CN113888560A - 用于处理图像的方法、装置、设备以及存储介质 - Google Patents
用于处理图像的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113888560A CN113888560A CN202111150932.0A CN202111150932A CN113888560A CN 113888560 A CN113888560 A CN 113888560A CN 202111150932 A CN202111150932 A CN 202111150932A CN 113888560 A CN113888560 A CN 113888560A
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- color
- channel
- channel gray
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000004040 coloring Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001481833 Coryphaena hippurus Species 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于处理图像的方法、装置、设备以及存储介质,涉及人工智能领域,具体涉及计算机视觉和深度学习技术领域,可用于图像处理场景下。具体实现方案为:获取单通道灰度图像;获取单通道灰度图像的至少一张参考图像;分别对单通道灰度图像以及至少一张参考图像进行实例分割,根据实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合;基于单通道灰度图像、至少一张参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,确定单通道灰度图像对应的彩色图像。本实现方式可以利用单通道灰度图像和参考图像的实例分割结果进行上色,提高上色效果。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术领域,尤其涉及用于处理图像的方法、装置、设备以及存储介质,可用于图像处理场景下。
背景技术
在非彩***的修复工作中包括对黑白视频或者单通道灰度视频进行上色的工作,上色工作使得黑白视频或者单通道灰度视频的颜色更加丰富,提高了非彩***的表现力,同时还能够提升观众的观看体验。目前的上色方案的上色效果有待提升。
发明内容
本公开提供了一种用于处理图像的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于处理图像的方法,包括:获取单通道灰度图像;获取单通道灰度图像的至少一张参考图像;分别对单通道灰度图像以及至少一张参考图像进行实例分割,根据实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合;基于单通道灰度图像、至少一张参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,确定单通道灰度图像对应的彩色图像。
根据第二方面,提供了一种用于处理图像的装置,包括:第一获取单元,被配置成获取单通道灰度图像;第二获取单元,被配置成获取单通道灰度图像的至少一张参考图像;实例分割单元,被配置成分别对单通道灰度图像以及至少一张参考图像进行实例分割,根据实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合;图像上色单元,被配置成基于单通道灰度图像、至少一张参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,确定单通道灰度图像对应的彩色图像。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本公开的技术可以利用单通道灰度图像和参考图像的实例分割结果进行上色,提高上色效果。
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,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于处理图像的方法的一个实施例的流程图;
图3是根据本公开的用于处理图像的方法的一个应用场景的示意图;
图4是根据本公开的用于处理图像的方法的另一个实施例的流程图;
图5是根据本公开的用于处理图像的装置的一个实施例的结构示意图;
图6是用来实现本公开实施例的用于处理图像的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
需要说明的是,在不冲突的情况下,本公开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公开。
图1示出了可以应用本公开的用于处理图像的方法或用于处理图像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,例如图像处理类应用等。
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,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、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提供的黑白图像或单通道灰度图像进行上色的后台服务器。后台服务器可以利用预先训练的模型对黑白图像或单通道灰度图像进行上色,并将上色后得到的彩色图像反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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。
需要说明的是,本公开实施例所提供的用于处理图像的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于处理图像的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
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,示出了根据本公开的用于处理图像的方法的一个实施例的流程200。本实施例的用于处理图像的方法,包括以下步骤:
步骤201,获取单通道灰度图像。
本实施例中,用于处理图像的方法的执行主体可以通过多种方式获取单通道灰度图像。例如,可以通过本地获取或网络获取的方式得到单通道灰度图像。上述单通道灰度图像可以是黑白视频中的视频帧,也可以是单个黑白图像,还可以是灰度视频中的视频帧或灰度图像。
步骤202,获取单通道灰度图像的至少一张参考图像。
本实施例中,执行主体可以进一步获取单通道灰度图像的至少一张参考图像。这里,参考图像可以是彩色图像,并且参考图像中包括单通道灰度图像中的对象。例如,单通道灰度图像中包括海豚,那参考图像中也可以包括海豚。可以理解的是,如果单张参考图像中值包括了单通道灰度图像中的部分对象,则可以采用两张或以上参考图像。上述参考图像可以是执行主体从预设的路径处获取的,例如从单通道灰度图像所处的文件夹中获取的。也可以是执行主体从网络中经图像检索获取到的。在图像检索时,执行主体可以将与单通道灰度图像的匹配度最高的彩色图像作为参考图像。
步骤203,分别对单通道灰度图像以及至少一张参考图像进行实例分割,根据实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合。
执行主体在获取到单通道灰度图像和各参考图像后,可以分别对单通道灰度图像以及至少一张参考图像进行实例分割。具体的,执行主体可以利用预先训练的实例分割网络分别对单通道灰度图像以及至少一张参考图像进行实例分割。通过是实例分割,可以分别得到单通道灰度图像的实例分割结果和各参考图像的实例分割结果。
执行主体可以进一步根据上述实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合。具体的,执行主体可以根据分割出的每个实例,将实例轮廓之外的像素的值设置为0,将实例轮廓之内的像素的值设置为1。从而得到与每个实例对应的实例掩膜图像。本实施例中,可以将单通道灰度图像对应的各实例掩膜图像称为第一实例掩膜图像集合,将参考图像对应的各实例掩膜图像称为第二实例掩膜图像集合。可以理解的是,如果参考图像包括多张,则可以包括多个第二实例掩膜图像集合。
步骤204,基于单通道灰度图像、至少一张参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,确定单通道灰度图像对应的彩色图像。
执行主体在得到各第一实例掩膜图像和各第二实例掩膜图像后,可以结合单通道灰度图像和各参考图像,对单通道灰度图像上色,确定单通道灰度图像对应的彩色图像。具体的,执行主体可以将单通道灰度图像分别与各第一实例掩膜图像进行卷积,同时将各参考图像与对应的各第二实例掩膜图像进行卷积。将单通道灰度图像对应的卷积图像与各参考图像对应的卷积图像进行相似度计算。上述相似度包括单通道灰度图像中的各实例与参考图像中的个实例的相似度。根据上述相似度,确定出各单通道灰度图像中的各实例对应的颜色。具体的,对于单通道灰度图像中的每个实例,执行主体可以根据与该实例相似度最大的实例的颜色确定该实例的颜色。利用上述颜色对单通道灰度图像进行上色,得到单通道灰度图像对应的彩色图像。
继续参见图3,其示出了根据本公开的用于处理图像的方法的一个应用场景的示意图。在图3的应用场景中,服务器301获取单通道灰度图像,同时获取到单通道灰度图像的参考图像。通过对单通道灰度图像以及参考图像进行实例分割后,分别得到单通道灰度图像和参考图像的实例分割结果,并进一步得到单通道灰度图像对应的第一实例掩膜图像集合和参考图像对应的第二实例掩膜图像集合。最终,基于单通道灰度图像、参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,得到单通道灰度图像中各像素的颜色,对单通道灰度图像进行上色,得到单通道灰度图像对应的彩色图像。
本公开的上述实施例提供的用于处理图像的方法,可以利用单通道灰度图像和参考图像的实例分割结果进行上色,提高上色效果。
继续参见图4,其示出了根据本公开的用于处理图像的方法的另一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取单通道灰度图像。
步骤402,在预设的彩色图像库中利用单通道灰度图像进行图像检索,确定单通道灰度图像与彩色图像库中各彩色图像的相似度;根据各相似度,确定至少一张参考图像。
本实施例中,执行主体可以在获取单通道灰度图像后,在预设的彩色图像库中利用单通道灰度图像进行图像检索,确定单通道灰度图像与彩色图像库中各彩色图像的相似度。然后,根据各相似度,确定至少一张参考图像。具体的,执行主体可以将相似度最高的彩色图像作为参考图像。
在本实施例的一些可选的实现方式中,执行主体在根据相似度确定出相似度最高的彩色图像后,可以对确定出的彩色图像进行校验。即判断确定出的彩色图像中是否包含单通道灰度图像中的对象。如果包括,则将确定出的彩色图像作为参考图像。如果不包括,则执行主体可以进一步进行图像检索,确定出其它彩色图像。可以理解的是,其它彩色图像中包含之前确定出的彩色图像中不包括的对象,并且上述对象位于单通道灰度图像中。并且所有参考图像中的实例的数量可能多于单通道灰度图像中实例的数量。
步骤403,根据单通道灰度图像的实例分割结果,确定与每个实例对应的第一实例掩膜图像,得到第一实例掩膜图像集合;根据各参考图像的实例分割结果,确定与每个实例对应的第二实例掩膜图像,得到第二实例掩膜图像集合。
本实施例中,对于单通道灰度图像中分割出的每个实例,执行主体可以确定该实例对应的第一实例掩膜图像,从而得到第一实例掩膜图像集合。可以理解的是,第一实例掩膜图像集合中的第一实例掩膜图像的数量与单通道灰度图像中包括的实例的数量相同。同样的,对于每一参考图像,执行主体可以对该参考图像中分割出的每个实例,确定对应的第二实例掩膜图像,从而得到第二实例掩膜图像集合。可以理解的是,第二实例掩膜图像集合的数量与参考图像的数量相同。
步骤404,根据单通道灰度图像以及第一实例掩膜图像集合,确定第一融合图像。
本实施例中,执行主体可以将单通道灰度图像与第一实例掩膜图像集合中的各第一实例掩膜图像进行至少一种图像处理,得到多张图像。然后将多张图像融合,得到第一融合图像。
在本实施例的一些可选的实现方式中,上述步骤404具体可以通过图4中未示出的以下步骤来实现:将单通道灰度图像分别与各第一实例掩膜图像按像素相乘,确定各第一处理图像;融合各第一处理图像,得到第一融合图像。
本实现方式中,执行主体可以分别将单通道灰度图像与各第一实例掩膜图像按像素相乘,得到多个第一处理图像。然后,执行主体可以融合各第一处理图像,得到第一融合图像。这里的融合可以只将各第一处理图像进行拼接,或者按像素相加。
步骤405,根据至少一张参考图像以及第二实例掩膜图像集合,确定第二融合图像。
同样的,执行主体可以对各参考图像进行类似的处理,即对各参考图像以及对应的第二实例掩膜图像集合中的各第二实例掩膜图像进行至少一种图像处理,然后对得到的各图像进行融合,得到第二融合图像。
在本实施例的一些可选的实现方式中,上述步骤405具体可以通过图4中未示出的以下步骤来实现:对于每一参考图像,将该参考图像与对应的各第二实例掩膜图像按像素相乘,确定各第二处理图像;融合各第二处理图像,得到第二融合图像。
本实现方式中,执行主体可以分别将每个参考图像与对应的各第二实例掩膜图像按像素相乘,确定各第二处理图像。然后,执行主体可以对各第二处理图像进行融合,得到第二融合图像。这里的融合操作可以与第一处理图像的融合操作相同。
步骤406,根据第一融合图像、第二融合图像以及预先训练的上色模型,确定单通道灰度图像对应的彩色图像。
执行主体在确定上述第一融合图像、第二融合图像后,可以将其输入到预先训练的上色模型,上述上色模型的输出即为单通道灰度图像对应的彩色图像的。上述上色模型可以是卷积神经网络等。上述上色模型的输入可以为第一融合图像、第二融合图像,输出可以为彩色图像。
在本实施例的一些可选的实现方式中,上述上色模型可以包括第一子模型和第二子模型。上述步骤406可以通过以下步骤实现:
步骤4061,根据第一融合图像、第二融合图像以及第一子模型,确定单通道灰度图像对应的粗略彩色图像。
本实现方式中,执行主体可以将第一融合图像、第二融合图像输入上述第一子模型中,上述第一子模型的输出可以为粗略彩色图像。这里,粗略彩色图像可以理解为实例部分具有颜色,实例之外的部分未确定颜色的图像。或者,可以理解为部分像素具有彩色,部分像素不具有彩色的图像。或者,可以理解为有一部分区域的颜色均一致,导致图像的质感不高。在一些具体的应用中,上述第一子模型可以为Non-Local网络(在CVPR2018年提出的一个自注意力模型)。
步骤4062,根据粗略彩色图像以及第二子模型,确定单通道灰度图像对应的彩色图像。
执行主体可以将得到的粗略彩色图像进一步输入第二子模型中,第二子模型的输出即为对粗略彩色图像优化后的彩色图像。上述第二子模型可以为编码-解码网络,其中包括编码器和解码器,编码器用于对第一子模型的输出进行卷积和池化操作,解码器用于对编码器的输出进行反卷积和上采样操作。第二子模型可以去除粗略彩色图像中的噪声,从而优化粗略彩色图像的配色。
在本实施例的一些可选的实现方式中,上述步骤4061中的第一子模型具体可以通过以下步骤对第一融合图像和第二融合图像进行处理:分别提取第一融合图像和第二融合图像的特征,得到第一特征图像和第二特征图像;分别确定与第一特征图像和第二特征图像对应的矩阵,得到第一矩阵和第二矩阵;根据第一矩阵和第二矩阵,确定相似度矩阵;根据相似度矩阵以及至少一张参考图像,确定单通道灰度图像各像素的颜色;根据单通道灰度图像各像素的颜色,确定粗略彩色图像。
本实现方式中,第一子模型中可以包括特征提取模块,用于提取第一融合图像和第二融合图像的特征,得到第一特征图像和第二特征图像。第一特征图像的维度可以为(h11,w11,c),第二特征图像的维度为(h22,w22,c)。
然后,执行主体可以分别确定与第一特征图像对应的矩阵以及与第二特征图像对应的矩阵,得到第一矩阵和第二矩阵。具体的,执行主体可以将第一特征图拉平,得到维度为((h11*w11),c)的第一矩阵。对第二特征图拉平,得到维度为((h22*w22),c)的第二矩阵。
然后,执行主体可以根据第一矩阵和第二矩阵,确定相似度矩阵。这里,执行主体可以将第二矩阵进行转置,得到维度为(c,(h22*w22))的转置矩阵。然后,将转置矩阵与第一矩阵相乘,得到维度为((h11*w11),(h22*w22))的相似度矩阵。上述相似度矩阵中的各个元素用于表示黑白矩阵中的各实例中的像素与参考图像中各实例的相似度。
执行主体可以进一步根据上述相似度矩阵以及各参考图像,确定单通道灰度图像中各像素的颜色。具体的,执行主体可以根据上述相似度矩阵从各参考图像中进行颜色取样,从而可以确定单通道灰度图像中各像素的颜色。可以理解的是,如果单通道灰度图像中的某个实例与参考图像中的某个实例的相似度较大,则执行主体可以从该实例中采样的颜色较多。也就是说,单通道灰度图像中的实例与参考图像中相似的实例的颜色相似。
在本实施例的一些可选的实现方式中,上述步骤4062具体可以通过以下步骤来实现:对粗略彩色图像进行去噪,确定单通道灰度图像对应的彩色图像。
本实现方式中,执行主体可以利用第二子模型对对粗略彩色图像进行去噪,确定单通道灰度图像对应的彩色图像。这样,最终得到的彩色图像不包含噪声,从而画质更好。
本公开的上述实施例提供的用于处理图像的方法,可以利用参考图像中的实例对单通道灰度图像中的实例上色,从而使得上色的效果更好。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于处理图像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5所示,本实施例的用于处理图像的装置500包括:第一获取单元501、第二获取单元502、实例分割单元503和图像上色单元504。
第一获取单元501,被配置成获取单通道灰度图像。
第二获取单元502,被配置成获取单通道灰度图像的至少一张参考图像。
实例分割单元503,被配置成分别对单通道灰度图像以及至少一张参考图像进行实例分割,根据实例分割结果,确定与单通道灰度图像对应的第一实例掩膜图像集合以及与至少一张参考图像对应的第二实例掩膜图像集合。
图像上色单元504,被配置成基于单通道灰度图像、至少一张参考图像、第一实例掩膜图像集合以及第二实例掩膜图像集合,确定单通道灰度图像对应的彩色图像。
在本实施例的一些可选的实现方式中,第二获取单元502可以进一步被配置成:在预设的彩色图像库中利用单通道灰度图像进行图像检索,确定单通道灰度图像与彩色图像库中各彩色图像的相似度;根据各相似度,确定至少一张参考图像。
在本实施例的一些可选的实现方式中,实例分割单元503可以进一步被配置成:根据单通道灰度图像的实例分割结果,确定与每个实例对应的第一实例掩膜图像,得到第一实例掩膜图像集合;根据各参考图像的实例分割结果,确定与每个实例对应的第二实例掩膜图像,得到第二实例掩膜图像集合。
在本实施例的一些可选的实现方式中,图像上色单元504可以进一步被配置成:根据单通道灰度图像以及第一实例掩膜图像集合,确定第一融合图像;根据至少一张参考图像以及第二实例掩膜图像集合,确定第二融合图像;根据第一融合图像、第二融合图像以及预先训练的上色模型,确定单通道灰度图像对应的彩色图像。
在本实施例的一些可选的实现方式中,图像上色单元504可以进一步被配置成:将单通道灰度图像分别与各第一实例掩膜图像按像素相乘,确定各第一处理图像;融合各第一处理图像,得到第一融合图像。
在本实施例的一些可选的实现方式中,图像上色单元504可以进一步被配置成:对于每一参考图像,将该参考图像与对应的各第二实例掩膜图像按像素相乘,确定各第二处理图像;融合各第二处理图像,得到第二融合图像。
在本实施例的一些可选的实现方式中,上色模型包括第一子模型和第二子模型。图像上色单元504可以进一步被配置成:根据第一融合图像、第二融合图像以及第一子模型,确定和白图像对应的粗略彩色图像;根据粗略彩色图像以及第二子模型,确定单通道灰度图像对应的彩色图像。
在本实施例的一些可选的实现方式中,图像上色单元504可以进一步被配置成:分别提取第一融合图像和第二融合图像的特征,得到第一特征图像和第二特征图像;分别确定与第一特征图像和第二特征图像对应的矩阵,得到第一矩阵和第二矩阵;根据第一矩阵和第二矩阵,确定相似度矩阵;根据相似度矩阵以及至少一张参考图像,确定单通道灰度图像各像素的颜色;根据单通道灰度图像各像素的颜色,确定粗略彩色图像。
在本实施例的一些可选的实现方式中,图像上色单元504可以进一步被配置成:对粗略彩色图像进行去噪,确定单通道灰度图像对应的彩色图像。
应当理解,用于处理图像的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于处理图像的方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了根据本公开实施例的执行用于处理图像的方法的电子设备600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/或者要求的本公开的实现。
如图6所示,电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储器608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理,例如用于处理图像的方法。例如,在一些实施例中,用于处理图像的方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由处理器601执行时,可以执行上文描述的用于处理图像的方法的一个或多个步骤。备选地,在其他实施例中,处理器601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于处理图像的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器601执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
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,本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (21)
1.一种用于处理图像的方法,包括:
获取单通道灰度图像;
获取所述单通道灰度图像的至少一张参考图像;
分别对所述单通道灰度图像以及所述至少一张参考图像进行实例分割,根据实例分割结果,确定与所述单通道灰度图像对应的第一实例掩膜图像集合以及与所述至少一张参考图像对应的第二实例掩膜图像集合;
基于所述单通道灰度图像、所述至少一张参考图像、所述第一实例掩膜图像集合以及所述第二实例掩膜图像集合,确定所述单通道灰度图像对应的彩色图像。
2.根据权利要求1所述的方法,其中,所述获取所述单通道灰度图像的至少一张参考图像,包括:
在预设的彩色图像库中利用所述单通道灰度图像进行图像检索,确定所述单通道灰度图像与所述彩色图像库中各彩色图像的相似度;
根据各相似度,确定所述至少一张参考图像。
3.根据权利要求1所述的方法,其中,所述根据实例分割结果,确定与所述单通道灰度图像对应的第一实例掩膜图像集合以及与所述至少一张参考图像对应的第二实例掩膜图像集合,包括:
根据所述单通道灰度图像的实例分割结果,确定与每个实例对应的第一实例掩膜图像,得到所述第一实例掩膜图像集合;
根据各参考图像的实例分割结果,确定与每个实例对应的第二实例掩膜图像,得到所述第二实例掩膜图像集合。
4.根据权利要求1所述的方法,其中,所述基于所述单通道灰度图像、所述至少一张参考图像、所述第一实例掩膜图像集合以及所述第二实例掩膜图像集合,确定所述单通道灰度图像对应的彩色图像,包括:
根据所述单通道灰度图像以及所述第一实例掩膜图像集合,确定第一融合图像;
根据所述至少一张参考图像以及所述第二实例掩膜图像集合,确定第二融合图像;
根据所述第一融合图像、所述第二融合图像以及预先训练的上色模型,确定所述单通道灰度图像对应的彩色图像。
5.根据权利要求4所述的方法,其中,所述根据所述单通道灰度图像以及所述第一实例掩膜图像集合,确定第一融合图像,包括:
将所述单通道灰度图像分别与各第一实例掩膜图像按像素相乘,确定各第一处理图像;
融合各第一处理图像,得到所述第一融合图像。
6.根据权利要求4所述的方法,其中,所述根据所述至少一张参考图像以及所述第二实例掩膜图像集合,确定第二融合图像,包括:
对于每一参考图像,将该参考图像与对应的各第二实例掩膜图像按像素相乘,确定各第二处理图像;
融合各第二处理图像,得到所述第二融合图像。
7.根据权利要求4所述的方法,其中,所述上色模型包括第一子模型和第二子模型;以及
所述根据所述第一融合图像、所述第二融合图像以及预先训练的上色模型,确定所述单通道灰度图像对应的彩色图像,包括:
根据所述第一融合图像、所述第二融合图像以及所述第一子模型,确定所述和白图像对应的粗略彩色图像;
根据所述粗略彩色图像以及所述第二子模型,确定所述单通道灰度图像对应的彩色图像。
8.根据权利要求7所述的方法,其中,所述根据所述第一融合图像、所述第二融合图像以及所述第一子模型,确定所述和白图像对应的粗略彩色图像,包括:
分别提取所述第一融合图像和所述第二融合图像的特征,得到第一特征图像和第二特征图像;
分别确定与所述第一特征图像和所述第二特征图像对应的矩阵,得到第一矩阵和第二矩阵;
根据所述第一矩阵和所述第二矩阵,确定相似度矩阵;
根据所述相似度矩阵以及所述至少一张参考图像,确定所述单通道灰度图像各像素的颜色;
根据所述单通道灰度图像各像素的颜色,确定所述粗略彩色图像。
9.根据权利要求7所述的方法,其中,所述根据所述粗略彩色图像以及所述第二子模型,确定所述单通道灰度图像对应的彩色图像,包括:
对所述粗略彩色图像进行去噪,确定所述单通道灰度图像对应的彩色图像。
10.一种用于处理图像的装置,包括:
第一获取单元,被配置成获取单通道灰度图像;
第二获取单元,被配置成获取所述单通道灰度图像的至少一张参考图像;
实例分割单元,被配置成分别对所述单通道灰度图像以及所述至少一张参考图像进行实例分割,根据实例分割结果,确定与所述单通道灰度图像对应的第一实例掩膜图像集合以及与所述至少一张参考图像对应的第二实例掩膜图像集合;
图像上色单元,被配置成基于所述单通道灰度图像、所述至少一张参考图像、所述第一实例掩膜图像集合以及所述第二实例掩膜图像集合,确定所述单通道灰度图像对应的彩色图像。
11.根据权利要求10所述的装置,其中,所述第二获取单元进一步被配置成:
在预设的彩色图像库中利用所述单通道灰度图像进行图像检索,确定所述单通道灰度图像与所述彩色图像库中各彩色图像的相似度;
根据各相似度,确定所述至少一张参考图像。
12.根据权利要求10所述的装置,其中,所述实例分割单元进一步被配置成:
根据所述单通道灰度图像的实例分割结果,确定与每个实例对应的第一实例掩膜图像,得到所述第一实例掩膜图像集合;
根据各参考图像的实例分割结果,确定与每个实例对应的第二实例掩膜图像,得到所述第二实例掩膜图像集合。
13.根据权利要求10所述的装置,其中,所述图像上色单元进一步被配置成:
根据所述单通道灰度图像以及所述第一实例掩膜图像集合,确定第一融合图像;
根据所述至少一张参考图像以及所述第二实例掩膜图像集合,确定第二融合图像;
根据所述第一融合图像、所述第二融合图像以及预先训练的上色模型,确定所述单通道灰度图像对应的彩色图像。
14.根据权利要求13所述的装置,其中,所述图像上色单元进一步被配置成:
将所述单通道灰度图像分别与各第一实例掩膜图像按像素相乘,确定各第一处理图像;
融合各第一处理图像,得到所述第一融合图像。
15.根据权利要求13所述的装置,其中,所述图像上色单元进一步被配置成:
对于每一参考图像,将该参考图像与对应的各第二实例掩膜图像按像素相乘,确定各第二处理图像;
融合各第二处理图像,得到所述第二融合图像。
16.根据权利要求13所述的装置,其中,所述上色模型包括第一子模型和第二子模型;以及
所述图像上色单元进一步被配置成:
根据所述第一融合图像、所述第二融合图像以及所述第一子模型,确定所述和白图像对应的粗略彩色图像;
根据所述粗略彩色图像以及所述第二子模型,确定所述单通道灰度图像对应的彩色图像。
17.根据权利要求16所述的装置,其中,所述图像上色单元进一步被配置成:
分别提取所述第一融合图像和所述第二融合图像的特征,得到第一特征图像和第二特征图像;
分别确定与所述第一特征图像和所述第二特征图像对应的矩阵,得到第一矩阵和第二矩阵;
根据所述第一矩阵和所述第二矩阵,确定相似度矩阵;
根据所述相似度矩阵以及所述至少一张参考图像,确定所述单通道灰度图像各像素的颜色;
根据所述单通道灰度图像各像素的颜色,确定所述粗略彩色图像。
18.根据权利要求16所述的装置,其中,所述图像上色单元进一步被配置成:
对所述粗略彩色图像进行去噪,确定所述单通道灰度图像对应的彩色图像。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150932.0A CN113888560A (zh) | 2021-09-29 | 2021-09-29 | 用于处理图像的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150932.0A CN113888560A (zh) | 2021-09-29 | 2021-09-29 | 用于处理图像的方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888560A true CN113888560A (zh) | 2022-01-04 |
Family
ID=79007848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150932.0A Pending CN113888560A (zh) | 2021-09-29 | 2021-09-29 | 用于处理图像的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888560A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511811A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备和介质 |
CN115131447A (zh) * | 2022-01-14 | 2022-09-30 | 长城汽车股份有限公司 | 图像着色方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1473924A2 (en) * | 2003-04-30 | 2004-11-03 | Canon Kabushiki Kaisha | Image processing apparatus and method therefor |
CN109147003A (zh) * | 2018-08-01 | 2019-01-04 | 北京东方畅享科技有限公司 | 对线稿图像进行上色的方法、设备以及存储介质 |
CN110349165A (zh) * | 2018-04-03 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN112884866A (zh) * | 2021-01-08 | 2021-06-01 | 北京奇艺世纪科技有限公司 | 一种黑白视频的上色方法、装置、设备及存储介质 |
US20210201071A1 (en) * | 2018-06-26 | 2021-07-01 | Microsoft Technology Licensing, Llc | Image colorization based on reference information |
-
2021
- 2021-09-29 CN CN202111150932.0A patent/CN113888560A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1473924A2 (en) * | 2003-04-30 | 2004-11-03 | Canon Kabushiki Kaisha | Image processing apparatus and method therefor |
CN110349165A (zh) * | 2018-04-03 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
US20210201071A1 (en) * | 2018-06-26 | 2021-07-01 | Microsoft Technology Licensing, Llc | Image colorization based on reference information |
CN109147003A (zh) * | 2018-08-01 | 2019-01-04 | 北京东方畅享科技有限公司 | 对线稿图像进行上色的方法、设备以及存储介质 |
CN112884866A (zh) * | 2021-01-08 | 2021-06-01 | 北京奇艺世纪科技有限公司 | 一种黑白视频的上色方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
孔德慧;肖小芳;徐振华;郭荆玮;: "基于像素相关性的灰度图像上色算法", 北京工业大学学报, no. 05, 15 May 2009 (2009-05-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131447A (zh) * | 2022-01-14 | 2022-09-30 | 长城汽车股份有限公司 | 图像着色方法、装置、设备及存储介质 |
CN114511811A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN114550177A (zh) | 图像处理的方法、文本识别方法及装置 | |
EP3876197A2 (en) | Portrait extracting method and apparatus, electronic device and storage medium | |
CN113888560A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN112651451B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112819007B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN114004840A (zh) | 图像处理方法、训练方法、检测方法、装置、设备及介质 | |
CN113923474B (zh) | 视频帧处理方法、装置、电子设备以及存储介质 | |
CN113326766A (zh) | 文本检测模型的训练方法及装置、文本检测方法及装置 | |
US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114882313A (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
CN113591718A (zh) | 目标对象识别方法、装置、电子设备和存储介质 | |
CN114037630A (zh) | 一种模型训练及图像去雾方法、装置、设备及存储介质 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 |
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 |