[发明专利]生成网络的训练方法和系统、以及图像生成方法及设备

说明书

本申请公开一种生成网络的训练方法和系统、以及图像生成方法及设备。其中，生成网络的训练方法包括以下步骤：获取真实样本和生成样本，所述生成样本是由使用第一参数的生成网络所生成的；利用所述真实样本和所述生成样本对映射网络的第二参数进行训练，直至所训练的映射网络使得所述真实样本和所述生成样本之间的特征距离符合最大化条件；利用训练后的映射网络对所述生成网络的第一参数进行训练，直至训练后的第二参数的条件下的所述真实样本和训练后的生成网络输出的生成样本之间的特征距离符合最小化条件。本申请在大大降低了计算量和节约内存的同时提高了生成网络对高维数据的处理能力以及生成高维图像的性能。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种生成网络的训练方法和系统、以及图像生成方法及设备。

背景技术

生成网络作为一种人工神经网络，可以根据具体任务通过模型训练而实现将输入的数据样本生成文字、图像、视频等。因此，生成网络被广泛的应用于图像的生成、修复、转换以及重构，文字与图片之间的转换，视频预测等多种场合。

由于近些年来人工智能技术的愈发成熟，各种生成网络的学习/训练方法也不断涌现，这也使得训练出的生成网络在生成图像的质量方面参差不齐。例如，采用有监督式学习来训练生成网络，但这种方法的主要瓶颈之一是难以获得足够的标签样本来学习数据特征以使得生成网络能够捕获数据结构；再如，无监督式学习可以通过自己从错误中进行学习，并降低未来出错的概率以此达到降低对标签样本的需求，但是，这种学习方式往往准确率很低。

是故，如何去训练生成网络以使得生成网络能够高效的输出以假乱真的图像是本领域从业者亟待解决的问题。

发明内容

鉴于以上所述相关技术的缺点，本申请的目的在于提供一种生成网络的训练方法和系统、以及图像生成方法及设备。

为实现上述目的及其他相关目的，本申请第一方面公开一种生成网络的训练方法，其特征在于，包括以下步骤：获取真实样本和生成样本，所述生成样本是由使用第一参数的生成网络所生成的；利用所述真实样本和所述生成样本对映射网络的第二参数进行训练，直至所训练的映射网络使得所述真实样本和所述生成样本之间的特征距离符合最大化条件；利用训练后的映射网络对所述生成网络的第一参数进行训练，直至训练后的第二参数的条件下的所述真实样本和训练后的生成网络输出的生成样本之间的特征距离符合最小化条件；重复上述过程直至经训练得到的第一参数满足预设收敛条件。

在本申请第一方面的某些实施例中，所述映射网络用于将所述真实样本和生成样本映射到特征表示空间内。

在本申请第一方面的某些实施例中，所述映射网络的映射包括：降维操作。

在本申请第一方面的某些实施例中，所述特征距离为经所述映射网络映射到特征表示空间内的真实样本的特征和生成样本的特征之间的最大均值差异。

在本申请第一方面的某些实施例中，所述利用所述真实样本和所述生成样本对映射网络的第二参数进行训练包括：计算经所述映射网络得到的真实样本和生成样本之间的特征距离；基于所述特征距离确定所述第二参数的偏移量，以用于更新所述第二参数；利用更新后的第二参数重复上述步骤，直至所得到的所述特征距离符合所述最大化条件。

在本申请第一方面的某些实施例中，所述第二参数的偏移量包括：基于所述特征距离在第二参数上的梯度而得到的偏移量。

在本申请第一方面的某些实施例中，所述利用训练后的映射网络对所述生成网络的第一参数进行训练的步骤包括：在训练后的第二参数的条件下，基于所述真实样本和每次更新第一参数后生成网络输出的生成样本之间的特征距离而确定的所述第一参数的偏移量，更新所述生成网络的第一参数，直至所述真实样本和训练后的生成网络输出的生成样本之间的特征距离符合所述最小化条件。