CN113822953B 图像生成器的处理方法、图像生成方法及装置 （华南理工大学）

ComputerVisionandPatternRec置参数和隐编码向量获得携带目标属性的目标隐于待训练的图像属性判别器所确定的样本图像2基于当前的属性编辑参数将所述隐编码向量朝目标属性的通过待训练的图像属性判别器，确定所述样本图像的目标属通过待训练的图像身份判别器，确定所述目标图像与所述原始数据根据所述目标属性损失更新所述图像属性判别器的网络参数，根通过所述特征映射网络将所述原始隐向量映射为所述根据所述当前的属性编辑参数和所述属性转换幅度，将所述隐将所述目标隐编码向量输入所述图像生成器通过所述特征合成网络输出与所述目标隐编码向量对3根据所述第一身份分类损失更新所述图像身份判所述根据所述身份分类损失与所述目标属性损失所确定的目标损失，更新根据所述第二身份分类损失与所述目标属性损失所确定的目标损失，通过所述图像生成器的图像真伪判别器，确定所述样本图像与所述所述根据所述身份分类损失与所述目标属性损失所确定的目标损失，更新根据所述身份分类损失、所述图像真伪损失与所述目标属性损失所确定的目标损失，通过所述图像真伪判别器，确定所述样本图像的图像真伪程度相通过所述图像生成器中的特征合成网络，根据所述隐编码向量输出与获取第二目标属性的第二样本图像，所述第二目标属性与所述通过所述第二目标属性的第二样本图像与所述图像生成器，对属性编根据所述图像生成器与所述第一属性编辑参数、所述第二属性编辑述第一目标属性与所述第二目标属性的图像通过所述图像属性转换器中与目标属性对应的属性编辑参数，将所述4通过所述图像属性转换器中的图像生成器，根据与所述待处理图像对通过训练好的图像属性转换器中与目标属性对应的属性编辑参数其中，所述图像属性转换器用于将待处理图像的属性转换为练的图像属性判别器所确定的所述样本图像与目标图像各自对应的目标属性相关程度构所述目标属性相关程度由所述待训练的图像属性判别器根据所述样本图像的目标属性相图像身份判别器，确定所述目标图像与所述原始数据对应的原始图像各自对应的身份类通过所述图像属性转换器中的图像生成器，根据与所述待处理图像对特征映射模块，用于通过所述图像生成器，将用于生成图像属性转换模块，用于基于当前的属性编辑参数将所述隐损失构建模块，用于通过待训练的图像属性判别器，确定所述样本所述损失构建模块，还用于通过待训练的图像身份判别器，确定5训练模块，用于根据所述目标属性损失更新所述图像像生成器的图像真伪判别器，确定所述样本图像与所述目标图像各自对应的图像真伪程6所述获取模块，还用于获取第二目标属性的第二样本图像，所述所述训练模块，还用于通过所述第二目标属性的第二样本图像与所述所述装置还包括图像生成模块，所述图像生成模块用于通过所述图图像生成器，根据与所述待处理图像对应的目标隐编码向量生成与所述待处理图像对应属性转换模块，用于通过训练好的图像属性转换器中与目标属性对应的属性编辑参其中，所述图像属性转换器用于将待处理图像的属性转换为练的图像属性判别器所确定的所述样本图像与目标图像各自对应的目标属性相关程度构所述目标属性相关程度由所述待训练的图像属性判别器根据所述样本图像的目标属性相图像身份判别器，确定所述目标图像与所述原始数据对应的原始图像各自对应的身份类7被处理器执行时实现权利要求1至11中任一项所述的行时实现权利要求1至11中任一项所述的方8[0009]基于待训练的图像属性判别器所确定的所述样本图像与所述目标图像各自对应[0010]根据所述目标属性损失更新所述图像属性判别器的网络参数和所述属性编辑参9样本图像的目标属性相关程度相对于所述目标图像的目标属性相关程度的第一偏移程度，以及所述目标图像的目标属性相关程度相对于所述样本图像的目标属性相关程度的第二[0023]在一个实施例中，所述身份分类损失包括第一身份分类损失和第二身份分类损述第二目标属性对应的第二属性编辑参数；根据所述图像生成器与所述第一属性编辑参训练，由图像属性判别器对图像生成器基于属性编辑参数生成的目标图像的属性进行约性的样本图像与已训练的图像生成器对属性编辑参数进行模型训练时所构建的目标属性性的样本图像与已训练的图像生成器对属性编辑参数进行模型训练时所构建的目标属性理图像对应的目标隐编码向量生成与所述待处理图像对应的、且携带目标属性的目标图[0067]本申请实施例提供的图像生成器的处理方法和图像生成方法，涉及人工智能[0071]本申请实施例提供的图像生成方法，主要涉及人工智能的计算机视觉技术是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系[0073]本申请提供的图像生成器的处理方法，可以应用于如图1所示的应用环境中。其图像生成器的处理装置可以采用硬件或软件的方式实现。计算机设备可以是图1中所示的[0076]本申请实施例提供的图像生成器的处理方法，可应用于属性编辑参数的训练场[0077]在一个实施例中，计算机设备获取目标属性的样本图像和已[0078]可以理解，通过图像生成器和不同属性的样本图像对属性编辑参数进行模型训以该方法应用于上述图1中的计算机设备(终端102或者服务器104)来举例说明，包括以下不同属性图像能力的网络结构。目标属性是待通过本申请实施例的方法进行学习的属性。AdversarialNetwork，生成对抗网络)模型，具体可以是StyleGAN的预训练模型、mapmap[0102]步骤S206，基于当前的属性编辑参数将隐编码向量朝目[0104]在一个实施例中，计算机设备通过特征映射网络将原始[0110]步骤S210，根据目标属性损失更新图像属性判别器的网络参数和属性编辑参数高了属性编辑任务的适用性；本实施例所提供的训练方式能够减少多个属性之间的纠缠，[0120]在一个实施例中，计算机设备通过特征映射网络将原始目标属性的目标隐编码向量后，通过特征合成网络生成与目标隐编码向量对应的目标图理解，通用的损失函数即可满足本申请实施例中对目标属性损失项和目标属性损失的需f)表示图像属性判别器对目标图像具有目标属性程度的评价分数；2图像更具有目标属性的可能性；可表示目标图像的目[0134]在一个实施例中，计算机设备根据目标属性损失更新图像属性判别器的网络参attr)表示用于优化图像属性判别器的网络参数的损属性编辑参数转换得到的目标图像的真实性和图像[0142]本实施例中，由图像生成器与图像属性判别器以及图像真伪判别器形成对抗框像的真实性进行约束，使得最终训练得到的属性编辑参数具有准确的目标属性编辑能力，且基于属性编辑参数转换得到的目标图像的真实性和图像质量像中人物的身份为A明星，通过训练后的图像属性转换器更改了待处理图像中人物的性别[0146]在一个实施例中，计算机设备根据目标属性损失更新图像属性判别器的网络参损失所确定的目标损失更新属性编辑参数。本实施例的训练过程可通过以下公式进行表过图像身份判别器对图像生成器基于属性编辑参数生成的目标图像中人物的身份进行约[0155]本实施例中，由图像生成器与图像属性判别器以及图像身份判别器形成对抗框损失项和身份分类损失所采用的损失函数类型例的训练目标是将目标图像和原始图像中人物的身份预测为相同的类别，这里用k进行表编辑参数转换得到的目标图像中人物的身份与原始图像中人物[0170]在一个实施例中，计算机设备根据目标属性损失更新图像属性判别器的网络参损失项和图像真伪损失所采用的损失函数类型f)表示图像真伪判别器对目标图像的真实程度评价分数；Dsyn(x)表示图像真器对样本图像的真实程度评价分数；g(γ)表示标量到标量2[0184]参照上述公式，其中可表示样本图像的图像真实2synf)Ex～R(Dsyn(x)))可表示目标图像的图像真实[0188]可以理解，对属性编辑参数进行训练的多于一个样本图像的属性可以是二元属属性“超模风格”分别对属性编辑参数进行模型训练，最终训练得到的属性编辑参数具有于样本图像的目标属性相关程度的第二偏移程度；基于第一偏移程度以及第二偏移程度，的样本图像与已训练的图像生成器对属性编辑参数进行模型训练时所构建的目标属性损[0225]通过本申请实施例的方法训练得到的属性编辑参数，具有优越的属性编辑能力。图像属性转换效果，每组图像的第二排为传统的图像属性转换方式的图像属性转换效果。[0248]关于图像生成器的处理装置的具体限定可以参见上文中对于图像生成器的处理为隐编码向量，基于当前的属性编辑参数将所述隐编码向量朝目标属性的方向进行转换，样本图像与已训练的图像生成器对属性编辑参数进行模型训练时所构建的目标属性损失映射为隐编码向量后，基于当前的属性编辑参数将隐编码向量朝目标属性的方向进行转的数据库用于存储图像生成器的处理数据和/或图像生成数据。该计算机设备的网络接口运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，器执行时以实现一种图像生成器的处理方法和/或图包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_