CN113706663A - 图像生成方法、装置、设备及存储介质 - Google Patents

Abstract

本公开实施例涉及一种图像生成方法、装置、设备及介质，获取第一图像，保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑，基于目标属性以及编辑后的其他属性，生成第二图像，以得到目标属性不变且其他属性发生变化的第二图像，因此，可以实现快速生成图像并提高图像多样化的效果，使得在进行模型训练时，提高训练样本的平衡性，以提高模型性能。

Description

图像生成方法、装置、设备及存储介质

技术领域

本公开实施例涉及图像处理技术领域，尤其涉及一种图像生成方法、装置、设备及存储介质。

背景技术

相关技术常常需要各种类型的图像来训练相关模型，而在现实中，某些类型的图像的数量稀少。为了提高模型训练的准确性，需要扩大这部分图像的数量。因此，亟需一种可靠的图像生成方法来快速生成这部分图像。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种。

本公开实施例的第一方面提供了一种图像生成方法，该方法包括：

获取第一图像；

保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑；

基于目标属性以及编辑后的其他属性，生成第二图像。

本公开实施例的第二方面提供了一种图像生成装置，该装置包括：

第一图像获取模块，用于获取第一图像；

属性编辑模块，用于保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑；

第二图像生成模块，用于基于目标属性以及编辑后的其他属性，生成第二图像。

本公开实施例的第三方面提供了一种图像生成设备，该图像生成设备包括存储器和处理器，其中，存储器中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的图像生成方法。

本公开实施例的第四方面提供了一种计算机可读存储介质，该存储介质中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的图像生成方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例的图像生成方法、装置、设备及介质，能够在获取第一图像之后，保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑，基于目标属性以及编辑后的其他属性，生成第二图像，以实现通过对第一图像的其他属性编辑，并基于目标属性和编辑后的其他属性，得到目标属性不变且其他属性发生变化的第二图像，因此，可以实现快速生成图像并提高图像多样化的效果，使得在进行模型训练时，提高训练样本的平衡性，以提高模型性能。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的一种图像生成方法的流程示意图；

图2是本公开实施例提供的一种图像生成方法的逻辑示意图；

图3是本公开实施例提供的另一种图像生成方法的流程示意图；

图4是本公开实施例提供的另一种图像生成方法的逻辑示意图；

图5是本公开实施例提供的又一种图像生成方法的流程示意图；

图6是本公开实施例提供的再一种图像生成方法的流程示意图；

图7是本公开实施例提供的一种图像生成装置的结构示意图；

图8是本公开实施例提供的一种图像生成设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

在模型的训练阶段，模型的训练效果在很大程度上依赖于训练样本的采集数量和标注质量。例如，在训练端到端的模型以处理分类任务时，需要针对各类型，采集等量的训练样本来训练模型，也就是说，训练样本的平衡性可以在很大程度上影响模型性能。

相关技术常常需要各种类型的图像来训练相关模型，而在现实中，某些类型的图像的数量稀少。为了提高模型训练的准确性，需要扩大这部分图像的数量。

以分类任务为人脸属性分类任务为例，一字眉在眉毛的各个类别中属于低分布的一个类别，导致实际采集到的一字眉的样本图像极少，因此，为了提高模型的训练准确性，需要扩大一字眉的样本图像的数量，使得一字眉的样本图像和其他形状眉毛的样本图像的数量平衡，进而提高模型的性能。

为了扩大数量稀少的某些类型的训练样本的数量，即为了使模型的训练样本的数量保持平衡，相关技术中主要采用两种方法来处理训练样本的数量不平衡的问题：

第1种方法：对数量较多的类型的训练样本进行欠采样。

第2种方法：对数量较少的类型的训练样本进行数据增强。

然而，第1种方法的缺点是，对数量较多的类型的训练样本进行欠采样之后，会导致数据的极大浪费，并且数据量的减少也会提高模型过拟合的风险，影响模型的训练效果。第2种方法往往通过图像旋转以及色彩空间转换等方式进行数据增强处理，这种数据增强方式不能快速生成大量的训练样本，且训练样本的多样性较差。

综上，已有的图像生成方法针对数量较少的样本图像，很难快速的生成多样化的图像。

为了解决上述问题，本公开实施例提供了一种图像生成方法、装置、设备及存储介质，能够在获取第一图像之后，保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑，基于目标属性以及编辑后的其他属性，生成第二图像，以实现通过对第一图像的其他属性编辑，并基于目标属性和编辑后的其他属性，得到目标属性不变且其他属性发生变化的第二图像，因此，可以实现快速生成图像并提高图像多样化的效果。

下面首先结合图1至图6对本公开实施例提供的图像生成方法进行说明。

图1示出了本公开实施例提供的一种图像生成方法的流程示意图。

在本公开一些实施例中，图1所示的图像生成方法可以由图像生成设备执行。其中，图像生成设备可以包括平板电脑、台式计算机、笔记本电脑等具有计算和处理功能的设备，也可以包括虚拟机或者模拟器模拟的设备，还可以包括服务器或者服务器集群等具有存储及计算功能的设备。

如图1所示，该图像生成方法可以包括如下步骤。

S110、获取第一图像。

在本公开实施例中，第一图像可以示例性的理解为数量较少不容易大量得到的图像。

可选的，第一图像可以包括但不限于人脸图像、风景图像、文本图像、灰度图像等。

S120、保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑。

具体的，图像生成设备在获取到第一图像之后，可以保持目标属性不变，对其他属性特征进行编辑，使得目标属性对应的特征不变，改变其他属性对应的特征，以基于目标属性和编辑后的其他属性，生成多样化的第二图像。

在本公开实施例中，目标属性可以是第一图像中预设的属性，比如眉毛、脸型、姿势等，但不局限于这里列举的属性。

在本公开实施例中，其他属性可以是第一图像中除目标属性之外的属性。

在本公开实施例中，S120可以包括：

基于第一图像处理得到第一图像的语义向量；

基于语义向量，对第一图像中除目标属性以外的其他属性的语义向量进行编辑。

其中，语义向量可以是第一图像对应的携带有特征含义信息的向量，特征含义信息可以包括语义向量所代表的属性。

其中，特征含义信息至少可以包括语义向量所代表的属性的属性名称。

在一些实施例中，基于第一图像处理得到第一图像的语义向量，可以包括：

基于第一图像处理得到第一图像的特征向量；

将第一图像的特征向量映射到对应的语义特征空间中，得到第一图像的语义向量。

具体的，图像生成设备可以利用训练好的特征金字塔模型，将第一图像的图像数据映射到对应的隐空间，得到第一图像的特征向量，并将隐空间中的第一图像的特征向量映射到对应的语义特征空间，得到第一图像的语义向量。

其中，隐空间可以为第一图像的特征向量所在的空间。

其中，特征金字塔模型可以用于对第一图像的图像数据进行解耦分离，以得到隐藏特征，隐藏特征可以包括第一图像的特征向量，有利于提高其他属性的语义向量的编辑效率。

可选的，特征金字塔模型可以为金字塔场景解析网络，也可以是其他形式的模型，在此不作限制。

在一些实施例中，基于语义向量，对第一图像中对应于其他属性的语义向量进行编辑，可以包括：

从语义向量所携带的特征含义信息中筛选出属性信息，确定语义向量对应的属性；

基于语义向量对应的属性，对目标属性以外的其他属性的语义向量进行编辑。

具体的，图像生成设备可以预先确定目标属性，根据第一图像对应的各语义向量所携带的特征含义信息确定出除目标属性以外的其他属性对应的语义向量，并利用风格流方式对目标属性以外的其他属性的语义向量进行编辑。

其中，风格流可以用于解耦特征，控制对第一图像中除目标属性以外的其他属性的语义向量进行解耦，并对其他属性的语义向量进行编辑，可以提高其他属性的语义向量的多样化，也可以保留目标属性的语义向量，使得利用目标属性和编辑后的其他属性生成的第二图像进行模型训练时，可以提高模型训练的效率。

以第一图像为人脸图像为例，目标属性可以是一字眉毛，其他属性可以包括年龄、性别、眼镜、姿势、肤色、发质等属性，图像生成设备可以利用训练好的金字塔场景解析网络，将第一图像的图像数据映射到对应的隐空间，得到第一图像的特征向量，并将第一图像的特征向量映射到对应的语义特征空间，得到第一图像的语义向量，可以利用风格流方式，根据语义向量所携带的特征含义信息，筛选出年龄、性别、眼镜、姿势、肤色、发质等属性对应的语义向量，然后对筛选出的这些语义向量进行编辑，具体可以增减年龄，改变性别、添加或删除眼镜、改变肤色以及改变发质等处理，以完成对第一图像中的其他属性进行编辑的操作。

由此，在本公开实施例中，可以保持第一图像中的目标属性不变，并基于第一图像的语义向量，对其他属性的语义向量进行编辑，以实现在第一图像中的目标属性保持不变的情况下，提高其他属性的多样化。

S130、基于目标属性以及编辑后的其他属性，生成第二图像。

具体的，图像生成设备编辑第一图像的其他属性之后，可以对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

在本公开实施例中，S130可以包括：

基于目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量，生成第二图像。

具体的，图像生成设备可以利用生成器网络模型，将目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

其中，生成器网络模型可以用于对目标属性和编辑后的其他属性进行进一步的解耦分离以及合成，以生成第二图像，可以在保留目标属性的特征的同时，提高其他属性的特征的多样性，使得基于生成的第二图像进行模型训练时，可以提高模型训练的效率和可靠性。

可选的，生成器网络模型可以是风格生成对抗网络，也可以是其他网络，在此不作限制。

继续以第一图像为人脸图像为例，目标属性可以是一字眉毛，其他属性可以包括年龄、性别、眼镜、姿势、肤色、发质等属性，图像生成设备得到编辑后的其他属性之后，可以利用风格生成对抗网络将目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

图2示出了本公开实施例提供的一种图像生成方法的逻辑示意图。结合图2解释上述步骤S110-S130。

如图2所示，该图像生成方法可以包括如下步骤。

S21、获取样本集。

其中，样本集可以为第一图像。

S22、利用金字塔场景解析网络生成第一图像的语义向量。

其中，S22可以包括：利用金字塔场景解析网络，将第一图像的图像数据映射到对应的隐空间，得到第一图像的特征向量，并将隐空间中的第一图像的特征向量映射到对应的语义特征空间，得到第一图像的语义向量。

S23、基于语义向量，利用风格流对第一图像中对应于其他属性的语义向量进行编辑。

其中，S23可以包括：从语义向量所携带的特征含义信息中筛选出其他属性的对应的特征含义信息，基于其他属性的对应的特征含义信息，利用风格流对其他属性的语义向量进行编辑。

S24、基于目标属性以及编辑后的其他属性，通过风格生成对抗网络，生成第二图像。

其中，S24可以包括：利用风格生成对抗网络，将目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

在本公开实施例中，能够在获取第一图像之后，保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑，基于目标属性以及编辑后的其他属性，生成第二图像，以实现通过对第一图像的其他属性编辑，并基于目标属性和编辑后的其他属性，得到目标属性不变且其他属性发生变化的第二图像，因此，可以实现快速生成图像并提高图像多样化的效果，使得在进行模型训练时，提高训练样本的平衡性，以提高模型性能。

在本公开另一种实施方式中，可以获取多张目标属性相同的图像作为第一图像，并根据多张图像的特征向量进行加权平均处理，由于多张图像的目标属性相同，因此对多张图像的特征向量进行加权平均处理后，目标属性不会改变，而其他属性则会因为加权平均而改变，从而基于加权平均处理的结果，生成的第二图像即为目标属性不变，其他属性发生改变的图像，因此，可以实现快速生成图像并提高图像多样化的效果。

图3示出了本公开实施例提供的另一种图像生成方法的流程示意图。

如图3所示，该图像生成方法可以包括如下步骤。

S310、获取多个目标属性相同的图像作为第一图像。

具体的，图像生成设备可以获取用于生成多样化图像的多张目标属性相同的图像作为第一图像，以根据多张目标属性相同的图像的图像特征，生成第二图像。

在本公开实施例中，多个目标属性相同的图像可以是目标属性较少的图像。

以第一图像为人脸图像为例，目标属性可以是一字眉毛，其他属性可以包括年龄、性别、眼镜、姿势、肤色、发质等属性，一字眉在眉毛的各个类别中属于低分布的一个类别，由此，多张目标属性相等的图像可以是多张一字眉图像，图像生成设备可以获取多张一字眉在图像作为第一图像，以根据多张一字眉在图像的图像特征，生成第二图像。

S320、基于多个图像处理得到多个图像的特征向量。

在本公开实施例中，特征向量可以是多个图像的图像特征的向量化表示形式。

具体的，图像生成设备获取到多个图像之后，可以利用训练好的特征金字塔模型，将多个图像的图像数据映射到对应的隐空间，得到多个图像的特征向量。

以第一图像为多张人脸图像为例，目标属性可以是一字眉毛，其他属性可以包括年龄、性别、眼镜、姿势、肤色、发质等属性，图像生成设备获取到多个一字眉图像之后，可以利用训练好的特征金字塔模型，将多个图像的图像数据映射到对应的隐空间，得到多个图像的特征向量，即得到一字眉毛对应的特征向量，以及年龄、性别、眼镜、姿势、肤色、发质分别对应的特征向量，将一字眉毛对应的特征向量，以及年龄、性别、眼镜、姿势、肤色、发质分别对应的特征向量，作为多个图像的特征向量。

S330、对多个图像的特征向量进行加权平均处理，得到目标特征向量。

具体的，图像生成设备得到多个图像的特征向量之后，可以根据预先设定的每个特征向量对应的权重，对多个图像的特征向量进行加权平均处理，得到目标特征向量。

可以理解的是，由于多张图像的目标属性相同，其他属性不同，因此，根据预先设定的每个特征向量对应的权重，对多个图像的特征向量进行加权平均处理之后，目标属性对应的目标特征向量依然保持不变，其他属性对应的目标特征向量会发生变化，以实现在目标属性不变的情况下，对第一图像中的其他属性进行编辑的效果。

以第一图像为多张人脸图像为例，目标属性可以是一字眉毛，其他属性可以包括年龄、性别、眼镜、姿势、肤色、发质等属性，其中，每张人脸图像的目标属性相同，其他属性不同，图像生成设备根据预先设定的每个特征向量对应的权重，分别对多个图像的一字眉毛、年龄、性别、眼镜、姿势、肤色、发质等属性进行加权平均处理，使得一字眉毛对应的目标特征向量保持不变，年龄、性别、眼镜、姿势、肤色、发质等对应的目标特征向量发生变化，以实现在一字眉毛不变的情况下，对第一图像中的其他属性进行编辑的效果。

S340、基于目标特征向量生成第二图像。

具体的，图像生成设备生成目标特征向量之后，可以对目标特征向量进行逆变换，生成第二图像。

在本公开实施例中，图像生成设备可以利用生成器网络模型，将目标特征向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标特征向量进行逆变换，生成第二图像。

图4示出了本公开实施例提供的另一种图像生成方法的逻辑示意图。结合图4解释上述步骤S110-S130。

如图4所示，该图像生成方法可以包括如下步骤。

S41、获取样本集。

其中，样本集可以为多个目标属性相同的图像，即样本集为第一图像。

S42、利用金字塔场景解析网络基于多个图像处理得到多个图像的特征向量。

其中，S42可以包括：利用金字塔场景解析网络，将多个图像的图像数据映射到对应的隐空间，得到多个图像的特征向量。

S43、对多个图像的特征向量进行加权平均处理，得到目标特征向量。

其中，S43可以包括：根据预先设定的每个特征向量对应的权重，对多个图像的特征向量进行加权平均处理，得到目标特征向量。

S44、基于目标特征向量生成第二图像，通过风格生成对抗网络，生成第二图像。

其中，S44可以包括：利用风格生成对抗网络，将目标特征向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

由此，在本公开实施例中，可以获取多张目标属性相同的图像作为第一图像，并根据多张图像的特征向量进行加权平均处理，使得在目标属性不变的情况下，对其他属性进行编辑，以改变其他属性，得到目标特征向量，并基于目标特征向量，生成第二图像，因此，可以实现快速生成图像并提高图像多样化的效果。

在本公开又一种实施方式中，为了进一步提高第二图像的准确性，可以先对多个目标属性相同的语义向量进行编辑，并对编辑后的多个语义向量进行加权平均，以根据加权平均之后得到的目标语义向量生成作为第二图像，进一步提高了第二图像的可靠性。

图5示出了本公开实施例提供的又一种图像生成方法的流程示意图。

如图5所示，该图像生成方法可以包括如下步骤。

S510、获取多个目标属性相同的图像作为第一图像。

其中，S510与S310相似，在此不作赘述。

S520、针对每个第一图像处理得到第一图像的语义向量。

在本公开实施例中，S520可以包括：

针对每个第一图像处理得到第一图像的特征向量；

将第一图像的特征向量映射到对应的语义特征空间中，得到第一图像的语义向量。

具体的，图像生成设备获取到多个图像之后，可以利用训练好的特征金字塔模型，将每个第一图像的图像数据映射到对应的隐空间，得到每个第一图像的特征向量，并将隐空间中的每个第一图像的特征向量映射到对应的语义特征空间，得到第一图像的语义向量。

S530、基于每个第一图像的语义向量，对每个第一图像中对应于其他属性的语义向量进行编辑，得到编辑后的语义向量。

在本公开实施例中，S530可以包括：

从每个第一图像的语义向量所携带的特征含义信息中筛选出其他属性的对应的特征含义信息；

基于其他属性的对应的特征含义信息，对每个第一图像中对应于其他属性的语义向量进行编辑，得到编辑后的语义向量。

具体的，图像生成设备可以预先确定目标属性，根据语义向量所携带的特征含义信息中各属性的属性名称，筛选出其他属性对应的属性名称，并基于其他属性对应的属性名称，利用风格流方式对其他属性的语义向量进行编辑。

S540、对多个第一图像对应的编辑后的语义向量进行加权平均处理，得到目标语义向量。

具体的，图像生成设备得到多个第一图像对应的编辑后的语义向量之后，可以根据预先设定的每个特征向量对应的权重，对多个第一图像对应的编辑后的语义向量进行加权平均处理，得到目标特征向量。

可以理解的是，由于多个第一图像的目标属性相同，基于每个第一图像的语义向量，对每个第一图像中对应于其他属性的语义向量进行编辑之后，目标属性的语义特征保持不变，其他属性的语义特征发生变化，进一步的，对多个第一图像对应的编辑后的语义向量进行加权平均处理，目标属性的语义特征依然保持不变，其他属性的语义特征也会发生变化。

S550、基于目标属性对应的语义向量，以及目标语义向量，生成第二图像。

具体的，图像生成设备可以利用生成器网络模型，将目标属性对应的语义向量以及目标语义向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

由此，在本公开实施例中，通过先对多个目标属性相同的图像进行编辑，再对编辑后的多个图像进行加权平均，可以使目标属性保持不变，提高其他属性变化的多样化，并基于目标属性对应的语义向量，以及目标语义向量，生成第二图像，进一步提高了第二图像的可靠性。

在本公开再一种实施方式中，为了进一步提高第二图像的准确性，可以先对多个目标属性相同的图像的特征向量进行加权平均处理，得到目标特征向量，并对目标特征向量对应的语义向量进行编辑，以根据目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量，生成第二图像，进一步提高了第二图像的可靠性。

图6示出了本公开实施例提供的再一种图像生成方法的流程示意图。

如图6所示，该图像生成方法可以包括如下步骤。

S610、获取多个目标属性相同的图像作为第一图像。

S620、基于多个图像处理得到多个图像的特征向量。

S630、对多个图像的特征向量进行加权平均处理，得到目标特征向量。

其中，S610-S630与S310-S330相似，在此不作赘述。

S640、基于目标特征向量处理得到对应的语义向量。

在本公开实施例中，S640可以包括：

将目标特征向量映射到对应的语义特征空间中，得到目标特征向量对应的语义向量。

具体的，图像生成设备得到目标特征向量之后，可以将位于隐空间中的目标特征向量映射到对应的语义特征空间，得到目标特征向量对应的语义向量。

可选的，可以利用训练好的特征金字塔模型，将位于隐空间中的目标特征向量映射到对应的语义特征空间，得到目标特征向量对应的语义向量。

S650、基于语义向量，对其他属性对应的语义向量进行编辑。

在本公开实施例中，S650可以包括：

从语义向量所携带的特征含义信息中筛选出其他属性的对应的特征含义信息；

基于其他属性的对应的特征含义信息，对其他属性对应的语义向量进行编辑，得到编辑后的语义向量。

具体的，图像生成设备可以预先确定目标属性，根据语义向量所携带的特征含义信息中各属性的属性名称，筛选出其他属性对应的属性名称，并基于其他属性对应的属性名称，利用风格流方式对其他属性的语义向量进行编辑。

S660、基于目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量，生成第二图像。

具体的，图像生成设备可以利用生成器网络模型，将目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量转换为中间隐藏向量，并对中间隐藏向量进行仿射变换，以实现对目标属性以及编辑后的其他属性进行逆变换，生成第二图像。

由此，在本公开实施例中，先对多个目标属性相同的图像的特征向量进行加权平均处理，得到目标特征向量，并对目标特征向量对应的语义向量进行编辑，以根据目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量，生成第二图像，进一步提高了第二图像的可靠性。

图7示出了本公开实施例提供的一种图像生成装置的结构示意图。

在本公开一些实施例中，图7所示的图像生成装置可以应用于图像生成设备中。其中，图像生成设备可以电子设备或者服务器。其中，电子设备可以包括移动电话、平板电脑、台式计算机、笔记本电脑、车载终端、可穿戴设备、一体机、智能家居设备等具有通信功能的设备，也可以包括虚拟机或者模拟器模拟的设备。服务器可以是云服务器或者服务器集群等具有存储及计算功能的设备。

如图7所示，该图像生成装置700可以包括第一图像获取模块710、属性编辑模块720和第二图像生成模块730。

第一图像获取模块710可以用于获取第一图像；

属性编辑模块720可以用于保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑；

第二图像生成模块730可以用于基于目标属性以及编辑后的其他属性，生成第二图像。

在本公开实施例中，能够在获取第一图像之后，保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑，基于目标属性以及编辑后的其他属性，生成第二图像，以实现通过对第一图像的其他属性编辑，并基于目标属性和编辑后的其他属性，得到目标属性不变且其他属性发生变化的第二图像，因此，可以实现快速生成图像并提高图像多样化的效果，使得在进行模型训练时，提高训练样本的平衡性，以提高模型性能。

可选的，属性编辑模块720还可以用于基于第一图像处理得到第一图像的语义向量；

基于语义向量，对第一图像中对应于其他属性的语义向量进行编辑。

可选的，第一图像获取模块710还可以用于获取多个目标属性相同的图像作为第一图像。

可选的，属性编辑模块720还可以用于针对每个第一图像处理得到第一图像的语义向量；

基于每个第一图像的语义向量，对每个第一图像中对应于其他属性的语义向量进行编辑，得到编辑后的语义向量；

对多个第一图像对应的编辑后的语义向量进行加权平均处理，得到目标语义向量。

可选的，第二图像生成模块730还可以用于基于目标属性对应的语义向量，以及目标语义向量，生成第二图像。

可选的，属性编辑模块720还可以用于基于多个图像处理得到多个图像的特征向量；

对多个图像的特征向量进行加权平均处理，得到目标特征向量。

可选的，第二图像生成模块730还可以用于基于目标特征向量生成第二图像。

可选的，属性编辑模块720还可以用于基于目标特征向量处理得到对应的语义向量；

基于语义向量，对其他属性对应的语义向量进行编辑。

可选的，第二图像生成模块730还可以用于基于目标属性对应的语义向量以及编辑得到的其他属性对应的语义向量，生成第二图像。

需要说明的是，图7所示的图像生成装置700可以执行图1和图6所示的方法实施例中的各个步骤，并且实现图1和图6所示的方法实施例中的各个过程和效果，在此不做赘述。

本公开实施例还提供一种图像生成设备，该图像生成设备包括处理器和存储器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时可以实现上述图1-图7中任一实施例的方法。

示例的，图8是本公开实施例中的一种图像生成设备的结构示意图。下面具体参考图8，其示出了适于用来实现本公开实施例中的图像生成设备800的结构示意图。本公开实施例中的图像生成设备800可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，也可以是服务器。服务器可以是云服务器或者服务器集群等具有存储及计算功能的设备。图8示出的图像生成设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，图像生成设备800可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有图像生成设备800操作所需的各种程序和数据。处理装置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。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许图像生成设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的图像生成设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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，其包括承载在非暂态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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、图像生成设备可以利用诸如HTTP(HyperTextTransfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述图像生成设备中所包含的；也可以是单独存在，而未装配入该图像生成设备中。

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图像生成设备执行时，使得该图像生成设备：获取第一图像；保持第一图像中的目标属性不变，对第一图像中的其他属性进行编辑；基于目标属性以及编辑后的其他属性，生成第二图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或图像生成设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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。

描述于本公开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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

本公开实施例还提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时可以实现上述图1-图7中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。

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。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的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公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，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 (12)

1.一种图像生成方法，其特征在于，包括：

获取第一图像；

保持所述第一图像中的目标属性不变，对所述第一图像中的其他属性进行编辑；

基于所述目标属性以及编辑后的所述其他属性，生成第二图像。

2.根据权利要求1所述的方法，其特征在于，所述保持所述第一图像中的目标属性不变，对所述第一图像中的其他属性进行编辑，包括：

基于所述第一图像处理得到所述第一图像的语义向量；

基于所述语义向量，对所述第一图像中对应于所述其他属性的语义向量进行编辑。

3.根据权利要求1所述的方法，其特征在于，所述获取第一图像，包括：

获取多个目标属性相同的图像作为第一图像。

4.根据权利要求3所述的方法，其特征在于，所述保持所述第一图像中的目标属性不变，对所述第一图像中的其他属性进行编辑，包括：

针对每个第一图像处理得到所述第一图像的语义向量；

基于每个第一图像的语义向量，对每个第一图像中对应于所述其他属性的语义向量进行编辑，得到编辑后的语义向量；

对多个第一图像对应的所述编辑后的语义向量进行加权平均处理，得到目标语义向量。

5.根据权利要求4所述的方法，其特征在于，所述基于所述目标属性以及编辑后的所述其他属性，生成第二图像，包括：

基于所述目标属性对应的语义向量，以及所述目标语义向量，生成第二图像。

6.根据权利要求3所述的方法，其特征在于，所述保持所述第一图像中的目标属性不变，对所述第一图像中的其他属性进行编辑，包括：

基于多个所述图像，处理得到多个所述图像的特征向量；

对所述多个图像的特征向量进行加权平均处理，得到目标特征向量。

7.根据权利要求6所述的方法，其特征在于，所述基于所述目标属性以及编辑后的所述其他属性，生成第二图像，包括：

基于所述目标特征向量生成第二图像。

8.根据权利要求6所述的方法，其特征在于，所述对所述多个图像的特征向量进行加权平均处理，得到目标特征向量之后，所述方法还包括：

基于所述目标特征向量处理得到对应的语义向量；

基于所述语义向量，对所述其他属性对应的语义向量进行编辑。

9.根据权利要求2或8所述的方法，其特征在于，所述基于所述目标属性以及编辑后的所述其他属性，生成第二图像，包括：

基于所述目标属性对应的语义向量以及编辑得到的所述其他属性对应的语义向量，生成第二图像。

10.一种图像生成装置，其特征在于，包括：

第一图像获取模块，用于获取第一图像；

属性编辑模块，用于保持所述第一图像中的目标属性不变，对所述第一图像中的其他属性进行编辑；

第二图像生成模块，用于基于所述目标属性以及编辑后的所述其他属性，生成第二图像。

11.一种图像生成设备，其特征在于，包括：

存储器和处理器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-9中任一项所述的图像生成方法。

12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-9中任一项所述的图像生成方法。

Images