CN111556244A - 视频风格迁移方法和装置 - Google Patents

视频风格迁移方法和装置 Download PDF

Info

Publication number
CN111556244A
CN111556244A CN202010327039.XA CN202010327039A CN111556244A CN 111556244 A CN111556244 A CN 111556244A CN 202010327039 A CN202010327039 A CN 202010327039A CN 111556244 A CN111556244 A CN 111556244A
Authority
CN
China
Prior art keywords
image frame
feature
style migration
intermediate feature
migration
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.)
Granted
Application number
CN202010327039.XA
Other languages
English (en)
Other versions
CN111556244B (zh
Inventor
林天威
李鑫
李甫
何栋梁
张赫男
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010327039.XA priority Critical patent/CN111556244B/zh
Publication of CN111556244A publication Critical patent/CN111556244A/zh
Application granted granted Critical
Publication of CN111556244B publication Critical patent/CN111556244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了视频风格迁移方法和装置，涉及计算机视觉技术领域。该方法的一具体实施方式包括：获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；获取相邻两帧的光流，基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。该实施方式提高了视频风格迁移时的帧率。

Description

视频风格迁移方法和装置
技术领域
本申请的实施例涉及计算机技术领域，具体涉及计算机视觉技术领域，尤其涉及一种视频风格迁移方法和装置。
背景技术
生成对抗网络(generative adversarial networks，GAN)能够将一种风格的图片转化为另外一种风格的图片，比如能将真人的自拍照片转为卡通风格。目前的GAN网络通常都是针对单帧图像生成的，其速度通常都比较慢，当用来生成视频的时候难以在移动端上达到实时的效果。
发明内容
本申请实施例提供了一种视频风格迁移方法、装置、电子设备以及计算机可读介质。
根据第一方面，提供了一种视频风格迁移方法，上述方法包括：获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；获取相邻两帧的光流；基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。
根据第二方面，提供了一种视频风格迁移装置，上述装置包括：特征获取模块，被配置成获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；光流获取模块，被配置成获取相邻两帧的光流；扭曲处理模块，被配置成基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；风格迁移模块，被配置成采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。
根据第三方面，提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；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如第一方面任一实现方式描述的方法。
根据第四方面，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如第一方面任一实现方式描述的方法。
本申请的实施例提供的视频风格迁移方法和装置，首先获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；然后获取相邻两帧的光流，再后基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；最后采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。由此，无需在后图像帧进行全路径的风格迁移运算，只需在后图像帧进行风格迁移的中间特征进行后续路径风格迁移运算，节省了计算量，减少了视频进行风格迁移时的耗时，在不损失风格迁移效果的情况下提高了视频风格迁移时的帧率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请视频风格迁移方法的实施例的示例性流程图；
图2是根据本申请实施例的获取相邻两帧的光流的方法的一种示例性流程图；
图3是根据本申请实施例的得到在后图像帧进行风格迁移的中间特征的方法的一种示例性流程图；
图4是根据本申请实施例的得到平滑后的中间特征的方法的一种示例性流程图；
图5是根据本申请视频风格迁移方法中的在先图像帧的一个示例图；
图6是根据本申请视频风格迁移方法中的在先图像帧进行风格迁移后的风格化帧的示例图。
图7是根据本申请视频风格迁移方法中的在后图像帧的一个示例图；
图8是根据本申请视频风格迁移方法中相邻两帧的光流的示例图；
图9是根据本申请视频风格迁移方法中的在后图像帧进行风格迁移后的风格化帧的示例图。
图10是根据本申请视频风格迁移装置的实施例的结构示意图；
图11是用来实现本申请实施例的视频风格迁移方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请视频风格迁移方法的实施例的示例性流程100。上述视频风格迁移方法包括以下步骤：
步骤101，获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征。
本实施例中，视频风格迁移方法运行于其上的执行主体(比如服务器、终端设备)可以获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征。
采用风格迁移网络可以将视频中各图像帧迁移为与各图像帧一一对应的风格化帧，而视频中各图像帧进行风格迁移的中间特征可以是：将各图像帧输入风格迁移网络之后，且在风格迁移网络得到各图像帧的风格化帧之前，风格迁移网络中产生的特征。上述执行主体可以直接从风格迁移网络中获取各图像帧进行风格迁移的中间特征。此外各图像帧进行风格迁移的中间特征也可以是预先存储在本地或者其他电子设备上的特征，上述执行主体可以直接从本地或者其他电子设备获取各图像帧进行风格迁移的中间特征。
进一步，风格迁移网络能够将一种风格的图片转化为另一种风格的图片，其可以是具有编码器/解码器结构的风格迁移网络，该风格迁移网络可以采用比如自编码器(autoencoder，AE)、GAN等网络结构，基于不同的训练数据，该风格迁移网络可以实现将真人照片转为卡通风格的照片，或者将真人照片转换为油画风格的照片，或者将真人照片转化为手绘风格的照片等。在实践中，视频中各图像帧进行风格迁移的中间特征可以是风格迁移网络的编码器生成的特征，比如，风格迁移网络的编码器输出的中间特征的形状为64*64*256，其中，64*64是中间特征中各特征图的大小，256是特征图通道数量。
步骤102，获取相邻两帧的光流。
具体地，光流(optical flow)是空间运动物体在观察成像平面上的像素运动的瞬时速度。在时间间隔很小(比如视频的连续前后两帧之间)时，光流等同于目标像素点的位移，即视频中图像帧移动过程中，图像帧上每个像素的位移量。比如第T帧图像帧的像素点A的位置是(x1，y1)，在T+1帧图像帧的时候再找到像素点A，其位置变为(x2，y2)，那么像素点A在相邻两帧的位移量为(u，v)＝(x2，y2)-(x1，y1)。
本实施例中，上述光流可以是密集光流或稀疏光流，密集光流是一种针对视频中图像帧进行逐点匹配的图像配准方法，不同于稀疏光流只针对视频中图像帧上若干个特征点，密集光流计算视频中图像帧上所有的点的偏移量，从而形成一个密集的光流场。通过这个密集的光流场，可以进行像素级别的图像配准，所以其配准后的效果也明显优于稀疏光流配准的效果。但是由于密集光流要计算每个点的偏移量，其计算量也明显大于稀疏光流。
具体地，上述光流可以通过各种方式获得。比如，上述执行主体可以直接从本地或者其他电子设备获取上述光流。此外，上述执行主体还可以获取与上述在先图像帧相邻的在后图像帧和上述在先图像帧，并生成上述光流。比如，上述执行主体可以生成在先图像帧和在后图像帧之间的初始光流，并对该初始光流进行预处理后得到上述光流，预处理可以使初始光流的比较弱的区域的特征点，其位移量尽量向强区域的特征点的偏移量靠近，或者使相邻两个特征点的位移量相差不能太大，也就是位移量的变化率不能太大。
步骤103，基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征。
本实施例中，对图像的扭曲处理是指使图像中各个像素点产生位置的偏移；而对在先图像帧进行风格迁移的中间特征进行扭曲处理，包括：基于上述光流，控制在先图像帧中各个通道的特征图中像素点进行位置的偏移，该偏移的偏移量为上述光流。
可选地，基于上述光流，控制在先图像帧中各个通道的特征图中像素点进行位置的偏移，可以包括：将上述在先图像帧进行风格迁移的中间特征按上述光流进行偏移之后，得到相邻两帧中的在后图像帧进行风格迁移的中间特征。
可选地，基于上述光流，控制在先图像帧中各个通道的特征图中像素点进行位置的偏移，还可以包括：将上述在先图像帧进行风格迁移的中间特征按上述光流进行偏移之后，对各个通道的特征图进行平滑处理(比如，均值滤波处理、中值滤波处理)，得到相邻两帧中的在后图像帧进行风格迁移的中间特征。
步骤104，采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。
本实施例中，当视频中各图像帧进行风格迁移的中间特征是风格迁移网络的编码器生成的特征时，采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，即为将在后图像帧进行风格迁移的中间特征替换在先图像帧进行风格迁移的中间特征，从而可以使风格迁移网络输出的风格化帧为在后图像帧进行风格迁移后的风格化帧。
本申请的实施例提供的视频风格迁移方法，首先获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；然后获取相邻两帧的光流，再后基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；最后采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。由此，无需在后图像帧进行全路径的风格迁移运算，只需在后图像帧进行风格迁移的中间特征进行后续路径风格迁移运算，节省了计算量，减少了视频进行风格迁移时的耗时，在不损失风格迁移效果的情况下提高了视频风格迁移时的帧率。
为了更好减少视频风格迁移消耗的时间，本实施例的一些可选实现方式中，进一步参考图2，上述光流采用密集光流，上述获取相邻两帧的光流，可以按照如下流程执行：
步骤201，将在先图像帧缩小至在先图像帧进行风格迁移的中间特征的尺寸。
本实现方式中，在先图像帧进行风格迁移的中间特征的尺寸可以是风格迁移网络预先已经确定的，而视频风格迁移方法的执行主体在将视频的在先图像帧缩小尺寸之前，需要获取到在先图像帧进行风格迁移的中间特征的尺寸，根据中间特征中各特征图的大小缩小在先图像帧的尺寸，比如，在先图像帧的大小为256*256，而特征图的大小为32*32，则需要将在先图像帧的大小缩小至32*32。
步骤202，将相邻两帧中的在后图像帧缩小至在先图像帧进行风格迁移的中间特征的尺寸。
本可选实现方式中，缩小在先图像帧、在后图像帧的尺寸的算法可以采用多种：
1)经典插值方法中的最近邻插值算法，最近邻插值算法的重构函数采用常量函数，最简单的图像比例缩小是水平方向和垂直方向的缩小比例相同，且在原图的基础上，每行隔一个像素取一点，每隔一行进行操作，从而得到缩小后的图像。
2)经典插值方法中的双线性插值算法，双线性插值算法利用需要处理的原始图像像素点周围的四个像素点的相关性，重构函数采用双线性函数计算得出。
采用经典插值方法得到缩小后的目标图像会出现边缘模糊或锯齿等现象。
3)非经典插值方法中的曲面插值方法，其以图像内任意相邻的可组成正方形的4个点为顶点组成的正方形范围拟合成双曲面。其效果优于经典插值方法，但是其参考的点数较少，忽略了图像的局部特征，当图像缩小比较大时，边缘处仍可能存在少量锯齿。
步骤203，采用光流法，计算缩小后的在先图像帧以及缩小后的在后图像帧之间的密集光流，并将密集光流作为相邻两帧的光流。
本可选实现方式中，光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。
光流法按照不同的实现方式可以分为：基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法等。
本实施例中，缩小后的在先图像帧以及缩小后的在后图像帧相对于在先图像帧以及在后图像帧仅仅是大小上的区别，缩小后的在先图像帧以及缩小后的在后图像帧两者均是常规的帧图像，因此计算缩小后的在先图像帧以及缩小后的在后图像帧之间的密集光流可以采用上述光流法的实现方式中任意一种实现。
本可选实现方式中，基于密集光流反映的是图像像素点之间的映射关系的原理，首先对在先图像帧和在后图像帧进行缩小处理，使在先图像帧的尺寸和在后图像帧的尺寸均缩小为中间特征的尺寸，中间特征的尺寸一般小于在先图像帧和在后图像帧的尺寸，因此本可选实现方式可以提高光流计算的速度。
由于上述相邻两帧之间采用的是密集光流，图像纯色区域的像素点可能无法找到准确的偏移量，为了得到更准确的在后图像帧进行风格迁移的中间特征，还需要加入一个平滑处理过程。具体地，本实施例的一些可选实现方式中，进一步参考图3，上述基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征，可以按照如下流程执行：
步骤301，基于光流，分别对缩小后的在后图像帧、在先图像帧进行风格迁移的中间特征进行扭曲处理，生成扭曲后的在后图像帧以及扭曲后的中间特征。
本可选实现方式中，对缩小后的在后图像帧进行扭曲处理，可以包括：将缩小后的在后图像帧按上述光流进行偏移，生成以上述光流为偏移量的扭曲后的在后图像帧。
步骤302，基于扭曲后的在后图像帧以及缩小后的在后图像帧，对扭曲后的中间特征进行平滑处理，得到平滑后的中间特征。
在图像处理技术中，平滑处理也可称滤波或者平滑滤波，平滑滤波是低频增强的空间域滤波技术，它的目的分两类：一类是模糊；另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使图像边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。
本可选实现方式中，对扭曲后的中间特征进行平滑处理的原理与图像处理技术中的平滑处理的原理相同，其也是为了扭曲后的中间特征中各个特征点的偏移效果比较均匀，通过本实现方式的平滑处理可以使扭曲后的中间特征中比较弱的区域的特征点，其偏移量尽量向强区域的特征点的偏移量靠近，还可以使相邻两个特征点的偏移量相差不大。
进一步，为了使平滑后的中间特征更加准确的接近实际的在后图像帧进行风格迁移的中间特征，并且鉴于扭曲后的在后图像以及缩小后的在后图像帧均可以反映在后图像帧的特性，采用扭曲后的在后图像帧以及缩小后的在后图像帧作为扭曲后的中间特征进行平滑处理的参考，可以提高平滑后的中间特征的准确性。
更进一步，可以在风格迁移网络中进行大量样本实验，确定扭曲后的在后图像帧、缩小后的在后图像帧以及平滑后的中间特征三者之间的对应关系，根据该对应关系对中间特征进行平滑处理，得到平滑后的中间特征。
可选地，执行主体中预设有三者的对应关系表，在得到当前扭曲后的在后图像帧、当前缩小后的在后图像帧之后，通过查找该对应关系表，确定与当前扭曲后的在后图像帧、当前缩小后的在后图像帧对应的当前平滑后的中间特征。
将扭曲后的中间特征与当前平滑后的中间特征进行比对，一旦比对结果不满足预设条件，对扭曲后的中间特征按上述光流的设定倍数进行偏移，得到的偏移后的中间特征为平滑后的中间特征。
需要说明的是，预设条件可以根据风格迁移网络的精度确定，比如，扭曲后的中间特征小于80％的当前平滑后的中间特征。设定倍数可以根据扭曲需求量确定，比如设定倍数为2。
步骤303，将平滑后的中间特征作为相邻两帧中的在后图像帧进行风格迁移的中间特征。
本实施例中，可以将平滑后的中间特征代替在后图像帧进行风格迁移的中间特征，进入风格迁移网络，从而可以得到由风格迁移网络输出的在后图像帧的风格化帧。
本可选实现方式提供的得到在后图像帧进行风格迁移的中间特征的方法，对缩小后的在后图像帧进行扭曲处理，生成扭曲后的在后图像帧；基于扭曲后的在后图像帧以及缩小后的在后图像帧，对扭曲后的中间特征进行平滑处理，可以使扭曲后的中间特征中比较弱的区域的特征点，其偏移量尽量向强特征点的偏移量靠近，还可以使相邻两个特征点的偏移量相差不大，即偏移量的变化率不大，从而保证了在后图像帧进行风格迁移的中间特征的准确性，提高了风格迁移的准确性。
本实施例的一些可选实现方式中，进一步参考图4，上述扭曲后的在后图像帧以及缩小后的在后图像帧，对扭曲后中间特征进行平滑处理，得到平滑后的中间特征，可以按照如下流程执行：
步骤401，计算扭曲后的在后图像帧与缩小后的在后图像帧两者的第一差值绝对值，第一差值绝对值为扭曲后的在后图像帧与缩小后的在后图像帧对应位置像素值差值的绝对值。
本可选实现方式中，扭曲后的中间特征可以看作是在后图像帧的真实中间特征的一个近似结果，但是该扭曲后的中间特征可能存在不够平滑不够准确的地方，而第一差值绝对值，也即光流映射误差可以在一定程度上反映不够准确的位置，以为后续矫正扭曲后的中间特征中不够平滑不够准确的地方提供依据。
步骤402，将第一差值绝对值以及扭曲后的中间特征输入特征时序迁移模型，得到特征时序迁移模型输出的平滑后的中间特征。
本可选实现方式中，特征时序迁移模型的工作原理为：基于第一差值绝对值和扭曲后的中间特征生成一个平滑后的中间特征。而特征时序迁移模型为了实现输出的平滑后的中间特征准确度比较高，可以通过大量数据样本训练得到。
图4所示的实现方式中，首先得到第一差值绝对值，然后采用第一差值绝对值以及特征时序迁移模型对扭曲后的中间特征进行处理，得到平滑后的中间特征，相对于扭曲后的中间特征，平滑后的中间特征可以更接近在后图像帧实际进行风格迁移的中间特征，提高了风格迁移的准确性和可靠性。
本实施例的另一个可选实现方式中，特征时序迁移模型的输入为第一差值绝对值以及扭曲后的中间特征，特征时序迁移模型的输出为平滑后的中间特征，特征时序迁移模型将第二差值绝对值小于预设阈值作为优化目标。
其中，第二差值绝对值为平滑后的中间特征的通道中特征图与在后图像帧进行风格迁移的中间特征对应位置像素值差值的绝对值。
本可选实现方式中，特征时序迁移模型可以是基于卷积神经网络(ConvolutionalNeural Networks，简称CNN)进行端到端学***滑后的中间特征精修。端到端学***滑后的中间特征，其监督学习方式为第二差值绝对值小于预设阈值。
具体地，预设阈值可以随扭曲后的中间特征的变化而变化，比如，预设阈值为扭曲后的中间特征的通道中特征图与在后图像帧进行风格迁移的中间特征对应位置像素值差值的绝对值，通过该预设阈值可以达到平滑后中间特征与在后图像帧进行风格迁移的中间特征之间误差最小化的目的。可选地，预设阈值也可以为固定不变值，该固定不变值可以根据风格迁移网络的精度而确定。
本可选实现方式中，为特征时序迁移模型设置的预设阈值以使得生成的平滑后的中间特征和在后图像帧进行风格迁移的中间特征的差距要小于扭曲后的中间特征和在后图像帧进行风格迁移的中间特征的差距，实现了特征时序迁移模块对平滑后的中间特征的一个精修的过程，减小了扭曲后中间特征了的不平滑和抖动，保证了平滑后的中间特征的准确性与可靠性；进一步，设置预设阈值，可以使视频风格迁移过程达到平滑后中间特征与在后图像帧进行风格迁移的中间特征之间误差最小化的目的。
本实施例的另一个可选实现方式中，上述获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征，包括：将视频中相邻两帧的在先图像输入生成式对抗网络的生成器的编码器，得到由生成式对抗网络的生成器的编码器输出的中间特征。
本可选实现方式中，采用生成对抗网络得到在先图像帧进行风格迁移的中间特征，可以在不改变生成对抗网络的结构和计算量的同时，提高对视频进行风格迁移的速率。
本实现方式采用的生成对抗网络(GAN)的介绍如下：GAN的输入是风格A(比如真人风格)的图片X，其大小为(3，256，256)，其中3是颜色通道数量，输出的是风格B(比如卡通风格)的图片Y，其大小也为(3，256，256)；GAN可以被分为2个部分：编码器和解码器，其中编码器将图片X进行下采样和编码，得到尺寸较小，通道数量较多的中间特征F，F的大小为(C，32，32)；之后解码器基于F进行上采样，生成输出结果图片Y。通常而言，编码器和解码器的计算量是相同的，各占总体计算量的50％。
下面结合图5-图9，对本实施例的视频风格迁移方法的一个具体实施方式各个执行步骤进行详细介绍：
A.执行主体针对视频中的第T-1帧图像Xt-1(即相邻两帧的在先图像帧，如图5所示)，可以使用GAN网络的编码器和解码器生成对应的风格化图片Yt-1(即在先图像帧进行风格迁移后的风格化帧，如图6所示)，并保存其中间特征Ft-1(即在先图像帧进行风格迁移的中间特征)。
B.将Xt-1和Xt(即相邻两帧的在后图像帧，如图7所示)两帧图片的尺寸缩放到32×32，即两帧图片的尺寸与中间特征Ft-1的尺寸相同，得到xt-1(即缩小后的在先图像帧)和xt(即缩小后的在后图像帧)并计算两帧图片之间的密集光流f(如图8所示)，密集光流f反映的是图像像素点之间的映射关系，由于在较小的尺度上进行，因此光流计算的速度非常快，约3ms左右。
C.基于密集光流f，对中间特征Ft-1进行扭曲处理，从而近似生成T时刻的中间特征F‘t(即扭曲后的中间特征)；同时，对xt-1进行扭曲处理，得到x′t(即扭曲后的在后图像帧)。
D.基于x′t和xt得到第一差值绝对值Δx，将F‘t和Δx输入特征时序迁移模块，得到特征时序迁移模块输出的F“t(即平滑后的中间特征)，该特征时序迁移模块的作用是对扭曲后的特征图做平滑处理。
E.基于F“t-1，使用GAN网络的生成器的解码器来生成T时刻的风格化结果Yt(即在后图像帧进行风格迁移后的风格化帧，如图9所示)。
在视频中针对第T+1帧图像以及第T+2帧图像，循环进行上述步骤A～E，可以使视频的每两帧图像帧中有一帧图像帧是完整的通过GAN网络的生成器的解码器和编码器生成的，而另一图像帧只需要GAN网络的生成器的解码器进行计算，从而节约了计算量。
进一步，本实施例将GAN网络用于多帧图像生成，其速度比较块，当用来生成视频的时候可以在移动端上达到实时的效果，提高了用户体验。
进一步参考图10，作为对上述各图所示方法的实现，本申请提供了视频风格迁移装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
如图10所示，本实施例提供的视频风格迁移装置1000包括：特征获取模块1001，光流获取模块1002，扭曲处理模块1003，风格迁移模块1004。其中，上述特征获取模块1001，可以被配置成获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征。上述光流获取模块1002，可以被配置成获取相邻两帧的光流。上述扭曲处理模块1003，可以被配置成基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征。上述风格迁移模块1004，可以被配置成采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。
在本实施例中，视频风格迁移装置1000中：特征获取模块1001，光流获取模块1002，扭曲处理模块1003，风格迁移模块1004的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103和步骤104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，上述光流为密集光流，上述光流获取模块1002包括：先帧缩小单元(图中未示出)，后帧缩小单元(图中未示出)，光流计算单元(图中未示出)。其中，上述先帧缩小单元，可以被配置成将在先图像帧缩小至在先图像帧进行风格迁移的中间特征的尺寸。上述后帧缩小单元，可以被配置成将相邻两帧中的在后图像帧缩小至在先图像帧进行风格迁移的中间特征的尺寸。上述光流计算单元，可以被配置成采用光流法，计算缩小后的在先图像帧以及缩小后的在后图像帧之间的密集光流，并将密集光流作为相邻两帧的光流。
在本实施例的一些可选的实现方式中，上述扭曲处理模块1003包括：特征扭曲单元(图中未示出)，平滑处理单元(图中未示出)，特征转移单元(图中未示出)。其中，上述特征扭曲单元，可以被配置成基于光流，分别对缩小后的在后图像帧、在先图像帧进行风格迁移的中间特征进行扭曲处理，生成扭曲后的在后图像帧以及扭曲后的中间特征。上述平滑处理单元，可以被配置成基于扭曲后的在后图像帧以及缩小后的在后图像帧，对扭曲后的中间特征进行平滑处理，得到平滑后的中间特征。上述特征转移单元，可以被配置成将平滑后的中间特征作为相邻两帧中的在后图像帧进行风格迁移的中间特征。
在本实施例的一些可选的实现方式中，上述平滑处理单元包括：参数计算子单元(图中未示出)，特征输出子单元(图中未示出)。其中，上述参数计算子单元，可以被配置成计算扭曲后的在后图像帧与缩小后的在后图像帧两者的第一差值绝对值，第一差值绝对值为扭曲后的在后图像帧与缩小后的在后图像帧对应位置像素值差值的绝对值。上述特征输出子单元，可以被配置成将第一差值绝对值以及扭曲后的中间特征输入特征时序迁移模型，得到特征时序迁移模型输出的平滑后的中间特征。
进一步，特征时序迁移模型的输入为第一差值绝对值以及扭曲后的中间特征，特征时序迁移模块的输出为平滑后的中间特征，特征时序迁移模型将第二差值绝对值小于预设阈值作为优化目标；第二差值绝对值为平滑后的中间特征的通道中特征图与在后图像帧进行风格迁移的中间特征对应位置像素值差值的绝对值。
具体地，预设阈值可以随扭曲后的中间特征的变化而变化，比如，预设阈值为扭曲后的中间特征的通道中特征图与在后图像帧进行风格迁移的中间特征对应位置像素值差值的绝对值，通过该预设阈值可以达到平滑后中间特征与在后图像帧进行风格迁移的中间特征之间误差最小化的目的。可选地，预设阈值也可以为固定不变值，该固定不变值可以根据风格迁移网络的精度而确定。
在本实施例的一些可选实现方式中，上述特征获取模块1001包括：特征获取单元(图中未示出)。上述特征获取单元，可以被配置成将视频中相邻两帧的在先图像帧输入生成式对抗网络的生成器的编码器，得到由生成对抗网络的生成器的编码器输出的中间特征。
本申请的实施例提供的视频风格迁移装置，首先特征获取模块1001获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；然后光流获取模块1002获取相邻两帧的光流，再后扭曲处理模块1003基于光流，对在先图像帧进行风格迁移的中间特征进行扭曲处理，得到相邻两帧中的在后图像帧进行风格迁移的中间特征；最后风格迁移模块1004采用在后图像帧进行风格迁移的中间特征更新在先图像帧进行风格迁移的中间特征，得到在后图像帧进行风格迁移后的风格化帧。由此，无需在后图像帧进行全路径的风格迁移运算，只需在后图像帧进行风格迁移的中间特征进行后续路径风格迁移运算，节省了计算量，减少了视频进行风格迁移时的耗时，在不损失风格迁移效果的情况下提高了视频风格迁移时的帧率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图11所示，是根据本申请实施例的视频风格迁移方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示，该电子设备包括：一个或多个处理器1101、存储器1102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线1105互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的视频风格迁移方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的视频风格迁移方法。
存储器1102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的视频风格迁移方法对应的程序指令/模块(例如，附图10所示的特征获取模块1001、光流获取模块1002、扭曲处理模块1003和风格迁移模块1004)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的视频风格迁移方法。
存储器1102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据视频风格迁移方法的电子设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至视频风格迁移方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
视频风格迁移方法的电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线1105或者其他方式连接，图11中以通过总线1105连接为例。
输入装置1103可接收输入的数字或字符信息，以及产生与视频风格迁移方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (13)

1.一种视频风格迁移方法，所述方法包括：
获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；
获取所述相邻两帧的光流；
基于所述光流，对所述在先图像帧进行风格迁移的中间特征进行扭曲处理，得到所述相邻两帧中的在后图像帧进行风格迁移的中间特征；
采用所述在后图像帧进行风格迁移的中间特征更新所述在先图像帧进行风格迁移的中间特征，得到所述在后图像帧进行风格迁移后的风格化帧。
2.根据权利要求1所述的方法，其中，所述光流为密集光流，所述获取所述相邻两帧的光流，包括：
将所述在先图像帧缩小至所述在先图像帧进行风格迁移的中间特征的尺寸；
将所述相邻两帧中的在后图像帧缩小至所述在先图像帧进行风格迁移的中间特征的尺寸；
采用光流法，计算缩小后的在先图像帧以及缩小后的在后图像帧之间的密集光流，并将所述密集光流作为所述相邻两帧的光流。
3.根据权利要求2所述的方法，其中，所述基于所述光流，对所述在先图像帧进行风格迁移的中间特征进行扭曲处理，得到所述相邻两帧中的在后图像帧进行风格迁移的中间特征，包括：
基于所述光流，分别对所述缩小后的在后图像帧、所述在先图像帧进行风格迁移的中间特征进行扭曲处理，生成扭曲后的在后图像帧以及扭曲后的中间特征；
基于所述扭曲后的在后图像帧以及所述缩小后的在后图像帧，对所述扭曲后的中间特征进行平滑处理，得到平滑后的中间特征；
将所述平滑后的中间特征作为所述相邻两帧中的在后图像帧进行风格迁移的中间特征。
4.根据权利要求3所述的方法，其中，所述基于所述扭曲后的在后图像帧以及所述缩小后的在后图像帧，对所述扭曲后中间特征进行平滑处理，得到平滑后的中间特征，包括：
计算所述扭曲后的在后图像帧与所述缩小后的在后图像帧两者的第一差值绝对值，所述第一差值绝对值为所述扭曲后的在后图像帧与所述缩小后的在后图像帧对应位置像素值差值的绝对值；
将所述第一差值绝对值以及所述扭曲后的中间特征输入特征时序迁移模型，得到所述特征时序迁移模型输出的平滑后的中间特征。
5.根据权利要求4所述的方法，其中，所述特征时序迁移模型的输入为第一差值绝对值以及扭曲后的中间特征，所述特征时序迁移模块的输出为平滑后的中间特征，所述特征时序迁移模型将第二差值绝对值小于预设阈值作为优化目标；
所述第二差值绝对值为所述平滑后的中间特征的通道中特征图与所述在后图像帧进行风格迁移的中间特征对应位置像素值差值的绝对值。
6.根据权利要求1-5之一所述的方法，其中，所述获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征，包括：
将视频中相邻两帧的在先图像帧输入生成式对抗网络的生成器的编码器，得到由所述生成对抗网络的生成器的编码器输出的中间特征。
7.一种视频风格迁移装置，所述装置包括：
特征获取模块，被配置成获取视频中相邻两帧的在先图像帧进行风格迁移的中间特征；
光流获取模块，被配置成获取所述相邻两帧的光流；
扭曲处理模块，被配置成基于所述光流，对所述在先图像帧进行风格迁移的中间特征进行扭曲处理，得到所述相邻两帧中的在后图像帧进行风格迁移的中间特征；
风格迁移模块，被配置成采用所述在后图像帧进行风格迁移的中间特征更新所述在先图像帧进行风格迁移的中间特征，得到所述在后图像帧进行风格迁移后的风格化帧。
8.根据权利要求7所述的装置，其中，所述光流为密集光流，所述光流获取模块包括：
先帧缩小单元，被配置成将所述在先图像帧缩小至所述在先图像帧进行风格迁移的中间特征的尺寸；
后帧缩小单元，被配置成将所述相邻两帧中的在后图像帧缩小至所述在先图像帧进行风格迁移的中间特征的尺寸；
光流计算单元，被配置成采用光流法，计算缩小后的在先图像帧以及缩小后的在后图像帧之间的密集光流，并将所述密集光流作为所述相邻两帧的光流。
9.根据权利要求8所述的装置，其中，所述扭曲处理模块包括：
特征扭曲单元，被配置成基于所述光流，分别对所述缩小后的在后图像帧、所述在先图像帧进行风格迁移的中间特征进行扭曲处理，生成扭曲后的在后图像帧以及扭曲后的中间特征；
平滑处理单元，被配置成基于所述扭曲后的在后图像帧以及所述缩小后的在后图像帧，对所述扭曲后的中间特征进行平滑处理，得到平滑后的中间特征；
特征转移单元，被配置成将所述平滑后的中间特征作为所述相邻两帧中的在后图像帧进行风格迁移的中间特征。
10.根据权利要求9所述的装置，其中，所述平滑处理单元包括：
参数计算子单元，被配置成计算所述扭曲后的在后图像帧与所述缩小后的在后图像帧两者的第一差值绝对值，所述第一差值绝对值为所述扭曲后的在后图像帧与所述缩小后的在后图像帧对应位置像素值差值的绝对值；
特征输出子单元，被配置成将所述第一差值绝对值以及所述扭曲后的中间特征输入特征时序迁移模型，得到所述特征时序迁移模型输出的平滑后的中间特征。
11.根据权利要求7-10之一所述的装置，其中，所述特征获取模块包括：
特征获取单元，被配置成将视频中相邻两帧的在先图像帧输入生成式对抗网络的生成器的编码器，得到由所述生成对抗网络的生成器的编码器输出的中间特征。
12.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
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。
13.一种计算机可读介质，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。
CN202010327039.XA 2020-04-23 2020-04-23 视频风格迁移方法和装置 Active CN111556244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010327039.XA CN111556244B (zh) 2020-04-23 2020-04-23 视频风格迁移方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327039.XA CN111556244B (zh) 2020-04-23 2020-04-23 视频风格迁移方法和装置

Publications (2)

Publication Number Publication Date
CN111556244A true CN111556244A (zh) 2020-08-18
CN111556244B CN111556244B (zh) 2022-03-11

Family

ID=72007707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327039.XA Active CN111556244B (zh) 2020-04-23 2020-04-23 视频风格迁移方法和装置

Country Status (1)

Country Link
CN (1) CN111556244B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012038A (zh) * 2021-03-19 2021-06-22 深圳市兴海物联科技有限公司 一种图像风格迁移处理方法、移动终端和云端服务器
CN113256484A (zh) * 2021-05-17 2021-08-13 百果园技术(新加坡)有限公司 一种对图像进行风格化处理的方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355555A (zh) * 2011-09-22 2012-02-15 中国科学院深圳先进技术研究院 视频处理方法及***
CN103208110A (zh) * 2012-01-16 2013-07-17 展讯通信（上海）有限公司 视频图像的转换方法及装置
CN105139438A (zh) * 2014-09-19 2015-12-09 电子科技大学 视频人脸卡通动画生成方法
CN105303598A (zh) * 2015-10-23 2016-02-03 浙江工业大学 基于纹理传输的多风格视频艺术化处理方法
US20170148222A1 (en) * 2014-10-31 2017-05-25 Fyusion, Inc. Real-time mobile device capture and generation of art-styled ar/vr content
CN107481185A (zh) * 2017-08-24 2017-12-15 深圳市唯特视科技有限公司 一种基于视频图像优化的风格转换方法
US20180350030A1 (en) * 2017-06-06 2018-12-06 Adobe Systems Incorporated Generating a stylized image or stylized animation by matching semantic features via an appearance guide, a segmentation guide, and a positional guide
CN109359687A (zh) * 2018-10-19 2019-02-19 百度在线网络技术（北京）有限公司 视频风格转换处理方法和装置
CN110175951A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于时域一致性约束的视频风格迁移方法
CN110533579A (zh) * 2019-07-26 2019-12-03 西安电子科技大学 基于自编码结构与梯度保序的视频风格转换方法
CN110798676A (zh) * 2019-11-29 2020-02-14 苏州新光维医疗科技有限公司 一种利用内镜镜头动态图像形成3d视觉的方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355555A (zh) * 2011-09-22 2012-02-15 中国科学院深圳先进技术研究院 视频处理方法及***
CN103208110A (zh) * 2012-01-16 2013-07-17 展讯通信（上海）有限公司 视频图像的转换方法及装置
CN105139438A (zh) * 2014-09-19 2015-12-09 电子科技大学 视频人脸卡通动画生成方法
US20170148222A1 (en) * 2014-10-31 2017-05-25 Fyusion, Inc. Real-time mobile device capture and generation of art-styled ar/vr content
CN105303598A (zh) * 2015-10-23 2016-02-03 浙江工业大学 基于纹理传输的多风格视频艺术化处理方法
US20180350030A1 (en) * 2017-06-06 2018-12-06 Adobe Systems Incorporated Generating a stylized image or stylized animation by matching semantic features via an appearance guide, a segmentation guide, and a positional guide
CN107481185A (zh) * 2017-08-24 2017-12-15 深圳市唯特视科技有限公司 一种基于视频图像优化的风格转换方法
CN109359687A (zh) * 2018-10-19 2019-02-19 百度在线网络技术（北京）有限公司 视频风格转换处理方法和装置
CN110175951A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于时域一致性约束的视频风格迁移方法
CN110533579A (zh) * 2019-07-26 2019-12-03 西安电子科技大学 基于自编码结构与梯度保序的视频风格转换方法
CN110798676A (zh) * 2019-11-29 2020-02-14 苏州新光维医疗科技有限公司 一种利用内镜镜头动态图像形成3d视觉的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔丽莎: "《基于深度学习的图像风格艺术化》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012038A (zh) * 2021-03-19 2021-06-22 深圳市兴海物联科技有限公司 一种图像风格迁移处理方法、移动终端和云端服务器
CN113012038B (zh) * 2021-03-19 2023-11-28 深圳市兴海物联科技有限公司 一种图像风格迁移处理方法、移动终端和云端服务器
CN113256484A (zh) * 2021-05-17 2021-08-13 百果园技术(新加坡)有限公司 一种对图像进行风格化处理的方法及装置
CN113256484B (zh) * 2021-05-17 2023-12-05 百果园技术(新加坡)有限公司 一种对图像进行风格化处理的方法及装置

Also Published As

Publication number Publication date
CN111556244B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN111292337B (zh) 图像背景替换方法、装置、设备及存储介质
US6438275B1 (en) Method for motion compensated frame rate upsampling based on piecewise affine warping
US11074437B2 (en) Method, apparatus, electronic device and storage medium for expression driving
CN111524166B (zh) 视频帧的处理方法和装置
JP2978406B2 (ja) 局所異常の排除による動きベクトルフィールド生成装置およびその方法
CN110214340B (zh) 使用rgb色彩数据的结构光深度图的细化
CN111327926B (zh) 视频插帧方法、装置、电子设备及存储介质
US9390511B2 (en) Temporally coherent segmentation of RGBt volumes with aid of noisy or incomplete auxiliary data
CN111556244B (zh) 视频风格迁移方法和装置
CN111709878A (zh) 人脸超分辨率实现方法、装置、电子设备及存储介质
CN111654723B (zh) 视频质量提升方法、装置、电子设备和存储介质
CN106210448B (zh) 一种视频图像抖动消除处理方法
CN108615241B (zh) 一种基于光流的快速人体姿态估计方法
US20110058610A1 (en) Methods and Systems for Motion Estimation with Nonlinear Motion-Field Smoothing
CN112584076B (zh) 视频的插帧方法、装置及电子设备
CN112560875A (zh) 深度信息补全模型训练方法、装置、设备以及存储介质
JPH10240945A (ja) 画像処理装置
CN111507924B (zh) 视频帧的处理方法和装置
CN111866308A (zh) 信噪比调节电路、信噪比调节方法和信噪比调节程序
KR100778116B1 (ko) 움직임벡터 보정장치 및 보정방법
CN111008305A (zh) 一种视觉搜索方法、装置以及电子设备
US20230316463A1 (en) Filter for temporal noise reduction
KR20190017293A (ko) 영상 처리 방법 및 이를 이용한 표시 장치
CN111325673B (zh) 影像处理方法与影像处理电路
JP2020046744A (ja) 画像処理装置、背景画像の生成方法およびプログラム

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