CN111145080B - 一种图像生成模型的训练方法、图像生成方法及装置 - Google Patents

Abstract

本公开关于一种图像生成模型的训练方法、图像生成方法及装置，图像生成模型的训练方法包括：将样本图像输入待训练模型；提取样本图像的目标特征信息，将目标特征信息与目标对象的第一特征信息进行融合，生成样本目标图像；将样本图像以及样本目标图像下采样；将样本图像和样本目标图像输入第一类判别器模块，将下采样后的样本图像和样本目标图像输入第二类判别器模块；在图像生成器模块的第一损失值，第一类判别器模块的第二损失值，第二类判别器模块的第三损失值满足第一预设条件时，得到训练好的图像生成模型。可见，样本目标图像拥有目标图像的全局结构信息和局部细节信息，样本目标图像较好地还原了样本图像，且样本目标图像的清晰度较高。

Description

一种图像生成模型的训练方法、图像生成方法及装置

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像生成模型的训练方法、图像生成方法及装置。

背景技术

随着移动终端的快速发展，移动终端在用户的生活中扮演了越来越重要的角色，影响着人们的方方面面。尤其随着图像、音乐、视频等多媒体的兴起，用户通过各种多媒体社交应用与移动终端进行交互，图像作为多媒体的一大重要组成部分，也是各大多媒体社交应用所关注的一个重点。

图像处理是图像领域十分热门的方向，比如，利用一个小孩的图像来预测该小孩变老之后的图像，即可以将小孩图像变成***像。但是，相关技术中，将小孩图像变成***像后，所得到的***像的清晰度较低，并且，小孩转化成人的效果不明显，转换后的成人也不像小孩本人。

发明内容

为了解决背景技术中记载的技术问题，本公开实施例提供了一种图像生成模型的训练方法、图像生成方法及装置，本公开的技术方案如下：

根据本公开实施例的第一方面，提供了一种图像生成模型的训练方法，包括：

将包含目标对象的样本图像输入待训练模型；

所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息，并将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像；所述目标特征信息为：除所述第一特征信息之外的特征信息，所述第一特征信息为：用于表征所述目标对象的年龄特征、性别特征或颜色特征的特征信息；

将所述样本图像以及所述样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；

将所述样本图像以及所述样本目标图像输入所述待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入所述待训练模型中的第二类判别器模块；

在所述图像生成器模块对应的第一损失值，所述第一类判别器模块对应的第二损失值，以及所述第二类判别器模块对应的第三损失值满足第一预设条件时，将所述待训练模型确定为训练好的图像生成模型。

可选的，所述待训练模型还包括标签分类器模块；

在所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息之后，所述方法还包括：

将所述目标特征信息输入所述标签分类器模块中，得到判断结果，所述判断结果为所述目标特征信息是否包括所述第一特征信息；

如果所述判断结果为所述目标特征信息不包括所述第一特征信息，将所述待训练模型确定为训练好的图像生成模型；如果所述判断结果为所述目标特征信息包括所述第一特征信息，继续训练所述待训练模型。

可选的，在所述将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像之后，所述方法还包括：

计算所述样本图像与所述样本目标图像的目标结构相似度损失值；

在所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值满足第二预设条件时，将所述待训练模型确定为训练好的图像生成模型；否则，继续训练所述待训练模型。

可选的，所述第一预设条件为：所述第一损失值，所述第二损失值，以及所述第三损失值之和小于第一预设损失值。

可选的，所述第二预设条件为：所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值之和小于第二预设损失值。

根据本公开实施例的第二方面，一种图像生成方法，包括：

获取包括目标对象的待处理图像，所述目标对象的具有第二特征信息，所述第二特征信息为：所述目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息；

将所述待处理图像输入第一方面所述的训练好的图像生成模型中，得到具有所述第三特征信息的目标图像，所述第三特征信息为所述目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，所述第三特征信息与所述第二特征信息的类型相同。

可选的，所述将所述待处理图像输入第一方面所述的训练好的模型中之前，所述方法还包括：

对所述待处理图像进行图像分割预处理，得到所述待处理图像的目标对象；

所述将所述待处理图像输入第一方面所述的训练好的图像生成模型中，包括：

将所述目标对象输入第一方面所述的训练好的图像生成模型中。

根据本公开实施例的第三方面，提供了一种图像生成模型的训练装置，包括：

第一图像输入单元，被配置为执行将包含目标对象的样本图像输入待训练模型；

触发单元，被配置为执行触发所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息，并将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像；所述目标特征信息为：除所述第一特征信息之外的特征信息，所述第一特征信息为：用于表征所述目标对象的年龄特征、性别特征或颜色特征的特征信息；

下采样单元，被配置为执行将所述样本图像以及所述样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；

第二图像输入单元，被配置为执行将所述样本图像以及所述样本目标图像输入所述待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入所述待训练模型中的第二类判别器模块；

第一模型确定单元，被配置为执行在所述图像生成器模块对应的第一损失值，所述第一类判别器模块对应的第二损失值，以及所述第二类判别器模块对应的第三损失值满足第一预设条件时，将所述待训练模型确定为训练好的图像生成模型。

可选的，所述待训练模型还包括标签分类器模块；所述装置还包括：

特征输入单元，被配置为执行在所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息之后，将所述目标特征信息输入所述标签分类器模块中，得到判断结果，所述判断结果为所述目标特征信息是否包括所述第一特征信息；

第二模型确定单元，被配置为执行如果所述判断结果为所述目标特征信息不包括所述第一特征信息，将所述待训练模型确定为训练好的图像生成模型；如果所述判断结果为所述目标特征信息包括所述第一特征信息，继续训练所述待训练模型。

可选的，所述装置还包括：

损失值计算单元，被配置为执行在所述将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像之后，计算所述样本图像与所述样本目标图像的目标结构相似度损失值；

第三模型确定单元，被配置为执行在所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值满足第二预设条件时，将所述待训练模型确定为训练好的图像生成模型；否则，继续训练所述待训练模型。

可选的，所述第一预设条件为：所述第一损失值，所述第二损失值，以及所述第三损失值之和小于第一预设损失值。

可选的，所述第二预设条件为：所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值之和小于第二预设损失值。

根据本公开实施例的第四方面，一种图像生成装置，包括：

图像获取单元，被配置为执行获取包括目标对象的待处理图像，所述目标对象的具有第二特征信息，所述第二特征信息为：所述目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息；

第三图像输入单元，被配置为执行将所述待处理图像输入第一方面所述的训练好的图像生成模型中，得到具有所述第三特征信息的目标图像，所述第三特征信息为所述目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，所述第三特征信息与所述第二特征信息的类型相同。

可选的，所述装置还包括：

图像分割单元，被配置为执行所述将所述待处理图像输入第一方面所述的训练好的模型中之前，对所述待处理图像进行图像分割预处理，得到所述待处理图像的目标对象；

所述第三图像输入单元，被配置为执行：

将所述目标对象输入第一方面所述的训练好的图像生成模型中。

根据本公开实施例的第五方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

根据本公开实施例的第六方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

根据本公开实施例的第七方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机实现第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

本公开实施例提供的技术方案，在训练图像生成模型时，将包含目标对象的样本图像输入待训练模型；待训练模型的图像生成器模块提取样本图像的目标特征信息，并将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像；将样本图像以及样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；将样本图像以及样本目标图像输入待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入待训练模型中的第二类判别器模块；在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

附图说明

图1是根据一示例性实施例示出的一种图像生成模型的训练方法的流程图；

图2是根据一示例性实施例示出的一种图像生成方法的流程图；

图3是根据一示例性实施例示出的一种图像生成模型的训练装置的框图；

图4是根据一示例性实施例示出的一种图像生成装置的流程图；

图5是根据一示例性实施例示出的一种电子设备的框图；

图6是根据一示例性实施例示出的另一种电子设备的框图；

图7是根据一示例性实施例示出的再一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

为了解决相关技术中存在的在将一张图像进行图像处理后，所得到的图像的清晰度较低的技术问题，本公开实施例提供了一种图像生成模型的训练方法、图像生成方法及装置。

第一方面，首先对本公开实施例提供的一种图像生成模型的训练方法进行详细阐述。

本公开实施例所提供的一种图像生成模型的训练方法的执行主体可以为图像生成模型的训练装置，该装置可以运行于电子设备中，该电子设备可以是服务器或者终端，本公开实施例对电子设备不做具体限定。

为了方案描述清楚，首先对待训练模型的结构进行说明。

具体的，待训练模型可以包括一个图像生成器模块和多个判别器模块，图像生成器模块用于生成图像，即用于生成样本目标图像，每一判别器模型用于判别不同分辨率的样本目标图像相对于对应分辨率的样本图像的真实性。

并且，整个待训练模型可以由VAE(Variational Autoencoders，变分自编码器)和cGAN(conditional Generative Adversarial Network带条件的生成对抗神经网络构成。VAE是一种基于极大似然估计的生成模型。cGAN为在原来的对抗神经网络中加入条件，通过控制条件生成符合指定要求的结果。

图1是根据一示例性实施例示出的一种图像生成模型的训练方法的流程图。

如图1所示，该图像生成模型的训练方法可以包括以下步骤。

在步骤S11中，将包含目标对象的样本图像输入待训练模型。

可以理解的是，在训练上述待训练模型时，需要大量的样本图像，这些样本图像可以是作为执行主体的电子设备自身拍摄或者本地存储的图像，还可以是作为执行主体的电子设备从其他电子设备获取的图像，这都是合理的。

并且，在实际应用中，不同的样本图像中包含的目标对象可能不同。

具体的，按照年龄的角度对目标对象进行分类，样本图像中的目标对象可以是成人，还可以是娃娃。

按照性别的角度对目标对象进行分类，样本图像中的目标对象可以是男性，还可以是女性。

按照颜色的角度对目标对象进行分类，样本图像中的目标对象可以是彩色的目标对象，还可以是黑白的目标对象。

在步骤S12中，待训练模型的图像生成器模块提取样本图像的目标特征信息，并将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像。

其中，目标特征信息为：除第一特征信息之外的特征信息，第一特征信息为：用于表征目标对象的年龄特征、性别特征或颜色特征的特征信息。

具体的，待训练模型在接收到样本图像后，待训练模型的图像生成器模块可以提取样本图像的目标特征信息，该目标特征信息是除第一特征信息之外的特征信息。第一特征信息可以是用于表征目标对象的年龄特征、性别特征或颜色特征的特征信息。

举例而言，在样本图像中包含的目标对象为成人时，待训练模型的图像生成器可以提取样本图像中除年龄特征信息之外的特征信息，并将所提取的除年龄信息之外的特征信息作为目标特征信息。

在样本图像中包含的目标对象为男性时，待训练模型的图像生成器可以提取样本图像中除性别特征信息之外的特征信息，并将所提取的除性别特征信息之外的特征信息作为目标特征信息。

在样本图像中包含的目标对象为彩色的目标对象时，待训练模型的图像生成器可以提取样本图像中除颜色特征信息之外的特征信息，并将所提取的除颜色特征信息之外的特征信息作为目标特征信息。

待训练模型的图像生成器模块提取目标特征信息之后，为了使得后续步骤中，训练好的图像生成模型能够通过增加控制条件生成符合用户需求的结果。可以将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像。

举例而言，样本图像包含的目标对象是成人，那么，待训练模型的图像生成器所提取的目标特征信息可以不包括成人这一年龄特征信息。为了模拟目标特征信息在不包括年龄特征信息的情况下，能够根据目标特征信息以及附加的年龄特征信息，生成与所附加的年龄特征信息匹配的样本目标图像。待训练模型的图像生成模块将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像。

在步骤S13中，将样本图像以及样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像。

在生成样本目标图像后，可以将样本图像以及样本目标图像进行下采样。例如，样本图像的分辨率为256x256，可以将样本图像进行下采样，得到分辨率为128x128的样本图像，以及分辨率为64x64的样本图像。同样的，样本目标图像的分辨率为256x256，可以将样本目标图像进行下采样，得到的分辨率为128x128的样本目标图像，以及分辨率为64x64的样本目标图像。当然，本发明实施例对下采样的倍数不做具体限定。

在步骤S14中，将样本图像以及样本目标图像输入待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入待训练模型中的第二类判别器模块。

待训练模型中包括多个判别器模块，可以将样本图像与样本目标图像，以及下采样的样本图像与下采样的样本目标图像输入到不同的判别器模块中，为了方案描述清楚，可以将样本图像与样本目标图像所输入的判别器模块称为第一类判别器模块，该第一类判别器模块的数量通常为1个。并可以将下采样后的样本图像以及下采样后的样本目标图像所输入的判别器模块称为第二类判别器模块，其中，第二类判别器模块的数量可以根据实际情况来确定，例如，如果对样本图像以及样本目标图像下采样两次，那么，第二类判别器模块的数量可以为2。本公开实施例对第二类判别器模块的数量不做具体限定。

在步骤S15中，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型。

在该步骤中，可以计算图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值。并且，在第一损失值，第二损失值，以及第三损失值满足第一预设条件时，说明样本图像与样本目标图像的距离较小，即样本图像与样本目标图像足够接近。而且，样本目标图像包含了样本图像的全局结构信息和局部细节信息，即样本目标图像的清晰度较高，此时，可以将待训练模型确定为训练好的图像生成模型。否则，需要反复对图像生成器模型以及各个判别器模块进行交替训练，直至生成训练好的图像生成模型。

在一种可选的实施方式中，第一预设条件为：第一损失值，第二损失值，以及第三损失值之和小于第一预设损失值。并且，第一预设损失值可以根据实际情况进行确定，本公开对第一预设损失值的大小不做具体限定。

可见，训练好的图像生成模型能够在目标特征信息在不包括第一特征信息的情况下，能够根据目标特征信息以及附加的第一特征信息，生成与所附加的第一特征信息相匹配的样本目标图像。该第一特征信息可以为年龄特征信息、性别特征信息或者颜色特征信息。

本公开实施例提供的技术方案，在训练图像生成模型时，将包含目标对象的样本图像输入待训练模型；待训练模型的图像生成器模块提取样本图像的目标特征信息，并将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像；将样本图像以及样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；将样本图像以及样本目标图像输入待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入待训练模型中的第二类判别器模块；在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

为了使得图像生成器模块所提取的目标特征向量中彻底不包含目标对象的第一特征信息，在图1所示实施例的基础上，在一种可选的实施方式中，待训练模型还可以包括标签分类器模块；

在待训练模型的图像生成器模块提取样本图像的目标特征信息之后，该图像生成模型的训练方法还可以包括如下步骤，分别为步骤A1和步骤A2：

步骤A1，将目标特征信息输入标签分类器模块中，得到判断结果，判断结果为目标特征信息是否包括第一特征信息。

在该步骤中，待训练模型的图像生成器模块提取样本图像的目标特征信息之后，可以将目标特征信息输入标签分类器模块中。该标签分类器模块的输入为目标特征信息，该标签分类器模块的输出结果可以为：目标特征信息包括第一特征信息，或者，目标特征信息不包括第一特征信息。

举例而言，对于样本图像中包括的目标对象为成人的应用场景，目标对象的年龄信息是成人，目标特征信息中不包含成人这一年龄信息。将目标特征信息输入标签分类器模块，标签分类器模块的输出结果可以用于：判断目标特征信息是否由***像产生的。如果标签分类器模块的输出结果能够判断目标特征信息是由成人产生，说明目标特征信息中包含年龄信息，此时，需要交替训练图像生成器模块、多个判别器模块和标签分类器模块，从而不断去除掉目标特征信息中的年龄信息，以使得后续在利用训练好的图像生成模型处理图像时，生成的目标图像效果更好，例如，将***像彻底变成娃娃脸图像。

步骤A2，如果判断结果为目标特征信息不包括第一特征信息，将待训练模型确定为训练好的图像生成模型；如果判断结果为目标特征信息包括第一特征信息，继续训练待训练模型。

具体的，如果判断结果为目标特征信息不包括第一特征信息，说明目标特征信息去除第一特征信息越彻底，这样，在后续步骤中，利用训练好的图像生成模型来生成目标图像时，可以降低因目标特征信息中残留的第一特征信息，而对目标图像造成干扰，因此，此时可以将待训练模型确定为训练好的图像生成模型。相反地，如果判断结果为目标特征信息包括第一特征信息，说明目标特征信息去除第一特征信息不够彻底，为了防止在后续步骤中，利用训练好的图像生成模型来生成目标图像时，因目标特征信息中残留的第一特征信息而对目标图像造成干扰，因此，需要继续对待训练模型进行训练。

可见，通过本公开实施例的技术方案，目标特征信息去除第一特征信息较为彻底，这样，在后续步骤中，利用训练好的图像生成模型来生成目标图像时，可以降低因目标特征信息中残留的第一特征信息，而对目标图像造成干扰，使得图像处理结果更好。

并且，为了使得样本目标图像与样本图像的结构相似，在图1或者图2所示实施例的基础上，在将目标特征信息与目标对象的第一特征信息进行融合处理，生成样本目标图像之后，该图像生成模型的训练方法还可以包括如下两个步骤，分别为步骤B1和步骤B2：

步骤B1，计算样本图像与样本目标图像的目标结构相似度损失值。

步骤B2，在第一损失值，第二损失值，第三损失值，以及目标结构相似度损失值满足第二预设条件时，将待训练模型确定为训练好的图像生成模型；否则，继续训练待训练模型。

在该实施方式中，待训练模型中可以设置有结构相似度损失函数，利用结构相似度损失函数计算样本图像与第二样本目标图像的目标结构相似度损失值，在第一损失值，第二损失值，第三损失值，以及目标结构相似度损失值满足第二预设条件时，说明样本图像与样本目标图像的结构相似度较高，因此，可以将待训练模型确定为训练好的图像生成模型。否则，需要再次训练待训练模型，直至得到训练好的图像生成模型。其中，目标结构相似度损失值可以用多种，例如，可以用SSIM(Structural Similarity Index，结构相似性)来进行衡量。

在一种可选的实施方式中，第二预设条件为：第一损失值，第二损失值，第三损失值，以及目标结构相似度损失值之和小于第二预设损失值。本公开对第二预设损失值的大小不做具体限定。

可见，通过本公开实施例的技术方案，样本图像与样本目标图像的结构相似度损失值较小，这样，在后续步骤中，利用训练好的图像生成模型来生成目标图像时，样本图像与样本目标图像的结构更加接近，使得生成的样本目标图像更加真实。

为了方案描述清楚，下面将以具体实例对训练好的图像生成模块进行说明。

举例而言，样本图像为：x，x的分辨率为256x256，图像生产模块所生成的样本目标图像为：x’。

在将(x，x’)送入判别器模块之前，分别将样本图像和样本目标图像下采样2倍和4倍，可见，下采样得到的图像的分辨率分别为：128x128和64x64。最终得到(x,x’)，(x_128,x’_128),(x_64,x’_64)三种分辨率图像。其中，x_128和x_64为对x下采样所得的图像；x’_128和x’_64为对x’下采样所得的图像。

待训练模型为3种不同分辨率的图像分别设计判别器模块，也就是说，待训练模型包括有3个判别器模块，分别为D1，D2和D3。分别用于判别上述3种不同分辨率的图像。

接下来，计算D1，D2和D3对生成的3种分辨率图片(x’,x’_128,x’_64)的损失值loss，分别为Loss_D1，Loss_D2，Loss_D3。3个判别器模块对应的总损失值Loss_GAN＝Loss_D1+Loss_D2+Loss_D3。即本公开实施例提供的技术方案中，同时利用多个尺度的loss监督图像生成器模型来同时生成全局结构和局部细节。

并且，为了解决相关技术中存在的成人变娃娃脸不彻底问题，待训练模块还可以包括标签分类器(Label Classifier)模块，具体如下：

1、假设x的真实年龄特征信息是x_label，设计一个标签分类器(LabelClassifier)，分类器标签分类器以目标特征信息z(该目标特征信息不包括x_label)作为输入，输出结果用于判别z是由***像产生还是娃娃脸图像产生的，并通过以x_label作为监督信号不断优化标签分类器的能力。

2、将标签分类器的损失值Loss_Classifier作为待训练模型的负向loss,因此待训练模型需要尽可能地生成出剔除掉z中包含的年龄特征信息，从而增加分类器的反向Loss_Classifier。

3、在每次训练时交替训练待训练模型时，从而不断去除掉z中的年龄特征信息，从而在后续步骤中，可以实现让成人变娃娃脸更加彻底。

并且，为解决相关技术中存在的成人变娃娃脸之后不像本人的问题，待训练模型可以包括结构相似度损失(SSIM loss)，以限制生成出的结果x’在结构上和输入的x接近。因此定义Loss_SSIM为：Loss_SSIM＝SSIM(x’,x)

综上所述，待训练模型的损失值可以包括：Loss_GAN(对抗损失)，Loss_recon(还原损失)：该损失值用于表征x’与x之间的距离，Loss_SSIM(结构相似度损失)，以及Loss_Classifier(分类器损失)。在对待训练模型进行训练时，如果这四项损失值之和小于第三预设损失值，可以将待训练模型确定为训练好的图像生成模型。其中，第三预设损失值可以根据实际情况进行设定，本公开实施例对此不做具体限定。

第二方面，对本公开实施例提供的图像生成方法进行详细阐述。

本公开实施例所提供的一种图像生成方法的执行主体可以为图像生成装置，该装置可以运行于电子设备中，该电子设备可以是服务器或者终端，本公开实施例对电子设备不做具体限定。

如图2所示，本公开实施例提供了一种图像生成方法，包括如下步骤。

在步骤S21中，获取包括目标对象的待处理图像。

其中，目标对象的具有第二特征信息，第二特征信息为：目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息。

作为执行主体的电子设备可以通过多种方式来获取待处理图像，例如，作为执行主体的电子设备当前拍摄一张图像，此时，作为执行主体的电子设备可以将该张图像作为待处理图像。或者，作为执行主体的电子设备可以将已拍摄的任意一张图像作为待处理图像。或者，作为执行主体的电子设备还可以将从其他作为执行主体电子设备获取的图像作为待处理图像。这都是合理的。

并且，在实际应用中，对于不同的应用场景，待处理图像包含的目标对象通常不同。

例如，在一种应用场景中，用户想要将***像变成娃娃图像，此时，待处理图像包括的目标对象为成人。在另一种应用场景中，用户想要将娃娃图像变成***像，此时，待处理图像包括的目标对象为娃娃。

再例如，在另一种应用场景中，用户想要将男性图像变成女性图像，此时，待处理图像包括的目标对象为成人男性。在另一种应用场景中，用户想要将女性图像变成男性图像，此时，待处理图像包括的目标对象为女性。

再例如，在再一种应用场景中，用户想要将彩色图像变成黑白图像，此时，待处理图像包括的目标对象为彩色的目标对象。在另一种应用场景中，用户想要将黑白图像变成彩色图像，此时，待处理图像包括的目标对象为黑白的目标对象。

由上述描述可知，目标对象的具有第二特征信息。第二特征信息可以是目标对象的第一年龄特征信息，该第一年龄特征信息用于表征目标对象的年龄特征。第二特征信息还可以是目标对象的第一性别特征信息，该第一性别特征信息用于表征目标对象的性别特征。第二特征信息还可以是目标对象的第一颜色特征信息，该第一颜色特征信息用于表征目标对象的颜色特征。

在步骤S22中，将待处理图像输入第一方面实施例中训练好的图像生成模型中，得到具有第三特征信息的目标图像。

其中，第三特征信息为目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，第三特征信息与第二特征信息的类型相同。

在获取到待处理图像之后，可以将待处理图像输入第一方面实施例中训练好的图像生成模型中，图像生成模型接收到待处理图像后，可以提取待处理图像除第二特征信息之外的目标特征信息，并将所提取的目标特征信息与第三特征信息进行融合，从而得到具有第三特征信息的目标图像。并且，第三特征信息与第二特征信息的类型相同，也就是说，当第二特征信息为第一年龄特征信息，当第三特征信息为第二年龄特征信息。当第二特征信息为第一性别特征信息，当第三特征信息为第二性别特征信息。当第二特征信息为第一颜色特征信息，当第三特征信息为第二颜色特征信息。

具体的，在实际应用中，作为执行主体的电子设备可以接收用户输入的处理待处理图像的图像处理指令，该图像处理指令可以指示电子设备利用图像生成模型生成具有哪类第三特征信息的目标图像。

举例而言，当前待处理图像为娃娃图像，当该用户想要看到该娃娃图像对应的成年图像时，该用户可以点击终端上用于将“娃娃变成人”的按键，从而终端可以接收到用户输入的图像处理指令，这时，作为执行主体的电子设备可以将待处理图像输入训练好的图像生成模型中，并提取待处理图像除娃娃这一年龄特征信息之外的目标特征信息，并将所提取的目标特征信息与成人这一年龄特征信息进行融合，进而生成具有成人这一年龄特征信息的目标图像，即生成***像，从而实现将娃娃图像变成***像，即预测娃娃图像中娃娃变老后的模样。

当然，上面只是以举例的形式，说明了通过本公开实施例提供的技术方案可以实现娃娃变成人。当然，通过本公开实施例提供的技术方案也可以实现成人变娃娃，男性变女性，女性变男性，彩色图像变黑白图像，以及黑白图像变彩色图像。在此不再赘述赘述。

并且，当第二特征信息为不戴眼镜时，还可以实现由不戴眼镜变成戴眼镜的效果，也就是说，本公开实施例对第二特征信息不做具体限定，该第二特征信息可以是用于表征目标对象的任意特征信息。

而且，由于训练图像生成模型时，待训练模型包括图像生成器模块，多个判别器模块，标签分类器模块，以及结构相似度损失函数，从而生成的目标图像清晰度较高；效果好，例如成人变娃娃更加彻底；且更加真实，例如，目标图像与待处理图像的结构更加相似。

本公开实施例提供的技术方案，电子设备获取包括目标对象的待处理图像，其中，目标对象的具有第二特征信息，第二特征信息为：目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息。将待处理图像输入第一方面实施例中训练好的图像生成模型中，得到具有第三特征信息的目标图像，第三特征信息为目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，第三特征信息与第二特征信息的类型相同。由于在训练图像生成模型的过程中，多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，因此，生成的目标图像较好的较好地还原了待处理图像中除第二特征信息之外的其他特征信息；且由于所得到的目标图像拥有待处理图像的局部细节信息，目标图像的清晰度也较高。

并且，为了减少待处理图像的背景区域对目标图像造成影响，在图2所示实施例的基础上，将待处理图像输入第一方面实施例的训练好的模型中之前，该图像生成方法还可以包括：

对待处理图像进行图像分割预处理，得到待处理图像的目标对象。

相应的，将待处理图像输入第一方面实施例的训练好的模型中，包括：

将目标对象输入将待处理图像输入第一方面实施例的训练好的模型中。

为了防止后续步骤中，待处理图像的背景区域对目标图像的清晰度造成影响，可以对待处理图像进行图像分割预处理，得到待处理图像的目标对象。

举例而言，在将***像变成娃娃图像的应用场景中，由于***像中包含背景区域，例如，该背景区域包括桌椅或者墙壁挂件等，如果后续步骤中，将桌椅或者墙壁挂件等输入预先训练好的图像生成模型中，将对目标图像的清晰度造成影响。因此，可以对***像进行头部分割，从而移除背景区域的干扰。从而可以只将待处理图像的目标对象输入到预先训练好的图像生成模型中，进而可以移除背景区域的干扰。例如，可以只将头部区域输入预先训练好的图像生成模型中，进而预先训练好的图像生成模型可以专注于头部区域的变换。

根据本公开实施例的第三方面，提供了一种图像生成模型的训练装置，如图3所示，包括：

第一图像输入单元310，被配置为执行将包含目标对象的样本图像输入待训练模型；

触发单元320，被配置为执行触发所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息，并将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像；所述目标特征信息为：除所述第一特征信息之外的特征信息，所述第一特征信息为：用于表征所述目标对象的年龄特征、性别特征或颜色特征的特征信息；

下采样单元330，被配置为执行将所述样本图像以及所述样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；

第二图像输入单元340，被配置为执行将所述样本图像以及所述样本目标图像输入所述待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入所述待训练模型中的第二类判别器模块；

第一模型确定单元350，被配置为执行在所述图像生成器模块对应的第一损失值，所述第一类判别器模块对应的第二损失值，以及所述第二类判别器模块对应的第三损失值满足第一预设条件时，将所述待训练模型确定为训练好的图像生成模型。

在一种可选的实施方式中，所述第一预设条件为：所述第一损失值，所述第二损失值，以及所述第三损失值之和小于第一预设损失值。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

可选的，所述待训练模型还包括标签分类器模块；所述装置还包括：

特征输入单元，被配置为执行在所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息之后，将所述目标特征信息输入所述标签分类器模块中，得到判断结果，所述判断结果为所述目标特征信息是否包括所述第一特征信息；

第二模型确定单元，被配置为执行如果所述判断结果为所述目标特征信息不包括所述第一特征信息，将所述待训练模型确定为训练好的图像生成模型；如果所述判断结果为所述目标特征信息包括所述第一特征信息，继续训练所述待训练模型。

可见，通过本公开实施例的技术方案，目标特征信息去除第一特征信息较为彻底，这样，在后续步骤中，利用训练好的图像生成模型来生成目标图像时，可以降低因目标特征信息中残留的第一特征信息，而对目标图像造成干扰，使得图像处理结果更好。

可选的，所述装置还包括：

损失值计算单元，被配置为执行在所述将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像之后，计算所述样本图像与所述样本目标图像的目标结构相似度损失值；

第三模型确定单元，被配置为执行在所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值满足第二预设条件时，将所述待训练模型确定为训练好的图像生成模型；否则，继续训练所述待训练模型。

在一种可选的实施方式中，所述第二预设条件为：所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值之和小于第二预设损失值。

可见，通过本公开实施例的技术方案，样本图像与样本目标图像的结构相似度损失值较小，这样，在后续步骤中，利用训练好的图像生成模型来生成目标图像时，样本图像与样本目标图像的结构更加接近，使得生成的样本目标图像更加真实。

根据本公开实施例的第四方面，提供了一种图像生成装置，如图4所示，包括：

图像获取单元410，被配置为执行获取包括目标对象的待处理图像，所述目标对象的具有第二特征信息，所述第二特征信息为：所述目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息；

第三图像输入单元420，被配置为执行将所述待处理图像输入第三方面所述的训练好的图像生成模型中，得到具有所述第三特征信息的目标图像，所述第三特征信息为所述目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，所述第三特征信息与所述第二特征信息的类型相同。

本公开实施例提供的技术方案，电子设备获取包括目标对象的待处理图像，其中，目标对象的具有第二特征信息，第二特征信息为：目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息。将待处理图像输入第一方面实施例中训练好的图像生成模型中，得到具有第三特征信息的目标图像，第三特征信息为目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，第二特征信息与第一特征信息的类型相同。由于在训练图像生成模型的过程中，多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，从而生成的目标图像拥有待处理图像的全局结构信息和局部细节信息，因此，生成的目标图像较好的较好地还原了待处理图像中除第二特征信息之外的其他特征信息；且由于所得到的目标图像拥有待处理图像的局部细节信息，目标图像的清晰度也较高。

可选的，所述装置还包括：

图像分割单元，被配置为执行所述将所述待处理图像输入第三方面所述的训练好的模型中之前，对所述待处理图像进行图像分割预处理，得到所述待处理图像的目标对象；

所述第三图像输入单元，被配置为执行：

将所述目标对象输入第三方面所述的训练好的图像生成模型中。

可见，通过对***像进行头部分割，从而移除背景区域的干扰。从而可以只将待处理图像的目标对象输入到预先训练好的图像生成模型中，进而可以移除背景区域的干扰。

图5是根据一示例性实施例示出的一种电子设备框图。参照图5，该终端包括：

处理器510；

用于存储所述处理器可执行指令的存储器50；

其中，所述处理器被配置为执行所述指令，以实现以实现第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

图6是根据一示例性实施例示出的另一种电子设备600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理***，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、6G或5G)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器606，上述指令可由装置600的处理器620执行以完成上述方法。可选地，例如，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性非临时性计算机可读存储介质计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

图7是根据一示例性实施例示出的一种电子设备部700的框图。例如，装置700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

在本公开实施的又一方面，本公开实施例还提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

根据本公开实施例的又一方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机实现第一方面所述的图像生成模型的训练方法，或者，第二方面所述的图像生成方法。

可见，待训练模型包括图像生成器模块，以及多个判别器模块。并且，在图像生成器模块生成样本目标图像之后，多个判别器模块可以对多个不同分辨率的目标图像和样本目标图像进行监督，即多个判别器模块可以监督样本目标图像的全局结构信息和局部细节信息，在图像生成器模块对应的第一损失值，第一类判别器模块对应的第二损失值，以及第二类判别器模块对应的第三损失值满足第一预设条件时，将待训练模型确定为训练好的图像生成模型，从而生成的样本目标图像拥有目标图像的全局结构信息和局部细节信息，所得到的样本目标图像与样本图像具有较高的一致性，即样本目标图像较好地还原了目标图像；且由于所得到的样本目标图像拥有目标图像的局部细节信息，样本目标图像的清晰度也较高。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种图像生成模型的训练方法，其特征在于，包括：

将包含目标对象的样本图像输入待训练模型；

所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息，并将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像；所述目标特征信息为：除所述第一特征信息之外的特征信息，所述第一特征信息为：用于表征所述目标对象的年龄特征、性别特征或颜色特征的特征信息；

将所述样本图像以及所述样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；

将所述样本图像以及所述样本目标图像输入所述待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入所述待训练模型中的第二类判别器模块；

在所述图像生成器模块对应的第一损失值，所述第一类判别器模块对应的第二损失值，以及所述第二类判别器模块对应的第三损失值满足第一预设条件时，将所述待训练模型确定为训练好的图像生成模型。

2.根据权利要求1所述的方法，其特征在于，所述待训练模型还包括标签分类器模块；

在所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息之后，所述方法还包括：

将所述目标特征信息输入所述标签分类器模块中，得到判断结果，所述判断结果为所述目标特征信息是否包括所述第一特征信息；

如果所述判断结果为所述目标特征信息不包括所述第一特征信息，将所述待训练模型确定为训练好的图像生成模型；如果所述判断结果为所述目标特征信息包括所述第一特征信息，继续训练所述待训练模型。

3.根据权利要求1或2所述的方法，其特征在于，在所述将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像之后，所述方法还包括：

计算所述样本图像与所述样本目标图像的目标结构相似度损失值；

在所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值满足第二预设条件时，将所述待训练模型确定为训练好的图像生成模型；否则，继续训练所述待训练模型。

4.根据权利要求1或2所述的方法，其特征在于，所述第一预设条件为：所述第一损失值，所述第二损失值，以及所述第三损失值之和小于第一预设损失值。

5.根据权利要求3所述的方法，其特征在于，所述第二预设条件为：所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值之和小于第二预设损失值。

6.一种图像生成方法，其特征在于，包括：

获取包括目标对象的待处理图像，所述目标对象的具有第二特征信息，所述第二特征信息为：所述目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息；

将所述待处理图像输入权利要求1至5任一项所述的训练好的图像生成模型中，得到具有第三特征信息的目标图像，所述第三特征信息为所述目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，所述第三特征信息与所述第二特征信息的类型相同。

7.根据权利要求6所述的方法，其特征在于，所述将所述待处理图像输入权利要求1至5任一项所述的训练好的模型中之前，所述方法还包括：

对所述待处理图像进行图像分割预处理，得到所述待处理图像的目标对象；

所述将所述待处理图像输入权利要求1至5任一项所述的训练好的图像生成模型中，包括：

将所述目标对象输入权利要求1至5任一项所述的训练好的图像生成模型中。

8.一种图像生成模型的训练装置，其特征在于，包括：

第一图像输入单元，被配置为执行将包含目标对象的样本图像输入待训练模型；

触发单元，被配置为执行触发所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息，并将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像；所述目标特征信息为：除所述第一特征信息之外的特征信息，所述第一特征信息为：用于表征所述目标对象的年龄特征、性别特征或颜色特征的特征信息；

下采样单元，被配置为执行将所述样本图像以及所述样本目标图像分别进行下采样，得到下采样后的样本图像，以及下采样后的样本目标图像；

第二图像输入单元，被配置为执行将所述样本图像以及所述样本目标图像输入所述待训练模型的第一类判别器模块，并将下采样后的样本图像，以及下采样后的样本目标图像对应输入所述待训练模型中的第二类判别器模块；

第一模型确定单元，被配置为执行在所述图像生成器模块对应的第一损失值，所述第一类判别器模块对应的第二损失值，以及所述第二类判别器模块对应的第三损失值满足第一预设条件时，将所述待训练模型确定为训练好的图像生成模型。

9.根据权利要求8所述的装置，其特征在于，所述待训练模型还包括标签分类器模块；所述装置还包括：

特征输入单元，被配置为执行在所述待训练模型的图像生成器模块提取所述样本图像的目标特征信息之后，将所述目标特征信息输入所述标签分类器模块中，得到判断结果，所述判断结果为所述目标特征信息是否包括所述第一特征信息；

第二模型确定单元，被配置为执行如果所述判断结果为所述目标特征信息不包括所述第一特征信息，将所述待训练模型确定为训练好的图像生成模型；如果所述判断结果为所述目标特征信息包括所述第一特征信息，继续训练所述待训练模型。

10.根据权利要求8或9所述的装置，其特征在于，所述装置还包括：

损失值计算单元，被配置为执行在所述将所述目标特征信息与所述目标对象的第一特征信息进行融合处理，生成样本目标图像之后，计算所述样本图像与所述样本目标图像的目标结构相似度损失值；

第三模型确定单元，被配置为执行在所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值满足第二预设条件时，将所述待训练模型确定为训练好的图像生成模型；否则，继续训练所述待训练模型。

11.根据权利要求8或9所述的装置，其特征在于，所述第一预设条件为：所述第一损失值，所述第二损失值，以及所述第三损失值之和小于第一预设损失值。

12.根据权利要求10所述的装置，其特征在于，所述第二预设条件为：所述第一损失值，所述第二损失值，所述第三损失值，以及所述目标结构相似度损失值之和小于第二预设损失值。

13.一种图像生成装置，其特征在于，包括：

图像获取单元，被配置为执行获取包括目标对象的待处理图像，所述目标对象的具有第二特征信息，所述第二特征信息为：所述目标对象的第一年龄特征信息、第一性别特征信息或第一颜色特征信息；

第三图像输入单元，被配置为执行将所述待处理图像输入权利要求1至5任一项所述的训练好的图像生成模型中，得到具有第三特征信息的目标图像，所述第三特征信息为所述目标对象的第二年龄特征信息、第二性别特征信息或第二颜色特征信息，所述第三特征信息与所述第二特征信息的类型相同。

14.根据权利要求13所述的装置，其特征在于，所述装置还包括：

图像分割单元，被配置为执行所述将所述待处理图像输入权利要求1至5任一项所述的训练好的模型中之前，对所述待处理图像进行图像分割预处理，得到所述待处理图像的目标对象；

所述第三图像输入单元，被配置为执行：

将所述目标对象输入权利要求1至5任一项所述的训练好的图像生成模型中。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的图像生成模型的训练方法，或者，如权利要求6或7任一项所述的图像生成方法。

16.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的图像生成模型的训练方法，或者，如权利要求6或7任一项所述的图像生成方法。

Images