CN112506510B - ***皮肤生成方法、装置、设备及存储介质 - Google Patents
***皮肤生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112506510B CN112506510B CN202011479287.2A CN202011479287A CN112506510B CN 112506510 B CN112506510 B CN 112506510B CN 202011479287 A CN202011479287 A CN 202011479287A CN 112506510 B CN112506510 B CN 112506510B
- Authority
- CN
- China
- Prior art keywords
- style
- icon
- skin
- background image
- template
- 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 86
- 230000004927 fusion Effects 0.000 claims description 76
- 238000000605 extraction Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种***皮肤生成方法、装置、设备及存储介质,本申请获取到皮肤背景图以及能够提供图标模板信息的图标模板,进而分别提取皮肤背景图和图标模板的特征信息,基于二者各自的特征信息来生成***皮肤,本申请生成的***皮肤包含有与皮肤背景图风格适配的图标。由此可见,本申请在生成***皮肤时,参考了皮肤背景图的特征信息以及图标模板的特征信息,其中皮肤背景图的特征信息能够提供皮肤背景图的风格特征,图标模板的特征信息能够提供图标的模板信息,如空间结构分布信息等,基于此生成的***皮肤中的图标风格与皮肤背景图相适配,且图标的空间结构分布与图标模板一致。
Description
技术领域
本申请涉及软件***技术领域,更具体的说,是涉及一种***皮肤生成方法、装置、设备及存储介质。
背景技术
软件***界面一般由界面背景及背景上的图标组成。为了实现不同用户个性化的需求,现有技术一般提供了默认的***皮肤库(也可称之为主题),***皮肤库中配置了预先设计好的多款不同皮肤,不同皮肤的背景图及图标的风格不一,以供用户选择自己喜欢的皮肤,以此设置成***界面。
但是有些情况下,***皮肤库中存储的***皮肤仍不符合用户的喜好。有些方案提供了用户自定义皮肤背景图的技术,即将用户上传的皮肤背景图替换掉已有***皮肤中的背景图。这种技术虽然一定程度上实现了用户的个性化需求,但是,仍存在其它缺陷,如用户上传的皮肤背景图与已有的图标风格不适配等问题。
发明内容
鉴于上述问题,提出了本申请以便提供一种***皮肤生成方法、装置、设备及存储介质,以实现用户个性化的***皮肤设计。具体方案如下:
一种***皮肤生成方法,包括:
获取皮肤背景图,以及预置的图标模板;
分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息;
基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
优选地,所述获取皮肤背景图,包括:
获取用户上传的皮肤背景图,或,
读取并访问用户上传的皮肤背景图存储路径地址,以获取皮肤背景图。
优选地,所述基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,包括:
对所述皮肤背景图的特征信息,及所述图标模板的特征信息进行融合,得到融合特征信息;
对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
优选地,提取所述皮肤背景图及所述图标模板的特征信息,以及基于提取的特征信息生成***皮肤的过程基于预训练的融合图像生成模型实现,所述融合图像生成模型的处理过程,包括:
利用所述融合图像生成模型的编码器,对所述皮肤背景图及所述图标模板进行特征提取及融合,得到融合特征信息;
利用所述融合图像生成模型的解码器,对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
优选地,所述融合图像生成模型的处理过程,还包括:
利用所述融合图像生成模型的编码器对输入的随机噪声进行特征提取,并将提取的特征与所述皮肤背景图及所述图标模板各自提取的特征进行融合。
优选地,所述融合图像生成模型还包括风格约束模块;
所述风格约束模块用于约束解码器生成的融合图像与所述皮肤背景图的风格趋近。
优选地,所述融合图像生成模型还包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的融合图像与所述图标模板的空间结构分布趋近。
优选地,所述融合图像生成模型采用对抗生成网络结构,其包括生成网络和判别网络;
所述融合图像生成模型训练时,交替迭代的对所述生成网络和所述判别网络进行参数更新。
优选地,所述基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,包括:
基于所述皮肤背景图和所述图标模板各自的特征信息,生成与所述皮肤背景图风格适配的图标,作为风格图标;
将所述皮肤背景图与所述风格图标融合,得到融合图像作为***皮肤。
优选地,提取所述皮肤背景图及所述图标模板的特征信息,以及基于提取的特征信息生成风格图标的过程基于预训练的风格图标生成模型实现,所述风格图标生成模型的处理过程,包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息;
利用所述风格图标生成模型的编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标。
优选地,所述利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息,包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图及输入的随机噪声共同进行特征提取,得到融合随机噪声的风格特征信息。
优选地,所述利用所述风格图标生成模型的编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标,包括:
将所述风格特征信息与所述图标模板的向量表示进行拼接,得到拼接向量,并利用所述风格图标生成模型的编解码网络处理拼接向量,得到风格图标;
或,
将所述风格特征信息作为编码器中归一化层的操作因子,并利用编码器对所述图标模板进行特征提取,以及利用解码器对提取的特征进行解码恢复,得到风格图标。
优选地,所述风格图标生成模型还包括风格约束模块;
所述风格约束模块用于约束解码器生成的风格图标与所述皮肤背景图的风格趋近。
优选地,所述风格图标生成模型还包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的风格图标与所述图标模板的空间结构分布趋近。
优选地,所述风格图标生成模型采用对抗生成网络结构,其包括生成网络和判别网络;
所述风格图标生成模型训练时,交替迭代的对所述生成网络和所述判别网络进行参数更新。
优选地,所述将所述皮肤背景图与所述风格图标融合,包括:
基于所述风格图标通过贴图形式与所述皮肤背景图融合,或,
采用泊松融合的方式,将所述风格图标与所述皮肤背景图融合。
一种***皮肤生成装置,包括:
数据获取单元,用于获取皮肤背景图,以及预置的图标模板;
特征提取单元,用于分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息;
特征处理单元,用于基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
一种***皮肤生成设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上所述的***皮肤生成方法的各个步骤。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的***皮肤生成方法的各个步骤。
借由上述技术方案,本申请的***皮肤生成方法,获取到皮肤背景图以及能够提供图标模板信息的图标模板,进而分别提取皮肤背景图和图标模板的特征信息,基于二者各自的特征信息来生成***皮肤,本申请生成的***皮肤包含有与皮肤背景图风格适配的图标。由此可见,本申请在生成***皮肤时,参考了皮肤背景图的特征信息以及图标模板的特征信息,其中皮肤背景图的特征信息能够提供皮肤背景图的风格特征,图标模板的特征信息能够提供图标的模板信息,如图标的空间结构分布等,基于此生成的***皮肤中的图标风格与皮肤背景图相适配,且图标与图标模板的信息一致,如空间结构分布等与图标模板保持一致。使用本申请设计的***皮肤既能够满足用户个性化的需求,又保证了***皮肤的风格一致性,优化了软件***的整体展示样式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的***皮肤生成方法的一流程示意图;
图2a-2b分别示例了两种不同形式的输入法图标模板示意图;
图3为本申请实施例提供的另一种***皮肤生成方法的流程示意图;
图4a-4c示例了几种不同结构的融合图像生成模型示意图;
图5示例了一种融合图像生成模型采用GAN网络结构的示意图;
图6示例了融合图像生成模型中风格约束模块的实现流程示意图;
图7示例了融合图像生成模型中空间结构约束模块的实现流程示意图;
图8为本申请实施例提供的又一种***皮肤生成方法的流程示意图;
图9a-9b示例了风格特征提取模块的两种不同形式的处理流程示意图;
图10a-10b示例了风格特征信息作用于编解码网络的两种不同形式示意图;
图11示例了一种风格图标生成模型采用GAN网络结构的示意图;
图12示例了风格图标生成模型中风格约束模块的实现流程示意图;
图13示例了风格图标生成模型中空间结构约束模块的实现流程示意图;
图14为本申请实施例公开的一种***皮肤生成装置结构示意图;
图15为本申请实施例提供的***皮肤生成设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种***皮肤生成方案,能够对软件***界面生成个性化且风格一致的***皮肤。其中,软件***可以是终端设备上安装的各种软件应用,也可以是终端上运行的***,如android***或其它***等。
以输入法应用为例,用户调起输入法应用后,提供一个输入法展示界面,在该展示界面上显示有***皮肤。***皮肤一般包含皮肤背景图及其上显示的各种图标。
本申请方案可以基于具备数据处理能力的终端实现,该终端可以是手机、电脑、服务器、云端等。
接下来,结合图1所述,本申请的***皮肤生成方法可以包括如下步骤:
步骤S100、获取皮肤背景图,以及预置的图标模板。
其中,皮肤背景图可以是用户指定的作为***皮肤的背景图。
本实施例中,获取皮肤背景图的方式,可以是直接获取用户上传的皮肤背景图。除此之外,用户还可以上传皮肤背景图的存储路径地址,基于此,本申请可以访问所述存储路径地址,以获取该存储路径地址中存储的皮肤背景图。
其中,所述图标模板提供图标的模板信息,包括但不限于空间结构分布信息、图标原始形状信息等。
以输入法应用对应的图标模板为例,其可以是常见的“九宫格”或者26个英文字母键盘所构成的软件图像模板图,示例如图2a和图2b。
其中,预先配置的图标模板可以有一套或多套,可以基于用户的指令,从配置的图标模板中选择用户所指定的图标模板。
步骤S110、分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息。
其中,皮肤背景图的特征信息能够提供皮肤背景图的风格特征,图标模板的特征信息能够提供图标的模板信息,示例如空间结构分布信息。通过提取上述特征信息,可以供后续步骤生成***皮肤,并且,基于此生成的***皮肤中的图标风格与皮肤背景图相适配,且图标的与图标模板的信息一致,如空间结构分布与图标模板一致。
步骤S120、基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
具体的,基于前述步骤提取的特征信息所生成的***皮肤,可以以所述皮肤背景图为背景图,在所述背景图上显示风格图标,该风格图标与所述皮肤背景图的风格相适配。
本申请实施例的***皮肤生成方法,获取到皮肤背景图以及能够提供图标模板信息的图标模板,进而分别提取皮肤背景图和图标模板的特征信息,基于二者各自的特征信息来生成***皮肤,本申请生成的***皮肤包含有与皮肤背景图风格适配的图标。由此可见,本申请在生成***皮肤时,参考了皮肤背景图的特征信息以及图标模板的特征信息,其中皮肤背景图的特征信息能够提供皮肤背景图的风格特征,图标模板的特征信息能够提供图标的模板信息,如图标的空间结构分布信息等,基于此生成的***皮肤中的图标风格与皮肤背景图相适配,且图标与图标模板的信息一致,如空间结构分布与图标模板一致。使用本申请设计的***皮肤既能够满足用户个性化的需求,又保证了***皮肤的风格一致性,优化了软件***的整体展示样式。
在本申请的一些实施例中,介绍了上述***皮肤生成方法的两种不同实现方式。
第一种、
基于提取的所述皮肤背景图和所述图标模板各自的特征信息,直接生成***皮肤。
第二种、
基于提取的所述皮肤背景图和所述图标模板各自的特征信息,首先生成与所述皮肤背景图风格相适配的风格图标。进一步的,将所述皮肤背景图与所述风格图标进行图像融合,得到的融合图像作为***皮肤。
接下来,分别对上述两种不同的实现方式进行展开说明。
首先,结合图3,介绍第一种实现方式:
结如图3所示,***皮肤生成方法可以包括如下步骤:
步骤S200、获取皮肤背景图,以及预置的图标模板。
其中,图3以输入法应用为例进行说明,图中左上图为示例的皮肤背景图,右上图为示例的图标模板。
步骤S210、分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息。
步骤S220、对所述皮肤背景图的特征信息,及所述图标模板的特征信息进行融合,得到融合特征信息。
具体的,对所述皮肤背景图的特征信息,及所述图标模板的特征信息进行融合的过程,可以通过编码器实现。
步骤S230、对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
图3中下方示例的为融合图像,可以看出,融合图像以皮肤背景图为背景,在其上显示风格图标,该风格图标与皮肤背景图的风格相匹配,且图标的空间结构分布与图标模板一致。
一种可选的实现方式下,上述步骤S210-S230的实现过程可以基于预先训练的融合图像生成模型实现。
本实施例中,可以预先训练端到端的神经网络结构,其输入为皮肤背景图和图标模板,输出为作为***皮肤的融合图像。
其中,融合图像生成模型可以采用包括但不限于对抗生成网络(GenerativeAdversarialNetwork,GAN)在内的多种神经网络结构。
融合图像生成模型包括编码器和解码器,其中,编码器对输入的皮肤背景图及图标模板进行特征提取及融合,得到融合特征信息。
解码器对融合特征信息进行解码恢复,得到融合图像作为***皮肤。
其中,融合图像生成模型进行特征提取、融合及解码恢复的过程,可以采用图像拼接、早期特征拼接和晚期特征拼接等处理方案,示例如图4a-4c。
其中,图4a示例的融合图像生成模型采用图像拼接方式进行处理,融合图像生成模型包括一个特征编码器和一个特征解码器。其中,皮肤背景图和图标模板进行图像拼接,之后输入特征编码器进行特征编码,编码特征经过特征解码器进行解码恢复,得到融合图像作为***皮肤。
图4b示例的融合图像生成模型采用早期特征拼接进行处理,融合图像生成模型包括三个特征编码器和一个特征解码器。其中,皮肤背景图通过一个特征编码器进行单独特征编码,图标模板通过另一个特征编码器进行单独特征编码,皮肤背景图的编码特征与图标模板的编码特征拼接,之后输入第三个特征编码器进行再次特征编码,编码特征输入特征编码器进行特征编码,编码特征经过特征解码器进行解码恢复,得到融合图像作为***皮肤。
图4c示例的融合图像生成模型采用晚期特征拼接进行处理,融合图像生成模型包括两个特征编码器和一个特征解码器。其中,皮肤背景图通过一个特征编码器进行单独特征编码,图标模板通过另一个特征编码器进行单独特征编码,皮肤背景图的编码特征与图标模板的编码特征拼接,之后输入特征解码器进行解码恢复,得到融合图像作为***皮肤。
进一步可选的,本实施例中融合图像生成模型的输入除了皮肤背景图和图标模板之外,还可以进一步增加随机噪声信号。也即,利用所述融合图像生成模型的编码器对输入的随机噪声进行特征提取,并将提取的特征与所述皮肤背景图及所述图标模板各自提取的特征进行融合。
本实施例中,通过增加随机噪声信号作为融合图像生成模型的输入,可以增加融合图像生成模型的鲁棒性,确保所生成的融合图像的随机性和多样性。
参见图5,其示例了一种融合图像生成模型采用GAN网络结构的示意图。
对抗生成网络GAN网络结构包括生成网络和判别网络。
生成网络基于输入的皮肤背景图、图标模板和随机噪声,通过编解码网络后输出生成的融合图像,作为***皮肤。
对于判别网络,利用预先训练好的神经网络判别器对生成的融合图像和真实的图像的属性进行判别,即判断当前输入到判别器的图像是生成图像还是真实图像。
生成网络和判别网络组成一个具有对抗生成思想的网络结构,并且在模型训练过程,采用交替迭代的优化思想,对所述生成网络和所述判别网络进行参数更新。
具体训练过程可以参照如下步骤:
步骤一:首先将生成网络中的特征编解码网络的权重固定,对判别网络中的神经网络判别器进行训练。神经网络判别器有两组输入:即网络生成的融合图像和真实图像,在训练神经网络判别器时,给予前者类别标签0,给予后者类别标签1,然后输出关于不同输入样本的预测概率,其中预测概率越接近0,则意味着判别网络认为该输入样本属于网络生成融合图像的可能性越大,反之则认为该输入样本属于真实图像的可能性越大。最后,再利用包括但不限于交叉熵代价函数对判别器网络的权重进行更新。其中,交叉熵损失函数的定义如下所示:
其中p∈[0,1]
上式中,y表示神经网络判别器所预测的类别,p为神经网络判别器在某一数据点对于类别1(即真实图像)的预测概率;相应地,1-p即表示该数据点对于类别0(即网络生成的融合图像)的预测概率。从上述公式我们可以看出,当神经网络判别器对输入样本的标签预测结果与样本的真实标签越相近,交叉熵损失函数越接近于0,此时代表神经网络判别器收敛地越好,反之则需要加大权重更新的力度。
综上所述,对于神经网络判别器,其权重参数可以利用随机梯度上升的方式进行更新:
其中x代表网络生成的融合图像,y代表真实图像,D代表神经网络判别器,θd代表待更新的模型参数,m代表训练样本的个数。
步骤二:神经网络判别器经过初步迭代之后,已经具有一定的“判别”能力,这时候需要将它的权重固定,然后对生成网络中的特征编解码网络进行权重更新,具体做法可以包括:对于输入的皮肤背景图和图标模板,将其通过特征编解码网络生成对应的融合图像,然后再将生成的融合图像送入到步骤一中初步训练完成的神经网络判别器,这一步骤同上述步骤一有一个区别在于,送入到神经网络判别器的生成的融合图像此时被给予标签1,真实图像被给予标签0。这一做法的目的是“驱使”特征编解码网络能够生成足够真实的图像,以达到混淆神经网络判别器的目的。简单来说,当神经网络判别器能够轻易分辨出真实图像和生成融合图像时,由于我们将类别标签取反,此时神经网络判别器会回传一个很强烈的惩罚,特征编解码网络的权重更新力度较大;反之当判别器无法轻易区分时,回传的惩罚相对较轻,特征编解码网络的权重更新力度较小。在这一过程中,本申请可以采用随机梯度下降的方案更新特征编解码网络的权重:
其中x代表网络生成的融合图像,y代表真实图像,G代表特征编解码网络,θg代表待更新的模型参数,m代表训练样本的个数。
至此,只需要重复迭代步骤一和步骤二,直至网络收敛,就可以利用生成网络生成“足够真实”的融合图像。
进一步结合图5示例的融合图像生成模型,本实施例中为了进一步保证生成的融合图像与皮肤背景图的风格相一致,可以在融合图像生成模型中进一步添加风格约束模块。
风格约束模块用于约束解码器生成的融合图像与皮肤背景图的风格趋近。其中,风格包括但不限于颜色、字体等信息。
本实施例中提供了风格约束模块的两种不同实现方式,分别如下:
第一种风格约束模块:
使用如下L1或L2范数损失,来实现风格约束模块的功能,具体约束形式如下:
其中,x代表生成的融合图像,y代表输入的皮肤背景图训练样本,n代表训练样本的个数。
也即,在融合图像生成模型的训练过程,风格约束模块可以使用上述任一种损失函数对融合图像生成模型进行参数更新。
第二种风格约束模块:
可以采用对抗生成的思路,即让生成的融合图像通过一个特征编解码网络恢复出皮肤背景图,并将恢复出的皮肤背景图与真实皮肤背景图,通过神经网络判别器进行判别更新训练。
基于此,第二种风格约束模块的具体实现流程可以参考图6所示:
图6示例的风格约束模块也是采用对抗生成思想,与前述步骤一和步骤二介绍的图5的训练过程类似,也是通过编解码网络和神经网络判别器进行“对抗博弈”,最终使得生成的融合图像与真实的皮肤背景图具有相似的风格特征。
再进一步结合图5示例的融合图像生成模型,本实施例中为了进一步保证生成的融合图像与图标模板的空间结构分布相一致,可以在融合图像生成模型中进一步添加空间结构约束模块。
空间结构约束模块用于约束解码器生成的融合图像与图标模板的空间结构分布趋近。
本实施例中提供了空间结构约束模块的两种不同实现方式,分别如下:
第一种空间结构约束模块:
使用如下L1或L2范数损失,来实现空间结构约束模块的功能,具体约束形式如下:
其中,x代表生成的融合图像,y代表输入的图标模板,n代表输入的训练样本的个数。
也即,在融合图像生成模型的训练过程,空间结构约束模块可以使用上述任一种损失函数对融合图像生成模型进行参数更新。
第二种空间结构约束模块:
可以采用对抗生成的思路,即让生成的融合图像通过一个特征编解码网络恢复出图标模板,并将恢复出的图标模板与真实图标模板,通过神经网络判别器进行判别更新训练。
基于此,第二种空间结构约束模块的具体实现流程可以参考图7所示:
图7示例的空间结构约束模块也是采用对抗生成思想,与前述步骤一和步骤二介绍的图5的训练过程类似,也是通过编解码网络和神经网络判别器进行“对抗博弈”,最终使得生成的融合图像与真实的图标模板具有相似的空间结构分布。
在本申请的另一个实施例中,介绍***皮肤的第二种实现方式,结合图8所示,***皮肤生成方法可以包括如下步骤:
步骤S300、获取皮肤背景图,以及预置的图标模板。
其中,图8以输入法应用为例进行说明,图中左上图为示例的皮肤背景图,右上图为示例的图标模板。
步骤S310、分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息。
步骤S320、基于所述皮肤背景图和所述图标模板各自的特征信息,生成与所述皮肤背景图风格适配的图标,作为风格图标。
具体的,与图3示例的方案不同的是,本实施例中可以基于皮肤背景图和图标模板各自的特征信息,首先生成风格图标,该风格图标与皮肤背景图的风格相适配。
图8中,步骤S320所指向的图例即为生成的风格图标。可以看出,风格图标与皮肤背景图的风格一致,且空间结构分布与图标模板一致。
步骤S330、将所述皮肤背景图与所述风格图标融合,得到融合图像作为***皮肤。
具体的,对皮肤背景图和风格图标进行融合的过程,可以采用多种不同的图像融合方式,示例如采用贴图的形式,将风格图标与皮肤背景图融合。或者是,采用泊松融合的方式,将风格图标与皮肤背景图融合。当然,除此之外,还可以采用其它图像融合方式,不申请不再穷举。
采用本实施例提供的***皮肤生成方案,首先基于皮肤背景图和图标模板各自的特征信息,生成风格图标,该风格图标与皮肤背景图的风格相适配,且风格图标的空间结构分布与图标模板的一致,进一步,将风格图标与皮肤背景图进行融合,得到融合图像作为***皮肤,保证了***皮肤的个性化,且优化了软件***的整体展示样式。
一种可选的实现方式下,上述步骤S310-S330的实现过程可以基于预先训练的风格图标生成模型实现。
本实施例中,可以预先训练端到端的神经网络结构,其输入为皮肤背景图和图标模板,输出为风格图标。
其中,风格图标生成模型可以采用包括但不限于对抗生成网络(GenerativeAdversarial Network,GAN)在内的多种神经网络结构。
风格图标生成模型包括风格特征提取模块和编解码网络,其中,风格特征提取模块对输入的皮肤背景图进行特征提取,得到风格特征信息。
风格特征提取模块可以利用多组包括但不限于卷积、全连接层进行排布的网络,提取隐含在皮肤背景图中的“潜在风格特征”,即风格特征信息。具体提取方式上,可以参考图9a和图9b所示。其中,图9a示例的,可以是将风格特征提取模块的网络顶层(示例如最后一个卷积层)输出的隐层特征z,作为风格特征信息。除此之外,还可以是如图9b所示,将风格特征提取模块的网络中各不同层级输出的多组隐层特征组合为风格特征信息(示例如,z1,z2,…,zn)。
进一步如图9a和图9b所示,本实施例中风格特征提取模块的输入除了皮肤背景图之外,还可以进一步增加随机噪声信号。也即,利用所述风格特征提取模块对所述皮肤背景图及输入的随机噪声共同进行特征提取,得到融合随机噪声的风格特征信息。
本实施例中,通过增加随机噪声信号作为风格特征提取模块的输入,可以丰富所提取到的风格特征信息的随机性和多样性。
进一步,风格图标生成模型中的编解码网络参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标。
具体的,风格特征信息作用到编解码网络的方式可以有多种,本实施例示例了两种可选的实现方式,分别如下:
第一种,结合图10a所示:
可以将所述风格特征信息与所述图标模板的向量表示进行拼接,得到拼接向量,并利用所述风格图标生成模型的编解码网络处理拼接向量,得到风格图标。
第二种,结合图10b所示:
可以将所述风格特征信息作为编码器中归一化层的操作因子,并利用编码器对所述图标模板进行特征提取,以及利用解码器对提取的特征进行解码恢复,得到风格图标。
其中,风格特征信息作为编码器中归一化层的操作因子,其可以是缩放因子、偏移因子等。
进一步的,本实施例中编解码网络的输入除了图标模板之外,还可以进一步增加随机噪声信号。也即,利用所述编解码网络对所述图标模板、所述风格特征信息及输入的随机噪声共同进行特征提取及解码,得到风格图标。
本实施例中,通过增加随机噪声信号作为编解码网络的输入,可以丰富所生成的风格图标的随机性和多样性。
参见图11,其示例了一种风格图标生成模型采用GAN网络结构的示意图。
对抗生成网络GAN网络结构包括生成网络和判别网络。
生成网络包括风格特征提取模块和编解码网络。其中:
风格特征提取模块基于输入的皮肤背景图和随机噪声,通过卷积网络提取风格特征信息。风格特征信息作用于编解码网络中。
编解码网络基于输入的图标模板、随机噪声以及风格特征信息,生成风格图标。
对于判别网络,利用预先训练好的神经网络判别器对生成的风格图标和真实图标的属性进行判别,即判断当前输入到判别器的图标是生成图标还是真实图标。
生成网络和判别网络组成一个具有对抗生成思想的网络结构,并且在模型训练过程,采用交替迭代的优化思想,对所述生成网络和所述判别网络进行参数更新。
关于GAN网络的训练过程,可以参照前文相关介绍,此处不再赘述。
进一步结合图11示例的风格图标生成模型,本实施例中为了进一步保证生成的风格图标与皮肤背景图的风格相一致,可以在风格图标生成模型中进一步添加风格约束模块。
风格约束模块用于约束解码器生成的风格图标与皮肤背景图的风格趋近。其中,风格包括但不限于颜色、字体等信息。
本实施例中提供了风格约束模块的两种不同实现方式,分别如下:
第一种风格约束模块:
使用如下L1或L2范数损失,来实现风格约束模块的功能,具体约束形式如下:
其中,x代表生成的风格图标,y代表输入的皮肤背景图训练样本,n代表训练样本的个数。
也即,在融合图像生成模型的训练过程,风格约束模块可以使用上述任一种损失函数对融合图像生成模型进行参数更新。
第二种风格约束模块:
可以采用对抗生成的思路,即让生成的风格图标通过一个特征编解码网络恢复出皮肤背景图,并将恢复出的皮肤背景图与真实皮肤背景图,通过神经网络判别器进行判别更新训练。
基于此,第二种风格约束模块的具体实现流程可以参考图12所示:
图12示例的风格约束模块也是采用对抗生成思想,与前述步骤一和步骤二介绍的图5的训练过程类似,也是通过编解码网络和神经网络判别器进行“对抗博弈”,最终使得生成的风格图标与真实的皮肤背景图具有相似的风格特征。
再进一步结合图11示例的融合图像生成模型,本实施例中为了进一步保证生成的风格图标与图标模板的空间结构分布相一致,可以在风格图标生成模型中进一步添加空间结构约束模块。
空间结构约束模块用于约束解码器生成的风格图标与图标模板的空间结构分布趋近。
本实施例中提供了空间结构约束模块的两种不同实现方式,分别如下:
第一种空间结构约束模块:
使用如下L1或L2范数损失,来实现空间结构约束模块的功能,具体约束形式如下:
其中,x代表生成的风格图标,y代表输入的图标模板,n代表输入的训练样本的个数。
也即,在风格图标生成模型的训练过程,空间结构约束模块可以使用上述任一种损失函数对融合图像生成模型进行参数更新。
第二种空间结构约束模块:
可以采用对抗生成的思路,即让生成的风格图标通过一个特征编解码网络恢复出图标模板,并将恢复出的图标模板与真实图标模板,通过神经网络判别器进行判别更新训练。
基于此,第二种空间结构约束模块的具体实现流程可以参考图13所示:
图13示例的空间结构约束模块也是采用对抗生成思想,与前述步骤一和步骤二介绍的图5的训练过程类似,也是通过编解码网络和神经网络判别器进行“对抗博弈”,最终使得生成的风格图标与真实的图标模板具有相似的空间结构分布。
下面对本申请实施例提供的***皮肤生成装置进行描述,下文描述的***皮肤生成装置与上文描述的***皮肤生成方法可相互对应参照。
参见图14,图14为本申请实施例公开的一种***皮肤生成装置结构示意图。
如图14所示,该装置可以包括:
数据获取单元11,用于获取皮肤背景图,以及预置的图标模板;
特征提取单元12,用于分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息;
特征处理单元13,用于基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
可选的,上述数据获取单元获取皮肤背景图的过程,可以包括:
获取用户上传的皮肤背景图,或,
读取并访问用户上传的皮肤背景图存储路径地址,以获取皮肤背景图。
可选的,本实施例公开了上述特征处理单元的两种不同实现过程:
其一,特征处理单元基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤的过程,可以包括:
对所述皮肤背景图的特征信息,及所述图标模板的特征信息进行融合,得到融合特征信息;
对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
具体的,上述特征提取单元及特征处理单元可以基于预训练的融合图像生成模型实现,所述融合图像生成模型的处理过程,可以包括:
利用所述融合图像生成模型的编码器,对所述皮肤背景图及所述图标模板进行特征提取及融合,得到融合特征信息;
利用所述融合图像生成模型的解码器,对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
可选的,上述融合图像生成模型的处理过程,还可以包括:
利用所述融合图像生成模型的编码器对输入的随机噪声进行特征提取,并将提取的特征与所述皮肤背景图及所述图标模板各自提取的特征进行融合。
可选的,上述融合图像生成模型还可以包括风格约束模块;
所述风格约束模块用于约束解码器生成的融合图像与所述皮肤背景图的风格趋近。
可选的,上述融合图像生成模型还可以包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的融合图像与所述图标模板的空间结构分布趋近。
可选的,上述融合图像生成模型可以采用对抗生成网络结构,其包括生成网络和判别网络;
所述融合图像生成模型训练时,交替迭代的对所述生成网络和所述判别网络进行参数更新。
其二,特征处理单元基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤的过程,可以包括:
基于所述皮肤背景图和所述图标模板各自的特征信息,生成与所述皮肤背景图风格适配的图标,作为风格图标;
将所述皮肤背景图与所述风格图标融合,得到融合图像作为***皮肤。
具体的,上述特征提取单元及特征处理单元可以基于预训练的风格图标生成模型实现,所述风格图标生成模型的处理过程,可以包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息;
利用所述风格图标生成模型的编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标。
可选的,上述风格图标生成模型利用风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息的过程,可以包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图及输入的随机噪声共同进行特征提取,得到融合随机噪声的风格特征信息。
可选的,上述风格图标生成模型利用编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标的过程,可以包括:
将所述风格特征信息与所述图标模板的向量表示进行拼接,得到拼接向量,并利用所述风格图标生成模型的编解码网络处理拼接向量,得到风格图标;
或,
将所述风格特征信息作为编码器中归一化层的操作因子,并利用编码器对所述图标模板进行特征提取,以及利用解码器对提取的特征进行解码恢复,得到风格图标。
可选的,上述风格图标生成模型还可以包括风格约束模块;
所述风格约束模块用于约束解码器生成的风格图标与所述皮肤背景图的风格趋近。
可选的,上述风格图标生成模型还可以包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的风格图标与所述图标模板的空间结构分布趋近。
可选的,上述风格图标生成模型可以采用对抗生成网络结构,其包括生成网络和判别网络;
所述风格图标生成模型训练时,交替迭代的对所述生成网络和所述判别网络进行参数更新。
可选的,上述特征处理单元将所述皮肤背景图与所述风格图标融合的过程,可以包括:
基于所述风格图标通过贴图形式与所述皮肤背景图融合,或,
采用泊松融合的方式,将所述风格图标与所述皮肤背景图融合。
本申请实施例提供的***皮肤生成装置可应用于***皮肤生成设备,如终端:手机、电脑等。可选的,图15示出了***皮肤生成设备的硬件结构框图,参照图15,***皮肤生成设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取皮肤背景图,以及预置的图标模板;
分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息;
基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取皮肤背景图,以及预置的图标模板;
分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息;
基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种***皮肤生成方法,其特征在于,包括:
获取皮肤背景图,以及预置的图标模板,所述皮肤背景图为用户指定的作为***皮肤的背景图;
分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息,所述皮肤背景图的特征信息用于提供皮肤背景图的风格特征,所述图标模板的特征信息用于提供图标的模板信息;
基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
2.根据权利要求1所述的方法,其特征在于,所述基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,包括:
对所述皮肤背景图的特征信息,及所述图标模板的特征信息进行融合,得到融合特征信息;
对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
3.根据权利要求2所述的方法,其特征在于,提取所述皮肤背景图及所述图标模板的特征信息,以及基于提取的特征信息生成***皮肤的过程基于预训练的融合图像生成模型实现,所述融合图像生成模型的处理过程,包括:
利用所述融合图像生成模型的编码器,对所述皮肤背景图及所述图标模板进行特征提取及融合,得到融合特征信息;
利用所述融合图像生成模型的解码器,对所述融合特征信息进行解码恢复,得到融合图像作为***皮肤。
4.根据权利要求3所述的方法,其特征在于,所述融合图像生成模型的处理过程,还包括:
利用所述融合图像生成模型的编码器对输入的随机噪声进行特征提取,并将提取的特征与所述皮肤背景图及所述图标模板各自提取的特征进行融合。
5.根据权利要求3所述的方法,其特征在于,所述融合图像生成模型还包括风格约束模块;
所述风格约束模块用于约束解码器生成的融合图像与所述皮肤背景图的风格趋近。
6.根据权利要求3所述的方法,其特征在于,所述融合图像生成模型还包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的融合图像与所述图标模板的空间结构分布趋近。
7.根据权利要求1所述的方法,其特征在于,所述基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,包括:
基于所述皮肤背景图和所述图标模板各自的特征信息,生成与所述皮肤背景图风格适配的图标,作为风格图标;
将所述皮肤背景图与所述风格图标融合,得到融合图像作为***皮肤。
8.根据权利要求7所述的方法,其特征在于,提取所述皮肤背景图及所述图标模板的特征信息,以及基于提取的特征信息生成风格图标的过程基于预训练的风格图标生成模型实现,所述风格图标生成模型的处理过程,包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息;
利用所述风格图标生成模型的编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标。
9.根据权利要求8所述的方法,其特征在于,所述利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图进行特征提取,得到风格特征信息,包括:
利用所述风格图标生成模型的风格特征提取模块,对所述皮肤背景图及输入的随机噪声共同进行特征提取,得到融合随机噪声的风格特征信息。
10.根据权利要求8所述的方法,其特征在于,所述利用所述风格图标生成模型的编解码网络,参考所述风格特征信息,对所述图标模板进行编解码处理,得到风格图标,包括:
将所述风格特征信息与所述图标模板的向量表示进行拼接,得到拼接向量,并利用所述风格图标生成模型的编解码网络处理拼接向量,得到风格图标;
或,
将所述风格特征信息作为编码器中归一化层的操作因子,并利用编码器对所述图标模板进行特征提取,以及利用解码器对提取的特征进行解码恢复,得到风格图标。
11.根据权利要求8所述的方法,其特征在于,所述风格图标生成模型还包括风格约束模块;
所述风格约束模块用于约束解码器生成的风格图标与所述皮肤背景图的风格趋近。
12.根据权利要求8所述的方法,其特征在于,所述风格图标生成模型还包括空间结构约束模块;
所述空间结构约束模块用于约束解码器生成的风格图标与所述图标模板的空间结构分布趋近。
13.一种***皮肤生成装置,其特征在于,包括:
数据获取单元,用于获取皮肤背景图,以及预置的图标模板,所述皮肤背景图为用户指定的作为***皮肤的背景图;
特征提取单元,用于分别提取所述皮肤背景图的特征信息,以及所述图标模板的特征信息,所述皮肤背景图的特征信息用于提供皮肤背景图的风格特征,所述图标模板的特征信息用于提供图标的模板信息;
特征处理单元,用于基于所述皮肤背景图和所述图标模板各自的特征信息,生成***皮肤,所述***皮肤包含有与所述皮肤背景图风格适配的图标。
14.一种***皮肤生成设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~12中任一项所述的***皮肤生成方法的各个步骤。
15.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~12中任一项所述的***皮肤生成方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479287.2A CN112506510B (zh) | 2020-12-15 | 2020-12-15 | ***皮肤生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479287.2A CN112506510B (zh) | 2020-12-15 | 2020-12-15 | ***皮肤生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506510A CN112506510A (zh) | 2021-03-16 |
CN112506510B true CN112506510B (zh) | 2024-06-04 |
Family
ID=74973851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011479287.2A Active CN112506510B (zh) | 2020-12-15 | 2020-12-15 | ***皮肤生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506510B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687830B (zh) * | 2021-10-25 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 可视化界面生成方法、***及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020596A (zh) * | 2016-05-13 | 2016-10-12 | 厦门美图移动科技有限公司 | 一种移动终端桌面背景图设置方法、设备及移动终端 |
CN108108215A (zh) * | 2017-12-19 | 2018-06-01 | 北京百度网讯科技有限公司 | 皮肤生成方法、装置、终端和计算机可读存储介质 |
CN109603151A (zh) * | 2018-12-13 | 2019-04-12 | 腾讯科技(深圳)有限公司 | 虚拟角色的皮肤显示方法、装置及设备 |
CN111930376A (zh) * | 2019-05-13 | 2020-11-13 | 微软技术许可有限责任公司 | 风格化图标的自动生成 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101044320B1 (ko) * | 2010-10-14 | 2011-06-29 | 주식회사 네오패드 | 가상 키입력수단의 배경화면 컨텐츠 제공 방법 및 시스템 |
WO2019025909A1 (en) * | 2017-08-01 | 2019-02-07 | 3M Innovative Properties Company | NEURONAL STYLE TRANSFER FOR VARIETY AND IMAGE RECOGNITION |
-
2020
- 2020-12-15 CN CN202011479287.2A patent/CN112506510B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020596A (zh) * | 2016-05-13 | 2016-10-12 | 厦门美图移动科技有限公司 | 一种移动终端桌面背景图设置方法、设备及移动终端 |
CN108108215A (zh) * | 2017-12-19 | 2018-06-01 | 北京百度网讯科技有限公司 | 皮肤生成方法、装置、终端和计算机可读存储介质 |
CN109603151A (zh) * | 2018-12-13 | 2019-04-12 | 腾讯科技(深圳)有限公司 | 虚拟角色的皮肤显示方法、装置及设备 |
CN111930376A (zh) * | 2019-05-13 | 2020-11-13 | 微软技术许可有限责任公司 | 风格化图标的自动生成 |
Non-Patent Citations (2)
Title |
---|
User Preference Toward Appearance of Mobile Input Method Editor Based on Kansei Engineering;Yun Zhang et.al;《Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management. Human Communication》;全文 * |
基于生成对抗网络的风格化书法图像生成;王晓红;卢辉;麻祥才;;包装工程(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112506510A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599492B (zh) | 图像分割模型的训练方法、装置、电子设备及存储介质 | |
CN108062754B (zh) | 基于密集网络图像的分割、识别方法和装置 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN115129848B (zh) | 一种视觉问答任务的处理方法、装置、设备和介质 | |
CN111476863B (zh) | 一种黑白漫画上色的方法、装置、电子设备及存储介质 | |
CN114418834A (zh) | 一种文字生成方法、装置、电子设备及存储介质 | |
CN108304376B (zh) | 文本向量的确定方法、装置、存储介质及电子装置 | |
CN117576264B (zh) | 图像生成方法、装置、设备及介质 | |
CN116645668B (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN116664719A (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN113377914A (zh) | 推荐文本生成方法、装置、电子设备和计算机可读介质 | |
CN114187165A (zh) | 图像处理方法和装置 | |
CN112950640A (zh) | 视频人像分割方法、装置、电子设备及存储介质 | |
CN112506510B (zh) | ***皮肤生成方法、装置、设备及存储介质 | |
CN113628116B (zh) | 图像处理网络的训练方法、装置、计算机设备和存储介质 | |
CN114613450A (zh) | 药物分子的性质预测方法、装置、存储介质及计算机设备 | |
CN111814044B (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
CN116975357A (zh) | 视频生成方法、装置、电子设备、存储介质及程序产品 | |
CN116737150A (zh) | 一种页面生成方法及装置 | |
CN116975347A (zh) | 图像生成模型训练方法及相关装置 | |
CN112950501B (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN115454554A (zh) | 文本描述的生成方法、装置、终端及存储介质 | |
CN112669424B (zh) | 一种表情动画生成方法、装置、设备及存储介质 | |
CN114860232A (zh) | 页面生成方法以及装置 | |
CN114463466A (zh) | 智能卡卡面图案定制方法、装置、电子设备及介质 |
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 |