[發明專利]基于生成對抗網絡的圖片處理方法、裝置及電子設備

有效

• 申請號: 201910675265.4
• 申請日: 2019-07-25
• 公開（公告）號: CN110443746B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 劉弘一;陳若田;熊軍;李若鵬
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06T3/00
• 分類號: G06T3/00;G06N3/045;G06N3/0464;G06N3/0475;G06N3/048;G06N3/094;G06N3/09
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 許振新;朱文杰

1.一種基于生成對抗網絡的圖片處理方法，包括：

獲取待處理的初始圖片；

將所述初始圖片輸入生成對抗網絡中的生成模型，并獲得所述生成模型輸出的圖片；

將所述生成模型輸出的圖片作為處理后的具有預設風格的目標圖片，其中，所述生成對抗網絡是基于與所述初始圖片尺寸相同的樣本圖片訓練得到的，且所述目標圖片與所述初始圖片的尺寸相同，所述生成對抗網絡包括所述生成模型和判別模型，所述生成模型用于在接收到輸入的初始圖片之后，輸出轉換風格后的目標圖片，所述生成模型用于判別輸入的圖片是真實的初始圖片，還是由所述生成模型生成的虛擬的目標圖片，所述生成模型是所述判別模型和所述生成模型達到納什平衡時保存的。

2.根據權利要求1所述的方法，在獲取待處理的初始圖片之前，還包括：

訓練所述生成對抗網絡中的所述生成模型和判別模型。

3.根據權利要求2所述的方法，

其中，訓練所述生成對抗網絡中的判別模型，包括：

將所述樣本圖片輸入所述生成模型，獲得所述生成模型輸出的樣本輸出圖片；

將所述樣本圖片和所述樣本輸出圖片分別作為正負樣本訓練所述判別模型。

4.根據權利要求2所述的方法，

其中，訓練所述生成對抗網絡中的所述生成模型，包括：

將所述樣本圖片輸入所述生成模型，獲得所述生成模型輸出的樣本輸出圖片；

將所述樣本輸出圖片作為正樣本輸入所述判別模型，并獲得所述判別模型的判別結果，所述判別結果包括將所述樣本輸出圖片判別為所述樣本圖片的概率。

5.根據權利要求4所述的方法，在獲得所述判別模型的判別結果之后，還包括：

當所述判別模型和所述生成模型達到納什平衡時，保存所述生成模型。

6.根據權利要求4所述的方法，在獲得所述判別模型的判別結果之后，還包括：

當所述判別模型和所述生成模型未達到納什平衡時，對所述生成模型進行優化，其中，所述生成模型進行優化的目標包括：相比于將優化前的所述生成模型的樣本輸出圖片輸入所述判別模型，在將所述生成模型的樣本輸出圖片輸入至所述判別模型時，所述判別模型的輸出結果增大。

7.根據權利要求6所述的方法，在對所述生成模型進行優化之后，還包括：

對所述判別模型進行優化，其中，所述判別模型的優化目標包括：相比于將所述樣本圖片輸入至優化前的所述判別模型，在將所述樣本圖片輸入至優化后的所述判別模型時，所述判別模型的輸出結果增大，并且，相比于將所述生成模型的樣本輸出圖片輸入至優化前的所述判別模型，在將所述生成模型的樣本輸出圖片輸入至優化后的所述判別模型時，所述判別模型的輸出結果減小。

8.根據權利要求2-7任一項所述的方法，

所述判別模型是基于卷積神經網絡和殘差網絡模型構造的。

9.一種基于生成對抗網絡的廣告圖片處理方法，包括：

獲取待處理的初始廣告圖片；

將所述初始廣告圖片輸入生成對抗網絡中的生成模型，并獲得所述生成模型輸出的廣告圖片；

將所述生成模型輸出的廣告圖片作為處理后的具有廣告風格的目標廣告圖片，其中，所述生成對抗網絡是基于與所述初始廣告圖片尺寸相同的樣本廣告圖片訓練得到的，且所述目標廣告圖片與所述初始廣告圖片的尺寸相同，所述生成對抗網絡包括所述生成模型和判別模型，所述生成模型用于在接收到輸入的初始廣告圖片之后，輸出轉換風格后的目標廣告圖片，所述生成模型用于判別輸入的圖片是真實的初始廣告圖片，還是由所述生成模型生成的虛擬的目標廣告圖片，所述生成模型是所述判別模型和所述生成模型達到納什平衡時保存的。