[发明专利]用于生成图像生成模型的方法和装置

说明书

本申请实施例公开了用于生成图像生成模型的方法和装置。该方法的一具体实施方式包括：获取样本集，其中，样本包括第一深度图像、第二深度图像和可见光图像；基于样本集执行以下训练步骤：将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型，得到上述至少一个样本中的每个样本对应的生成深度图像；计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度；根据计算结果确定上述初始神经网络模型是否达到预设的优化目标；响应于确定上述初始神经网络模型达到预设的优化目标，将上述初始神经网络模型作为训练完成的图像生成模型。该实施方式实现了图像生成模型的生成。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成图像生成模型的方法和装置。

背景技术

现阶段，通过相机所拍摄的图像或视频可以记录真实世界在二维平面上的颜色投影，但不能反映实际场景的三维结构信息。而深度图像可以表示场景中的各个点的深度信息，即深度图像中的每一个像素记录了场景中某一个点到相机中心所在的XY平面的距离。深度图像在3D测量以及人机交互等领域有着非常广泛的应用。目前，通过深度相机可以获取场景的深度图像。

发明内容

本申请实施例提出了用于生成图像生成模型的方法和装置。

第一方面，本申请实施例提供了一种用于生成图像生成模型的方法，该方法包括：获取样本集，其中，样本包括第一深度图像、第二深度图像和可见光图像，其中，第一深度图像、第二深度图像和可见光图像中包含同一场景的信息，第一深度图像和可见光图像的图像分辨率高于预先设定的第一分辨率阈值，第二深度图像的图像分辨率低于预先设定的第二分辨率阈值；基于样本集执行以下训练步骤：将样本集中的至少一个样本的第二深度图像和可见光图像分别输入预先建立的初始神经网络模型，得到上述至少一个样本中的每个样本对应的生成深度图像；计算上述至少一个样本中的每个样本对应的生成深度图像与对应的第一深度图像之间的相似度；根据计算结果确定上述初始神经网络模型是否达到预设的优化目标；响应于确定上述初始神经网络模型达到预设的优化目标，将上述初始神经网络模型作为训练完成的图像生成模型。

在一些实施例中，上述方法还包括：响应于确定上述初始神经网络模型未达到预设的优化目标，调整上述初始神经网络模型的模型参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

在一些实施例中，样本集中的样本是通过以下方式得到的：获取样本场景的第一样本深度图像，其中，上述第一样本深度图像的图像分辨率高于上述第一分辨率阈值；对上述第一样本深度图像进行处理，得到第二样本深度图像，其中，上述第二样本深度图像的图像分辨率低于上述第二分辨率阈值；获取上述样本场景的样本可见光图像，其中，上述样本可见光图像的图像分辨率高于上述第一分辨率阈值；将上述第一样本深度图像、第二样本深度图像和样本可见光图像关联存储，以及作为上述样本集中的样本。

在一些实施例中，上述获取样本场景的第一样本深度图像，包括：获取图像采集设备从不同角度采集的样本场景的至少两张可见光图像，其中，上述至少两张可见光图像中的各可见光图像的图像分辨率高于上述第一分辨率阈值；基于上述至少两张可见光图像得到上述样本场景的第一样本深度图像。

在一些实施例中，上述方法还包括：接收待处理深度图像和待用可见光图像，其中，上述待处理深度图像和上述待用可见光图像包含同一场景的信息，上述待处理深度图像的图像分辨率低于上述第二分辨率阈值，上述待用可见光图像的图像分辨率高于上述第一分辨率阈值；将上述待处理深度图像导入上述图像生成模型，得到处理后的深度图像。