[發明專利]生成對抗網絡的訓練方法、裝置及終端設備

在審

• 申請號: 202011193170.8
• 申請日: 2020-10-30
• 公開（公告）號: CN112329932A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 劉業鵬;程駿;王玥;龐建新
• 申請（專利權）人: 深圳市優必選科技股份有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 劉永康

本申請適用于圖像處理技術領域，提供了一種生成對抗網絡的訓練方法、裝置及終端設備。所述生成對抗網絡中包括N個子網絡，其中，不同子網絡的輸入圖像的尺度不同，N為大于1的正整數。所述訓練方法包括：獲取第一樣本圖像；根據每個子網絡的輸入圖像的尺度，將所述第一樣本圖像生成與每個子網絡各自匹配的第二樣本圖像；根據所述第二樣本圖像對各自匹配的子網絡進行迭代訓練。通過上述方法，能夠有效減少生成對抗網絡的訓練過程中的數據處理量，并且能夠有效提高訓練結果的準確度。

技術領域

本申請屬于圖像處理技術領域，尤其涉及一種生成對抗網絡的訓練方法、裝置及終端設備。

背景技術

生成對抗網絡(GAN,Generative Adversarial Networks)是一種無監督的深度學習模型，近年來被廣泛應用于圖像處理技術領域。生成對抗網絡中包括生成器和判別器，通過生成器生成偽圖，再通過判別器判斷偽圖的真假。通過生成器和判別器的互相博弈學習實現生成對抗網絡的訓練目的。

在生成對抗網絡的訓練過程中，通常需要利用大量的樣本圖像進行訓練，導致數據處理量較大。另外，在實際應用中，可能無法搜集到足夠數據量的樣本圖像，進而影響訓練結果的準確度。

發明內容

本申請實施例提供了一種生成對抗網絡的訓練方法、裝置及終端設備，可以解決生成對抗網絡的訓練過程中數據處理量大、訓練結果準確度較低的問題。

第一方面，本申請實施例提供了一種生成對抗網絡的訓練方法，所述生成對抗網絡中包括N個子網絡，其中，不同子網絡的輸入圖像的尺度不同，N為大于1的正整數；

所述訓練方法包括：

獲取第一樣本圖像；

根據每個子網絡的輸入圖像的尺度，將所述第一樣本圖像生成與每個子網絡各自匹配的第二樣本圖像；

根據所述第二樣本圖像對各自匹配的子網絡進行迭代訓練。

在上述訓練方法中，由于生成對抗網絡中包括了多個不同尺度的子網絡，因此，只需獲取一張樣本圖像，即可將該樣本圖像生成不同尺度的多張樣本圖像。通過上述方法，無需獲取大量的樣本圖像，大大減少了數據處理量；同時通過一張樣本圖像能夠衍生出多張樣本圖像，減輕了搜集樣本圖像的工作量；并且根據衍生出的多張樣本圖像進行訓練，能夠有效保證訓練結果的準確度。

在第一方面的一種可能的實現方式中，所述每個子網絡中包括一個生成器和一個判別器；

所述根據所述第二樣本圖像對各自匹配的子網絡進行迭代訓練，包括：

在第h次迭代訓練的過程中，通過每個子網絡的生成器依次生成每個子網絡各自匹配的訓練圖像，h為正整數；

根據所述第二樣本圖像和所述訓練圖像對各自匹配的子網絡進行所述第h次迭代訓練。

在第一方面的一種可能的實現方式中，第i個子網絡的輸入圖像的尺度小于第i+1個子網絡的輸入圖像的尺度，所述1≤i≤N-1；

所述在第h次迭代訓練的過程中，通過每個子網絡的生成器依次生成每個子網絡各自匹配的訓練圖像，包括：

對于第1個子網絡，獲取第1張噪聲圖像，其中，所述第1張噪聲圖像的尺度與第1個子網絡的輸入圖像的尺度相匹配；

將所述第1張噪聲圖像輸入到所述第1個子網絡的生成器中，得到第1個子網絡匹配的訓練圖像。

在第一方面的一種可能的實現方式中，第i個子網絡的輸入圖像的尺度小于第i+1個子網絡的輸入圖像的尺度，所述1≤i≤N-1；

所述在第h次迭代訓練的過程中，通過每個子網絡的生成器依次生成每個子網絡各自匹配的訓練圖像，包括：