[发明专利]基于GAN网络的车损图像生成方法和装置

说明书

本说明书实施例公开了一种基于GAN模型的生成车损图像的方法和装置，所述方法包括：获取第一图像，所述第一图像为车辆的真实图像；基于所述第一图像获取第二图像，所述第二图像通过在所述第一图像上标注目标框、并抠除所述目标框内局部图像所获取；以及将所述第二图像输入图像填充模型，以从所述图像填充模型的输出获取带有目标框的车损图像，其中，所述图像填充模型通过对所述第二图像的目标框内填充车辆损伤局部图像而输出所述带有目标框的车损图像。

技术领域

本说明书实施例涉及图像处理技术领域，更具体地，涉及一种训练车损图像判别模型的方法和装置、一种训练图像填充模型的方法和装置、以及一种生成车损图像的方法和装置。

背景技术

在常规的车险理赔场景中,保险公司需要派出专业的查勘定损人员到事故现场进行现场查勘定损，给出车辆的维修方案和赔偿金额，拍摄现场照片，并将定损照片留档以供核查人员核损核价。由于需要人工查勘定损，保险公司需要投入大量的人力成本，和专业知识的培训成本。从普通用户的体验来说，理赔流程由于等待人工查勘员现场拍照、定损员在维修地点定损、核损人员在后台核损，理赔周期较长。

随着互联网的发展，出现一种理赔方案，其中，通过用户在现场拍摄车损照片，并将所述照片上传至服务器，从而通过算法或人工基于所述车损照片进行定损和理赔。然而，在该方案中，在训练用于基于车损照片进行定损的算法模型时，需要对大量车损照片进行人工标注，消耗大量人力，并且数据难以穷举各种车型、光照条件、新旧程度以及拍摄角度等。

因此，需要一种更有效的获取用作训练样本的车损图像。

发明内容

本说明书实施例旨在提供一种更有效的获取车损图像的方案，以解决现有技术中的不足。

为实现上述目的，本说明书一个方面提供一种计算机执行的生成车损图像的方法，包括：

获取第一图像，所述第一图像为车辆的真实图像；

基于所述第一图像获取第二图像，所述第二图像通过在所述第一图像上标注目标框、并抠除所述目标框内局部图像所获取；以及

将所述第二图像输入图像填充模型，以从所述图像填充模型的输出获取带有目标框的车损图像，其中，所述图像填充模型通过对所述第二图像的目标框内填充车辆损伤局部图像而输出所述带有目标框的车损图像。

在一个实施例中，所述第一图像中包括或不包括车辆损伤局部图像。

在一个实施例中，所述第一图像中包括至少一个车辆损伤局部图像，在所述第一图像上标注目标框包括，在所述至少一个车辆损伤局部图像处随机标注所述目标框。

在一个实施例中，在所述第一图像上标注目标框包括，在第一位置标注目标框，其中，所述第一位置是从多个第二位置中随机确定的位置，所述第二位置为通过统计获取的车辆出现车辆损伤的大概率位置。

在一个实施例中，抠除所述目标框内局部图像包括，通过使用掩膜对所述第一图像进行点积运算，抠除所述目标框内局部图像。

在一个实施例中，所述图像填充模型通过训练GAN模型中的生成模型获取，所述GAN模型中还包括判别模型，其中所述判别模型用于判别所述生成模型的输出图像是否为真实的图像、以及所述输出图像的目标框内是否为车辆损伤局部图像，其中，训练GAN模型中的生成模型包括：

获取多个第三图像，所述第三图像为车辆的真实图像；

基于所述多个第三图像获取多个第四图像，所述第四图像通过在对应的所述第三图像上标注目标框、并抠除所述目标框内局部图像所获取；以及

使用至少所述多个第四图像，基于所述判别模型，训练所述生成模型，作为所述图像填充模型。

在一个实施例中，所述判别模型通过以下方式训练：