[发明专利]一种基于BPL的小数据集简笔画生成方法

说明书

本发明公开了一种基于BPL的小数据集简笔画生成方法，学习笔划、笔划位置及笔划的位置关联后，生成各种类别的概率模型，再根据不同的概率模型进行简笔画的实现；对类别T的概率模型满足：其中，e为类别T的一个示例，I是示例e的具体图像，M为类别T对应的示例数量，P为概率，m为循环数。本发明基于BPL的小数据集简笔画生成方法，基于小数据集即可生成较好效果的图像，改变了需要大量原始数据才能进行AI绘画的现状，提高了效率，降低了成本；在实现了对原有画作风格模仿的基础上，还可根据原有的画作风格进行模板的再创造。

技术领域

本发明涉及一种基于BPL的小数据集简笔画生成方法，属于简笔画生成领域。

背景技术

AI绘画作为计算机视觉的一个研究热点，随着相关工作的不断进展，AI绘画实现了飞速的生长，成为大家关注的热点话题，从简笔画到绘画，再到真实图片的生成，甚至人类都难以分辨。AI绘画，是指基于机器学习模型进行自动数字绘图的计算机程序，虽然AI绘画的发展迅速，但是AI绘画还存在着许多严峻的挑战。

对于机器学习模型而言，让AI学会绘画的过程就是一个模型的构建以及相关参数的训练调整，在模型训练中，每一幅的图画其实质是m*n的像素点矩阵；对于彩色图像来说，每一个像素点都是由RGB三个颜色通道组成。虽然AI绘画的模型训练的原理很简单，但实现起来却并不容易。2012年，吴恩达和JeffDean使用GoogleBrain的上万个CPU进行了神经网络的训练，用于生成猫脸图片，在训练过程中，两位学者共使用了1000万个的猫脸图片，模型训练使用了三天，是一个比较漫长的时间，然而最终的效果也并不令人满意。模型需要训练的训练集是一个包含许多参数的集合，范围很广泛，包括位置、形状、颜色以及大小等，加大了模型训练的难度；线条之间的联系与组合，同样会加大计算的难度。现有的AI绘画存在训练集庞大、效率低、成本高的问题。

如果希望AI可以在达到模仿已有的画作风格的基础上，还能够根据原作风格创造模板，模型训练的难度更是上升了一个层次。一个原因在于，“创造”是一个相对抽象的概念，对模型来说，使用模型来表达抽象的“风格”是比较困难的。

发明内容

本发明提供一种基于BPL的小数据集简笔画的生成算法，目的是解决在AI绘画模型训练时需要庞大的数据集的问题，本发明只需要相对较小的数据集就可以完成较好的训练结果，并且在实现了对原有画作风格模仿的基础上，还可根据原有的画作风格进行模板的再创造。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于BPL的小数据集简笔画生成方法，学习笔划、笔划位置及笔划的位置关联后，生成各种类别的概率模型，再根据不同的概率模型进行简笔画的实现；对类别T的概率模型满足：其中，e为类别T的一个示例，I是示例e的具体图像，M为类别T对应的示例数量，P为概率m是循环数。

本申请中，P均为概率。

上述BPL定义了一种生成模型，它可以通过对笔划进行新的组合，从而对新类别的概念进行学习。每种新类别即为一种生成模型，可以根据这个类别的生成模型产生新的示例。也即BPL可以创造地生成模型，最后，会以原始数据的格式生成示例。

利用BPL生成简笔画的过程也是从图画骨架生成和图画细节实现两方面来进行的。接下来介绍基于BPL实现简笔画生成的具体过程。

上述小数据集简笔画生成方法，包括如下步骤：

S1：学习基本笔划和笔划的起始位置；

S2：学习笔划的位置关联；

S3：生成简笔画类别；

S4：在类别中加入仿射变化以及轨迹噪声，形成概率模型；

S5：生成简笔画示例及简笔画示例的对应图像。