[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

说明书

本申请涉及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。所述方法包括：对内容图像和风格图像进行处理，得到内容图像语义特征和风格图像语义特征；将风格图像语义特征划分为多个小块，得到原始风格特征集合；原始风格特征集合进行归一化操作，得到第一归一化集合；将内容图像语义特征与随机噪声进行混合，得到随机噪声内容特征集合；将随机噪声内容特征集合与第一归一化集合进行处理并从中随机选取一块作为最匹配小块；使用最匹配小块的特征重建第一风格特征；根据第一风格特征进行特征随机重组，得到多个第二风格特征并经过计算得到多个风格迁移结果图像。采用本方法能够生成多种风格迁移结果，提高用户体验满意度。

技术领域

本申请涉及图像生成技术领域，特别是涉及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。

背景技术

2015年，Gatys等人首次提出结合预训练的深度学习模型来进行风格迁移和纹理合成任务，开启了使用深度学习技术来提升包括风格迁移和纹理合成在内的图像生成领域的性能表现的热潮。他们利用预训练的深度学习模型提取出的多层激活特征，通过计算特征维度之间的互相关性矩阵来表达一副图像的风格。这种从全局特征统计相关性的视角来理解和表示图像风格的算法，对于没有明显语义相关性的艺术图像的风格迁移和合成任务尤为合适。

另一方面，Li和Wand在2016年提出了对图像风格的另一种理解和表达，他们认为，一副图像的风格应该取决于局部的模式而不是全局的统计相关性。为此，他们结合了深度卷积神经网络和马尔科夫随机场(Markov Random Fields,MRFs)，通过将高层语义特征图划分为若干个局部的特征区域小块，然后用近邻匹配的方式对每个内容图像的局部特征区域小块找到与其最相似的风格图像的局部特征区域小块，最后用相应的最相似的风格图像的局部特征区域小块替换原来的内容图像的局部特征区域小块，最后对替换后的特征重建出风格迁移后的结果图像。这种从局部模式的角度出发来进行风格迁移的方法对对应语义区域上的风格迁移有更好的表现，因此更加适合两幅在语义上有对应关系(如天空到天空，地面到地面)的图像之间的风格迁移。

后来，在上述两种方法的基础上，大量的方法变体被提出，并获得了越来越高的风格迁移质量和越来越低的内存和时间消耗。然而，目前的绝大多数风格迁移方法针对固定输入的内容图像和风格图像，产生的风格迁移结果如果用户不满意的话，只能尝试其他的方法或者寻找其他可替代的内容图像或风格图像，从而为用户带来了麻烦，降低了用户体验满意度。

发明内容

基于此，本申请提供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，通过输入固定的内容图像和风格图像，可以生成多种风格迁移结果，解决只能产生单一的风格迁移结果图像的技术问题，为用户提供更多可选择的风格迁移结果图像。

本申请的生成多样化结果的风格迁移方法，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；