CN108648226B - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：通过获取包括第一目标图像和第二目标图像的目标图像组；获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层；对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得用于表征第一目标图像和第二目标图像的视差的视差图。该实施方式实现了富于准确性的信息生成。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

双目视觉是模拟人类视觉原理，使用计算机被动感知距离的方法。从两个或者多个点观察一个物体，获取在不同视角下的图像，根据图像之间像素的匹配关系，通过三角测量原理计算出像素之间的偏移，进而获取物体的三维信息。

通常，得到了物体的景深信息，就可以计算出物体与相机之间的实际距离、物体的三维大小以及两点或多点之间的实际距离。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，各级子网络的特征提取层从首至尾依次连接，且各级子网络的视差图生成层从尾至首依次连接；对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，对于至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层包括依次连接的形变层、相关层和反卷积层；其中，该级子网络的形变层用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；该级子网络的相关层用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；该级子网络的反卷积层用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

在一些实施例中，尾级子网络的视差图生成层包括第一视差图生成层和第二视差图生成层；以及将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图，包括：将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，第二视差图生成层包括依次连接的形变层、相关层和反卷积层；第二视差图生成层的形变层用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；第二视差图生成层的相关层用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；第二视差图生成层的反卷积层用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

在一些实施例中，至少两个级联的子网络包括六个级联的子网络。

在一些实施例中，神经网络通过如下步骤训练得到：获取多个样本图像组以及针对多个样本图像组中的每个样本图像组预先确定的样本视差图，其中，对于多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像；利用机器学习的方法，将多个样本图像组中的每个样本图像组作为输入，将针对多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：第一获取单元，配置用于获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；第二获取单元，配置用于获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，各级子网络的特征提取层从首至尾依次连接，且各级子网络的视差图生成层从尾至首依次连接；执行单元，配置用于对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，对于至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层包括依次连接的形变层、相关层和反卷积层；其中，该级子网络的形变层用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；该级子网络的相关层用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；该级子网络的反卷积层用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

在一些实施例中，尾级子网络的视差图生成层包括第一视差图生成层和第二视差图生成层；以及执行单元进一步配置用于：将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在一些实施例中，第二视差图生成层包括依次连接的形变层、相关层和反卷积层；第二视差图生成层的形变层用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；第二视差图生成层的相关层用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；第二视差图生成层的反卷积层用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

在一些实施例中，至少两个级联的子网络包括六个级联的子网络。

在一些实施例中，神经网络通过如下步骤训练得到：获取多个样本图像组以及针对多个样本图像组中的每个样本图像组预先确定的样本视差图，其中，对于多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像；利用机器学习的方法，将多个样本图像组中的每个样本图像组作为输入，将针对多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

第三方面，本申请实施例提供了一种服务器，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，各级子网络的特征提取层从首至尾依次连接，且各级子网络的视差图生成层从尾至首依次连接；对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图，从而有效利用神经网络的多级子网络来生成双目视觉图像的视差图，提高了所生成的视差图的可靠性，实现了富于准确性的信息生成。

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是本申请实施例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信息的方法的一个实施例的流程图；

图3是本申请实施例提供的一种神经网络的示意图；

图4是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图5是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图6是本申请实施例提供的又一种神经网络的示意图；

图7是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的服务器的计算机***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信息的方法或用于生成信息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上可以安装有各种通讯客户端应用，例如图像处理应用、搜索类应用、绘图类应用、即时通信工具、美图软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

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上发送的目标图像组进行处理的图像处理服务器。图像处理服务器可以对接收到的目标图像组等数据进行分析等处理，并将处理结果(例如用于表征目标图像组所包括的第一目标图像和第二目标图像的视差的视差图)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

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，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取包括第一目标图像和第二目标图像的目标图像组。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取包括第一目标图像和第二目标图像的目标图像组。其中，第一目标图像和第二目标图像可以为双目视觉图像。具体的，第一目标图像可以为双目视觉图像中的左图像，相应的，第二目标图像为双目视觉图像中的右图像；或者，第一目标图像为双目视觉图像中的右图像，相应的，第二目标图像为双目视觉图像中的左图像。目标图像组可以为通过双目相机预先拍摄获得的图像组。需要说明的是，上述执行主体可以获取预先存储于本地的目标图像组，或者获取终端(例如图1所示的终端设备101、102、103)所发送的目标图像组。

步骤202，获取预先训练的神经网络。

在本实施例中，上述执行主体(例如图1所示的服务器)可以获取预先训练的神经网络。其中，神经网络可以包括至少两个级联的子网络。至少两个级联的子网络中的各级子网络可以分别包括特征提取层和视差图生成层。各级子网络的特征提取层可以从首至尾依次连接。且各级子网络的视差图生成层可以从尾至首依次连接。

在本实施例的一个具体的实现方式中，上述神经网络可以仅包括首级子网络和尾级子网络。

其中，首级子网络的特征提取层可以用于提取所输入的目标图像组中的第一目标图像和第二目标图像的图像特征，输出首级子网络的特征图像组。首级子网络的视差图生成层可以用于基于尾级子网络的视差图生成层输出的视差图，输出用于表征目标图像组所包括的第一目标图像和第二目标图像的视差的视差图。尾级子网络的特征提取层可以用于接收首级子网络的特征提取层输出的特征图像组，获得由尾级子网络的特征提取层输出的特征图像组。尾级子网络的视差图生成层可以用于接收尾级子网络的特征提取层输出的特征图像组，获得由尾级子网络的视差图生成层输出的视差图。

在本实施例的另一个具体的实现方式中，上述神经网络还可以包括首级子网络、至少一个中间级子网络和尾级子网络。

其中，首级子网络和尾级子网络位于神经网络的两端，中间级子网络位于首级子网络和尾级子网络之间。

在这里，对于上述至少一个中间级子网络和尾级子网络中的每级子网络，该级子网络的特征提取层可以用于将该级子网络的上一级子网络的特征提取层输出的特征图像组作为输入，获得由该级子网络的特征提取层输出的特征图像组。其中，该级子网络的上一级子网络可以为与该级子网络相邻的两个子网络中，沿首级子网络至尾级子网络方向用于向该级子网络输入特征图像组的子网络。该级子网络的视差图生成层可以用于将该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图。其中，该级子网络的下一级子网络可以为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

示例性的，如图3所示，为本申请实施例提供的一种神经网络的示意图。图中的神经网络301包括三个级联的子网络3011、3012、3013。其中，子网络3011为首级子网络；子网络3012为中间级子网络；子网络3013为尾级子网络。各级子网络均包括特征提取层和视差图生成层。各级子网络的特征提取层从首至尾依次连接。且各级子网络的视差图生成层从尾至首依次连接。需要说明的是，在这里，尾级子网络3013的视差图生成层30132可以根据尾级子网络3013的特征提取层30131输出的特征图像组，生成尾级子网络3013的视差图；中间级子网络3012的视差图生成层30122可以根据中间级子网络3012的特征提取层30121输出的特征图像组以及尾级子网络3013的视差图生成层30132输出的视差图，生成中间级子网络3012的视差图；首级子网络3011的视差图生成层30112可以根据首级子网络3011的特征提取层30111输出的特征图像组以及中间级子网络3012的视差图生成层30122输出的视差图，生成首级子网络3011的、用于表征目标图像组所包括的第一目标图像和第二目标图像的视差的视差图。

返回图2，在本实施例的一些可选的实现方式中，对于至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层可以包括依次连接的形变层、相关层和反卷积层。

其中，该级子网络的形变层可以用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像。

该级子网络的相关层可以用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图。需要说明的是，在这里，相关图可以用于表征两个图像间的相关关系。

该级子网络的反卷积层可以用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

需要说明的是，在这里，通过设置上述形变层、相关层和反卷积层，可以首先获得第二目标图像或第二特征图像的预测图像，然后获得预测图像和第二目标图像或第二特征图像的相关图，进而可以将所获得的相关图作为参考要素，生成更为准确的视差图。

在本实施例的一些可选的实现方式中，上述至少两个级联的子网络可以包括六个级联的子网络。具体的，上述六个级联的子网络可以包括首级子网络、四个中间级子网络和尾级子网络。

在这里，上述六个级联的子网络中的每个子网络包括特征提取层和视差图生成层。首级子网络的特征提取层可以用于提取所输入的目标图像组中的第一目标图像和第二目标图像的图像特征，输出首级子网络的特征图像组。对于上述四个中间级子网络中的每个中间级子网络，该中间级子网络的特征提取层可以将该中间级子网络的上一级子网络的特征提取层输出的特征图像组作为输入，获得该中间级子网络的特征提取层输出的特征图像组。尾级子网络的特征提取层可以将与尾级子网络相邻的中间级子网络的特征提取层输出的特征图像组作为输入，获得由尾级子网络的特征提取层输出的特征图像组。尾级子网络的视差图生成层可以将尾级子网络的特征提取层输出的特征图像组作为输入，获得由尾级子网络的视差图生成层输出的视差图。对于上述四个中间级子网络中的每个中间级子网络，该中间级子网络的视差图生成层可以将该中间级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该中间级子网络的视差图生成层输出的视差图。首级子网络的视差图生成层可以将与首级子网络相邻的中间级子网络的视差图生成层输出的视差图作为输入，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

需要说明的是，在这里，通过设置六个级联的子网络，可以在保证所获得的视差图的准确度的情况下，获得较高的计算速度，提高了视差图生成的效率。

在本实施例的一些可选的实现方式中，上述至少两个级联的子网络中的尾级子网络的特征提取层和/或与尾级子网络相邻的子网络的特征提取层可以采用带孔卷积层。在这里，通过设置带孔卷积层，可以在保持分辨率的情况下增大感受野，得到更多全局信息和更加紧密的特征。

在本实施例中，上述神经网络可以用于表征图像组与用于表征图像组所包括的第一图像和第二图像的视差的视差图的对应关系。其中，第一图像和第二图像为双目视觉图像。

作为示例，上述神经网络可以为预先利用机器学习方法，基于训练样本对用于进行图像处理的网络进行训练后所得到的网络。在这里，作为示例，上述用于进行图像处理的网络可以包括卷积神经网络(Convolutional Neural Network，CNN)，也可以包括深度神经网络(Deep Neural Network，DNN)。

在本实施例的一些可选的实现方式中，上述神经网络可以通过如下步骤训练得到：

首先，可以获取多个样本图像组以及针对上述多个样本图像组中的每个样本图像组预先确定的样本视差图。其中，对于多个样本图像组中的每个样本图像组，该样本图像组可以包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像。

具体的，多个样本图像组可以为通过双目相机预先拍摄获得的多个图像组。多个样本图像组中的每个样本图像组所对应的样本视差图可以为预先通过图像处理软件(例如MATLAB)生成的视差图。

其次，可以利用机器学习的方法，将上述多个样本图像组中的每个样本图像组作为输入，将针对上述多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

具体的，可以将卷积神经网络和/或深度神经网络等作为初始网络，利用机器学习的方法，将上述多个样本图像组中的每个样本图像组作为输入，将针对上述多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，迭代式地调整网络的参数，最后训练得到神经网络。

在这里，通过上述步骤训练得到的神经网络，可以生成较为准确的双目视觉图像的视差图。并且，上述训练步骤简便易行，训练速度快，效率高。

步骤203，对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，对于步骤202所获取的神经网络，上述执行主体可以执行上述视差图生成步骤。

与步骤202中的两个具体的实现方式相对应，上述对于神经网络，执行的视差图生成步骤可以包括以下两种实现方式。

在第一个具体的实现方式中，上述神经网络仅包括首级子网络和尾级子网络。上述步骤203中将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组的步骤可以包括：

首先，上述执行主体可以将目标图像组输入首级子网络的特征提取层，获得由首级子网络的特征提取层输出的特征图像组。

其次，上述执行主体可以将首级子网络的特征提取层输出的特征图像组输入尾级子网络的特征提取层，获得由尾级子网络的特征提取层输出的特征图像组。

与上述的将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组相对应，上述将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图的步骤可以包括：

首先，上述执行主体可以将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由尾级子网络的视差图生成层输出的视差图。

其次，上述执行主体可以将尾级子网络的视差图生成层输出的视差图输入首级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在第二个具体的实现方式中，上述神经网络可以包括首级子网络、至少一个中间级子网络和尾级子网络。上述步骤203中将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组的步骤可以包括：

首先，上述执行主体可以将目标图像组输入首级子网络的特征提取层，获得由首级子网络的特征提取层输出的特征图像组。

然后，对于上述至少一个中间级子网络中的每个中间级子网络，该中间级子网络的特征提取层可以将该中间级子网络的上一级子网络的特征提取层输出的特征图像组作为输入，获得由该中间级子网络的特征提取层输出的特征图像组。

最后，尾级子网络的特征提取层可以将与尾级子网络相邻的中间级子网络的特征提取层输出的特征图像组作为输入，获得由尾级子网络的特征提取层输出的特征图像组。

与上述的将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组相对应，上述将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图的步骤可以包括：

首先，上述执行主体可以将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由尾级子网络的视差图生成层输出的视差图。

然后，对于上述至少一个中间级子网络中的每个中间级子网络，该中间级子网络的视差图生成层可以将该中间级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该中间级子网络的视差图生成层输出的视差图。

接着，首级子网络的视差图生成层可以将与首级子网络相邻的中间级子网络的视差图生成层输出的视差图作为输入，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

可以理解的是，通过上述神经网络所包括的各级子网络级联的输入输出关系，上述执行主体可以生成更为准确的、用于表征第一目标图像和第二目标图像的视差的视差图。

继续参见图4，图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中，服务器401可以首先获取终端设备402发送的、包括第一目标图像4031和第二目标图像4032的目标图像组403，其中，第一目标图像4031和第二目标图像4032为双目视觉图像；然后，服务器401可以获取预先训练的神经网络404，其中，神经网络404可以包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络可以分别包括特征提取层和视差图生成层，各级子网络的特征提取层可以从首至尾依次连接，且各级子网络的视差图生成层可以从尾至首依次连接；最后，对于神经网络404，服务器401可以执行以下视差图生成步骤：将目标图像组403输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图405。

本申请的上述实施例提供的方法通过利用神经网络的多级子网络来生成双目视觉图像的视差图，提高了所生成的视差图的可靠性，实现了富于准确性的信息生成。

进一步参考图5，其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500，包括以下步骤：

步骤501，获取包括第一目标图像和第二目标图像的目标图像组。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取包括第一目标图像和第二目标图像的目标图像组。其中，第一目标图像和第二目标图像可以为双目视觉图像。目标图像组可以为待获得用于表征其所包括的第一目标图像和第二目标图像的视差的视差图的图像组。

步骤502，获取预先训练的神经网络。

在本实施例中，上述执行主体(例如图1所示的服务器)可以获取预先训练的神经网络。其中，神经网络可以包括至少两个级联的子网络。至少两个级联的子网络中的各级子网络可以分别包括特征提取层和视差图生成层。各级子网络的特征提取层可以从首至尾依次连接。且各级子网络的视差图生成层可以从尾至首依次连接。

上述步骤501、步骤502分别与前述实施例中的步骤201、步骤202一致，上文针对步骤201和步骤202的描述也适用于步骤501和步骤502，此处不再赘述。

步骤503，对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，尾级子网络的视差图生成层可以包括第一视差图生成层和第二视差图生成层；以及对于步骤502所获取的神经网络，上述执行主体可以执行上述视差图生成步骤。其中，第一视差图生成层可以用于将尾级子网络的特征提取层输出的特征图像组作为输入，输出尾级子网络的初始视差图。第二视差图生成层可以用于将第一视差图生成层输出的初始视差图以及尾级子网络的特征提取层输出的特征图像组作为输入，输出尾级子网络的视差图。

在本实施例的一些可选的实现方式中，尾级子网络的第二视差图生成层可以包括依次连接的形变层、相关层和反卷积层；

其中，第二视差图生成层的形变层可以用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像。

第二视差图生成层的相关层可以用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图。

第二视差图生成层的反卷积层可以用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

需要说明的是，通过将第二视差图生成层设置为包括形变层、相关层和反卷积层的结构，可以使尾级子网络的视差图生成层输出更为准确的视差图。

示例性的，图6示出了本申请实施例提供的又一种神经网络的示意图。其中，神经网络601包括四个级联的子网络，四个级联的子网络分别为首级子网络6011、中间级子网络6012、中间级子网络6013以及尾级子网络6014。对于除尾级子网络6014外的子网络，均包括特征提取层、形变层、相关层以及反卷积层。对于尾级子网络6014，包括特征提取层、第一视差图生成层和第二视差图生成层。其中，第一视差图生成层包括相关层和反卷积层。第二视差图生成层包括形变层、相关层和反卷积层。在这里，用三角形表示特征提取层；用圆形表示形变层；用六边形表征相关层；用正方形表征反卷积层。

具体的，对于图6所示的神经网络，上述执行主体可以执行以下视差图生成步骤：

首先，可以将包括第一目标图像和第二目标图像的目标图像组输入首级子网络6011的特征提取层，获得由首级子网络6011的特征提取层输出的包括第一特征图像和第二特征图像的特征图像组。

然后，可以将首级子网络6011的特征提取层输出的目标图像组输入中间级子网络6012的特征提取层，获得由中间级子网络6012的特征提取层输出的包括第一特征图像和第二特征图像的特征图像组。

接着，可以将中间级子网络6012的特征提取层输出的特征图像组输入中间级子网络6013的特征提取层，获得由中间级子网络6013的特征提取层输出的包括第一特征图像和第二特征图像的特征图像组。

然后，可以将中间级子网络6013的特征提取层输出的特征图像组输入尾级子网络6014的特征提取层，获得由尾级子网络6014的特征提取层输出的包括第一特征图像和第二特征图像的特征图像组。

接着，可以将尾级子网络6014的特征提取层输出的特征图像组输入尾级子网络的第一视差图生成层中的相关层，获得尾级子网络6014的特征提取层输出的特征图像组中的第一特征图像和第二特征图像的视差值；

然后，可以将所获得的视差值输入尾级子网络6014的第一视差图生成层中的反卷积层，获得尾级子网络6014的初始视差图。

接着，可以将所获得的初始视差图和尾级子网络6014的特征提取层输出的特征图像组中的第一特征图像输入尾级子网络的第二视差图生成层中的形变层，获得尾级子网络6014的特征提取层输出的特征图像组中的第二特征图像的预测图像。

然后，可以将所获得的预测图像和尾级子网络6014的特征提取层输出的特征图像组中的第二特征图像输入尾级子网络6014的第二视差图生成层中的相关层，获得所获得的预测图像和尾级子网络6014的特征提取层输出的特征图像组中的第二特征图像的相关图。

接着，可以将所获得的相关图和尾级子网络6014的第一视差图生成层输出的初始视差图输入第二视差图生成层中的反卷积层，获得由尾级子网络6014的第二视差图生成层输出的视差图。

然后，可以将尾级子网络6014的第二视差图生成层输出的视差图和中间级子网络6013的特征提取层输出的特征图像组中的第一特征图像输入中间级子网络6013的形变层，获得中间级子网络6013的特征提取层输出的特征图像组中的第二特征图像的预测图像。

然后，可以将所获得的预测图像和中间级子网络6013的特征提取层输出的特征图像组中的第二特征图像输入中间级子网络6013的相关层，获得所获得的预测图像和中间级子网络6013的特征提取层输出的特征图像组中的第二特征图像的相关图。

接着，可以将所获得的相关图和尾级子网络6014的第二视差图生成层输出的视差图输入中间级子网络6013的反卷积层，获得由中间级子网络6013的视差图生成层输出的视差图。

然后，可以将中间级子网络6013的视差图生成层输出的视差图和中间级子网络6012的特征提取层输出的特征图像组中的第一特征图像输入中间级子网络6012的形变层，获得中间级子网络6012的特征提取层输出的特征图像组中的第二特征图像的预测图像。

然后，可以将所获得的预测图像和中间级子网络6012的特征提取层输出的特征图像组中的第二特征图像输入中间级子网络6012的相关层，获得所获得的预测图像和中间级子网络6012的特征提取层输出的特征图像组中的第二特征图像的相关图。

接着，可以将所获得的相关图和中间级子网络6013的视差图生成层输出的视差图输入中间级子网络6012的反卷积层，获得由中间级子网络6012的视差图生成层输出的视差图。

然后，可以将中间级子网络6012的视差图生成层输出的视差图和首级子网络6011的特征提取层输出的特征图像组中的第一特征图像输入首级子网络6011的形变层，获得首级子网络6011的特征提取层输出的特征图像组中的第二特征图像的预测图像。

然后，可以将所获得的预测图像和首级子网络6011的特征提取层输出的特征图像组中的第二特征图像输入首级子网络6011的相关层，获得所获得的预测图像和首级子网络6011的特征提取层输出的特征图像组中的第二特征图像的相关图。

接着，可以将所获得的相关图和中间级子网络6012的视差图生成层输出的视差图输入首级子网络6011的反卷积层，获得由首级子网络6011的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

返回图5，与图2对应的实施例相比，本实施例中的用于生成信息方法的流程500突出了基于尾级子网络的特征提取层输出的特征图像组生成尾级子网络的初始视差图，进而基于尾级子网络的初始视差图生成尾级子网络的视差图生成层输出的视差图的步骤。由此，本实施例描述的方案可以引入更多的视差图数据，从而实现更准确的信息生成。

进一步参考图7，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信息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7所示，本实施例的用于生成信息的装置700包括：第一获取单元701、第二获取单元702和执行单元703。其中，第一获取单元701配置用于获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；第二获取单元702配置用于获取预先训练的神经网络，其中，神经网络可以包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络可以分别包括特征提取层和视差图生成层，各级子网络的特征提取层可以从首至尾依次连接，且各级子网络的视差图生成层可以从尾至首依次连接；执行单元703配置用于对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例中，用于生成信息的装置700中的第一获取单元701可以通过有线连接方式或者无线连接方式获取包括第一目标图像和第二目标图像的目标图像组。其中，第一目标图像和第二目标图像可以为双目视觉图像。具体的，第一目标图像可以为双目视觉图像中的做图像，相应的，第二目标图像为双目视觉图像中的右图像；或者，第一目标图像为双目视觉图像中的右图像，相应的，第二目标图像为双目视觉图像中的左图像。目标图像组可以为待获得用于表征其所包括的第一目标图像和第二目标图像的视差的视差图的图像组。需要说明的是，第一获取单元701可以获取预先存储于本地的目标图像组，或者获取终端(例如图1所示的终端设备101、102、103)所发送的目标图像组。

在本实施例中，用于生成信息的装置700中的第二获取单元702可以获取预先训练的神经网络。其中，神经网络可以包括至少两个级联的子网络。至少两个级联的子网络中的各级子网络可以分别包括特征提取层和视差图生成层。各级子网络的特征提取层可以从首至尾依次连接。且各级子网络的视差图生成层可以从尾至首依次连接。

在本实施例中，上述神经网络可以用于表征图像组与用于表征图像组所包括的第一图像和第二图像的视差的视差图的对应关系。其中，第一图像和第二图像为双目视觉图像。

在本实施例中，对于第二获取单元702所获取的神经网络，执行单元703可以执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例的一些可选的实现方式中，对于至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层包括依次连接的形变层、相关层和反卷积层。

其中，该级子网络的形变层可以用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像。

该级子网络的相关层可以用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图。

该级子网络的反卷积层可以用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

在本实施例的一些可选的实现方式中，尾级子网络的视差图生成层可以包括第一视差图生成层和第二视差图生成层；以及执行单元603可以进一步配置用于：

将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

在本实施例的一些可选的实现方式中，第二视差图生成层可以包括依次连接的形变层、相关层和反卷积层。

第二视差图生成层的形变层可以用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像。

第二视差图生成层的相关层可以用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图。

第二视差图生成层的反卷积层可以用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

在本实施例的一些可选的实现方式中，至少两个级联的子网络可以包括六个级联的子网络。

在本实施例的一些可选的实现方式中，上述神经网络可以通过如下步骤训练得到：

首先，可以获取多个样本图像组以及针对多个样本图像组中的每个样本图像组预先确定的样本视差图，其中，对于多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像。

其次，可以利用机器学习的方法，将多个样本图像组中的每个样本图像组作为输入，将针对多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

本申请的上述实施例提供的装置700通过第一获取单元701获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；接着第二获取单元702获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，各级子网络的特征提取层从首至尾依次连接，且各级子网络的视差图生成层从尾至首依次连接；最后，对于神经网络，执行单元703执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图，从而有效利用神经网络的多级子网络来生成双目视觉图像的视差图，提高了所生成的视差图的可靠性，实现了富于准确性的信息生成。

下面参考图8，其示出了适于用来实现本申请实施例的服务器的计算机***800的结构示意图。图8示出的服务器仅仅是一个示例，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8所示，计算机***800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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：一种处理器包括第一获取单元、第二获取单元和执行单元。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，第一获取单元还可以被描述为“获取目标图像组的单元”。

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：获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；获取预先训练的神经网络，其中，神经网络包括至少两个级联的子网络，至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，各级子网络的特征提取层从首至尾依次连接，且各级子网络的视差图生成层从尾至首依次连接；对于神经网络，执行以下视差图生成步骤：将目标图像组输入至少两个级联的子网络中首级子网络的特征提取层，获得由至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征第一目标图像和第二目标图像的视差的视差图。

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 (14)

1.一种用于生成信息的方法，包括：

获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；

获取预先训练的神经网络，其中，所述神经网络包括至少两个级联的子网络，所述至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，所述各级子网络的特征提取层从首至尾依次连接，且所述各级子网络的视差图生成层从尾至首依次连接；

对于所述神经网络，执行以下视差图生成步骤：将目标图像组输入所述至少两个级联的子网络中首级子网络的特征提取层，获得由所述至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征所述第一目标图像和所述第二目标图像的视差的视差图。

2.根据权利要求1所述的方法，其中，对于所述至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层包括依次连接的形变层、相关层和反卷积层；

其中，该级子网络的形变层用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；

该级子网络的相关层用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；

该级子网络的反卷积层用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

3.根据权利要求1或2所述的方法，其中，所述尾级子网络的视差图生成层包括第一视差图生成层和第二视差图生成层；以及

所述将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征所述第一目标图像和所述第二目标图像的视差的视差图，包括：

将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；

将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征所述第一目标图像和所述第二目标图像的视差的视差图。

4.根据权利要求3所述的方法，其中，所述第二视差图生成层包括依次连接的形变层、相关层和反卷积层；

所述第二视差图生成层的形变层用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；

所述第二视差图生成层的相关层用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；

所述第二视差图生成层的反卷积层用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

5.根据权利要求1或2所述的方法，其中，所述至少两个级联的子网络包括六个级联的子网络。

6.根据权利要求1所述的方法，其中，所述神经网络通过如下步骤训练得到：

获取多个样本图像组以及针对所述多个样本图像组中的每个样本图像组预先确定的样本视差图，其中，对于所述多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像；

利用机器学习的方法，将所述多个样本图像组中的每个样本图像组作为输入，将针对所述多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

7.一种用于生成信息的装置，包括：

第一获取单元，配置用于获取包括第一目标图像和第二目标图像的目标图像组，其中，第一目标图像和第二目标图像为双目视觉图像；

第二获取单元，配置用于获取预先训练的神经网络，其中，所述神经网络包括至少两个级联的子网络，所述至少两个级联的子网络中的各级子网络分别包括特征提取层和视差图生成层，所述各级子网络的特征提取层从首至尾依次连接，且所述各级子网络的视差图生成层从尾至首依次连接；

执行单元，配置用于对于所述神经网络，执行以下视差图生成步骤：将目标图像组输入所述至少两个级联的子网络中首级子网络的特征提取层，获得由所述至少两个级联的子网络中的尾级子网络的特征提取层输出的特征图像组；将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征所述第一目标图像和所述第二目标图像的视差的视差图。

8.根据权利要求7所述的装置，其中，对于所述至少两个级联的子网络中除尾级子网络外的每级子网络，该级子网络所包括的视差图生成层包括依次连接的形变层、相关层和反卷积层；

其中，该级子网络的形变层用于将该级子网络的特征提取层输出的特征图像组中的第一特征图像和该级子网络的下一级子网络的视差图生成层返回的视差图作为输入，输出该级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；

该级子网络的相关层用于将该级子网络的形变层输出的预测图像和该级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出该级子网络的形变层输出的预测图像与该级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；

该级子网络的反卷积层用于将该级子网络的相关层输出的相关图和该级子网络的下一级子网络的视差图生成层输出的视差图作为输入，获得由该级子网络的视差图生成层输出的视差图，该级子网络的下一级子网络为与该级子网络相邻的两个子网络中，沿尾级子网络至首级子网络方向用于向该级子网络输入视差图的子网络。

9.根据权利要求7或8所述的装置，其中，所述尾级子网络的视差图生成层包括第一视差图生成层和第二视差图生成层；以及

所述执行单元进一步配置用于：

将尾级子网络的特征提取层输出的特征图像组输入尾级子网络的视差图生成层中的第一视差图生成层，获得由尾级子网络的第一视差图生成层输出的初始视差图；

将尾级子网络的特征提取层输出的特征图像组和所获得的初始视差图输入尾级子网络的视差图生成层中的第二视差图生成层，获得由首级子网络的视差图生成层输出的、用于表征所述第一目标图像和所述第二目标图像的视差的视差图。

10.根据权利要求9所述的装置，其中，所述第二视差图生成层包括依次连接的形变层、相关层和反卷积层；

所述第二视差图生成层的形变层用于将尾级子网络的特征提取层输出的特征图像组中的第一特征图像和尾级子网络的第一视差图生成层输出的初始视差图作为输入，输出尾级子网络的特征提取层输出的特征图像组中的第二特征图像的预测图像；

所述第二视差图生成层的相关层用于将第二视差图生成层的形变层输出的预测图像和尾级子网络的特征提取层输出的特征图像组中的第二特征图像作为输入，输出第二视差图生成层的形变层输出的预测图像与尾级子网络的特征提取层输出的特征图像组中的第二特征图像的相关图；

所述第二视差图生成层的反卷积层用于将第二视差图生成层的相关层输出的相关图和尾级子网络的第一视差图生成层输出的初始视差图作为输入，获得由尾级子网络的视差图生成层输出的视差图。

11.根据权利要求7或8所述的装置，其中，所述至少两个级联的子网络包括六个级联的子网络。

12.根据权利要求7所述的装置，其中，所述神经网络通过如下步骤训练得到：

获取多个样本图像组以及针对所述多个样本图像组中的每个样本图像组预先确定的样本视差图，其中，对于所述多个样本图像组中的每个样本图像组，该样本图像组包括第一样本图像和第二样本图像，第一样本图像和第二样本图像为双目视觉图像；

利用机器学习的方法，将所述多个样本图像组中的每个样本图像组作为输入，将针对所述多个样本图像组中的每个样本图像组预先确定的样本视差图作为输出，训练得到神经网络。

13.一种服务器，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，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。