一种图像生成模型的更新方法、装置及设备制造方法及图纸

本说明书实施例中公开了一种图像生成模型的更新方法、装置及设备。该方案可以包括：获取针对图像生成模型中的变分自编码器的训练样本，其中，任一所述训练样本可以包括：符合预期图像显示效果的第一图像样本以及由该图像生成模型生成的第二图像样本，以及，获取针对所述变分自编码器设置的目标损失函数，该目标损失函数可以用于反映第一图像样本的重建图像与第二图像样本的重建图像分别同该第一图像样本之间的色彩鲜艳明暗程度的差异情况；在利用获取到的训练样本以及目标损失函数对该变分自编码器进行训练后，即可根据得到的训练后变分自编码器对该图像生成模型进行更新。后变分自编码器对该图像生成模型进行更新。后变分自编码器对该图像生成模型进行更新。

【技术实现步骤摘要】
一种图像生成模型的更新方法、装置及设备


[0001]本申请涉及机器学习
，尤其涉及一种图像生成模型的更新方法、装置及设备。

技术介绍

[0002]随着机器学习技术的迅速发展，图像生成模型应运而生。人们通过利用图像素材对图像生成模型进行训练，就可以利用训练得到的图像生成模型去自动生成丰富多样的图像了。不过，目前图像生成模型往往能够较好的学习到图像中的物体的形状特征，但却无法准确学习到图像中的物体在色彩鲜艳明暗程度方面的特征，使得利用图像生成模型自动生成的图像与训练素材之间往往会存在较大的差异，从而无法很好的满足需求。
[0003]基于此，如何高效便捷地对图像生成模型进行更新，以令更新后的图像生成模型能够生成符合需求的图像，成为了亟待解决的技术问题。

技术实现思路

[0004]本说明书实施例提供的一种图像生成模型的更新方法、装置及设备，能够在保障图像生成模型生成的图像的质量的基础上，高效便捷地调整图像生成模型生成的图像的色彩鲜艳明暗程度，从而可以令更新后的图像生成模型生成符合需求的图像。
[0005]为解决上述技术问题，本说明书实施例是这样实现的：
[0006]本说明书实施例提供的一种图像生成模型的更新方法，包括：
[0007]获取针对图像生成模型中的变分自编码器的训练样本；其中，任一所述训练样本包括：符合预期图像显示效果的第一图像样本以及由所述图像生成模型生成的第二图像样本；
[0008]获取针对所述变分自编码器设置的目标损失函数；所述目标损失函数用于反映所述第一图像样本的重建图像与所述第二图像样本的重建图像分别同所述第一图像样本之间的色彩鲜艳明暗程度的差异情况；
[0009]利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器；
[0010]根据所述训练后变分自编码器对所述图像生成模型进行更新，得到更新后图像生成模型。
[0011]本说明书实施例提供的一种图像生成模型的更新装置，包括：
[0012]第一获取模块，用于获取针对图像生成模型中的变分自编码器的训练样本；其中，任一所述训练样本包括：符合预期图像显示效果的第一图像样本以及由所述图像生成模型生成的第二图像样本；
[0013]第二获取模块，用于获取针对所述变分自编码器设置的目标损失函数；所述目标损失函数用于反映所述第一图像样本的重建图像与所述第二图像样本的重建图像分别同所述第一图像样本之间的色彩鲜艳明暗程度的差异情况；
[0014]训练模块，用于利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器；
[0015]更新模块，用于根据所述训练后变分自编码器对所述图像生成模型进行更新，得到更新后图像生成模型。
[0016]本说明书实施例提供的一种图像生成模型的更新设备，包括：
[0017]至少一个处理器；以及，
[0018]与所述至少一个处理器通信连接的存储器；其中，
[0019]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：
[0020]获取针对图像生成模型中的变分自编码器的训练样本；其中，任一所述训练样本包括：符合预期图像显示效果的第一图像样本以及由所述图像生成模型生成的第二图像样本；
[0021]获取针对所述变分自编码器设置的目标损失函数；所述目标损失函数用于反映所述第一图像样本的重建图像与所述第二图像样本的重建图像分别同所述第一图像样本之间的色彩鲜艳明暗程度的差异情况；
[0022]利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器；
[0023]根据所述训练后变分自编码器对所述图像生成模型进行更新，得到更新后图像生成模型。
[0024]本说明书中提供的至少一个实施例能够实现以下有益效果：
[0025]利用符合预期图像显示效果的第一图像样本以及由图像生成模型自动生成的第二图像样本，构建针对图像生成模型中的变分自编码器的训练样本，并为该变分自编码器设置反映第一图像样本的重建图像与第二图像样本的重建图像分别同该第一图像样本之间的色彩鲜艳明暗程度的差异情况的目标损失函数，通过利用上述训练样本以及目标损失函数对变分自编码器进行训练，并利用训练后的变分自编码器对图像生成模型进行更新，能够在保障图像生成模型所生成的图像的质量的基础上，高效便捷地调整图像生成模型生成的图像的色彩鲜艳明暗程度，以令更新后的图像生成模型可以生成符合需求的图像。
附图说明
[0026]为了更清楚地说明本说明书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，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，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。
[0027]图1为本说明书实施例提供的一种图像生成模型的更新方法的流程示意图；
[0028]图2为本说明书实施例提供的对应于图1中的图像生成模型的更新方法的泳道流程示意图；
[0029]图3为本说明书实施例提供的对应于图1的一种图像生成模型的更新装置的结构示意图；
[0030]图4为本说明书实施例提供的对应于图1的一种图像生成模型的更新设备的结构
示意图。
具体实施方式
[0031]为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
[0032]以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0033]现有技术中，为使得利用图像生成模型自动生成的图像满足色彩鲜艳明暗程度方面的需求，通常是采用两种方式：(1)利用海量的训练样本对图像生成模型进行训练，以减小图像生成模型自动生成的图像与训练素材之间在色彩鲜艳明暗程度方面的特征差距。(2)利用图像后处理技术，对图像生成模型自动生成的图像进行处理，通过调整图像的亮度、饱和度等数值，使图像满足色彩鲜艳明暗程度方面的需求。但是方式(1)需要大量的训练样本来对图像生成模型进行训练，资源消耗较多，训练周期长，且当训练样本数量较少时，无法适用。而方式(2)则需要工作人员对图像进行后期处理，不仅效率低，浪费人力资源，且由于严重依赖于人工经验，也使得方案通用性较差。
[0034]为了解决现有技术中的缺陷，本方案给出了以下实施例：
[0035]图1为本说明书实施例中的一种图像生成模型的更新方法的流程示意图。从程序角度而言，该流程的执行主体可以为用于管理图像生成模型的设备，或者，搭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像生成模型的更新方法，包括：获取针对图像生成模型中的变分自编码器的训练样本；其中，任一所述训练样本包括：符合预期图像显示效果的第一图像样本以及由所述图像生成模型生成的第二图像样本；获取针对所述变分自编码器设置的目标损失函数；所述目标损失函数用于反映所述第一图像样本的重建图像与所述第二图像样本的重建图像分别同所述第一图像样本之间的色彩鲜艳明暗程度的差异情况；利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器；根据所述训练后变分自编码器对所述图像生成模型进行更新，得到更新后图像生成模型。2.如权利要求1所述的方法，所述获取针对图像生成模型中的变分自编码器的训练样本之前，还包括：利用符合预期图像显示效果的目标图像样本，对初始图像生成模型进行训练，得到所述图像生成模型；利用所述图像生成模型，生成所述第二图像样本。3.如权利要求2所述的方法，所述利用符合预期图像显示效果的目标图像样本，对初始图像生成模型进行训练，得到所述图像生成模型，具体包括：利用符合预期图像显示效果的目标图像样本，对包含有处于参数冻结状态的变分自编码器的初始图像生成模型进行训练，得到所述图像生成模型；其中，所述目标图像样本包括：所述第一图像样本。4.如权利要求3所述的方法，所述图像生成模型包括：用于根据输入文本生成目标图像的模型或者用于根据输入图像生成目标图像的模型；所述利用符合预期图像显示效果的目标图像样本，对包含有处于参数冻结状态的变分自编码器的初始图像生成模型进行训练，得到所述图像生成模型，具体包括：利用符合预期图像显示效果的目标图像样本以及所述目标图像样本对应的模型输入数据样本，对包含有处于参数冻结状态的变分自编码器的初始图像生成模型进行训练，得到所述图像生成模型；其中，所述模型输入数据样本的类型包括文本或图像。5.如权利要求1所述的方法，所述目标损失函数包括：用于反映所述色彩鲜艳明暗程度的差异情况的第一损失函数：所述第一损失函数的计算公式为：Loss1＝δ(HuberLoss(P1_S,P4_S)+HuberLoss(P1_B,P4_B))+HuberLoss(P1_S,P3_S)+HuberLoss(P1_B,P3_B)其中，Loss1表示所述第一损失函数，δ为预设超参数，HuberLoss()表示HuberLoss损失函数，P1_S用于表示所述第一图像样本的色彩鲜艳程度，P1_B用于表示所述第一图像样本的色彩明暗程度，P3_S用于表示所述第一图像样本的重建图像的色彩鲜艳程度，P3_B用于表示所述第一图像样本的重建图像的色彩明暗程度，P4_S用于表示所述第二图像样本的重建图像的色彩鲜艳程度，P4_B用于表示所述第二图像样本的重建图像的色彩明暗程度。6.如权利要求5所述的方法，所述目标损失函数还包括：用于反映所述第一图像样本的重建图像与所述第一图像样本之间的重建损失情况的第二损失函数：
所述目标损失函数具体是通过对所述第一损失函数与所述第二损失函数进行拼接得到的损失函数。7.如权利要求6所述的方法，所述第二损失函数的计算公式为：Loss2＝MSELoss(P1,P3)其中，Loss2表示所述第二损失函数，MSELoss()用于表示平均平方误差损失函数，P1用于表示所述第一图像样本，P3用于表示所述第一图像样本的重建图像；所述目标损失函数的计算公式为：Loss3＝α*Loss1+β*Loss2其中，Loss3表示所述目标损失函数，α以及β均为预设系数。8.如权利要求5
‑
7中任意一项所述的方法，P1_S具体用于表示所述第一图像样本在HSV颜色模型下的饱和度分量，P1_B用于表示所述第一图像样本在HSV颜色模型下的明度分量，P3_S用于表示所述第一图像样本的重建图像在HSV颜色模型下的饱和度分量，P3_B用于表示所述第一图像样本的重建图像在HSV颜色模型下的明度分量，P4_S用于表示所述第二图像样本的重建图像在HSV颜色模型下的饱和度分量，P4_B用于表示所述第二图像样本的重建图像在HSV颜色模型下的明度分量；或者，P1_S具体用于表示所述第一图像样本在HSL颜色模型下的饱和度分量，P1_B用于表示所述第一图像样本在HSL颜色模型下的亮度分量，P3_S用于表示所述第一图像样本的重建图像在HSL颜色模型下的饱和度分量，P3_B用于表示所述第一图像样本的重建图像在HSL颜色模型下的亮度分量，P4
‑
S用于表示所述第二图像样本的重建图像在HSL颜色模型下的饱和度分量，P4
‑
B用于表示所述第二图像样本的重建图像在HSL颜色模型下的亮度分量。9.如权利要求1所述的方法，所述变分自编码器包括：编码器以及解码器；其中，所述编码器中的各个网络层均处于参数冻结状态；所述解码器中的各个网络层均处于参数未冻结状态，或者，所述解码器中包含处于参数冻结状态的网络层以及处于参数未冻结状态的网络层；所述编码器用于接收所述训练样本，并发送所述训练样本的编码向量至所述解码器，所述解码器用于根据所述训练样本的编码向量，生成所述训练样本的重建图像。10.如权利要求9所述的方法，所述利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器之前，还包括：获取针对所述变分自编码器设置的预设学习率以及预设迭代步数；所述利用所述训练样本以及所述目标损失函数，对所述变分自编码器进行训练，得到训练后变分自编码器，具体包括：按照所述预设学习率，以最小化所述目标损失函数为目标，利用所述训练样本对所述变分自编码器进行训练，直至达到所述预设迭代步数，得到训练后变分自编码器。11.如权利要求1所述的方法，所述根据所述训练后变分自编码器对所述图像生成模型进行更新，得到更新后图像生成模型，具体包括：利用所述训练后变分自编码器替换所述图像生成模型中包含的所述变分自编码器，得到更新后图像生成模型。12.一种图像生成模型的更新装置，包括：第一获取模块，用于获取针对图像生成模型中的变分自编码器的训练样本；其中，任一
所述训练样本包括：符合预期图像显示效果的第一图像样本以及由所述图像生成模型生成的第二图像样本；第二获取模块...

【专利技术属性】
技术研发人员：马兵，马晨光，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：