[发明专利]图像素材生成方法和装置及电子设备、计算机可读存储介质在审
申请号: | 201911313817.3 | 申请日: | 2019-12-19 |
公开(公告)号: | CN110738276A | 公开(公告)日: | 2020-01-31 |
发明(设计)人: | 郑若冰 | 申请(专利权)人: | 北京影谱科技股份有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/34;G06N3/04;G06N3/08 |
代理公司: | 11789 北京君以信知识产权代理有限公司 | 代理人: | 张德志 |
地址: | 100027 北京市东*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 图像素材 图像元素 目标条件 网络模型 生成式 实际图像 元素图像 素材 对抗 计算机可读存储介质 方法和装置 高质量图像 电子设备 类别标签 目标图像 生成图像 训练样本 语义分割 像素 预设 | ||
1.一种图像素材生成方法,其特征在于,包括:
获得符合预设主题类型的图像素材;
根据所述符合预设主题类型的图像素材内部的图像元素差异对所述图像素材进行语义分割处理,对每一类图像元素的像素分别设置相应的第一类别标签,获得与所述符合预设主题类型的图像素材对应的元素图像;
将所述元素图像作为训练样本,训练预设的第二目标条件生成式对抗网络模型,获得基于图像元素生成图像素材的第一目标条件生成式对抗网络模型;其中,所述第一目标条件生成式对抗网络模型用于:根据给定的图像元素组合,获得与所述图像元素组合对应的图像素材;
获得用户选择的实际图像元素组合,将所述实际图像元素组合输入到所述第一目标条件生成式对抗网络模型,生成与所述实际图像元素组合对应的目标图像素材。
2.根据权利要求1所述的图像素材生成方法,其特征在于,所述获得符合预设主题类型的图像素材,具体包括:
获得预设的图像数据集;
根据所述图像数据集中的图像数据主题类型,分别设置相应的第二类别标签;
根据所述第二类别标签对预设生成式对抗网络模型的生成器设置约束条件,获得第四目标条件生成式对抗网络模型;
将图像数据集中的图像数据和所述第二类别标签作为所述第四目标条件生成式对抗网络模型的训练样本,训练所述第四目标条件生成式对抗网络模型,获得基于图像类别生成图像素材的第三目标条件生成式对抗网络模型;
获得用户输入的类别标签和随机噪声,将所述类别标签和所述随机噪声输入所述第三目标条件生成式对抗网络模型,生成与所述类别标签对应的符合预设主题类型的图像素材。
3.根据权利要求1所述的图像素材生成方法,其特征在于,所述将所述元素图像作为训练样本,训练预设的第二目标条件生成式对抗网络模型,获得基于图像元素生成图像素材的第一目标条件生成式对抗网络模型,具体包括:
将所述元素图像作为训练样本,输入到所述第二目标条件生成式对抗网络模型,获得图像素材识别结果,将所述图像素材识别结果与预设目标概率值进行比对,根据比对结果调整所述第二目标条件生成式对抗网络模型参数,获得基于图像元素生成图像素材的所述第一目标条件生成式对抗网络模型。
4.根据权利要求2所述的图像素材生成方法,其特征在于,所述根据所述图像数据集中的图像数据主题类型,分别设置相应的第二类别标签,具体包括:
提取所述图像数据集中图像数据的特征信息;
根据所述特征信息将所述图像数据集中的图像数据进行分类,获得对应不同图像数据主题类型的图像数据子集;
分别针对所述图像数据子集设置相应的第二类别标签。
5.根据权利要求3所述的图像素材生成方法,其特征在于,所述图像素材识别结果是指所述第二目标条件生成式对抗网络模型根据所述元素图像生成的识别图像素材为所述符合预设主题类型的图像素材的概率值。
6.一种图像素材生成方法,其特征在于,包括:
获得预设的图像数据集,根据所述图像数据集中的图像数据主题类型,分别设置相应的第二类别标签;
根据所述第二类别标签对预设生成式对抗网络模型的生成器设置约束条件,获得第四目标条件生成式对抗网络模型;
将所述图像数据集中的图像数据和所述第二类别标签作为所述第四目标条件生成式对抗网络模型的训练样本,训练所述第四目标条件生成式对抗网络模型,获得基于图像类别生成图像素材的第三目标条件生成式对抗网络模型;
获得用户输入的类别标签和随机噪声,将所述类别标签和所述随机噪声输入所述第三目标条件生成式对抗网络模型,生成与所述类别标签对应的符合预设主题类型的图像素材。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京影谱科技股份有限公司,未经北京影谱科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911313817.3/1.html,转载请声明来源钻瓜专利网。