CN116630481B - 一种基于ai绘图的绘画路径优化方法及*** - Google Patents
一种基于ai绘图的绘画路径优化方法及*** Download PDFInfo
- Publication number
- CN116630481B CN116630481B CN202310912058.2A CN202310912058A CN116630481B CN 116630481 B CN116630481 B CN 116630481B CN 202310912058 A CN202310912058 A CN 202310912058A CN 116630481 B CN116630481 B CN 116630481B
- Authority
- CN
- China
- Prior art keywords
- path
- initial
- painting
- similarity
- hand
- 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 35
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000010422 painting Methods 0.000 claims abstract description 103
- 239000013598 vector Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 239000003973 paint Substances 0.000 claims 8
- 230000000694 effects Effects 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于AI绘图的绘画路径优化方法及***，涉及绘画路径优化技术领域，所述方法包括如下步骤：获取手绘图片，并提取所述手绘图片的手动绘画路径；对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径。本发明能够在保证绘画路径绘制效果的前提下快速解析出不同风格的绘画路径，为手绘动画的优化提供更多参考。
Description
技术领域
本发明涉及绘画路径优化技术领域，具体涉及一种基于AI绘图的绘画路径优化方法及***。
背景技术
在图片手绘动画制作和展示过程中，经常会使用到图片，即通过解析图片文件得到对应的绘画路径信息，根据绘画路径信息和预定的重组规则生成绘画路径进行绘画路径展示。
现有技术中在对绘画图片进行解析获得绘画路径时，只能根据绘画图片的固有特征生成一系列固定的绘画路径，这虽然保证了绘画路径绘制效果，但同时生成的绘画路径也过于单一，进而降低了绘画的创造性。而绘画本身在想象力的加持下应当是具有创造性的，在确定绘画图片的基础上还能进一步向不同的绘画风格延伸，为手绘动画的优化提供更多参考。然而，现有技术中，还没有出现能够在保证绘画路径绘制效果的前提下快速解析出不同风格的绘画路径，这不利于手绘动画发展。
发明内容
针对现有技术中的缺陷，本发明提供一种基于AI绘图的绘画路径优化方法及***。
为了实现上述目的，第一方面，本发明提供的一种基于AI绘图的绘画路径优化方法，所述方法包括如下步骤：获取手绘图片，并提取所述手绘图片的手动绘画路径；对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径。本方法能够在保证绘画路径绘制效果的前提下快速解析出不同风格的绘画路径，为手绘动画的优化提供更多参考。
可选的，所述获取手绘图片，并提取所述手绘图片的手动绘画路径包括如下步骤：
获取所述手绘图片，并提取所述手绘图片中所有像素点的像素值；
根据所述像素值提取所述手绘图片的手动绘画路径。
可选的，所述对所述手绘图片进行AI绘画，得到多张初始AI绘画图片包括如下步骤：
设计AI绘画的文字特征序列；
将所述文字特征序列和所述手绘图片作为输入进行AI绘画，得到多张所述初始AI绘画图片。
进一步的，AI绘画的文字特征序列和手绘图片共同决定着AI绘画的结果，其中，文字特征序列可包含表示绘画风格的词汇，并通过调整表示绘画风格的词汇来获得不同风格的AI绘画图片，便于得到不同风格的绘画路径。
可选的，所述提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径包括如下步骤：
提取所述初始AI绘画图片的初始AI绘画路径；
构建绘画路径的相似性计算模型；
利用所述相似性计算模型计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径的相似程度最大的所述初始AI绘画路径记为初始中间绘画路径。
进一步的，在进行AI绘画时可以设置一次AI绘画想要得到AI绘画图片的数量，同一次AI绘画得到不同AI绘画路径之间存在差别，有些AI绘画路径会与输入的绘画路径存在很大的差别，在后续操作中不能用来对绘画路径进行优化，因此需要找出与输入的绘画路径最接近的AI绘画路径才能最大程度的优化绘画路径。
可选的，所述在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径包括如下步骤：
设定AI绘画的迭代次数；
将所述初始中间绘画路径和作为初始输入路径，结合所述文字特征序列进行AI绘画，得到多张AI绘画图片；
提取所述AI绘画图片的AI绘画路径；
利用所述相似性计算模型计算所述AI绘画路径与所述初始输入路径之间的相似程度，将与所述初始输入路径相似程度最大的所述AI绘画路径记为中间绘画路径；
若进行AI绘画的次数不小于所述迭代次数，则将最终的所述中间绘画路径作为所述最优绘画路径，否则就将所述中间绘画路径作为下一次进行AI绘画的所述初始输入路径。
进一步的，对于比较粗糙的手绘图片来说，其与理想的状态相差比较大，在经过一次AI绘画后产生的效果可能有限，因此需要基于新的得到的AI绘画路径继续进行AI绘画，以此来优化绘画结果，最后才能得到最佳的绘画路径。
可选的，所述构建绘画路径的相似性计算模型包括如下步骤：
计算两个不同绘画路径之间的节点相似程度和图相似程度；
将所述节点相似程度和所述图相似程度进行融合计算，得到相似性评估结果；
利用全连接神经网络和限制函数对所述相似性评估结果进行降维和限制，得到所述相似程度。
可选的，所述节点相似程度满足如下关系：
其中，为所述节点相似程度，/>和/>分别为两个不同绘画路径上的节点嵌入向量，T表示进行转置操作。
可选的，所述图相似程度满足如下关系：
其中，为所述图相似程度，/>和/>分别为两个不同绘画路径上的图嵌入向量，为权重张量，K为超参数，/>为权重向量，[]表示拼接操作，/>为偏置向量，/>为激活函数。
可选的，所述相似性评估结果满足如下关系：
其中，S为所述相似性评估结果，为融合函数，/>为所述节点相似程度，/>为所述图相似程度。
第二方面，本发明还提供了一种基于AI绘图的绘画路径优化***，所述***使用本发明提供的一种基于AI绘图的绘画路径优化方法，所述***包括：数据获取模块，所述数据获取模块用于获取手绘图片，并提取所述手绘图片的绘画路径；数据处理模块，所述数据处理模块用于对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径；数据储存模块，所述数据储存模块用于储存所述数据处理模块中产生的数据，包括所述最优绘画路径；数据输出模块，所述数据输出模块用于输出所述最优绘画路径。
本发明的有益效果体现在：本发明提供的方法利用AI绘画能够实现对绘画路径的优化，并且能够快速解析出不同风格的绘画路径，为手绘动画的优化提供更多参考，有利于促进手绘动画的发展。本发明提供的***不仅具有本发明提供的方法的优点，而且还能提高使用绘画路径优化的智能化程度，进而提高了使用AI绘图对绘画路径进行优化的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例的一种基于AI绘图的绘画路径优化方法流程示意图；
图2为本发明实施例的一种基于AI绘图的绘画路径优化***框架示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，本发明提供了一种基于AI绘图的绘画路径优化方法，所述方法包括如下步骤：
S1、获取手绘图片，并提取所述手绘图片的手动绘画路径。
其中，S1又包括如下步骤：
S11、获取所述手绘图片，并提取所述手绘图片中所有像素点的像素值。
S12、根据所述像素值提取所述手绘图片的手动绘画路径。
具体的，在本实施例中，根据手绘图片中像素点的像素值判断像素点是否为手绘图片中图像的边界点，此为现有技术，在此不做详细说明。
进一步的，将相邻的边界点连接起来即可得到手绘图片的手动绘画路径。
更进一步的，如果两个像素点之间的距离不超过3个像素点，即称这两个像素点为相邻的像素点。
S2、对所述手绘图片进行AI绘画，得到多张初始AI绘画图片。
其中，S2又包括如下步骤：
S21、设计AI绘画的文字特征序列。
具体的，在本实施例中，在进行AI绘画时，以手绘图片为基础，根据需要得到的结果设计文字特征序列，文字特征序列是对想要得到的AI绘画结果的特征描述。
进一步的，本实施例以自行车车轮为例，在对自行车车轮进行简单的手绘得到手绘图片之后，将文字特征序列设计为[自行车、车轮、写实]，其中“写实”代表着AI绘画风格。“写实”也可以更换为其他词汇，例如二次元、水彩画和水墨画等等。
更进一步的，在其他可选的实施例中，在设置文字特征序列时，还可以根据实际需要设计其他的文字特征序列，在此就不做例举。
S22、将所述文字特征序列和所述手绘图片作为输入进行AI绘画，得到多张所述初始AI绘画图片。
具体的，在本实施例中，将手绘图片和文字特征序列输入AI绘画软件并设置生成图像的数量即可得到多张初始AI绘画图片。而且由于代表着AI绘画风格的词汇可以替换，这样可以将得到不同风格的初始AI绘画图片，有利于得到不同风格的初始AI绘画路径。
进一步的，AI绘画软件选择AI梦境生成器Unidream。由于AI绘画软件具有自身完整的绘画体系，绘画效果得到了检验，因此使用现有的AI绘画软件有利于提升对绘画路径的优化效果，使用起来也比较方便。
更进一步的，在其他可选的实施例中，还可以根据需要选着其他的AI绘画软件，也可以选择其他的AI绘画方法，例如可以直接将手绘图片和文字特征序列输入现有的AI绘画程序进行AI绘画，这样可以避免使用其他软件，简化操作流程。
S3、提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径。
其中，S3又包括如下步骤：
S31、提取所述初始AI绘画图片的初始AI绘画路径。
具体的，在本实施例中，根据初始AI绘画图片，采用与步骤S1获取绘画路径相同的方法获取初始AI绘画路径。
S32、构建绘画路径的相似性计算模型。
其中，S32又包括如下步骤：
S321、计算两个不同绘画路径之间的节点相似程度和图相似程度。
具体的，在本实施例中，无论是S12得到的手动绘画路径还是S31得到的初始AI绘画路径，其最终都需要以图片的形式呈现，在此基础上，采用3层GCN对不同绘画路径中节点的特征进行学习和更新。其中，每一层GCN都与上一层GCN连接，每一层GCN可以生成一种维度的节点嵌入向量，最终每一个绘画路径都可以得到3中不同维度的节点嵌入向量，最后将同一个绘画路径的3中不同维度的节点嵌入向量通过concat融合函数进行融合即可得到该绘画路径最终的节点嵌入向量。然后直接利用最终得到的节点嵌入向量来计算两个不同绘画路径之间的节点相似程度。将不同维度的节点嵌入向量融合可以提高节点嵌入向量的丰富程度，减少节点的特征损失，有利于提高相似性计算模型对绘画路径之间相似程度计算的准确性。
节点相似程度满足如下关系：
其中，为节点相似程度，/>和/>分别为两个不同绘画路径上的节点嵌入向量，T表示进行转置操作。事实上/>是一个矩阵的形式，也可以称之为节点的相似性矩阵，能够反映两个不同绘画路径之间节点的差异性。
进一步的，在生成不同维度的节点嵌入向量时，使用GAT对不同的节点赋予不同的权重，然后利用图注意力机制基于对不同节点赋予的权重生成不同维度的图嵌入向量，然后利用concat融合函数对不同维度的图嵌入向量进行融合即可得到某一绘画路径最终的图嵌入向量，最后使用NTN即可计算得到不同绘画路径之间的图相似程度，图相似程度从整体上考虑了两个不同绘画路径之间的相似程度，图相似程度满足如下关系：
其中，为图相似程度，/>和/>分别为两个不同绘画路径上的图嵌入向量，/>为权重张量，K为超参数，/>为权重向量，[]表示拼接操作，/>为偏置向量，/>为激活函数。图相似程度/>事实上是一个向量形式，也可以称之为图相似向。
更进一步的，权重张量、超参数、权重向量、偏置向量和激活函数的具体设置可参考现有技术，在此不做说明。
S322、将所述节点相似程度和所述图相似程度进行融合计算，得到相似性评估结果。
具体的，在本实施例中，相似性评估结果满足如下关系：
其中，S为相似性评估结果，为融合函数。
进一步的，相似性计算模型不仅从整体上考虑了两个不同绘画路径之间的相似程度，而且进一步考虑了两个不同绘画路径之间节点的差异性，进而提升了不同绘画路径之间相似性计算的准确性，有利于提升绘画路径的优化效果。
S323、利用全连接神经网络和限制函数对所述相似性评估结果进行降维和限制，得到所述相似程度。
具体的，在本实施例中，由于节点相似程度是矩阵形式，图相似程度是向量形式，因此相似性评估结果并不是一个简单的数字，难以直接用来评判两个绘画路径的相似程度，因此利用全连接神经网络对相似性评估结果进行降维处理，然后将降维处理的结果通过一个限制函数，即sigmoid函数将降维处理的结果限制在0到1的范围内，即可得到两个绘画路径的相似程度。
S33、利用所述相似性计算模型计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径的相似程度最大的所述初始AI绘画路径记为初始中间绘画路径。
具体的，在本实施例中，由于一次AI绘画可以得到多张初始AI绘画图片，进而得到多个初始AI绘画路径，同一次AI绘画得到不同初始AI绘画路径之间是存在差别的，有些初始AI绘画路径会与手动绘画路径存在很大的差别，在后续操作中不能用来对手动绘画路径进行优化，因此需要找出与手动绘画路径最接近的初始AI绘画路径才为最大程度的优化手动绘画路径提供基础，便于后续操作。
S4、在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径。
其中，S4又包括如下步骤：
S41、设定AI绘画的迭代次数。
具体的，在本实施例中，将AI绘画的迭代次数设置为3次。
进一步的，在其他可选的实施例中，可以根据手绘图片的粗糙程度来设置其他的迭代次数，手绘图片的粗糙程度是指手绘图片与实际的绘画目标的差别大小。
S42、将所述初始中间绘画路径和作为初始输入路径，结合所述文字特征序列进行AI绘画，得到多张AI绘画图片。
具体的，在本实施例中，将初始中间绘画路径和作为初始输入路径，结合文字特征序列采用与S22获取初始AI绘画图片相同的方法获取多张AI绘画图片。
S43、提取所述AI绘画图片的AI绘画路径。
具体的，在本实施例中，根据AI绘画图片，采用与步骤S1获取绘画路径相同的方法获取AI绘画路径。
S44、利用所述相似性计算模型计算所述AI绘画路径与所述初始输入路径之间的相似程度，将与所述初始输入路径相似程度最大的所述AI绘画路径记为中间绘画路径。
具体的，在本实施例中，由于有些AI绘画路径会与输入的路径存在很大的差别，在后续操作中不能用来对手动绘画路径进行优化，因此需要找出与初始输入路径最接近的AI绘画路径作为中间绘画路径才能最大程度的优化绘画路径。
S45、若进行AI绘画的次数不小于所述迭代次数，则将最终的所述中间绘画路径作为所述最优绘画路径，否则就将所述中间绘画路径作为下一次进行AI绘画的所述初始输入路径。
具体的，在本实施例中，在得到中间绘画路径之后，如果当前进行AI绘画的次数大于或等于迭代次数，则将当前的中间绘画路径作为最优绘画路径，反之则将当前的中间绘画路径反馈回步骤S42作为初始输入路径用来获取下一次的中间绘画路径。重复步骤S42至步骤S45的操作直至进行AI绘画的次数达到3次。
进一步的，每一次进行AI绘画得到的中间绘画路径都是对步骤S12得到的手动绘画路径的一次优化，但是如果手绘图片粗糙程度比较大，那么通过步骤S12得到的手动绘画路径也会比较粗糙，与实际需要的结果差距较大。因此，一次AI绘画获取的初始中间绘画路径往往难以达到想要的优化效果，因此需要在上一次的中间路径的基础上继续对中间绘画路径进行优化，来使中间绘画路径逐渐向实际需要的绘画路径靠近，直至得出最优绘画路径。这样既可以通过改变文字特征序列来获取不同风格的绘画路径，又可以保证对绘画路径的绘制效果。
需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。
在一个可选地实施例当中，请参见图2，本发明还提供了一种基于AI绘图的绘画路径优化***，所述***使用本发明提供的方法，所述***包括：数据获取模块A1、数据处理模块A2、数据储存模块A3和数据输出模块A4。
所述数据获取模块A1用于获取手绘图片，并提取所述手绘图片的手动绘画路径。
具体的，在本实施例中，数据获取模块A1执行本发明提供的方法中步骤S1所述的内容。
所述数据处理模块A2用于对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径。
具体的，在本实施例中，数据处理模块A2与数据获取模块A1相连接，数据处理模块A2执行本发明提供的方法中步骤S2到步骤S4所述的内容。
所述数据储存模块A3用于储存所述数据处理模块中产生的数据，包括所述最优绘画路径。
具体的，在本实施例中，数据储存模块A3与数据处理模块A2相连接，数据储存模块A3中储存的数据包括AI绘画路径、AI绘画路径与绘画路径的相似程度、中间绘画路径以及最优绘画路径。
所述数据输出模块A4用于输出所述最优绘画路径。
具体的，在本实施例中，数据输出模块A4与数据储存模块A3相连接。
进一步的，在其他可选的实施例中，可以根据实际需要对数据输出模块A4进行设置，以输出数据储存模块A3中使用者需要的数据。
综上所述，本发明提供的方法既能够在保证绘画路径绘制效果，又能够通过调整文字特征序列快速解析出不同风格的绘画路径，为手绘动画的优化提供更多参考，有利于促进手绘动画的发展。此外，本发明提供的***不仅具有本发明提供的方法的优点，而且还能提高使用绘画路径优化的智能化程度，进而提高了使用AI绘图对绘画路径进行优化的效率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于AI绘图的绘画路径优化方法，其特征在于，包括如下步骤：
获取手绘图片，并提取所述手绘图片的手动绘画路径；
对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；
提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；
在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径。
2.根据权利要求1所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述获取手绘图片，并提取所述手绘图片的手动绘画路径包括如下步骤：
获取所述手绘图片，并提取所述手绘图片中所有像素点的像素值；
根据所述像素值提取所述手绘图片的手动绘画路径。
3.根据权利要求2所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述对所述手绘图片进行AI绘画，得到多张初始AI绘画图片包括如下步骤：
设计AI绘画的文字特征序列；
将所述文字特征序列和所述手绘图片作为输入进行AI绘画，得到多张所述初始AI绘画图片。
4.根据权利要求3所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径包括如下步骤：
提取所述初始AI绘画图片的初始AI绘画路径；
构建绘画路径的相似性计算模型；
利用所述相似性计算模型计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径的相似程度最大的所述初始AI绘画路径记为初始中间绘画路径。
5.根据权利要求4所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径包括如下步骤：
设定AI绘画的迭代次数；
将所述初始中间绘画路径作为初始输入路径，结合所述文字特征序列进行AI绘画，得到多张AI绘画图片；
提取所述AI绘画图片的AI绘画路径；
利用所述相似性计算模型计算所述AI绘画路径与所述初始输入路径之间的相似程度，将与所述初始输入路径相似程度最大的所述AI绘画路径记为中间绘画路径；
若进行AI绘画的次数不小于所述迭代次数，则将最终的所述中间绘画路径作为所述最优绘画路径，否则就将所述中间绘画路径作为下一次进行AI绘画的所述初始输入路径。
6.根据权利要求5所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述构建绘画路径的相似性计算模型包括如下步骤：
计算两个不同绘画路径之间的节点相似程度和图相似程度；
将所述节点相似程度和所述图相似程度进行融合计算，得到相似性评估结果；
利用全连接神经网络和限制函数对所述相似性评估结果进行降维和限制，得到所述相似程度。
7.根据权利要求6所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述节点相似程度满足如下关系：
，
其中，为所述节点相似程度，/>和/>分别为两个不同绘画路径上的节点嵌入向量，T表示进行转置操作。
8.根据权利要求7所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述图相似程度满足如下关系：
，
其中，为所述图相似程度，/>和/>分别为两个不同绘画路径上的图嵌入向量，/>为权重张量，K为超参数，/>为权重向量，[]表示拼接操作，/>为偏置向量，/>为激活函数。
9.根据权利要求8所述的一种基于AI绘图的绘画路径优化方法，其特征在于，所述相似性评估结果满足如下关系：
，
其中，S为所述相似性评估结果，为融合函数，/>为所述节点相似程度，/>为所述图相似程度。
10.一种基于AI绘图的绘画路径优化***，所述***使用权利要求1-9任意一项所述的一种基于AI绘图的绘画路径优化方法，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取手绘图片，并提取所述手绘图片的手动绘画路径；
数据处理模块，所述数据处理模块用于对所述手绘图片进行AI绘画，得到多张初始AI绘画图片；提取所述初始AI绘画图片的初始AI绘画路径，并计算所述初始AI绘画路径与所述手动绘画路径的相似程度，把与所述手动绘画路径相似程度最大的所述初始AI绘画路径记为初始中间绘画路径；在特定的AI绘画次数下，以所述初始中间绘画路径为基础进行迭代的AI绘画，进而得到最优绘画路径；
数据储存模块，所述数据储存模块用于储存所述数据处理模块中产生的数据，包括所述最优绘画路径；
数据输出模块，所述数据输出模块用于输出所述最优绘画路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912058.2A CN116630481B (zh) | 2023-07-25 | 2023-07-25 | 一种基于ai绘图的绘画路径优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912058.2A CN116630481B (zh) | 2023-07-25 | 2023-07-25 | 一种基于ai绘图的绘画路径优化方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630481A CN116630481A (zh) | 2023-08-22 |
| CN116630481B true CN116630481B (zh) | 2023-10-13 |
Family
ID=87603037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310912058.2A Active CN116630481B (zh) | 2023-07-25 | 2023-07-25 | 一种基于ai绘图的绘画路径优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630481B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120111298A (ko) * | 2011-03-31 | 2012-10-10 | 경북대학교 산학협력단 | 화가 로봇의 드로잉 제어장치 및 방법 |
| CN107169117A (zh) * | 2017-05-25 | 2017-09-15 | 西安工业大学 | 一种基于自动编码器和dtw的手绘图人体运动检索方法 |
| CN108482000A (zh) * | 2018-05-25 | 2018-09-04 | 北京科技大学 | 一种绘画机器人*** |
| KR101926351B1 (ko) * | 2017-12-12 | 2018-12-07 | 주식회사 아이엠엔에스 | 예술 작품을 모사하는 로봇 장치 |
| CN109035357A (zh) * | 2018-07-10 | 2018-12-18 | 深圳市前海手绘科技文化有限公司 | 一种人工智能自动绘画方法 |
| CN109445623A (zh) * | 2018-09-10 | 2019-03-08 | 广东智媒云图科技股份有限公司 | 一种基于触控屏和机械臂的作画***和方法 |
| CN111125403A (zh) * | 2019-11-27 | 2020-05-08 | 浙江大学 | 一种基于人工智能的辅助设计绘图方法及*** |
| CN111400692A (zh) * | 2020-03-04 | 2020-07-10 | 宁波创控智能科技有限公司 | 手绘图文的电子输出***及方法 |
| CN114359914A (zh) * | 2021-12-21 | 2022-04-15 | 浪潮金融信息技术有限公司 | 一种基于采样点序列的手绘图形修正方法、***及介质 |
| CN115923390A (zh) * | 2021-09-22 | 2023-04-07 | 广东博智林机器人有限公司 | 存纸机构及绘画机器人 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10997754B2 (en) * | 2015-05-27 | 2021-05-04 | Adobe Inc. | Freeform drawing beautification |
-
2023
- 2023-07-25 CN CN202310912058.2A patent/CN116630481B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120111298A (ko) * | 2011-03-31 | 2012-10-10 | 경북대학교 산학협력단 | 화가 로봇의 드로잉 제어장치 및 방법 |
| CN107169117A (zh) * | 2017-05-25 | 2017-09-15 | 西安工业大学 | 一种基于自动编码器和dtw的手绘图人体运动检索方法 |
| KR101926351B1 (ko) * | 2017-12-12 | 2018-12-07 | 주식회사 아이엠엔에스 | 예술 작품을 모사하는 로봇 장치 |
| CN108482000A (zh) * | 2018-05-25 | 2018-09-04 | 北京科技大学 | 一种绘画机器人*** |
| CN109035357A (zh) * | 2018-07-10 | 2018-12-18 | 深圳市前海手绘科技文化有限公司 | 一种人工智能自动绘画方法 |
| CN109445623A (zh) * | 2018-09-10 | 2019-03-08 | 广东智媒云图科技股份有限公司 | 一种基于触控屏和机械臂的作画***和方法 |
| CN111125403A (zh) * | 2019-11-27 | 2020-05-08 | 浙江大学 | 一种基于人工智能的辅助设计绘图方法及*** |
| CN111400692A (zh) * | 2020-03-04 | 2020-07-10 | 宁波创控智能科技有限公司 | 手绘图文的电子输出***及方法 |
| CN115923390A (zh) * | 2021-09-22 | 2023-04-07 | 广东博智林机器人有限公司 | 存纸机构及绘画机器人 |
| CN114359914A (zh) * | 2021-12-21 | 2022-04-15 | 浪潮金融信息技术有限公司 | 一种基于采样点序列的手绘图形修正方法、***及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630481A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111902825A (zh) | 多边形对象标注***和方法以及训练对象标注***的方法 | |
| CN110428428A (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
| Liu et al. | Learning with nested scene modeling and cooperative architecture search for low-light vision | |
| CN109086768B (zh) | 卷积神经网络的语义图像分割方法 | |
| CN110852393A (zh) | 一种遥感图像的分割方法及*** | |
| CN111274981B (zh) | 目标检测网络构建方法及装置、目标检测方法 | |
| CN112489164B (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
| CN105678715A (zh) | 一种基于核回归全变分的去除图像噪声的方法 | |
| CN111915555B (zh) | 一种3d网络模型预训练方法、***、终端及存储介质 | |
| CN110097615B (zh) | 一种联合风格化和去风格化的艺术字编辑方法和*** | |
| CN112101364A (zh) | 基于参数重要性增量学习的语义分割方法 | |
| CN113850135A (zh) | 一种基于时间移位框架的动态手势识别方法及*** | |
| CN114780768A (zh) | 一种视觉问答任务处理方法、***、电子设备及存储介质 | |
| Liu et al. | Task-oriented convex bilevel optimization with latent feasibility | |
| CN112801029B (zh) | 基于注意力机制的多任务学习方法 | |
| CN114219701A (zh) | 敦煌壁画艺术风格转换方法、***、计算机设备及存储介质 | |
| CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
| CN117788629A (zh) | 一种具有风格个性化的图像生成方法、装置及存储介质 | |
| WO2024087946A1 (zh) | 图像编辑方法、装置、计算机设备和存储介质 | |
| CN116630481B (zh) | 一种基于ai绘图的绘画路径优化方法及*** | |
| Wang et al. | MDISN: Learning multiscale deformed implicit fields from single images | |
| CN115376195B (zh) | 训练多尺度网络模型的方法及人脸关键点检测方法 | |
| CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
| CN115546441A (zh) | 三维点云多层次递归与加权平滑的云图可视化方法、装置 | |
| CN114140317A (zh) | 一种基于级联生成对抗网络的图像动漫化方法 |
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 |