[发明专利]一种图像处理方法、装置、电子设备及存储介质

说明书

本申请涉及一种图像处理方法、装置、电子设备及存储介质，该方法包括：获取训练样本集，其中，所述训练样本集包括源样本图像以及目标样本图像；根据所述样本训练集训练图像转换模型和第一判别模型，所述源样本图像经过所述图像转换模型处理后得到目标图像；根据所述第一判别模型计算所述目标图像和所述目标样本之间的所述第一对抗损失；当所述第一对抗损失符合第一预设条件时，得到第一目标图像转换模型。由此可以实现无需标签即可训练完成，不需要人工进行标注，并且降低了训练成本。

技术领域

本申请涉及图像处理领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

随着互联网的发展，随着人工智能的兴起，深度学习受到了广泛的关注。

现有的技术中，将人体姿态动作迁移方法网往往需要建立目标物体的3D模型，然后对源物体的3D姿态进行估计，并转换为目标物体的3D姿态参数，从而驱动目标物体运动，建立目标物体的3D模型往往成本较高，因为一个视觉感觉良好的3D模型往往涉及到美术，骨骼蒙皮等耗时操作，且为了将源物体和目标物体的3D姿态参数进行关联，需要建立一个鲁棒的映射关系，可是往往源物体和目标物体不是同一个物种，给两者的3D姿态参数关联带来了较大的难度，同时现有技术中图像局部特征转移效果较差，在实现局部特征转移的同时，图像整体也发生了变化。

另外，传统的图像转换模型需要对训练样本添加标注，给每一类样本添加标注的工作量大，且标注的类型不精确也会导致训练出的模型的精度也会较差。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种图像处理方法、装置、电子设备及存储介质。

第一方面，本申请提供了一种图像处理方法，该方法包括：

获取训练样本集，其中，所述训练样本集包括源样本图像和目标样本图像；

根据所述训练样本集训练图像转换模型和第一判别模型，所述源样本图像经过所述图像转换模型处理后得到目标图像；

根据所述第一判别模型计算所述目标图像和所述目标样本图像之间的所述第一对抗损失；

当所述第一对抗损失符合第一预设条件时，得到第一目标图像转换模型。

在一个可能的实施方式中，所述方法还包括：

当所述第一对抗损失不符合第一预设条件时，根据所述第一对抗损失对所述图像转换模型和第一判别模型中的参数进行调整；

其中，所述第一对抗损失符合第一预设条件包括：所述第一对抗损失小于或等于第一预设阈值，或所述第一对抗损失不再变化。

在一个可能的实施方式中，所述方法还包括：

根据所述训练样本集训练图像逆转换模型和第二判别模型，所述目标样本图像经过所述图像逆转换模型处理后得到第一源重构图像；

根据所述第二判别模型计算所述第一源重构图像和所述源样本图像的第二对抗损失；

基于所述第一对抗损失和第二对抗损失计算最终对抗损失；

当所述最终对抗损失不符合第二预设条件时，基于所述第一对抗损失和第二对抗损失对所述图像转换模型、图像逆转换模型、第一判别模型和第二判别模型中的参数进行调整，直至所述最终对抗损失符合第二预设条件时，得到第二目标图像转换模型；

其中，所述最终对抗损失符合第二预设条件包括：所述最终对抗损失小于或等于第二预设阈值，或所述最终对抗损失不再变化。

在一个可能的实施方式中，所述方法还包括：

根据所述训练样本集训练图像转换模型和图像逆转换模型，根据所述图像逆转换模型将所述目标图像转换为第二源重构图像；