CN115937338B - 图像处理方法、装置、设备及介质 - Google Patents
图像处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115937338B CN115937338B CN202210443508.3A CN202210443508A CN115937338B CN 115937338 B CN115937338 B CN 115937338B CN 202210443508 A CN202210443508 A CN 202210443508A CN 115937338 B CN115937338 B CN 115937338B
- Authority
- CN
- China
- Prior art keywords
- image
- manuscript
- sample
- characteristic
- line
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000004040 coloring Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 13
- 238000013508 migration Methods 0.000 description 9
- 230000005012 migration Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开实施例涉及一种图像处理方法、装置、设备及介质,其中该方法包括:获取线稿图和参考图;提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征;确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性;基于语义相关性,生成线稿图的上色图像其中,上色图像各部位的颜色、纹理细节与参考图一致。由此,利用参考图与线稿图间的密集语义相关性智能的给线稿图上色,上色结果中的各部位颜色、纹理细节与参考图保持一致,在提升了上色效率的基础上,保证了上色效果。
Description
技术领域
本公开涉及计算机应用技术领域,尤其涉及一种图像处理方法、装置、设备及介质。
背景技术
通常,有参考的线稿图上色在动画、游戏以及漫画创作中属于非常重要的流程,设计人员首先画若干张图像作为线稿图,来明确后续创作的细节和风格等,之后的上色工作以线稿图为准来保证角色及整体风格的一致性。
通常,对线稿图的上色基于设计人员的个人经验以及需求进行人工上色,比如,将线稿图导入到上色应用中,在该上色应用中,人工通过有关上色菜单来实现上色处理。
然而,上述上色处理依赖于人工,当线稿图数量较多或者是线稿图细节较多时,上色耗时较长,上色效率较低。
发明内容
为了解决上述技术问题,本公开提供了一种图像处理方法、装置、设备及介质,以解决线稿图的上色效率较低的技术问题。
本公开实施例提供了一种图像处理方法,所述方法包括:计算所述第二参考图中每个像素与所述样本图像中每个像素之间的平均绝对误差,以生成重建损失函数;和/或计算所述第二参考图中每个像素与所述样本图像中每个像素之间的均方误差,以生成风格损失函数;和/或对所述第二参考图和所述样本图像进行分类处理,以生成对抗损失函数。
本公开实施例还提供了一种图像处理装置,所述装置包括:获取模块,用于获取线稿图和参考图;提取模块,用于提取与所述线稿图对应的线稿图特征以及与所述参考图对应的参考图特征;确定模块,用于确定所述线稿图特征中的线稿特征点与所述参考图特征中的多个参考特征点之间的语义相关性;生成模块,用于基于所述语义相关性,生成所述线稿图的上色图像,其中,所述上色图像各部位的颜色、纹理细节与所述参考图一致。
本公开实施例还提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的图像处理方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开实施例提供的图像处理方法。
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:
本公开实施例提供的图像处理方案,通过获取线稿图和参考图,提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性,并基于语义相关性,生成线稿图的上色图像。由此,利用参考图与线稿图间的密集语义相关性智能的给线稿图上色,上色结果中的各部位颜色、纹理细节与参考图保持一致,在提升了上色效率的基础上,保证了上色效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像处理场景示意图;
图2为本公开实施例提供的一种图像处理方法的流程示意图;
图3为本公开实施例提供的另一种图像处理场景示意图;
图4为本公开实施例提供的另一种图像处理场景示意图;
图5为本公开实施例提供的另一种图像处理方法的流程示意图;
图6为本公开实施例提供的另一种图像处理场景示意图;
图7为本公开实施例提供的另一种图像处理场景示意图;
图8为本公开实施例提供的另一种图像处理场景示意图;
图9为本公开实施例提供的另一种图像处理方法的流程示意图;
图10为本公开实施例提供的另一种图像处理场景示意图;
图11为本公开实施例提供的一种图像处理装置的结构示意图;以及
图12为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为了解决上述对线稿图上色时依赖于人工导致上色效率较低的问题,本公开实施例提供了一种图像处理方法,在该方法中,利用参考图与线稿图间的密集语义相关性智能的给线稿图上色,上色结果中的各部位颜色、纹理细节与参考图保持一致,比如,如图1所示,当线稿图为A1,参考图为彩色图像B时,本方法可以实现将B中的颜色、纹理等根据密集语义相关度,迁移到A1中得到上色后的线稿图A2,A2中每个部位的颜色与B的对应部位的颜色、纹理等具有一致性(图中以灰度值和填充线条分别来标识颜色、纹理等),比如B的眼睛颜色和纹理与A2的眼睛颜色和纹理一致等,由此,无需人工操作,即可在A2中根据B的颜色进行上色处理,实现了上色的智能化,在提升上色效率的基础上,保证了上色效果,且上色后的图像的轮廓和初始的线稿图的轮廓相同,保留了线稿图的细节。
下面结合具体的实施例对该方法进行介绍。
图2为本公开实施例提供的一种图像处理方法的流程示意图,该方法可以由图像处理装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图2所示,该方法包括:
步骤201,获取线稿图和参考图。
其中,线稿图可以理解为如上述A1所示的包含各种图像轮廓细节的没有上色填充的图像,参考图为包含了颜色填充的图像,为了便于基于语义进行颜色、纹理等迁移,通常线稿图和参考图包含的主体对象相同,比如,线稿图包含的主体对象为面部,则对应的参考图包含的主体对象也为面部等。
步骤202,提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征。
在本实施例中,基于特征维度来提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征,以保证在特征维度进行颜色迁移颜色时细节更加丰富,即除了迁移颜色还迁移了纹理等。
其中,在不同的应用场景中,提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征的方式不同,在一些可能的实施例中,可以预先训练图像上色模型,进而,将线稿图和参考图分别输入该图像上色模型,以得到与线稿图对应的线稿图特征以及与参考图对应的参考图特征,其中,图像上色模型可以为卷积模型,则对应的线稿图对应的线稿图特征以及与参考图对应的参考图特征为卷积后得到的多维特征等。
在另一些可能的实施例中,可以基于直方图的方式来确定线稿图对应的线稿图特征以及与参考图对应的参考图特征。
在本实施例中,考虑到纹理是图像固有的特征之一,是灰度(对彩色图像而言是颜色)在空间以一定的形式变换而产生的图案(模式),有时具有一定的周期性。既然纹理区域的像素灰度级分布具有一定的形式,而直方图正是描述图像中像素灰度级分布的有力工具,因此用直方图来描述纹理就顺理成章了。
毫无疑问,相似的纹理具有相似的直方图;不同特点的纹理对应不同的直方图。这说明直方图与纹理之间存在着一定的对应关系。因此,可以用直方图或其统计特征作为图像纹理特征。直方图本身就是一个向量,向量的维数是直方图统计的灰度级数,因此可以直接以此向量作为代表图像纹理的特征向量。在本实施例中,通过对线稿图和参考图进行纹理提取生成直方图特征,将生成的直方图特征作为对应的线稿图特征以及参考图特征。
步骤203,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性。
在获取到线稿图特征和对应的参考图特征后,为了保证迁移后的颜色一致性,比如,将参考图特征中属于头发的颜色特征迁移到线稿图的头发部位,计算线稿图特征和参考图特征中的多个参考特征点之间的语义相关性。其中,语义相关性越高,证明对应的两个特征点之间属于同一个部位的可能性越大。
步骤204,基于语义相关性,生成线稿图的上色图像,其中,上色图像各部位的颜色、纹理细节与参考图一致。
在本公开的一个实施例中,在计算得到语义相关性之后,基于语义相关性,生成线稿图的上色图像,即将语义相关的参考图特征中的点迁移到线稿图特征的对应位置,由此,由于迁移的是参考图中的颜色,因此,保证了上色效果,颜色图像各部位的颜色、纹理细节与参考图一致,且由于仅仅迁移了颜色,因此,保留了线稿图中的图像细节。
综上,本公开实施例的图像处理方法,通过获取线稿图和参考图,提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性,并基于语义相关性,生成线稿图的上色图像。由此,利用参考图与线稿图间的密集语义相关性智能的给线稿图上色,上色结果中的各部位颜色、纹理细节与参考图保持一致,在提升了上色效率的基础上,保证了上色效果。
在实际执行过程中,根据应用场景的不同,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性的方式不同,示例说明如下:
在本公开的一个实施例中,计算线稿特征点与多个参考特征点中的每个参考特征点之间的相似度。
需要强调的是,本实施例中,在基于参考图进行色彩迁移时,可以根据场景需要,采用全局模式迁移或者采用局部模式迁移等。
其中,全局模式下是把对应的参考图所有的颜色、纹理等都迁移到线稿图中,这可以被用在同一角色不同动作的高效创作场景中。使用这种模式,可以在动画创作中只需要对一部分关键帧上色可批量的对中间的线稿图帧完成上色,将上色后的图像作为参考图对其他线稿图进行上色处理,从而,在漫画和游戏创作等场景中也不用对某个角色的所有动作上色,大大降低创作成本。
在全局模式下,多个参考特征点是参考图特征中的全部参考特征点,即计算每个线稿特征点与参考图特征中的全部参考特征点中每个参考特征点之间的相似度。
在全局模式下,如图3所示,若是参考特征图为一个3*3的矩阵图,线稿特征图也为一个3*3的矩阵图,则对于线稿特征图中的每个线稿特征点而言(图中仅示出一个特征点的计算过程),计算和每个参考图特征点之间的相似度,该相似度即为对应特征点之间的语义相似度。
局部模式下仅仅支持对参考图中部分纹理的迁移,可以组合不同参考图图中的颜色,提升了上色的灵活性。
在局部模式下,多个参考特征点是参考图特征中的部分参考特征点,并且多个参考特征点与部位中的一个或多个部位相关联。其中,该部位可以包括:头发、眼睛、嘴巴、面部、脖子和衣服等任意一个或多个部位。
在局部模式下,若是迁移的部位为头发部位,如图4所示,参考图特征为一个3*3的矩阵图,线稿特征图为T1,T1为一个3*3的矩阵图,若是在局部模式下,迁移T1的头发部位,头发部位对应的多个参考特征点为图T1中灰色部分的特征点,则计算每个线稿特征点与每个灰色部分的特征点之间的相似度(图中仅示出一个特征点的计算过程),该相似度即为对应特征点之间的语义相似度。
在一些可能的实施例中,可以将线稿特征点与多个参考特征点中的每个参考特征点进行点乘处理,以获取线稿特征点与每个参考特征点之间的内积,将该内积作为对应特征点之间的语义相似度。
在另一些可能的实施例中,可以计算线稿特征点与多个参考特征点中的每个参考特征点的向量夹角,将向量夹角的余弦值作为衡量两个特征点语义上的差异的大小的度量,其中,余弦值越是接近1,标识夹角越是接近0度,两个特征点之间的语义相关性越高。
进一步的,在得到语义相关性后,基于线稿图的语义相关性,生成线稿图的上色图像。
在本实施例中,若是基于线稿特征点与多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值。
其中,在不同的应用场景中,基于线稿特征点与多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值的方式不同,
在一些可能的实施例中,对内积值进行归一化处理,将归一化处理的结果作为对应的目标线稿特征点值。
比如,可以计算所有线稿目标线稿特征的求和值,将每个线稿特征点和求和值的比值作为目标线稿特征点值。
在另一些可能的实施例中,如图5所示,获取目标线稿特征点值的步骤包括:
步骤501,基于线稿特征点与每个参考特征点之间的内积,获取与每个参考特征点对应的权重。
在本实施例中,可以对多个内积执行softmax函数以得到对应的多个函数值,多个函数值之和为1,将这多个函数值作为权重,其中,内积越大表示对应的线稿特征点和参考特征点之间的相关性越高,则对应的权重越高。
在本实施例中,也可以将对应的内积输入预先构建的深度学习模型,基于深度模型的输出获取与每个参考特征点对应的权重。
步骤502,基于权重对每个参考特征点进行加权求和,以获取目标线稿特征点值。
在本实施例中,基于权重对每个参考特征点进行加权求和,以获取目标线稿特征点值,该目标线稿特征点值体现了参考图特征点和线稿图特征点之间的语义相关程度。
在获取到目标线稿特征点值之后,使用目标线稿特征点值替换所述线稿特征点的值,以生成所述线稿图的上色图像,举例而言,如图6所示,线稿特征图的线稿特征点的原始值为a1-a9时,得到的对应的目标线稿特征点值为b1-b9,则可以将线稿特征图中的a1-a9替换为b1-b9,以对替换后的线稿特征图进行解码得到对应的上色图像。
其中,在全局模式下,如图7所示,上色图像A4中的每个部位的上色效果都和对应的参考图C之间的上色效果一致,比如,得到的与线稿图A3对应的上色图像的头发部位的颜色和纹理,和参考图之间的头发部位上色效果一致,上色图像的眼睛部位的颜色和纹理,和参考图之间的眼睛部位上色效果一致等,即实现了将参考图的全部的上色效果到线稿图的迁移。
在局部模式下,如图8所示,(图中仅仅以迁移眼睛部位的颜色为例),待迁移的参考图包括T3和T4时,其中,T3的迁移部位为头发部位,则计算T3的头发部位的参考图特征点和线稿图特征中特征点的语义相关度,根据语义相关性,基于语义相关性,将T3的头发部位的特征点对应的像素,迁移到线稿图中的头发部位,得到的上色图像(上个图像中其他部位的上色效果没有体现)中,头发部位的上色效果和T3图像中的头发部位一致,T4的迁移部位为眼睛部位,则计算T4的眼睛部位的参考图特征点和线稿图特征中特征点的语义相关度,根据语义相关性,基于语义相关性,将T4的眼睛部位的特征点对应的像素,迁移到线稿图中的眼睛部位,得到的上色图像中,眼睛部位的上色效果和T4图像中的眼睛部位一致。
综上,本公开实施的图像处理方法,可基于参考的彩色图自动地为线稿图上色,在保留线稿图中的细节设计的同时自动为线稿图上色,局部模式中可快速组装不同参考图的局部部位的纹理颜色等自动给线稿图上色,大大节约细节刻画的时间,全局模式下进行整体的纹理和颜色迁移,大大降低上色的时间成本。
基于上述实施例,上述提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性和基于语义相关性,生成线稿图的上色图像,均可以由图像上色模型执行。
为了便于本领域的技术人员对图像上色模型的处理过程更加清楚,下面结合对图像上色模型的训练过程进行说明。
在本公开的一个实施例中,如图9所示,图像上色模型通过以下步骤训练得到:
步骤901,获取样本图像。
其中,样本图像可以理解为具有上色效果的彩色图像。
步骤902,确定与样本图像对应的样本线稿图。
其中,可以通过轮廓识别算法等获取与样本图像对应的样本线稿图。
步骤903,对样本图像进行形变,以获得样本参考图。
在本实施例中,为了提升训练的模型参数的鲁棒性,可以提取得到彩色图像中的颜色纹理等,并不基于和样本线稿图对应的样本图像直接训练模型,而是对样本图像进行形变处理获取样本参考图,以基于样本参考图进行模型的训练。
需要说明的是,在不同的应用场景中,对样本图像进行形变处理获取样本参考图的方式不同,示例说明如下:
在本公开的一个实施例中,调用线稿图提取算法对样本图像进行处理,提取样本线稿图后,调用线稿图提取算法,线稿图提取算法为是插值方法的一种,是常用的2D插值方法,需要根据定义的拟合项和扭曲项对图像中的像素点的位置进行扭曲变化,因此,基于调用薄板样条函数对样本图像进行随机形变处理,获取样本参考图,由于样本参考图是扭曲后的样本图像,因此,与样本线稿图之间没有严格的对应关系,训练模型参数时,避免模型参数的拟合,提升了模型参数的鲁棒性。
在本公开的一个实施例中,可以识别样本图像中的每个部位(比如眼睛部位、头发部位等),对每个部位随机匹配不同的变形处理算法,该变形处理算法包括但不限于局部坐标平移、局部旋转算法、局部缩放算法等,基于变形处理算法对样本图像的对应部位进行变形计算后得到变形后的样本参考图。
步骤904,基于样本线稿图和样本参考图训练得到图像上色模型。
在本实施例中,基于样本线稿图和样本参考图训练得到图像上色模型,其中,在一些可能的实施例中,提取所述样本线稿图的样本线稿图特征,比如,可以预先训练线稿图编码器,该线稿图编码器可以为卷积网络,通过预设的线稿图编码器对样本线稿图进行编码处理,提取对应的样本线稿图特征。
进一步地,提取样本参考图的样本参考图特征,在本实施例中,预先训练参考图编码器,该参考图编码器可以为卷积网络,通过预设的参考图编码器对样本参考图进行编码处理,提取对应的样本参考图特征。
在获取到样本线稿图特征和样本参考图特征后,确定样本线稿图特征中样本特征点与样本参考图特征中的多个样本参考特征点之间的语义相关性。其中,该语义相关性的计算方式可以参照上述应用侧实施例中语义相关性的计算方式,其实现原理类似,在此不再赘述。
在得到的语义相关性后,基于语义相关性,生成与样本线稿图对应的第二参考图,即根据语义相关性,基于样本线稿特征点与多个样本参考特征点中的每个参考特征点之间的内积,获取目标样本线稿特征点值,使用目标样本线稿特征点值替换样本线稿特征点的值,以生成样本线稿图的第二参考图。其中,可以通过预设的解码器对替换样本线稿特征点的值的特征图进行解码以得到第二参考图。
理论上,第二参考图的上色效果应当与样本参考图一致。因此,为了确定当前模型是否训练完毕,基于所述样本图像、所述样本参考图和所述第二参考图生成目标损失函数。该目标损失函数体现了第二参考图和样本图像之间的差异性。
其中,计算目标损失函数的方式包括但不限于以下三种中的一种或多种:
在一些可能的实施例中,计算第二参考图中每个像素和样本图像中对应的像素点之间的像素差值,计算所有像素差值的平均绝对误差,获取重建损失函数。
在一些可能的实施例中,计算第二参考图中每个像素和样本图像中每个像素点之间的像素差值,计算所有像素值的均方误差,获取风格损失函数。
在一些可能的实施例中,预先设置判别器模型,该判别器模型基于对抗损失函数进行对抗训练,在本实施例中,根据预设的判别器模型对第二参考图和样本图像进行处理,获取对抗损失函数,将该损失函数作为目标损失函数。
进一步地,在获取到目标损失函数后,根据目标损失函数的反向传播训练图像上色模型,当图像上色模型对应的目标损失函数的损失值大于预设损失阈值时,则修正对应的模型参数,直至图像上色模型对应的目标函数的损失值小于预设损失阈值,则得到对应的图像上色模型。
举例而言,如图10所示,在训练过程中,获取与样本图像对应的样本线稿图P1,提取对应的样本线稿图特征P2,对样本图像S0进行形变处理获取样本参考图S1,提取对应的样本参考图特征S2,根据样本线稿图特征P2和样本参考图特征S2之间的语义相关性,图像上色模型将样本参考图对应的像素迁移到样本线稿图中,通过预设的解码器等对迁移后的特征图进行解码处理生成与样本线稿图对应的第二参考图S3,计算S3和S0之前的目标损失函数的损失值,基于该损失值训练模型参数,最后当损失值小于一定值后得到对应的图像上色模型。
综上,本公开实施例的图像处理方法,获取与样本图像对应的样本线稿图,并对样本图像进行形变处理获取样本参考图,基于形变后的样本图像和样本线稿图进行上色模型的训练,保证了训练后的模型参数的鲁棒性,保证了上色模型在上色处理后的上色效果。
为了实现上述实施例,本公开还提出了一种图像处理装置。
图11为本公开实施例提供的一种图像处理装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图11所示,该装置包括:
获取模块1110,用于获取线稿图和参考图;
提取模块1120,用于提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征;
确定模块1130,用于确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性;
生成模块1140,用于基于语义相关性,生成线稿图的上色图像,其中,上色图像各部位的颜色、纹理细节与参考图一致。
本公开实施例所提供的图像处理装置可执行本公开任意实施例所提供的图像处理方法,具备执行方法相应的功能模块和有益效果。
综上,本公开实施例的图像处理装置,通过获取线稿图和参考图,提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性,并基于语义相关性,生成线稿图的上色图像。由此,利用参考图与线稿图间的密集语义相关性智能的给线稿图上色,上色结果中的各部位颜色、纹理细节与参考图保持一致,在提升了上色效率的基础上,保证了上色效果。
为了实现上述实施例,本公开还提出一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述实施例中的图像处理方法。
图12为本公开实施例提供的一种电子设备的结构示意图。
下面具体参考图12,其示出了适于用来实现本公开实施例中的电子设备1200的结构示意图。本公开实施例中的电子设备1200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。图12示出的电子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12所示,电子设备1200可以包括处理装置(例如中央处理器、图形处理器等)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
通常,以下装置可以连接至I/O接口1205: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1206;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207;包括例如磁带、硬盘等的存储装置1208;以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200,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1209从网络上被下载和安装,或者从存储装置1208被安装,或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时,执行本公开实施例的图像处理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、服务器可以利用诸如HTTP(HyperText TransferProtocol,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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备:可基于参考的彩色图自动地为线稿图上色,在保留线稿图中的细节设计的同时自动为线稿图上色,局部模式中可快速组装不同参考图的局部部位的纹理颜色等自动给线稿图上色,大大节约细节刻画的时间,全局模式下进行整体的纹理和颜色迁移,大大降低上色的时间成本。
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服务器上执行。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。
在本公开的一个实施例中,提供了一种图像处理方法,包括:
获取线稿图和参考图;
提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征;
确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性;
基于语义相关性,生成线稿图的上色图像,其中,上色图像各部位的颜色、纹理细节与参考图一致。
在本公开的一个实施例中,确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性,包括:
计算线稿特征点与多个参考特征点中的每个参考特征点之间的相似度。
在本公开的一个实施例中,计算线稿特征点与多个参考特征点中的每个参考特征点之间的相似度,包括:
将线稿特征点与多个参考特征点中的每个参考特征点进行点乘处理,以获取线稿特征点与每个参考特征点之间的内积。
在本公开的一个实施例中,基于语义相关性,生成线稿图的上色图像,包括:
基于线稿特征点与多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值;
使用目标线稿特征点值替换线稿特征点的值,以生成线稿图的上色图像。
在本公开的一个实施例中,基于线稿特征点与多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值,包括:
基于线稿特征点与每个参考特征点之间的内积,获取与每个参考特征点对应的权重;
基于权重对每个参考特征点进行加权求和,以获取目标线稿特征点值。
在本公开的一个实施例中,在全局模式下,多个参考特征点是参考图特征中的全部参考特征点。
在本公开的一个实施例中,在局部模式下,多个参考特征点是参考图特征中的部分参考特征点,并且多个参考特征点与部位中的一个或多个部位相关联。
在本公开的一个实施例中,部位包括:头发、眼睛、嘴巴、面部、脖子和衣服。
在本公开的一个实施例中,提取、确定和生成由图像上色模型执行,图像上色模型通过以下步骤训练得到:
获取样本图像;
确定与样本图像对应的样本线稿图;
对样本图像进行形变,以获得样本参考图;
基于样本线稿图和样本参考图训练得到图像上色模型。
在本公开的一个实施例中,对样本图像进行形变,以获得样本参考图,包括:
调用薄板样条函数对样本图像进行随机形变处理,以获得样本参考图。
在本公开的一个实施例中,基于样本线稿图和样本参考图训练得到图像上色模型,包括:
提取样本线稿图的样本线稿图特征;
提取样本参考图的样本参考图特征;
确定样本线稿图特征中样本特征点与样本参考图特征中的多个样本参考特征点之间的语义相关性;
基于语义相关性,生成与样本线稿图对应的第二参考图;
基于样本图像、样本参考图和第二参考图生成目标损失函数;以及
基于目标损失函数,训练图像上色模型。
在本公开的一个实施例中,基于样本图像、样本参考图和第二参考图生成目标损失函数,包括:
计算第二参考图中每个像素与样本图像中每个像素之间的平均绝对误差,以生成重建损失函数;和/或
计算第二参考图中每个像素与样本图像中每个像素之间的均方误差,以生成风格损失函数;和/或
对第二参考图和样本图像进行分类处理,以生成对抗损失函数。
在本公开的一个实施例中,提供了一种图像处理装置,包括:
获取模块,用于获取线稿图和参考图;
提取模块,用于提取与线稿图对应的线稿图特征以及与参考图对应的参考图特征;
确定模块,用于确定线稿图特征中的线稿特征点与参考图特征中的多个参考特征点之间的语义相关性;
生成模块,用于基于语义相关性,生成线稿图的上色图像,其中,上色图像各部位的颜色、纹理细节与参考图一致。
在本公开的一个实施例中,确定模块,用于:
计算线稿特征点与多个参考特征点中的每个参考特征点之间的相似度。
在本公开的一个实施例中,确定模块,用于:
将线稿特征点与多个参考特征点中的每个参考特征点进行点乘处理,以获取线稿特征点与每个参考特征点之间的内积。
在本公开的一个实施例中,生成模块,用于:
基于线稿特征点与多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值;
使用目标线稿特征点值替换线稿特征点的值,以生成线稿图的上色图像。
在本公开的一个实施例中,生成模块,用于:基于线稿特征点与每个参考特征点之间的内积,获取与每个参考特征点对应的权重;
基于权重对每个参考特征点进行加权求和,以获取目标线稿特征点值。
在本公开的一个实施例中,在全局模式下,多个参考特征点是参考图特征中的全部参考特征点。
在本公开的一个实施例中,在局部模式下,多个参考特征点是参考图特征中的部分参考特征点,并且多个参考特征点与部位中的一个或多个部位相关联。
在本公开的一个实施例中,部位包括:头发、眼睛、嘴巴、面部、脖子和衣服。
在本公开的一个实施例中,还包括训练模块,用于:
获取样本图像;
确定与样本图像对应的样本线稿图;
对样本图像进行形变,以获得样本参考图;
基于样本线稿图和样本参考图训练得到图像上色模型。
在本公开的一个实施例中,训练模块,用于:
调用薄板样条函数对样本图像进行随机形变处理,以获得样本参考图。
在本公开的一个实施例中,训练模块,用于:提取样本线稿图的样本线稿图特征;
提取样本参考图的样本参考图特征;
确定样本线稿图特征中样本特征点与样本参考图特征中的多个样本参考特征点之间的语义相关性;
基于语义相关性,生成与样本线稿图对应的第二参考图;
基于样本图像、样本参考图和第二参考图生成目标损失函数;以及
基于目标损失函数,训练图像上色模型。
在本公开的一个实施例中,训练模块,用于:
计算第二参考图中每个像素与样本图像中每个像素之间的平均绝对误差,以生成重建损失函数;和/或
计算第二参考图中每个像素与样本图像中每个像素之间的均方误差,以生成风格损失函数;和/或
对第二参考图和样本图像进行分类处理,以生成对抗损失函数。
在本公开的一个实施例中,提供了一种电子设备,电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
处理器,用于从存储器中读取可执行指令,并执行指令以实现上述图像处理方法。
在本公开的一个实施例中,提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序用于执行上述图像处理方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
获取线稿图和参考图;
提取与所述线稿图对应的线稿图特征以及与所述参考图对应的参考图特征,线稿特征图和参考特征图对应的特征维度包括颜色和纹理;
确定所述线稿图特征中的线稿特征点与所述参考图特征中的多个参考特征点之间的语义相关性;
基于所述语义相关性,生成所述线稿图的上色图像,其中,所述上色图像各部位的颜色、纹理细节与所述参考图一致;
其中,所述基于所述语义相关性,生成所述线稿图的上色图像包括:
基于所述线稿特征点与所述多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值;
使用所述目标线稿特征点值替换所述线稿特征点的值,以生成所述线稿图的上色图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述线稿图特征中的线稿特征点与所述参考图特征中的多个参考特征点之间的语义相关性,包括:
计算所述线稿特征点与所述多个参考特征点中的每个参考特征点之间的相似度。
3.根据权利要求2所述的方法,其特征在于,所述计算所述线稿特征点与所述多个参考特征点中的每个参考特征点之间的相似度,包括:
将所述线稿特征点与所述多个参考特征点中的每个参考特征点进行点乘处理,以获取所述线稿特征点与每个参考特征点之间的内积。
4.根据权利要求1所述的方法,其特征在于,所述基于所述线稿特征点与所述多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值,包括:
基于所述线稿特征点与每个参考特征点之间的内积,获取与每个参考特征点对应的权重;
基于所述权重对每个参考特征点进行加权求和,以获取所述目标线稿特征点值。
5.根据权利要求1-4中任一项所述的方法,其特征在于,
在全局模式下,所述多个参考特征点是所述参考图特征中的全部参考特征点。
6.根据权利要求1-4中任一项所述的方法,其特征在于,
在局部模式下,所述多个参考特征点是所述参考图特征中的部分参考特征点,并且所述多个参考特征点与所述部位中的一个或多个部位相关联。
7.根据权利要求1-4中任一项所述的方法,所述部位包括:头发、眼睛、嘴巴、面部、脖子和衣服。
8.根据权利要求1所述的方法,其特征在于,所述提取、所述确定和所述生成由图像上色模型执行,所述图像上色模型通过以下步骤训练得到:
获取样本图像;
确定与所述样本图像对应的样本线稿图;
对所述样本图像进行形变,以获得样本参考图;
基于所述样本线稿图和所述样本参考图训练得到所述图像上色模型。
9.根据权利要求8所述的方法,其特征在于,所述对所述样本图像进行形变,以获得样本参考图,包括:
调用薄板样条函数对所述样本图像进行随机形变处理,以获得所述样本参考图。
10.根据权利要求8或9所述的方法,其特征在于,所述基于所述样本线稿图和所述样本参考图训练得到所述图像上色模型,包括:
提取所述样本线稿图的样本线稿图特征;
提取所述样本参考图的样本参考图特征;
确定所述样本线稿图特征中样本特征点与所述样本参考图特征中的多个样本参考特征点之间的语义相关性;
基于所述语义相关性,生成与所述样本线稿图对应的第二参考图;
基于所述样本图像、所述样本参考图和所述第二参考图生成目标损失函数;以及
基于所述目标损失函数,训练所述图像上色模型。
11.根据权利要求10所述的方法,其特征在于,所述基于所述样本图像、所述样本参考图和所述第二参考图生成目标损失函数,包括:
计算所述第二参考图中每个像素与所述样本图像中每个像素之间的平均绝对误差,以生成重建损失函数;和/或
计算所述第二参考图中每个像素与所述样本图像中每个像素之间的均方误差,以生成风格损失函数;和/或
对所述第二参考图和所述样本图像进行分类处理,以生成对抗损失函数。
12.一种图像处理装置,其特征在于,包括:
获取模块,用于获取线稿图和参考图;
提取模块,用于提取与所述线稿图对应的线稿图特征以及与所述参考图对应的参考图特征,所述线稿特征图和所述参考特征图对应的特征维度包括颜色和纹理;
确定模块,用于确定所述线稿图特征中的线稿特征点与所述参考图特征中的多个参考特征点之间的语义相关性;
生成模块,用于基于所述语义相关性,生成所述线稿图的上色图像,其中,所述上色图像各部位的颜色、纹理细节与所述参考图一致;
其中,所述生成模块具体用于基于所述线稿特征点与所述多个参考特征点中的每个参考特征点之间的内积,获取目标线稿特征点值;使用所述目标线稿特征点值替换所述线稿特征点的值,以生成所述线稿图的上色图像。
13.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-11中任一所述的图像处理方法。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-11中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443508.3A CN115937338B (zh) | 2022-04-25 | 2022-04-25 | 图像处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443508.3A CN115937338B (zh) | 2022-04-25 | 2022-04-25 | 图像处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937338A CN115937338A (zh) | 2023-04-07 |
CN115937338B true CN115937338B (zh) | 2024-01-30 |
Family
ID=86651400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210443508.3A Active CN115937338B (zh) | 2022-04-25 | 2022-04-25 | 图像处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937338B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615252A (zh) * | 2018-05-03 | 2018-10-02 | 苏州大学 | 基于参考图像的线稿上色模型的训练方法以及装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967467B (zh) * | 2020-07-24 | 2022-10-04 | 北京航空航天大学 | 图像目标检测方法、装置、电子设备和计算机可读介质 |
-
2022
- 2022-04-25 CN CN202210443508.3A patent/CN115937338B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615252A (zh) * | 2018-05-03 | 2018-10-02 | 苏州大学 | 基于参考图像的线稿上色模型的训练方法以及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115937338A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、***及存储介质 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112839223B (zh) | 图像压缩方法、装置、存储介质及电子设备 | |
CN108241855B (zh) | 图像生成方法和装置 | |
CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN114913061A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
CN111784726A (zh) | 人像抠图方法和装置 | |
CN115937338B (zh) | 图像处理方法、装置、设备及介质 | |
WO2022178975A1 (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN116310615A (zh) | 图像处理方法、装置、设备及介质 | |
CN116129534A (zh) | 一种图像活体检测方法、装置、存储介质及电子设备 | |
CN116823700A (zh) | 一种图像质量的确定方法和装置 | |
CN114418835A (zh) | 图像处理方法、装置、设备及介质 | |
CN115829827A (zh) | 人脸图像处理方法、装置、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 |