基于人工智能绘画图像生成方法、显示终端及存储介质技术

本发明专利技术公开一种基于人工智能绘画图像生成方法、显示终端及存储介质，其中，该基于人工智能绘画图像生成方法包括：S10：采集绘画数据，提取绘画要素；S20：选择适合的模型，并对模型进行训练；S30：进行参数设置，优化调整该参数设置；S40：将训练好的模型进行输入，生成新的图像。本发明专利技术在于提供一种基于人工智能绘画的图像生成方法、显示终端以及计算机可读存储介质，旨在提高显示设备获取用户在当前环境中想要表达的绘画指令的准确率，以使人工智能模型能生成更符合用户心意的绘画图像供显示设备展示。备展示。备展示。

【技术实现步骤摘要】
基于人工智能绘画图像生成方法、显示终端及存储介质


[0001]本专利技术涉及人工智能
，特别涉及一种基于人工智能绘画图像生成方法、显示终端及计算机可读存储介质。

技术介绍

[0002]人工智能(Artificial Intelligence，AI)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
[0003]随着现今AI(Artificial Intelligence，人工智能)绘画技术的迅速发展，由用户向AI下达绘画指令，利用AI绘画生成图像并展示于数码相框也成为一种可能。
[0004]传统的AI绘画一般都是由用户利用电脑类的智能设备向AI下达相应的绘画指令，而一般数码相框类的显示设备毕竟不比电脑类设备功能齐全(即数码相框类的显示设备的功能相对单一，主要用作显示图像)，加上传统的AI绘画指令一般都是文字输入，因此用户并不方便直接向数码相框类的显示设备输入文字指令，以向AI下达相应的绘画指令，而且对于一些文字素养较弱的用户，一般也难以直观地将自己所思、所感准确转换为相应的文字表达，以向数码相框类的显示设备输入相应的绘画指令。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于人工智能绘画的图像生成方法、显示终端以及计算机可读存储介质，旨在提高显示设备获取用户在当前环境中想要表达的绘画指令的准确率，以使人工智能模型能生成更符合用户心意的绘画图像供显示设备展示。
[0006]为实现上述目的，本专利技术提出一种基于人工智能绘画图像生成方法，该基于人工智能绘画图像生成方法包括以下步骤：
[0007]S10：采集绘画数据，提取绘画要素；
[0008]S20：选择适合的模型，并对模型进行训练；
[0009]S30：进行参数设置，优化调整该参数设置；
[0010]S40：将训练好的模型进行输入，生成新的图像。
[0011]优选地，所述S20具体包括如下步骤：
[0012]S21：确定一个适当的训练数据集，数据集应包含与目标任务相关的真实图像样本；
[0013]S22：根据具体的图像生成任务和需求，选择适合的生成模型，该生成模型包括生成对抗网络；
[0014]S23：基于所选择的模型，建立相应的神经网络架构，包括生成器网络和鉴别器网络；该生成器网络包括生成器，鉴别器网络包括鉴别器；
[0015]S24：对模型参数进行初始化；
[0016]S25：根据所选模型和任务类型，定义适当的损失函数；
[0017]S26：根据模型复杂度和数据集规模，调整学习率和优化器的超参数；
[0018]S27：通过将真实图像样本输入模型，并生成噪声或条件输入来训练模型。
[0019]优选地，S30具体包括以下步骤：
[0020]S31：选择合适的初始参数值，包括生成相关的超参数，使用预训练模确定需要调整的超参数，并为它们选择合适的学习率、批次大小、迭代次数、正则化强度等据模型架构和具体任务；
[0021]S32：使用网格搜索或随机搜索方法来搜索超参数空间；
[0022]S33：将数据集划分为训练集和验证集，用于评估不同超参数配置的性能；
[0023]S34：调整学习率，包括通过学习率衰减策略或动态调整学习率来优化生成模型的训练过程；
[0024]S35：通过正则化控制模型的复杂度，防止过拟合。
[0025]优选地，S40包括：在训练完成后，使用生成器网络和输入的噪声向量，通过生成器生成新的绘画图像；通过对随机噪声向量进行采样来生成多样化图像。
[0026]优选地，所述噪声向量包括先从一个噪声向量空间中随机采样一个噪声向量作为输入。
[0027]优选地，S40还包括：将噪声向量输入到生成器模型中，通过反向传播，生成器尝试生成逼真的图像以迷惑鉴别器；鉴别器则根据生成的图像和真实图像进行分类判断真伪；生成器和鉴别器的博弈过程逐步优化，最终得到生成器可以生成图像的结果。
[0028]优选地，S40之后还包括以下步骤：
[0029]S50：对生成的图像进行评估和调整，根据需要调整模型或参数，以获得更符合预期的生成结果。
[0030]优选地，S50包括：使用评估指标来量化生成图像的质量；所述评估指标包括结构相似性指数或峰值信噪比或感知均方误差。
[0031]为了实现上述目的，本专利技术还提出一种显示终端，该显示终端包括存储器、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基于人工智能绘画的图像生成程序，所述基于人工智能绘画的图像生成程序被所述处理器执行时实现如上述基于人工智能绘画的图像生成方法的步骤。
[0032]为了实现上述目的，本专利技术还提出一种计算机可读存储介质，该计算机可读存储介质上存储有基于人工智能绘画的图像生成程序，所述基于人工智能绘画的图像生成程序被处理器执行时实现如上述基于人工智能绘画的图像生成方法的步骤。
[0033]本专利技术有益效果是：
[0034]本专利技术提供的基于人工智能绘画的图像生成方法、显示终端以及计算机可读存储介质，用户可以通过向显示设备采集绘画数据，提取绘画要素，选择模型，并对模型进行训练，将训练好的模型进行输入，生成新的图像；通过对成像风格和成像条件进行融合，得到具有成像风格且符合成像条件的对象图像，从而能够生成合用户需求的对象图像提高生成的对象图像的内容的针对性以及实用性；在正则化的特征图中融入噪声，有助于提升对象图像的变化，使得在保证成像风格和成像条件的前提下，提高生成的对象图像的多样性；通
过对包含噪声的特征图、以及包含成像条件的风格向量进行正则化处理，提高对象图像的生成质量，从而得到更符合用户心意的绘画图像供显示设备展示。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
[0036]图1为本专利技术基于人工智能绘画图像生成方法一实施例的流程图；
[0037]图2为本专利技术基于人工智能绘画图像生成方法的显示终端系统结构图。
[0038]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0039]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，所描述的实施例仅仅是本专利技术的一部分实施例，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作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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能绘画图像生成方法，其特征在于，包括以下步骤：S10：采集绘画数据，提取绘画要素；S20：选择适合的模型，并对模型进行训练；S30：进行参数设置，优化调整该参数设置；S40：将训练好的模型进行输入，生成新的图像。2.如权利要求1所述的基于人工智能绘画图像生成方法，其特征在于，所述S20具体包括如下步骤：S21：确定一个适当的训练数据集，数据集应包含与目标任务相关的真实图像样本；S22：根据具体的图像生成任务和需求，选择适合的生成模型，该生成模型包括生成对抗网络；S23：基于所选择的模型，建立相应的神经网络架构，包括生成器网络和鉴别器网络；该生成器网络包括生成器，鉴别器网络包括鉴别器；S24：对模型参数进行初始化；S25：根据所选模型和任务类型，定义适当的损失函数；S26：根据模型复杂度和数据集规模，调整学习率和优化器的超参数；S27：通过将真实图像样本输入模型，并生成噪声或条件输入来训练模型。3.如权利要求1所述的基于人工智能绘画图像生成方法，其特征在于，S30具体包括以下步骤：S31：选择合适的初始参数值，包括生成相关的超参数，使用预训练模确定需要调整的超参数，并为它们选择合适的学习率、批次大小、迭代次数、正则化强度等据模型架构和具体任务；S32：使用网格搜索或随机搜索方法来搜索超参数空间；S33：将数据集划分为训练集和验证集，用于评估不同超参数配置的性能；S34：调整学习率，包括通过学习率衰减策略或动态调整学习率来优化生成模型的训练过程；S35：通过正则化控制模型的复杂度，防止过拟合。4.如权利要求2所述的基于人工智能绘画图像生成方法，其特征在于，S...

【专利技术属性】
技术研发人员：林洽锐，
申请(专利权)人：智创聚成深圳网络科技有限公司，
类型：发明
国别省市：