CN107633218B - 用于生成图像的方法和装置 - Google Patents
用于生成图像的方法和装置 Download PDFInfo
- Publication number
- CN107633218B CN107633218B CN201710806066.3A CN201710806066A CN107633218B CN 107633218 B CN107633218 B CN 107633218B CN 201710806066 A CN201710806066 A CN 201710806066A CN 107633218 B CN107633218 B CN 107633218B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- model
- resolution
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了用于生成图像的方法和装置。该方法的一具体实施方式包括:获取待处理人脸图像,其中,所述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;将所述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像,上述生成模型在训练过程中利用损失函数更新模型参数,而该损失函数是基于人脸样本图像和人脸生成图像组成的图像组为正样本数据的概率确定的。该实施方式提高了所生成的人脸图像的真实性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及图像处理领域,尤其涉及用于生成图像的方法和装置。
背景技术
随着高清显示设备的快速发展,人们对于高分辨率图像和视频的需求日益增长。现阶段,可以通过多种方法将低分辨率图像转化为高分辨率图像,例如,基于差值的方法、基于重建的方法、基于学习的方法等等。然而,在对图像进行一系列操作,使之从低分辨率图像转化为高分辨率图像时,往往会引起图像失真,使之无法满足实际需要,例如,经过一系列操作将低分辨率的人脸图像转化为高分辨率的人脸图像之后,人脸发生变形,导致无法正确识别。因此,在将低分辨率图像转化为高分辨率图像时,如何尽可能的避免图像失真,保证图像的真实性是亟需解决的问题。
发明内容
本申请的目的在于提出一种改进的用于生成图像的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于生成图像的方法,该方法包括:获取待处理人脸图像,其中,上述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;将上述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像,上述生成模型是通过以下训练步骤得到的:将人脸样本图像输入初始生成模型,由上述初始生成模型输出人脸生成图像,其中,上述人脸样本图像的图像分辨率低于上述第一分辨率阈值;将由上述人脸样本图像的像素矩阵和上述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由上述判别模型输出上述人脸样本图像和上述人脸生成图像组成的图像组为正样本数据的概率,其中,上述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像生成的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像;基于上述概率得到上述初始生成模型的损失函数,并利用上述损失函数更新上述初始生成模型的模型参数,得到生成模型。
在一些实施例中,上述基于上述概率得到上述初始生成模型的损失函数,包括:基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数,其中,上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息。
在一些实施例中,上述基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数,包括:使用预先训练的识别模型分别提取上述人脸生成图像的特征信息和上述标准人脸图像的特征信息,并计算上述人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离;根据上述概率和上述欧式距离得到上述初始生成模型的损失函数。
在一些实施例中,上述初始生成模型是通过以下方式训练得到的:利用机器学习方法,将图像分辨率低于上述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过上述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,上述第一人脸样本图像和上述第二人脸样本图像包含同一人的人脸信息。
在一些实施例中,上述判别模型是通过以下方式训练得到的:利用机器学习方法,将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,上述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,上述正样本数据包括图像分辨率高于上述第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像得到的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像,上述负样本数据包括图像分辨率低于上述第一分辨率阈值的第三真实人脸图像和上述生成模型基于上述第三真实人脸图像输出的人脸图像。
在一些实施例中,上述识别模型是通过以下方式训练得到的:利用机器学习方法,将第三人脸样本图像作为输入,上述第三人脸样本图像的特征信息作为输出,训练得到识别模型。
在一些实施例中,上述生成模型为卷积神经网络模型。
第二方面,本申请实施例提供了一种用于生成图像的装置,该装置包括:获取单元,用于获取待处理人脸图像,其中,上述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;生成单元,用于将上述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像;生成模型训练单元,用于训练上述生成模型;以及上述生成模型训练单元包括:输出单元,用于将人脸样本图像输入初始生成模型,由上述初始生成模型输出人脸生成图像,其中,上述人脸样本图像的图像分辨率低于上述第一分辨率阈值;概率生成单元,用于将由上述人脸样本图像的像素矩阵和上述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由上述判别模型输出上述人脸样本图像和上述人脸生成图像组成的图像组为正样本数据的概率,其中,上述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像生成的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像;更新单元,用于基于上述概率得到上述初始生成模型的损失函数,并利用上述损失函数更新上述初始生成模型的模型参数,得到生成模型。
在一些实施例中,上述更新单元包括确定单元,上述确定单元用于:基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数,其中,上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息。
在一些实施例中,上述确定单元进一步用于:使用预先训练的识别模型分别提取上述人脸生成图像的特征信息和上述标准人脸图像的特征信息,并计算上述人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离;根据上述概率和上述欧式距离得到上述初始生成模型的损失函数。
在一些实施例中,上述装置还包括初始生成模型训练单元,上述初始生成模型训练单元用于:利用机器学习方法,将图像分辨率低于上述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过上述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,上述第一人脸样本图像和上述第二人脸样本图像包含同一人的人脸信息。
在一些实施例中,上述装置还包括判别模型训练单元,上述判别模型训练单元用于:利用机器学习方法,将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,上述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,上述正样本数据包括图像分辨率高于上述第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像得到的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像,上述负样本数据包括图像分辨率低于上述第一分辨率阈值的第三真实人脸图像和上述生成模型基于上述第三真实人脸图像输出的人脸图像。
在一些实施例中,上述装置还包括识别模型训练单元,上述识别模型训练单元用于:利用机器学习方法,将第三人脸样本图像作为输入,上述第三人脸样本图像的特征信息作为输出,训练得到识别模型。
在一些实施例中,上述生成模型为卷积神经网络模型。
第三方面,本申请实施例提供了一种终端,终端包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成图像的方法和装置,基于预先训练的生成模型,使用图像分辨率低于第一分辨率阈值的待处理人脸图像生成处理后的人脸图像,提高了待处理人脸图像的分辨率,上述生成模型在训练过程中利用损失函数更新模型参数,而该损失函数是基于人脸样本图像和人脸生成图像组成的图像组为正样本数据的概率确定的,因此,可以提高生成模型所生成的人脸图像的真实性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于生成图像的方法的一个实施例的流程图;
图3是根据本申请的用于生成图像的方法的一个应用场景的示意图;
图4是根据本申请的用于生成图像的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成图像的方法或用于生成图像的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如游戏类应用、动画展示类应用、即时通信工具、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持图像显示的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的图像或图形提供支持的后台服务器。后台服务器可以将数据(例如图像数据)反馈给终端设备,以供终端设备进行展示。
需要说明的是,本申请实施例所提供的用于生成图像的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行,还可以通过服务器105和终端设备101、102、103共同执行,相应地,用于生成图像的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中,还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。本申请对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法,包括以下步骤:
步骤201,获取待处理人脸图像。
在本实施例中,用于生成图像的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103或服务器105)可以从本地或者远程获取待处理人脸图像,其中,上述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值,在这里,上述第一分辨率阈值可以是根据实际需要人工设定的。
步骤202,将待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像。
在本实施例中,基于步骤201中得到的待处理人脸图像,上述电子设备可以将上述待处理人脸图像输入预先训练的生成模型生成处理后的人脸图像,处理后的人脸图像为图像分辨率高于预先设定的第二分辨率阈值的,在这里,上述第二分辨率阈值可以是根据实际需要人工设定的。
在这里,上述生成模型可以是上述电子设备或者其他用于训练上述生成模型的电子设备通过以下方式训练得到的:首先,将人脸样本图像输入初始生成模型,由上述初始生成模型输出人脸生成图像,其中,上述人脸样本图像的图像分辨率低于上述第一分辨率阈值。在这里,上述初始生成模型可以是通过各种方式得到的神经网络模型,例如,基于现有的神经网络(例如卷积神经网络),随机生成该神经网络的网络参数,得到的神经网络模型。然后,将由上述人脸样本图像的像素矩阵和上述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由上述判别模型输出上述人脸样本图像和上述人脸生成图像组成的图像组为正样本数据的概率,其中,上述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像生成的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像,在这里,可以采用各种方式利用第一真实人脸图像生成第二真实人脸图像,例如,采用现有的插值算法(例如双线性插值、辛克插值等等)。最后,基于上述概率得到上述初始生成模型的损失函数,并利用上述损失函数更新上述初始生成模型的模型参数,得到生成模型。例如,将上述损失函数反向传播回上述初始生成模型,以更新上述初始生成模型的模型参数。在这里,假设基于判别模型输出的概率得到的生成模型的损失函数为J(G),J(G)可以有多种形式,其中一个形式可以为:
其中,x1表示由人脸样本图像的像素矩阵和人脸生成图像的像素矩阵组成的二元组;D(x1)表示x1输入到判别模型后的输出;表示多个x1同时训练时多个log(D(x1))的期望。需要说明的是,上述生成模型的训练过程仅仅用于说明生成模型参数的调整过程,可以认为初始生成模型为参数调整前的模型,生成模型为参数调整后的模型,模型参数的调整过程并不仅限于一次,可以根据模型的优化程度以及实际需要等重复多次。
常见的生成模型可以包括但不限于深度神经网络模型、隐马尔可夫模型(HiddenMarkov Model,HMM)、朴素贝叶斯模型、高斯混合模型等等。上述生成模型可以是生成式对抗网络(Generative Adversarial Networks,GAN)包含的生成模型,生成式对抗网络(Generative Adversarial Networks,GAN)启发自博弈论中的二人零和博弈(two-playergame),GAN模型中的两位博弈方分别由生成模型(generative model)和判别模型(discriminative model)充当。生成模型捕捉样本数据的分布,生成一个类似真实训练数据的样本,追求效果是越像真实样本越好。判别模型是一个二分类器,判别一个样本来自于真实训练数据(而非生成模型的生成数据)的概率,常见的判别模型可以包括但不限于线性回归模型、线性判别分析、支持向量机(Support Vector Machine,SVM)、神经网络等等。生成模型和判别模型可以同时训练:固定判别模型,调整生成模型参数;固定生成模型,调整判别模型参数。本实施例中,生成模型通过不断学习,生成越来越逼真的人脸图像;而判别模型通过不断地学习,增强对生成的人脸图像和真实人脸图像的区分能力。通过生成模型与判别模型之间的对抗,最终,生成模型生成的人脸图像接近于真实人脸图像而成功“欺骗”了判别模型。这样的生成式对抗网络可以用于提高生成人脸图像的真实性。
在本实施例的一些可选的实现方式中,上述基于上述概率得到上述初始生成模型的损失函数,可以具体包括:基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度(例如,余弦相似度、杰卡德相似系数、欧氏距离等等)确定上述初始生成模型的损失函数,其中,上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息。在这里,上述标准人脸图像可以是预先设定的人脸图像,例如,可以是预先拍摄的符合需求的人脸图像,还可以是证件照等等。
在一些可选的实现方式中,上述基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数,可以具体包括:首先,可以使用预先训练的识别模型分别提取上述人脸生成图像的特征信息和上述标准人脸图像的特征信息,并计算上述人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离,其中,上述标准人脸图像和上述人脸生成图像包含同一人的人脸信息。然后,可以根据上述概率和上述欧式距离得到上述初始生成模型的损失函数。在实际的生成网络模型的训练过程中通常一个批次(batch)同时训练多个样本数据。可选的,假设上述生成模型的损失函数为J(G),J(G)可以有多种形式,其中一种形式可以为:
其中,x1表示由人脸样本图像的像素矩阵和人脸生成图像的像素矩阵组成的二元组;D(x1)表示x1输入到判别模型后的输出;表示多个x1同时训练时多个log(D(x1))的期望;x表示人脸生成图像的像素矩阵,F(x)表示人脸生成图像输入到识别网络后输出的特征向量;x0表示标准人脸图像的像素矩阵;F(x0)表示标准人脸图像输入到识别模型后的输出的特征向量;||F(x)-F(x0)||2表示F(x)与F(x0)的2-范数,用于表示F(x)和F(x0)的欧氏距离。生成模型的损失函数J(G)中加入F(x)和F(x0)的欧氏距离用于保证生成模型输出的人脸图像的特征信息与标准人脸图像的特征信息的欧式距离尽可能小,从而保证了生成人脸图像与标准人脸图像之间的相似性,即保证了生成人脸图像尽可能小的失真。
在一些可选的实现方式中,上述初始生成模型可以是通过以下方式训练得到的:上述电子设备或者其他用于训练上述初始生成模型的电子设备可以利用机器学习方法(例如神经网络),将图像分辨率低于上述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过上述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,上述第一人脸样本图像和上述第二人脸样本图像包含同一人的人脸信息。在这里,第一人脸样本图像可以是基于第二人脸样本图像采用各种方式生成的,例如,采用现有的插值算法(例如双线性插值、辛克插值等等)。
在本实施例的一些可选的实现方式中,上述判别模型可以是通过以下方式训练得到的:上述电子设备或者其他用于训练上述判别模型的电子设备可以利用机器学习方法(例如卷积神经网络),将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,上述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,上述正样本数据包括图像分辨率高于所述第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像得到的(例如采用插值算法得到的)、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像,上述负样本数据包括图像分辨率低于上述第一分辨率阈值的第三真实人脸图像和上述生成模型基于上述第三真实人脸图像输出的人脸图像。例如,存在第一真实人脸图像P1,基于第一真实人脸图像P1采用插值等方式得到第二真实人脸图像P2,则第一真实人脸图像P1和第二真实人脸图像P2两张图像组成正样本数据,可以设定标注信息为1。又例如,存在第三真实人脸图像P3,将第三真实人脸图像P3输入生成模型得到人脸图像P4,则第三真实人脸图像P3和人脸图像P4两张图像组成负样本数据,可以设定标注信息为0。例如,在判别模型的训练过程中,可以将正样本数据标注为1,将负样本数据标注为0,计算判别模型的损失函数,将判别模型的损失函数反向传播回判别模型,以供判别模型根据该损失函数更新模型参数,从而实现判别模型参数的调整,可选的,判别模型的损失函数为J(D),其中,J(D)的计算公式可以为:
其中:x3表示由图像分辨率高于上述第二分辨率阈值的第一真实人脸图像的像素矩阵和基于该第一真实人脸图像得到的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像的像素矩阵组成的二元组;D(x3)表示x3输入到判别模型后的输出;表示多个x3同时训练时多个log(D(x3))的期望;x4表示由第三真实人脸图像的像素矩阵和上述生成模型基于该第三真实人脸图像输出的人脸生成图像的像素矩阵组成的二元组;D(x4)表示x4输入到判别模型后的输出;表示多个x4同时训练时多个的log(1-D(x4))的期望。
在一些可选的实现方式中,上述识别模型可以是通过以下方式训练得到的:上述电子设备或者其他用于训练识别模型的电子设备可以利用机器学习方法可以利用机器学习方法,将第三人脸样本图像作为输入,上述第三人脸样本图像的特征信息作为输出,训练得到识别模型。其中,上述第三人脸样本图像的特征信息可以是指一个代表人脸的特征向量,例如一个代表人脸的512维的特征向量。
在本实施例的一些可选的实现方式中,上述生成模型可以为卷积神经网络模型。
继续参见图3,图3是根据本实施例的用于生成图像的方法的应用场景的一个示意图。在图3的应用场景中,首先,终端设备(例如,手机、电脑等等)获取图像分辨率低于预先设定的第一分辨率阈值的待处理人脸图像A,然后,终端设备将获取的待处理人脸图像A输入预先训练的生成模型301,由生成模型301生成处理后的人脸图像A1。需要说明的是,图3中的图像仅仅用于示意性的说明基于低分辨率的待处理人脸图像生成高分辨率的人脸图像的过程,而非对输入图像内容等的限定。
本申请的上述实施例提供的方法基于预先训练的生成模型,使用图像分辨率低于第一分辨率阈值的待处理人脸图像生成处理后的人脸图像,提高了待处理人脸图像的分辨率,上述生成模型在训练过程中利用损失函数更新模型参数,而该损失函数是基于人脸样本图像和人脸生成图像组成的图像组为正样本数据的概率确定的,因此,可以提高生成模型所生成的人脸图像的真实性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于生成图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于生成图像的装置400包括:获取单元401、生成单元402和生成模型训练单元403。其中,获取单元401用于获取待处理人脸图像,其中,上述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;生成单元402用于将上述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像;生成模型训练单元403用于训练上述生成模型;以及上述生成模型训练单元403包括:输出单元4031,用于将人脸样本图像输入初始生成模型,由上述初始生成模型输出人脸生成图像,其中,上述人脸样本图像的图像分辨率低于上述第一分辨率阈值;概率生成单元4032,用于将由上述人脸样本图像的像素矩阵和上述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由上述判别模型输出上述人脸样本图像和上述人脸生成图像组成的图像组为正样本数据的概率,其中,上述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像生成的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像;更新单元4033,用于基于上述概率得到上述初始生成模型的损失函数,并利用上述损失函数更新上述初始生成模型的模型参数,得到生成模型。
在本实施例中,用于生成图像的装置400的获取单元401、生成单元402和生成模型训练单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述更新单元4033包括确定单元(图中未示出),上述确定单元用于:基于上述概率和上述人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数,其中,上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息。
在本实施例的一些可选的实现方式中,上述确定单元进一步用于:使用预先训练的识别模型分别提取上述人脸生成图像的特征信息和上述标准人脸图像的特征信息,并计算上述人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离;根据上述概率和上述欧式距离得到上述初始生成模型的损失函数。
在本实施例的一些可选的实现方式中,上述装置还包括初始生成模型训练单元(图中未示出),上述初始生成模型训练单元用于:利用机器学习方法,将图像分辨率低于上述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过上述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,上述第一人脸样本图像和上述第二人脸样本图像包含同一人的人脸信息。
在本实施例的一些可选的实现方式中,上述装置还包括判别模型训练单元(图中未示出),上述判别模型训练单元用于:利用机器学习方法,将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,上述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,上述正样本数据包括图像分辨率高于上述第二分辨率阈值的第一真实人脸图像和基于上述第一真实人脸图像得到的、图像分辨率低于上述第一分辨率阈值的第二真实人脸图像,上述负样本数据包括图像分辨率低于上述第一分辨率阈值的第三真实人脸图像和上述生成模型基于上述第三真实人脸图像输出的人脸图像。
在本实施例的一些可选的实现方式中,上述装置还包括识别模型训练单元(图中未示出),上述识别模型训练单元用于:利用机器学习方法,将第三人脸样本图像作为输入,上述第三人脸样本图像的特征信息作为输出,训练得到识别模型。
在本实施例的一些可选的实现方式中,上述生成模型可以为卷积神经网络模型。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、生成单元和生成模型训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待处理人脸图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待处理人脸图像,其中,所述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;将所述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像,所述生成模型是通过以下训练步骤得到的:将人脸样本图像输入初始生成模型,由所述初始生成模型输出人脸生成图像,其中,所述人脸样本图像的图像分辨率低于所述第一分辨率阈值;将由所述人脸样本图像的像素矩阵和所述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由所述判别模型输出所述人脸样本图像和所述人脸生成图像组成的图像组为正样本数据的概率,其中,所述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于所述第一真实人脸图像生成的、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像;基于所述概率得到所述初始生成模型的损失函数,并利用所述损失函数更新所述初始生成模型的模型参数,得到生成模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于生成图像的方法,其特征在于,所述方法包括:
获取待处理人脸图像,其中,所述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;
将所述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像,所述生成模型是通过以下训练步骤得到的:
将人脸样本图像输入初始生成模型,由所述初始生成模型输出人脸生成图像,其中,所述人脸样本图像的图像分辨率低于所述第一分辨率阈值;
将由所述人脸样本图像的像素矩阵和所述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由所述判别模型输出所述人脸样本图像和所述人脸生成图像组成的图像组为正样本数据的概率,其中,所述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于所述第一真实人脸图像生成的、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像;
基于所述概率得到所述初始生成模型的损失函数,并利用所述损失函数更新所述初始生成模型的模型参数,得到生成模型,其中,所述基于所述概率得到所述初始生成模型的损失函数,包括:基于所述概率和所述人脸生成图像与标准人脸图像之间的相似度确定所述初始生成模型的损失函数,其中,所述标准人脸图像和单张所述人脸生成图像包含同一人的人脸信息,其中,所述标准人脸图像为证件照。
2.根据权利要求1所述的方法,其特征在于,所述基于所述概率和所述人脸生成图像与标准人脸图像之间的相似度确定所述初始生成模型的损失函数,包括:
使用预先训练的识别模型分别提取所述人脸生成图像的特征信息和所述标准人脸图像的特征信息,并计算所述人脸生成图像的特征信息与所述标准人脸图像的特征信息之间的欧式距离;
根据所述概率和所述欧式距离得到所述初始生成模型的损失函数。
3.根据权利要求1所述的方法,其特征在于,所述初始生成模型是通过以下方式训练得到的:
利用机器学习方法,将图像分辨率低于所述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过所述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,所述第一人脸样本图像和所述第二人脸样本图像包含同一人的人脸信息。
4.根据权利要求1所述的方法,其特征在于,所述判别模型是通过以下方式训练得到的:
利用机器学习方法,将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,所述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,所述正样本数据包括图像分辨率高于所述第二分辨率阈值的第一真实人脸图像和基于所述第一真实人脸图像得到的、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像,所述负样本数据包括图像分辨率低于所述第一分辨率阈值的第三真实人脸图像和所述生成模型基于所述第三真实人脸图像输出的人脸图像。
5.根据权利要求2所述的方法,其特征在于,所述识别模型是通过以下方式训练得到的:
利用机器学习方法,将第三人脸样本图像作为输入,所述第三人脸样本图像的特征信息作为输出,训练得到识别模型。
6.一种用于生成图像的装置,其特征在于,所述装置包括:
获取单元,用于获取待处理人脸图像,其中,所述待处理人脸图像的图像分辨率低于预先设定的第一分辨率阈值;
生成单元,用于将所述待处理人脸图像输入预先训练的生成模型,生成处理后的人脸图像;
生成模型训练单元,用于训练所述生成模型;以及
所述生成模型训练单元包括:
输出单元,用于将人脸样本图像输入初始生成模型,由所述初始生成模型输出人脸生成图像,其中,所述人脸样本图像的图像分辨率低于所述第一分辨率阈值;
概率生成单元,用于将由所述人脸样本图像的像素矩阵和所述人脸生成图像的像素矩阵组成的二元组输入预先训练的判别模型,由所述判别模型输出所述人脸样本图像和所述人脸生成图像组成的图像组为正样本数据的概率,其中,所述正样本数据包括图像分辨率高于第二分辨率阈值的第一真实人脸图像和基于所述第一真实人脸图像生成的、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像;
更新单元,用于基于所述概率得到所述初始生成模型的损失函数,并利用所述损失函数更新所述初始生成模型的模型参数,得到生成模型,其中,所述更新单元包括确定单元,所述确定单元用于:基于所述概率和所述人脸生成图像与标准人脸图像之间的相似度确定所述初始生成模型的损失函数,其中,所述标准人脸图像和单张所述人脸生成图像包含同一人的人脸信息,其中,所述标准人脸图像为证件照。
7.根据权利要求6所述的装置,其特征在于,所述确定单元进一步用于:
使用预先训练的识别模型分别提取所述人脸生成图像的特征信息和所述标准人脸图像的特征信息,并计算所述人脸生成图像的特征信息与所述标准人脸图像的特征信息之间的欧式距离;
根据所述概率和所述欧式距离得到所述初始生成模型的损失函数。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括初始生成模型训练单元,所述初始生成模型训练单元用于:
利用机器学习方法,将图像分辨率低于所述第一分辨率阈值的第一人脸样本图像作为输入,将图像分辨率超过所述第二分辨率阈值的第二人脸样本图像作为输出,训练得到初始生成模型,其中,所述第一人脸样本图像和所述第二人脸样本图像包含同一人的人脸信息。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括判别模型训练单元,所述判别模型训练单元用于:
利用机器学习方法,将第一样本数据作为输入,将第一样本数据的标注信息作为输出,训练得到判别模型,其中,所述第一样本数据包括带有标注信息的正样本数据和带有标注信息负样本数据,其中,所述正样本数据包括图像分辨率高于所述第二分辨率阈值的第一真实人脸图像和基于所述第一真实人脸图像得到的、图像分辨率低于所述第一分辨率阈值的第二真实人脸图像,所述负样本数据包括图像分辨率低于所述第一分辨率阈值的第三真实人脸图像和所述生成模型基于所述第三真实人脸图像输出的人脸图像。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括识别模型训练单元,所述识别模型训练单元用于:
利用机器学习方法,将第三人脸样本图像作为输入,所述第三人脸样本图像的特征信息作为输出,训练得到识别模型。
11.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806066.3A CN107633218B (zh) | 2017-09-08 | 2017-09-08 | 用于生成图像的方法和装置 |
US16/052,429 US10650492B2 (en) | 2017-09-08 | 2018-08-01 | Method and apparatus for generating image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806066.3A CN107633218B (zh) | 2017-09-08 | 2017-09-08 | 用于生成图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633218A CN107633218A (zh) | 2018-01-26 |
CN107633218B true CN107633218B (zh) | 2021-06-08 |
Family
ID=61100819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710806066.3A Active CN107633218B (zh) | 2017-09-08 | 2017-09-08 | 用于生成图像的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10650492B2 (zh) |
CN (1) | CN107633218B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679490B (zh) * | 2017-09-29 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108021931A (zh) * | 2017-11-20 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 一种数据样本标签处理方法及装置 |
CN108596024B (zh) * | 2018-03-13 | 2021-05-04 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
CN108492364B (zh) * | 2018-03-27 | 2022-09-20 | 百度在线网络技术(北京)有限公司 | 用于生成图像生成模型的方法和装置 |
CN108460364B (zh) * | 2018-03-27 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
EP3605465B1 (en) * | 2018-07-30 | 2020-12-30 | Siemens Healthcare GmbH | A method for determining a correspondence between a source image and a reference image |
CN109284280B (zh) * | 2018-09-06 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 仿真数据优化方法、装置及存储介质 |
US11514313B2 (en) * | 2018-09-27 | 2022-11-29 | Google Llc | Sampling from a generator neural network using a discriminator neural network |
CN109857879B (zh) * | 2018-12-20 | 2021-04-30 | 杭州英歌智达科技有限公司 | 一种基于gan的人脸检索方法 |
CN109859113B (zh) * | 2018-12-25 | 2021-08-20 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
CN109697470B (zh) * | 2018-12-27 | 2021-02-09 | 百度在线网络技术(北京)有限公司 | 一种识别模型的训练方法、装置、电子设备及存储介质 |
GB2581991B (en) * | 2019-03-06 | 2022-06-01 | Huawei Tech Co Ltd | Enhancement of three-dimensional facial scans |
CN110069992B (zh) * | 2019-03-18 | 2021-02-09 | 西安电子科技大学 | 一种人脸图像合成方法、装置、电子设备及存储介质 |
CN109977832B (zh) * | 2019-03-19 | 2024-03-29 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
CN110084119A (zh) * | 2019-03-26 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于深度学习的低分辨率人脸图像识别方法 |
CN111489289B (zh) * | 2019-04-02 | 2023-09-12 | 长信智控网络科技有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
CN110059652B (zh) * | 2019-04-24 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置及存储介质 |
CN112148922A (zh) * | 2019-06-28 | 2020-12-29 | 鸿富锦精密工业(武汉)有限公司 | 会议记录方法、装置、数据处理设备及可读存储介质 |
CN112365553B (zh) * | 2019-07-24 | 2022-05-20 | 北京新唐思创教育科技有限公司 | 人体图像生成模型训练、人体图像生成方法及相关装置 |
CN111324764B (zh) * | 2020-02-18 | 2023-09-22 | 北京金山安全软件有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
CN111340700B (zh) * | 2020-02-21 | 2023-04-25 | 北京中科虹霸科技有限公司 | 模型生成方法、分辨率提高方法、图像识别方法及装置 |
CN111507914B (zh) * | 2020-04-10 | 2023-08-08 | 北京百度网讯科技有限公司 | 人脸修复模型的训练方法、修复方法、装置、设备和介质 |
CN111539903B (zh) * | 2020-04-16 | 2023-04-07 | 北京百度网讯科技有限公司 | 训练人脸图像合成模型的方法和装置 |
CN112036544A (zh) * | 2020-07-31 | 2020-12-04 | 五八有限公司 | 一种图像生成方法及装置 |
CN111794741B (zh) * | 2020-08-11 | 2023-08-18 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN111967529B (zh) * | 2020-08-27 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 识别方法、装置、设备及*** |
CN112541446B (zh) * | 2020-12-17 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种生物特征库更新方法、装置及电子设备 |
CN113222814B (zh) * | 2021-04-22 | 2023-08-04 | 深圳赛安特技术服务有限公司 | 图像的分辨率处理方法、装置、设备及存储介质 |
CN113139906B (zh) * | 2021-05-13 | 2023-11-24 | 平安国际智慧城市科技股份有限公司 | 一种生成器的训练方法、装置与存储介质 |
CN114330576A (zh) * | 2021-12-30 | 2022-04-12 | 北京百度网讯科技有限公司 | 模型处理方法、装置、图像识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847968A (zh) * | 2016-03-21 | 2016-08-10 | 京东方科技集团股份有限公司 | 基于深度学习的解像方法和*** |
US9530047B1 (en) * | 2013-11-30 | 2016-12-27 | Beijing Sensetime Technology Development Co., Ltd. | Method and system for face image recognition |
CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN106981047A (zh) * | 2017-03-24 | 2017-07-25 | 武汉神目信息技术有限公司 | 一种从低分辨率人脸恢复高分辨率人脸的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3722954B1 (en) * | 2013-06-24 | 2023-09-06 | Cylance Inc. | Automated system for generative multimodel multiclass classification and similarity analysis using machine learning |
RU2683622C2 (ru) * | 2014-04-23 | 2019-03-29 | Новоматик Аг | Приспособление и способ для идентификации отпечатков пальцев |
-
2017
- 2017-09-08 CN CN201710806066.3A patent/CN107633218B/zh active Active
-
2018
- 2018-08-01 US US16/052,429 patent/US10650492B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9530047B1 (en) * | 2013-11-30 | 2016-12-27 | Beijing Sensetime Technology Development Co., Ltd. | Method and system for face image recognition |
CN105847968A (zh) * | 2016-03-21 | 2016-08-10 | 京东方科技集团股份有限公司 | 基于深度学习的解像方法和*** |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
CN106981047A (zh) * | 2017-03-24 | 2017-07-25 | 武汉神目信息技术有限公司 | 一种从低分辨率人脸恢复高分辨率人脸的方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US10650492B2 (en) | 2020-05-12 |
CN107633218A (zh) | 2018-01-26 |
US20190080433A1 (en) | 2019-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN107578017B (zh) | 用于生成图像的方法和装置 | |
CN107609506B (zh) | 用于生成图像的方法和装置 | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN108898186B (zh) | 用于提取图像的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN110503703B (zh) | 用于生成图像的方法和装置 | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN110298319B (zh) | 图像合成方法和装置 | |
CN109784304B (zh) | 用于标注牙齿图像的方法和装置 | |
CN109902763B (zh) | 用于生成特征图的方法和装置 | |
CN109800730B (zh) | 用于生成头像生成模型的方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN110516598B (zh) | 用于生成图像的方法和装置 | |
WO2020034981A1 (zh) | 编码信息的生成方法和识别方法 | |
CN108921792B (zh) | 用于处理图片的方法和装置 | |
CN110288523B (zh) | 图像生成方法和装置 | |
CN109919249B (zh) | 用于生成特征图的方法和装置 | |
CN109816670B (zh) | 用于生成图像分割模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |