像中的除所述第一目标对象的属性特征信息外的信息；基于所述图像掩膜，将所述目标隐变量中的所述第一目标对象的属性特征信息替换为第二目标对象的属性特征信息，得到目标图像。2.根据权利要求1所述的方法，其中，所述目标隐变量包括中间隐变量和输出隐变量；图像处理模型包括依次堆叠的第一压缩模块、第一属性注入的标准化流模块、分裂模块、第二压缩模块和第二属性注入的标准化流模块；所述基于所述图像掩膜和所述模板图像的属性特征信息，得到所述目标隐变量，包括：将所述模板图像正向输入至所述图像处理模型中的第一压缩模块中，得到压缩后的模板图像；将所述压缩后的模板图像、所述图像掩膜和所述模板图像的属性特征信息正向输入至所述第一属性注入的标准化流模块中，得到第一正向中间特征向量；将所述第一正向中间特征向量正向输入至所述分裂模块中，得到所述中间隐变量和第二正向中间特征向量；将所述第二正向中间特征向量正向输入至所述第二压缩模块中，得到压缩后的第二正向中间特征向量；以及将所述压缩后的第二正向中间特征向量、所述图像掩膜和所述模板图像的属性特征信息正向输入至所述第二属性注入的标准化流模块中，得到所述输出隐变量。3.根据权利要求2所述的方法，其中，所述第一属性注入的标准化流模块包括依次堆叠的激活标准化层、卷积层和仿射耦合层；所述将所述压缩后的模板图像、所述图像掩膜和所述模板图像的属性特征信息正向输入至所述第一属性注入的标准化流模块中，得到第一正向中间特征向量，包括：将所述压缩后的模板图像正向输入至所述激活标准化层，得到正向标准特征向量；将所述第一标准特征向量正向输入至所述卷积层中，得到正向卷积特征向量；将所述图像掩膜、所述模板图像的属性特征信息和所述正向卷积特征向量正向输入至所述仿射耦合层中，得到所述所述第一正向中间特征向量。4.根据权利要求3所述的方法，其中，所述将所述图像掩膜、所述模板图像的属性特征信息和所述正向卷积特征向量正向输入至所述仿射耦合层中，得到所述所述第一正向中间特征向量，包括：将所述正向卷积特征向量进行特征向量分裂，得到第一卷积特征向量和第二卷积特征向量；对所述第一卷积特征向量进行第一卷积操作，得到卷积后的第一卷积特征向量；对所述模板图像的属性特征信息分别进行第一全连接操作和第二全连接操作，得到第一全连接属性特征信息和第二全连接属性特征信息；利用所述图像掩膜分别对所述第一全连接属性特征信息和所述第二全连接属性特征
信息进行掩膜过滤，得到第一目标属性特征信息和第二目标属性特征信息；对所述第一目标属性特征信息、所述第二目标属性特征信息和所述卷积后的第一卷积特征向量进行第一线性变换，得到第一线性变换特征向量；将所述第一线性变换特征向量分别进行第二卷积操作和第三卷积操作，得到第二卷积后的第一线性变换特征向量和第三卷积后的第一线性变换特征向量；利用所述图像掩膜分别对所述第二卷积后的第一线性变换特征向量和所述第三卷积后的第一线性变换特征向量进行掩膜过滤，得到第一掩膜过滤特征向量和第二掩膜过滤特征向量；对所述第二卷积特征向量、所述第一掩膜过滤特征向量和所述第二掩膜过滤特征向量进行第二线性变换，得到第二线性变换特征向量；以及将所述第二线性变换特征向量和所述第一卷积特征向量进行聚合，得到所述第一正向中间特征向量。5.根据权利要求1所述的方法，其中，所述目标隐变量包括中间隐变量和输出隐变量；图像处理模型包括依次堆叠的第一压缩模块、第一属性注入的标准化流模块、分裂模块、第二压缩模块和第二属性注入的标准化流模块；所述基于所述图像掩膜、所述目标隐变量和第二目标对象的属性特征信息，得到目标图像，包括：将所述输出隐变量、所述图像掩膜和所述第二目标对象的属性特征信息逆向输入至所述图像处理模型中的第二属性注入的标准化流模块中，得到第一逆向特征向量；将所述第一逆向特征向量逆向输入至所述第二压缩模块中，得到解压后的第一逆向特征向量；将所述解压后的第一逆向特征向量和所述中间隐变量逆向输入至所述分裂模块中，得到聚合特征向量；将所述聚合特征向量、所述图像掩膜和所述第二目标对象的属性特征信息逆向输入至所述第二属性注入的标准化流模块中，得到第二逆向特征向量；以及将所述第二逆向特征向量逆向输入至所述第一压缩模块中，得到所述目标图像。6.根据权利要求5所述的方法，其中，所述第二属性注入的标准化流模块包括依次堆叠的激活标准化层、卷积层和仿射耦合层；所述将所述输出隐变量、所述图像掩膜和所述第二目标对象的属性特征信息逆向输入至所述第二属性注入的标准化流模块中，得到第一逆向特征向量，包括：将所述图像掩膜、所述第二目标对象的属性特征信息和所述输出隐变量逆向输入至所述仿射耦合层中，得到逆向...

【专利技术属性】
技术研发人员：王秋霖，
申请(专利权)人：京东科技控股股份有限公司，
类型：发明
国别省市：