[发明专利]图像生成方法、系统、服务器及存储介质

说明书

本发明实施例公开了一种图像生成方法、系统、服务器及存储介质，方法包括：获取原始图像，并对原始图像进行分割处理，得到监督图像；将原始图像和监督图像进行图像融合，得到多通道图像数据；将多通道图像数据作为输入值，输入到基于改进的生成式对抗网络训练的图像生成模型中，根据图像生成模型的输出得到目标图像数据，改进的生成式对抗网络为融入非感兴趣区域三通道损失函数的生成式对抗网络；对目标图像数据进行复原处理，去除目标图像数据中所包括的监督图像通道数据，得到最终生成图像。由此通过深度融合得到多通道图像数据，使得生成式对抗网络的输入层尺寸以及数据量减少，同时训练的图像生成模型可有效对非感兴趣区域的噪声进行抑制。

技术领域

本发明实施例涉及图像技术领域，尤其涉及一种图像生成方法、系统、服务器及存储介质。

背景技术

近年来，随着生成式对抗网络(Generative Adversarial Networks，GAN)的提出和发展，图像自动生成领域的技术也得到了快速的推进和应用，以pix2pix、CycleGAN、DualGAN、DiscoGAN、InstaGAN、Conditional GAN等为代表的诸多典型方法均展示出了较为出色的图像生成效果。

从是否需要监督信息的角度出发，GAN总体上可以分为有监督GAN(如pix2pix、InstaGAN、Conditional GAN等)和无监督GAN(如CycleGAN、DualGAN、DiscoGAN等)。其中，无监督GAN虽然使用方便，但其仅通过所定义的单个或多个LOSS函数来对生成结果进行约束，这种缺乏监督信息的固有不足也导致了图像生成质量往往不够理想(如虚假影像多、噪声多)。相比之下，有监督GAN得益于监督信息的嵌入，其图像生成过程有着先验知识的明确引导，故而图像生成的效果相对较好。进一步地，根据监督信息的嵌入部位不同，有监督GAN又可以细分，如pix2pix是将监督信息嵌入到判别器部位，而InstaGAN、Conditional GAN则是将监督信息同时嵌入到生成器部位和判别器部位，等等。

然而，有监督GAN在获得较好图像生成质量的同时，也会因引入监督信息(通常是图像)导致了处理数据量的增加，比如通常的做法是将原始图像和监督图像在平面上直接拼接融合后作为生成器或判别器的输入，这就直接导致了网络输入层尺寸加倍，随之也带来了内存消耗增加、系统实时性差等一系列性能问题，而且平面拼接并不能显式地体现输入图像与监督信息图像在像素坐标位置上的一一对应关系，以上这些问题都限制了该技术的进一步应用。

发明内容

本发明实施例提供了一种图像生成方法、系统、服务器及存储介质，以解决利用有监督图像生成方法生成图像过程中存在的因引入额外监督信息而导致处理数据量增加、不能体现输入图像与监督信息的像素坐标对应关系等技术问题。

第一方面，本发明实施例提供了一种图像生成方法，包括：

获取原始图像，并对所述原始图像进行分割处理，得到监督图像；

将所述原始图像和所述监督图像进行图像融合，得到多通道图像数据；

将所述多通道图像数据作为输入值，输入到基于改进的生成式对抗网络训练的图像生成模型中，根据所述图像生成模型的输出得到目标图像数据，其中所述改进的生成式对抗网络为融入非感兴趣区域三通道损失函数的生成式对抗网络；

对所述目标图像数据进行复原处理，去除所述目标图像数据中所包括的监督图像通道数据，得到最终生成图像。

第二方面，本发明实施例提供了一种图像生成系统，包括：

监督图像引入模块，用于获取原始图像，并对所述原始图像进行分割处理，得到监督图像；

复合通道生成模块，用于将所述原始图像和所述监督图像进行图像融合，得到多通道图像数据；