CN115482324A - 多媒体资源生成方法、装置、电子设备及存储介质 - Google Patents
多媒体资源生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115482324A CN115482324A CN202211207353.XA CN202211207353A CN115482324A CN 115482324 A CN115482324 A CN 115482324A CN 202211207353 A CN202211207353 A CN 202211207353A CN 115482324 A CN115482324 A CN 115482324A
- Authority
- CN
- China
- Prior art keywords
- target
- scene
- grid
- target text
- block
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了多媒体资源生成方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉深度学习、自然语言处理、智能搜索等技术领域。具体实现方案为:将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与目标文本匹配的目标网格块;其中,每个网格块为目标场景的部分场景区域;基于目标文本中关于场景元素的特征信息,确定目标网格块的三维场景描述文件;基于目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。本公开中基于目标场景的多个网格块定位目标文本适用的场景,生成合适的三维场景描述文件,然后采用三维游戏引擎进行渲染,能够生成效果稳定且画质可靠的多媒体资源。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、自然语言处理、智能搜索等技术领域。
背景技术
在给定一段文本的情况下,可采用AI(Artificial Intelligence,人工智能)网络模型技术生成该文本对应的画面。例如,一段文本描述了“一个女孩在跳舞”,则AI网络模型可生成一个女孩跳舞的图片。
然而,当前基于AI网络模型生成的图片稳定性差,且仅能生成少量的图片,生成的视频效果差。由此如何基于给定文本生成多媒体资源仍有待研究。
发明内容
本公开提供了一种多媒体资源生成方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种多媒体资源生成,包括:
将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与目标文本匹配的目标网格块;其中,每个网格块为目标场景的部分场景区域;
基于目标文本中关于场景元素的特征信息,确定目标网格块的三维场景描述文件;
基于目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
根据本公开的另一方面,提供了一种多媒体资源生成装置,包括:
匹配模块,用于将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与目标文本匹配的目标网格块;其中,每个网格块为目标场景的部分场景区域;
确定模块,用于基于目标文本中关于场景元素的特征信息,确定目标网格块的三维场景描述文件;
生成模块,用于基于目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开中任一实施例的多媒体资源生成方法。
根据本公开的另一方面,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,其中,该计算机指令用于使该计算机执行根据本公开中任一实施例的多媒体资源生成方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开中任一实施例的多媒体资源生成方法。
本公开中,基于目标场景的多个网格块定位目标文本适用的场景,生成合适的三维场景描述文件,然后采用三维游戏引擎进行渲染,能够生成效果稳定且画质可靠的多媒体资源。
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是根据本公开一实施例的多媒体资源生成方法的流程示意图;
图2是根据本公开一实施例的多媒体资源生成方法的流程示意图;
图3是根据本公开一实施例的构建目标场景的多个层级的网格块的示意图;
图4是根据本公开一实施例的多媒体资源生成方法的流程示意图;
图5是根据本公开一实施例的多媒体资源生成方法的流程框图;
图6是根据本公开一实施例的多媒体资源生成装置的结构示意图;
图7是根据本公开一实施例的多媒体资源生成装置的另一结构示意图;
图8是用来实现本公开实施例的多媒体资源生成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。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。
本公开实施例涉及的多媒体资源可包括图片或视频。为了能够基于给定文本生成质量稳定的多媒体资源,本公开实施例提供了一种多媒体资源生成方法。
该方法中,从已知的目标场景中确定给定文本所需的三维场景,并采用游戏引擎来生成多媒体资源。如图1所示为该方法的流程示意图,包括:
S101,将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与目标文本匹配的目标网格块;其中,每个网格块为目标场景的部分场景区域。
其中,目标文本即给定文本,获取目标文本的方式可以有多种。例如获取链接,然后从该链接对应的页面中识别出目标文本。再例如,可以采集语音信号,然后将语音信号转换为目标文本。再例如,可以获取文本文件,从文本文件中获取文本信息,从而得到目标文本。
当然,本公开实施例中并不限定目标文本的获取方式。
本公开实施例中目标场景可以是一个较大的场景。例如是一座城市,这个城市中可以包括剧院、音乐厅、学校、演播室等子场景。为了能够准确的确定出目标文本所适用的场景,本公开实例中可将目标场景划分为不同的网格块以划分出不同的子场景。不同的网格块为目标场景的部分场景区域,且每个网格块都有对应的语义信息,该语义信息用于和目标文本进行匹配。通过匹配能够得到与目标文本较为匹配的网格块作为目标网格块。
匹配时,可比较目标文本和网格块的语义信息的匹配度。实施时,可采用深度学习的自然语言处理(Natural Language Processing,NLP)模型确定目标文本和语义信息的匹配度。例如,可采用NLP模型将目标文件转换为特征向量,并将语义信息转换为特征向量,通过比对两个特征向量的余弦相似度来确定二者之间的匹配度。
S102,基于目标文本中关于场景元素的特征信息,确定目标网格块的三维场景描述文件。
其中,三维场景描述文件中包括场景元素,以及各场景元素在场景中的位置以及外观信息。该外观信息例如包括场景元素的尺寸、形状、颜色等。例如针对剧院场景,该场景中的幕布的外观信息可包括幕布的颜色、幕布的形状等。
由此,可理解的是,三维场景描述文件用于采用结构化语言描述了目标文本所需三维场景内不同元素的布局和外观。
S103,基于目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
其中,三维游戏引擎例如可采用虚幻游戏引擎等,任何能够基于三维场景描述文件生成多媒体资源的三维游戏引擎均适用于本公开实施例。
本公开实施例中是在目标场景的多个网格块中定位出目标文本所需的场景。选择的三维场景是给定的目标场景资源中的场景,并不是由AI网络模型生成的场景。所以本公开实施例的三维场景的质量更有保证。此外,由于三维游戏引擎能够高质量地渲染出三维画面,所以生成的多媒体资源画质有保障。因此,本公开能够生成高质量的多媒体资源。且基于三维游戏引擎可生成任意长度的视频,也能够生成单张或多张图片,所以生成的多媒体资源类型也不受限制。由此,本公开实施例的多媒体资源生成方法是一种通用的能够生成高质量多媒体资源的方法。
本公开实施例中,可以提供场景资源库,也称之为场景集合。为了便于从场景集合中筛选出适用于目标文本的目标场景,可以为场景集合中每个场景都添加语义标签。则寻找目标文本的目标场景可实施为:
步骤A1,提取目标文本的语义标签。
实施时,可采用第一NLP语言模型处理目标文件,进而得到目标文本的语义标签。
步骤A2,将目标文本的语义标签与场景集合中各场景的语义标签进行匹配操作。
实施时,可采用第二NLP语言模型比较目标文本的语义标签和场景的语义标签之间的匹配度。例如,可将这两个标签转换为特征向量,通过比较特征向量之间的相似度得到目标文本和场景之间的匹配度。
步骤A3,选取与目标文本的语义标签最匹配的场景作为目标场景。
本公开实施例中,通过匹配语义标签即可从场景集合中筛选出适用于目标文本的目标场景,筛选出的目标场景在语义上满足目标文本,由此可准确的筛选出目标场景。
在一些实施例中,为了能够从目标场景中筛选出于适用于目标文本的网格块。采用如下方式划分目标场景,如图2所示,包括:
S201,将目标场景划分为多个网格块,得到第一层级的网格块;
S202,循环执行以下操作,直至满足第一循环终止条件,包括:
S2021,将上一层级的每个网格块,进一步划分为多个网格块,得到
当前层级的网格块;
S2022,确定当前层级的网格块的网格信息;
其中网格信息例如是网格块的尺寸和网格块内包含的元素数量中的至少一种。
S2023,在当前层级的网格信息满足预设要求的情况下,确定满足第一循环终止条件。
例如,网格块的尺寸小于指定尺寸(如网格块的长或宽小于100米)的情况下,确定满足第一循环终止条件。再例如,网格块内包含的元素数量小于预设数量,则确定满足第一循环终止条件。当然,也可以在网格块的尺寸小于指定尺寸、且网格块内包含的元素数量小于预设数量的情况下,确定满足第一循环终止条件。
以图3为例对划分网格块的方式进行举例说明。如图3所示,将目标场景投射到二维平面,得到地图。将二维场景划分为4个方块,由此得到第一层级的4个网格块。对第一层级每个网格块继续划分为4个方块,得到第二层级的4*4共16个网格块。以此类推,对第二层级的每个网格块继续划分,每个网格块继续划分为4个网格块,由此第三层级将得到16*4共64个网格块。以此类推,如果划分得到的最小网格块足够小或包含的元素足够少,则停止划分,否则继续划分,由此将目标场景划分出多个层级的网格块。
当然,需要说明的是,每个网格块划分出的网格块数量可以相同也可以不同,均适用于本公开实施例。
通过逐层级的划分网格块,便于从目标场景中以网格块作为匹配粒度,匹配出与目标文本匹配的目标网格块,由此实现精准的筛选出三维场景,提高多媒体资源的生成的质量。此外,基于第一循环终止条件,能够限制网格块的划分层级,得到合理的网格块,以便于准确构建目标文本的三维场景。
为便于和目标文本进行匹配,每个网格块的语义信息可由该网格块内包含的元素来生成。例如,针对每个网格块可人工标记该网格块的语义信息。也可以提取该网格块内关键元素的语义标签作为该网格块的语义信息。
为了提高匹配的精度,本公开实施例中,可针对每个网格块,提取网格块内包含的元素的语义标签;并,在提取到多个语义标签的情况下,将多个语义标签进行排列,得到网格块的语义信息。例如,图3所示,网格块A1内包括街道、街道包括穿梭的车辆、街道旁边有标志性建筑,建筑物旁边有行人穿过马路。则可以将街道、车辆和建筑以及行人作为该网格块的语义信息。按序排列标签时,遵循能够将多个元素的语义标签按照自然语言的表达方式排列,以便于能够更好的描述网格块。继续以图3的网格块A1为例,语义标签的排列方式可以为:街道、建筑、车辆、行人。当然,也可以对语义标签排列生成一段文本来描述网格块A1。如生成的文本为,建筑旁有条街道、街道上有车辆并有行人穿过马路。由此,同一网格块的语义信息包括了该网格块内所有元素的语义标签,在和目标文件进行匹配时,网格块内每个元素都将参与匹配,可提高匹配的准确性,继而构建出适合于目标文本的三维场景。
如图4所示,本公开实施例可基于如下方法得到与目标文本匹配的目标网格块:
按照从第一层级到最后一层级的顺序,循环执行以下操作,直至满足第二循环终止条件,得到目标网格块:
S401,在当前层级为第一层级的情况下,将目标文本与目标场景的第一层级的网格块的语义信息进行匹配操作,得到当前层级内与目标文本匹配的候选网格块。
S402,在当前层级为第一层级之外的任一层级的情况下,获取上一层级中与目标文本匹配的候选网格块在当前层级的多个网格块作为待选网格块集合;并,将目标文本与待选网格块集合中各网格块的语义信息进行匹配操作,得到当前层级内与目标文本匹配的候选网格块;
S403,在候选网格块满足第二循环终止条件的情况下,将候选网格块确定为目标网格块;第二循环终止条件包括,当前层级的候选网格块为最后一个层级的网格块或当前层级的候选网格块与目标文本的匹配度大于匹配度阈值。
继续如图3所示,目标文本和第一层级的4个网格块的语义信息进行匹配。目标文件和其中的网格块O1较为匹配。进而和网格块O1包含的四个网格块B1-B4进行匹配。假设和其中的B3比较匹配,进而和B3的四个网格块A1-A4进行匹配,进而得到目标文本与网格块A1最为匹配,且匹配度满足第二循环终止条件,则将网格块A1作为目标网格块。
本公开实施例中,逐层级匹配网格块,每个层级都能限定在上一级匹配得到的网格块范围内,从而过滤掉大部分网格块,由此可以提高匹配的效率,迅速匹配到目标网格块。
在匹配到目标网格块之后,为了能够准确生成多媒体资源,需要生成三维场景描述文件。
一种可能的实施方式中,为了能够基于目标文件准确的生成多媒体资源,可以在资源库中存储每个网格块的三维场景描述文件(为便于理解,后文简称初始描述文件)。这些初始描述文件中包含网格块内给定场景的关键元素、关键元素的位置以及关键元素的外观特征。由于该给定场景内的关键元素可能和目标文件具有些许差异,因此可基于目标文件对初始描述文件进行微调。如基于自然语言处理技术提取目标文本中关于场景元素的特征信息;之后,采用场景元素的特征信息,替换目标网格块的三维场景描述文本中关于场景元素的特征信息,得到三维场景描述文件。
例如,三维场景中是一个街道,街道上有一个小女孩,假设初始描述文件中小女孩穿着蓝色的衣服,而目标文本中描述了小女孩穿着橙色的衣服,则可将初始描述文件中小女孩的衣服颜色替换为橙色。由此,本公开实施例中能够基于NLP技术准确理解目标文本描述的场景元素的特征,进而使得生成的三维场景描述文件能够准确复现目标文本中描述的情景,从而提高生成的多媒体资源的准确性。
在一些实施例中,为了稳定地生成三维场景,本公开实施例为每个网格块均可以设置预设查询句,采用类似有问有答的方式从目标文件中提取场景元素的特征信息。可实施为:获取目标网格块的关联的针对场景元素的预设查询句;基于自然语言处理技术从目标文本中提取预设查询句的应答结果,得到场景元素的特征信息。例如,目标网格块是街头场景。当目标文本是关于街头采访时,由于目标场景中包括多种类型的街头场景。其中,有关于城市标志性地域的街头场景、有关于人文环境的街头场景,还有金融街的街头场景。如果目标文件描述的是金融采访,则可以基于网格块定位出金融街的街头场景。该场景中包括多个建筑物作为场景元素,还可以包括采访的记者和被采访的人作为场景元素。记者可以是女性也可以是男性,则可以设置预设查询句为记者的性别是什么。则基于该预设查询句,采用NLP技术理解目标文件并从中找到答案,进而确定出记者的性别。由此,目标网格块内的场景元素都是资源库中的已知元素,这些元素可以事先设置好动画形象,由此生成的多媒体资源可以更加逼真,更加符合目标文本的描述。
综上,基于预设查询句,能够得到预先设置好的场景元素的具体特征,从而能够准确理解目标文本对三维场景的描述,生成高质量的多媒体资源。
在一些可能的实施例中,还可以基于目标文本训练生成模型,采用生成模型来生成三维场景描述文件。
例如,基于前述方法得到目标文本及其对应的三维场景描述文件之后,可在步骤B1中,构建由目标文本和三维场景描述文件组成的训练样本;
步骤B2,将目标文本输入生成模型,得到生成模型预测的待比对三维场景描述信息;
步骤B3,将待比对三维场景描述信息与三维场景描述文件进行信息比对,得到损失值;
步骤B4,基于损失值调整生成模型,在生成模型满足训练收敛条件的情况下,结束对生成模型的训练。
该实施例中,生成模型可以是基于端到端的神经网络模型,例如该生成模型可包括编码器和解码器。编码器用于处理目标文本,从中提取出场景元素的特征信息,解码器用于对该特征信息进行解码操作,生成目标文本的待比对三维场景描述信息。进而可以确定损失优化编码器和解码器的参数。
实施时,可以对不同的目标场景分别进行训练,得到不同目标场景各自对应的生成模型。
在得到生成模型之后,可以采用生成式的方式基于目标文本来生成三维场景描述文件。
由此,通过本公开实施例提供的方法构建训练样本,使得训练样本的获取无需人工操作。训练标签也无需人工标注,进而采用有监督的方式训练生成模型,可使得生成模型能够准确生成三维场景描述文件,进而提高多媒体资源的画面质量。
需要说明的是,本公开实施例中基于三维游戏引擎生成多媒体资源。可采用三维游戏引擎自带的各种场景模板构建场景资源库。这些场景模板往往是逼真的,画质较高,因此能够保证三维游戏引擎生成的多媒体资源的画质。
此外,三维游戏引擎中的场景模板可理解为由众多用户共享,由此可降低构建场景资源库的成本。
此外,三维游戏引擎可采用的处理器能力可以不同,当采用高处理能力的三维游戏引擎时,能够快速的生成多媒体资源,相对于AI网络模型生成的多媒体资源具有速度快、画质稳定的特点。
例如图5所示,为本公开实施例中生成视频的框架示意图。本公开实施例中,针对给定文本,可从基础3D环境库(即场景集合)筛选出目标场景,然后和目标场景中多层级的网格块进行匹配,生成或重建三维场景与动画,然后根据给定文本替换三维场景中的元素得到三维场景描述文件。采用三维游戏引擎对三维场景描述文件进行渲染,从而生成视频。
基于相同的技术构思,本公开实施例还提供一种多媒体资源生成装置600,如图6所示,包括:
匹配模块601,用于将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与目标文本匹配的目标网格块;其中,每个网格块为目标场景的部分场景区域;
确定模块602,用于基于目标文本中关于场景元素的特征信息,确定目标网格块的三维场景描述文件;
生成模块603,用于基于目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
在一些实施例中,在图6的基础上,如图7所示,本公开还提供一种多媒体资源生成装置700的结构示意图,该装置还包括:
划分模块701,用于将目标场景划分为多个网格块,得到第一层级的网格块;
第一循环模块702,用于循环执行以下操作,直至满足第一循环终止条件:
将上一层级的每个网格块,进一步划分为多个网格块,得到当前层级的网格块;
确定当前层级的网格块的网格信息;
在当前层级的网格信息满足预设要求的情况下,确定满足第一循环终止条件。
在一些实施例中,匹配模块601,用于:
按照从第一层级到最后一层级的顺序,循环执行以下操作,直至满足第二循环终止条件,得到目标网格块:
在当前层级为第一层级的情况下,将目标文本与目标场景的第一层级的网格块的语义信息进行匹配操作,得到当前层级内与目标文本匹配的候选网格块;
在当前层级为第一层级之外的任一层级的情况下,获取上一层级中与目标文本匹配的候选网格块在当前层级的多个网格块作为待选网格块集合;并,将目标文本与待选网格块集合中各网格块的语义信息进行匹配操作,得到当前层级内与目标文本匹配的候选网格块;
在候选网格块满足第二循环终止条件的情况下,将候选网格块确定为目标网格块;
第二循环终止条件包括,当前层级的候选网格块为最后一个层级的网格块或当前层级的候选网格块与目标文本的匹配度大于匹配度阈值。
在一些实施例中,如图7所示,该装置还包括语义信息确定模块703,用于:
针对每个网格块,提取网格块内包含的元素的语义标签;并,
在提取到多个语义标签的情况下,将多个语义标签进行排列,得到网格块的语义信息。
在一些实施例中,如图7所示,该装置还包括场景确定模块704,用于基于以下方法确定目标场景:
提取目标文本的语义标签;
将目标文本的语义标签与场景集合中各场景的语义标签进行匹配操作;
选取与目标文本的语义标签最匹配的场景作为目标场景。
在一些实施例中,如图7所示,确定模块602,包括:
自然语言理解单元705,用于基于自然语言处理技术提取目标文本中关于场景元素的特征信息;
文件确定单元706,用于采用场景元素的特征信息,替换目标网格块的三维场景描述文本中关于场景元素的特征信息,得到三维场景描述文件。
在一些实施例中,自然语言理解单元705,用于:
获取目标网格块的关联的针对场景元素的预设查询句;
基于自然语言处理技术从目标文本中提取预设查询句的应答结果,得到场景元素的特征信息。
在一些实施例中,如图7所示,该装置还包括训练模块707,用于:
构建由目标文本和三维场景描述文件组成的训练样本;
将目标文本输入生成模型,得到生成模型预测的待比对三维场景描述信息;
将待比对三维场景描述信息与三维场景描述文件进行信息比对,得到损失值;
基于损失值调整生成模型,在生成模型满足训练收敛条件的情况下,结束对生成模型的训练。
本公开实施例的装置的各模块、单元的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
根据本公开的实施例,本公开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8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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,个人数字助理、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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元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。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理,例如多媒体资源的生成方法。例如,在一些实施例中,多媒体资源的生成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介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的多媒体资源的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行多媒体资源的生成方法。
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***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负杂可编程逻辑设备(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。这些程序代码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或控制器执行时使流程图和/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。
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,也可以为分布式***的服务器,或者是结合了区块链的服务器。本公开实施例可采用服务器执行多媒体资源生成方法。
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,均应包含在本公开保护范围之内。
Claims (19)
1.一种多媒体资源生成方法,包括:
将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与所述目标文本匹配的目标网格块;其中,每个网格块为所述目标场景的部分场景区域;
基于所述目标文本中关于场景元素的特征信息,确定所述目标网格块的三维场景描述文件;
基于所述目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
2.根据权利要求1所述的方法,还包括:
将所述目标场景划分为多个网格块,得到第一层级的网格块;
循环执行以下操作,直至满足第一循环终止条件:
将上一层级的每个网格块,进一步划分为多个网格块,得到当前层级的网格块;
确定当前层级的网格块的网格信息;
在所述当前层级的网格信息满足预设要求的情况下,确定满足所述第一循环终止条件。
3.根据权利要求2所述的方法,其中,所述将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与所述目标文本匹配的目标网格块,包括:
按照从第一层级到最后一层级的顺序,循环执行以下操作,直至满足第二循环终止条件,得到所述目标网格块:
在当前层级为第一层级的情况下,将所述目标文本与所述目标场景的第一层级的网格块的语义信息进行匹配操作,得到当前层级内与所述目标文本匹配的候选网格块;
在当前层级为第一层级之外的任一层级的情况下,获取上一层级中与所述目标文本匹配的候选网格块在当前层级的多个网格块作为待选网格块集合;并,将所述目标文本与所述待选网格块集合中各网格块的语义信息进行匹配操作,得到当前层级内与所述目标文本匹配的候选网格块;
在所述候选网格块满足所述第二循环终止条件的情况下,将所述候选网格块确定为所述目标网格块;
所述第二循环终止条件包括,当前层级的候选网格块为最后一个层级的网格块或当前层级的候选网格块与所述目标文本的匹配度大于匹配度阈值。
4.根据权利要求2所述的方法,还包括:
针对每个网格块,提取所述网格块内包含的元素的语义标签;并,
在提取到多个语义标签的情况下,将所述多个语义标签进行排列,得到所述网格块的语义信息。
5.根据权利要求1-4中任一项所述的方法,还包括基于以下方法确定所述目标场景:
提取所述目标文本的语义标签;
将所述目标文本的语义标签与场景集合中各场景的语义标签进行匹配操作;
选取与所述目标文本的语义标签最匹配的场景作为所述目标场景。
6.根据权利要求1-5中任一项所述的方法,其中,所述基于所述目标文本中关于场景元素的特征信息,确定所述目标网格块的三维场景描述文件,包括:
基于自然语言处理技术提取所述目标文本中关于场景元素的特征信息;
采用所述场景元素的特征信息,替换所述目标网格块的三维场景描述文本中关于所述场景元素的特征信息,得到所述三维场景描述文件。
7.根据权利要求6所述的方法,其中,所述基于自然语言处理技术提取所述目标文本中关于场景元素的特征信息,包括:
获取所述目标网格块的关联的针对所述场景元素的预设查询句;
基于自然语言处理技术从所述目标文本中提取所述预设查询句的应答结果,得到所述场景元素的特征信息。
8.根据权利要求1-7中任一项所述的方法,还包括:
构建由所述目标文本和所述三维场景描述文件组成的训练样本;
将所述目标文本输入生成模型,得到所述生成模型预测的待比对三维场景描述信息;
将所述待比对三维场景描述信息与所述三维场景描述文件进行信息比对,得到损失值;
基于所述损失值调整所述生成模型,在所述生成模型满足训练收敛条件的情况下,结束对所述生成模型的训练。
9.一种多媒体资源生成装置,包括:
匹配模块,用于将目标文本与目标场景中的多个网格块的语义信息进行匹配操作,得到与所述目标文本匹配的目标网格块;其中,每个网格块为所述目标场景的部分场景区域;
确定模块,用于基于所述目标文本中关于场景元素的特征信息,确定所述目标网格块的三维场景描述文件;
生成模块,用于基于所述目标网格块的三维场景描述文件和三维游戏引擎,生成多媒体资源。
10.根据权利要求9所述的装置,还包括:
划分模块,用于将所述目标场景划分为多个网格块,得到第一层级的网格块;
第一循环模块,用于循环执行以下操作,直至满足第一循环终止条件:
将上一层级的每个网格块,进一步划分为多个网格块,得到当前层级的网格块;
确定当前层级的网格块的网格信息;
在所述当前层级的网格信息满足预设要求的情况下,确定满足所述第一循环终止条件。
11.根据权利要求10所述的装置,其中,所述匹配模块,用于:
按照从第一层级到最后一层级的顺序,循环执行以下操作,直至满足第二循环终止条件,得到所述目标网格块:
在当前层级为第一层级的情况下,将所述目标文本与所述目标场景的第一层级的网格块的语义信息进行匹配操作,得到当前层级内与所述目标文本匹配的候选网格块;
在当前层级为第一层级之外的任一层级的情况下,获取上一层级中与所述目标文本匹配的候选网格块在当前层级的多个网格块作为待选网格块集合;并,将所述目标文本与所述待选网格块集合中各网格块的语义信息进行匹配操作,得到当前层级内与所述目标文本匹配的候选网格块;
在所述候选网格块满足所述第二循环终止条件的情况下,将所述候选网格块确定为所述目标网格块;
所述第二循环终止条件包括,当前层级的候选网格块为最后一个层级的网格块或当前层级的候选网格块与所述目标文本的匹配度大于匹配度阈值。
12.根据权利要求10所述的装置,还包括语义信息确定模块,用于:
针对每个网格块,提取所述网格块内包含的元素的语义标签;并,
在提取到多个语义标签的情况下,将所述多个语义标签进行排列,得到所述网格块的语义信息。
13.根据权利要求9-12中任一项所述的装置,还包括场景确定模块,用于基于以下方法确定所述目标场景:
提取所述目标文本的语义标签;
将所述目标文本的语义标签与场景集合中各场景的语义标签进行匹配操作;
选取与所述目标文本的语义标签最匹配的场景作为所述目标场景。
14.根据权利要求9-13中任一项所述的装置,其中,所述确定模块,包括:
自然语言理解单元,用于基于自然语言处理技术提取所述目标文本中关于场景元素的特征信息;
文件确定单元,用于采用所述场景元素的特征信息,替换所述目标网格块的三维场景描述文本中关于所述场景元素的特征信息,得到所述三维场景描述文件。
15.根据权利要求14所述的装置,其中,所述自然语言理解单元,用于:
获取所述目标网格块的关联的针对所述场景元素的预设查询句;
基于自然语言处理技术从所述目标文本中提取所述预设查询句的应答结果,得到所述场景元素的特征信息。
16.根据权利要求9-15中任一项所述的装置,还包括训练模块,用于:
构建由所述目标文本和所述三维场景描述文件组成的训练样本;
将所述目标文本输入生成模型,得到所述生成模型预测的待比对三维场景描述信息;
将所述待比对三维场景描述信息与所述三维场景描述文件进行信息比对,得到损失值;
基于所述损失值调整所述生成模型,在所述生成模型满足训练收敛条件的情况下,结束对所述生成模型的训练。
17.一种电子设备,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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211207353.XA CN115482324A (zh) | 2022-09-30 | 2022-09-30 | 多媒体资源生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211207353.XA CN115482324A (zh) | 2022-09-30 | 2022-09-30 | 多媒体资源生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482324A true CN115482324A (zh) | 2022-12-16 |
Family
ID=84393800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211207353.XA Pending CN115482324A (zh) | 2022-09-30 | 2022-09-30 | 多媒体资源生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193098A (zh) * | 2023-04-23 | 2023-05-30 | 子亥科技(成都)有限公司 | 一种三维视频生成方法、装置、设备及存储介质 |
-
2022
- 2022-09-30 CN CN202211207353.XA patent/CN115482324A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193098A (zh) * | 2023-04-23 | 2023-05-30 | 子亥科技(成都)有限公司 | 一种三维视频生成方法、装置、设备及存储介质 |
CN116193098B (zh) * | 2023-04-23 | 2023-07-21 | 子亥科技(成都)有限公司 | 一种三维视频生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Towards unified depth and semantic prediction from a single image | |
Din et al. | Service orchestration of optimizing continuous features in industrial surveillance using big data based fog-enabled internet of things | |
US9575950B2 (en) | Systems and methods for managing spreadsheet models | |
Guennouni et al. | A Comparative Study of Multiple Object Detection Using Haar‐Like Feature Selection and Local Binary Patterns in Several Platforms | |
US20170116521A1 (en) | Tag processing method and device | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
Ji et al. | Colorformer: Image colorization via color memory assisted hybrid-attention transformer | |
CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其*** | |
CN115131698A (zh) | 视频属性确定方法、装置、设备及存储介质 | |
CN113572976A (zh) | 视频处理方法、装置、电子设备及可读存储介质 | |
CN113343981A (zh) | 一种视觉特征增强的字符识别方法、装置和设备 | |
CN115482324A (zh) | 多媒体资源生成方法、装置、电子设备及存储介质 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
Ardhianto et al. | Generative deep learning for visual animation in landscapes design | |
CN112069412A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
Sun et al. | Arctext: A unified text approach to describing convolutional neural network architectures | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
Orhei | Urban landmark detection using computer vision | |
CN111723177B (zh) | 信息提取模型的建模方法、装置及电子设备 | |
Li et al. | Image aesthetic assessment using a saliency symbiosis network | |
CN113239215A (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
Zhu et al. | A cross-view intelligent person search method based on multi-feature constraints | |
Li et al. | Image Semantic Space Segmentation Based on Cascaded Feature Fusion and Asymmetric Convolution Module | |
Tian et al. | An approach to generate spatial Voronoi Treemaps for points, lines, and polygons |
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 |