[发明专利]一种基于生成对抗网络的渲染图像光照方法

说明书

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络的渲染图像光照方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，判别器只是对图像数据集和生成图像做出辨别，并没有提取图像的相关信息做后续处理。在这种情况下，整个网络的训练方向比较宽泛，生成器生成图像的数据分布较为自由，没有针对性。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于生成对抗网络的渲染图像光照方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于生成对抗网络的渲染图像光照方法，所述的渲染图像光照方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

S2、构造神经网络充当生成器与判别器的功能；

S3、初始化随机噪声，输入生成器中；

S4、在判别器中得到图像数据集的光照数据分布；

S5、将光照数据分布作线性变换之后输入生成器进行后续训练。

进一步地，所述的步骤S4具体过程如下：

S41、通过卷积神经网络提取图像数据集中的光照信息；

S42、得到光照信息的数据分布。

进一步地，所述的步骤S5中将光照数据分布作线性变换具体为对光照强度做出调整，包括增强光照和减弱光照。

本发明相对于现有技术具有如下的优点及效果：

针对性：本发明根据渲染图像光照的操作过程，通过提取图像数据集中的光照信息，得到光照信息的数据分布，进行线性变换之后输入生成器中，能够达到编辑图像光照强度的效果，具有良好的针对性。

附图说明

图1是本发明中公开的原始生成对抗网络通过渲染图像光照进行训练的整体流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例

本实施例公开了一种基于生成对抗网络的渲染图像光照方法，具体包括下列步骤：

步骤S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练。

步骤S2、构造神经网络充当生成器与判别器的功能；

不同的卷积核，体现在矩阵数值的不同、行列数的不同。

构造多个卷积核，在处理图像的过程中，不同的卷积核意味着能够在网络训练的过程中学习到生成图像的不同特征。

在传统的对抗网络模型中，判别器只是对图像数据集和生成图像做出辨别，并没有提取图像的相关信息做后续处理。在这种情况下，整个网络的训练方向比较宽泛，生成器生成图像的数据分布较为自由，没有针对性。而本发明根据渲染图像光照的操作过程，通过提取图像数据集中的光照信息，得到光照信息的数据分布，进行线性变换之后输入生成器中，能够达到编辑图像光照强度的效果。

在实际应用中，应该根据数据集图像特征的复杂程度，设置卷积核的个数。

步骤S3、初始化随机噪声，输入生成器中。

步骤S4、在判别器中得到图像数据集的光照数据分布。

具体过程如下：

S41、通过卷积神经网络提取图像数据集中的光照信息；

S42、得到光照信息的数据分布。

步骤S5、将光照数据分布作线性变换之后输入生成器进行后续训练。具体过程如下：

S51、将光照数据分布作线性变换之后输入生成器进行后续训练。

这里的线性变换，广义上是对光照强度做出调整，可以是增强光照，也可以是减弱光照。将做了线性变换的光照数据分布输入生成器中进行训练，从而实现了生成图像的光照强度编辑。