[发明专利]生成多样化结果的风格迁移方法、装置、计算机设备和存储介质

权利要求书

1.生成多样化结果的风格迁移方法，其特征在于，包括：

根据深度神经网络分别对内容图像和风格图像进行高层语义特征处理，得到内容图像语义特征F_c和风格图像语义特征F_s；

将所述风格图像语义特征划分为若干个局部的特征区域小块，得到原始风格特征集合

对所述原始风格特征集合进行归一化操作，得到第一归一化集合

将所述内容图像语义特征与随机噪声进行混合并划分为若干个局部的特征区域小块，得到随机噪声内容特征集合

将所述随机噪声内容特征集合与所述第一归一化集合进行处理，得到两个集合中最相近的第二归一化集合，从所述第二归一化集合中随机选取一块作为所述随机噪声内容特征集合的最匹配小块φ_i(F_cs)；

根据随机噪声内容特征集合与所述最匹配小块之间的匹配结果，使用所述最匹配小块所对应的所述原始风格特征集合重建第一风格特征T；

根据所述第一风格特征进行特征随机重组，得到多个第二风格特征

根据所述第二风格特征计算得到多个风格迁移结果图像。

2.根据权利要求1所述的生成多样化结果的风格迁移方法，其特征在于，对所述原始风格特征集合进行随机偏移的归一化操作。

3.根据权利要求1所述的生成多样化结果的风格迁移方法，其特征在于，所述随机噪声的尺寸与所述内容图像语义特征的尺寸相同。

4.根据权利要求2所述的生成多样化结果的风格迁移方法，其特征在于，根据如下公式将所述原始风格特征集合进行随机偏移的归一化操作：

式中：F_s表示深度神经网络提取出的风格图像语义特征；

φ_j(F_s)表示原始风格特征集合中的特征区域小块，j∈{1，...，n_s}，n_s为特征区域小块的数量；

||φ_j(F_s)||表示求φ_j(F_s)的L2范数；

b是一个随机的噪声偏移值；

表示随机归一化后的第一归一化集合中的特征区域小块。

5.根据权利要求3所述的生成多样化结果的风格迁移方法，其特征在于，根据如下公式将所述内容图像语义特征和所述随机噪声进行混合，并划分为若干个局部的特征区域小块：

式中：F_c表示深度神经网络提取出的内容图像语义特征；

表示与F_c尺寸相同的随机噪声张量；

表示混合了随机噪声后的随机噪声内容特征；

表示得到的随机噪声内容特征集合。

6.根据权利要求1所述的生成多样化结果的风格迁移方法，其特征在于，根据如下公式将所述随机噪声内容特征集合与所述第一归一化集合进行处理，得到两者中最相近的第二归一化集合，从所述第二归一化集合中随机选取一块作为所述随机噪声内容特征集合的最匹配小块：

式中：表示随机噪声内容特征；

F_s表示深度神经网络提取出的风格图像语义特征；

表示随机噪声内容特征集合中的特征区域小块；

表示第一归一化集合中的特征区域小块；

Top_k表示对集合中的每一个在集合中找到使內积最大的前k个最匹配的其中，n_c为随机噪声内容特征集合中的区域小块数量，n_s为第一归一化集合中的区域小块数量；

⊙表示从找到的k个第二归一化风格特征区域小块集合并从中随机选取一个作为最匹配小块；

φ_i(F_cs)表示匹配结果。