【技术实现步骤摘要】
本专利技术属于图像生成，特别是涉及一种面向设计师风格融合和隐私保护的aigc联邦学习方法。
技术介绍
1、近些年来，随着人工智能技术的发展，人工智能生成内容（artificialintelligence-generated content, aigc）更多地出现在创意工作领域。然而，在设计领域的aigc共创环境中，在数据的流通和应用外，最大的挑战是如何保护设计师的个人数据隐私，从而最大程度上保护设计师作品的知识产权。联邦学习是指一种在保证数据隐私安全的基础上，利用各个节点掌握的数据实现共同建模，提升ai模型的效果的框架方法。具体来说，一个联邦学习系统可以在本地节点中包含的多个本地数据集上训练机器学习算法，例如深度神经网络，但无需显式交换数据样本，而是以某种频率在这些本地节点之间交换例如网络权重等参数，以生成所有节点共享的全局模型。另外，在实际设计工作应用场景中，系统的响应速度、工作效率等其它因素同样会影响该系统的可用性。因此，如何构建一个适用于设计领域的联邦学习系统，需要考虑效率、隐私和可分发性等多方面的问题。
技术实现思路
1、本专利技术实施例的目的在于提供一种面向设计师风格融合和隐私保护的aigc联邦学习方法，以解决目前设计领域的人工智能生成中存在的数据隐私保护以及设备计算资源受限等问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是，一种面向设计师风格融合和隐私保护的aigc联邦学习方法，包括以下步骤：
3、步骤s1、不同的设计师根据给定的彩图
4、所述生成对抗网络包括用于提取彩图和草图特征的vgg特征提取器、用于动态归一化特征的自适应实例归一化模块、用于生成草图 i i2s的生成器 g s以及用于优化生成对抗网络的损失函数；
5、所述生成器 g s包括位于首尾两端的卷积块和位于中间的三层多分辨率融合模块mrfm，所述卷积块与多分辨率融合模块mrfm依次串联；所述多分辨率融合模块mrfm用于融合经过自适应实例归一化模块归一化后的特征，融合后经尾端的卷积块生成草图 i i2s；
6、步骤s2、所有设计师端将本地生成对抗网络模型参数上传至服务器，服务器将多组模型参数通过学习算法进行聚合，并将聚合好的模型参数分发给各个设计师端，对生成对抗网络进行参数更新；
7、步骤s3、各设计师利用更新后的生成对抗网络生成带有不同设计师风格的草图。
8、进一步地，所述步骤s1中利用生成对抗网络提取草图风格特征的步骤为：
9、步骤s11、使用vgg网络提取设计师提供的彩图及对应草图的特征；
10、步骤s12、对步骤s11中提取的特征进行归一化调整；
11、步骤s13、将归一化的特征 f mj输入生成器，得到生成对抗网络生成的草图 i i2s，对 i i2s使用vgg网络进行特征提取得到草图风格特征 f gi。
12、进一步地，所述步骤s12中，归一化过程表示为：
13、；
14、式中， μ（·）、σ（·）分别表示取均值、方差操作， f rj、 f sj分别是vgg提取的彩图、草图的前 j个特征，； f rj 、f sj包括四个维度，分别是批大小batchsize、通道数channel、高度height和宽度width，所述取均值、方差操作均在高度height、宽度width维度进行，取均值和方差之后 f rj 、f sj仍保留四个维度。
15、进一步地，所述步骤s13中草图 i i2s的生成过程具体为：
16、 f m4传给生成器的第一层卷积块，第一层卷积块的输出 f g1和 f m3作为输入传给生成器的第二层的多分辨率融合模块mrfm，第二层的mrfm的输出 f g2和 fm2作为输入传给生成器的第三层的mrfm，第三层的mrfm的输出 f g3和 fm1传给生成器的第四层的mrfm，第四层的mrfm的输出 f g4作为输入传给生成器最后一层卷积块，最后输出草图 i i2s。
17、进一步地，所述第一层卷积块表示为：
18、；
19、其中， bn表示批归一化， sn表示谱归一化，leakyrelu表示激活函数， cnov3*3表示3×3的卷积核的卷积层；
20、所述最后一层卷积块表示为：
21、；
22、其中， cnov2 d表示2d卷积。
23、进一步地，所述第二层的多分辨率融合模块mrfm的输出过程为：
24、首先使用最大池化操作对 f m3进行下采样ds以本文档来自技高网...
【技术保护点】
1.一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述步骤S1中利用生成对抗网络提取草图风格特征的步骤为：
3.根据权利要求2所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述步骤S12中，归一化过程表示为：
4.根据权利要求3所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述步骤S13中草图Ii2s的生成过程具体为：
5.根据权利要求1或4所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述第一层卷积块表示为：
6.根据权利要求1或4所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述第二层的多分辨率融合模块MRFM的输出过程为：
7.根据权利要求1或3所述的一种面向设计师风格融合和隐私保护的AIGC联邦学习方法，其特征在于，所述步骤S1中生成对抗网络的损失函数为：
...【技术特征摘要】
1.一种面向设计师风格融合和隐私保护的aigc联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向设计师风格融合和隐私保护的aigc联邦学习方法，其特征在于，所述步骤s1中利用生成对抗网络提取草图风格特征的步骤为：
3.根据权利要求2所述的一种面向设计师风格融合和隐私保护的aigc联邦学习方法，其特征在于，所述步骤s12中，归一化过程表示为：
4.根据权利要求3所述的一种面向设计师风格融合和隐私保护的aigc联邦学习方法，其特征在于，所述步骤s13中草图ii2s的生成过程具体为：
5.根据权利要求1或4所述的一种面向设计师风格融合和隐私保护的aigc联邦学习方法，其特征在于，所述第一层卷积块表示为：
<...【专利技术属性】
技术研发人员：吴迪，武名柱，蒋佳楠，李星霖，邓晗晖，
申请(专利权)人：湖南大学，
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。