[发明专利]多域图像转换模型的训练方法、装置、设备及存储介质

权利要求书

1.一种多域图像转换模型的训练方法，其特征在于，包括：

获取待训练图像，并对所述待训练图像进行预处理，建立图像数据集；

根据预置训练策略，基于所述图像数据集对构建的预置模型进行训练，其中，所述预置模型包括生成器网络；

确定训练后的所述预置模型处于收敛状态时，获取训练后的生成器网络；

根据训练后的所述生成器网络，生成多域图像转换模型；

所述预置模型包括域表征网络和判别器网络；所述图像数据集包括图像训练集、源域图像和目标图像；根据训练策略，基于所述数据集对构建的预置模型进行训练，包括：

根据所述图像训练集训练所述域表征网络，得到对应的域表征向量；

根据所述域表征向量和所述源域图像训练所述生成器网络，得到对应的目标域图像；

根据所述目标域图像和所述目标图像训练所述判别器网络，得到数值图，并根据所述数值图更新所述预置模型的网络参数；

所述图像训练集包括多个相同风格或相同属性的源域图像；所述根据所述训练集图像训练所述域表征网络，得到对应的域表征向量，包括：

将多个相同风格或相同属性的所述源域图像输入所述域表征网络；

通过所述域表征网络中的编码网络对所述源域图像进行编码，得到所述域表征网络输出的域表征向量，其中，所述编码网络包括卷积层和线性层整流函数模块。

2.如权利要求1所述的多域图像转换模型的训练方法，其特征在于，所述根据所述域表征向量和所述源域图像训练所述生成器网络，得到对应的目标域图像，包括：

将所述域表征向量和所述源域图像输入所述生成器网络；

通过所述生成器网络中的解码网络分别对所述域表征向量和所述源域图像进行解码，得到所述生成器网络输出的目标域图像，其中，所述解码网络包括卷积网络下采样层、残差网络层和卷积网络上采样层。

3.如权利要求1所述的多域图像转换模型的训练方法，其特征在于，所述根据所述目标域图像和所述目标图像训练所述判别器网络，得到数值图，并根据所述数值图更新所述预置模型的网络参数，包括：

将所述目标域图像和所述目标图像输入所述判别器网络；

通过所述判别器网络将所述目标域图像和所述目标图像进行比对，得到对应的数值图；

通过所述数值图反向传播训练预置对抗损失函数、预置域表征损失函数、预置域表征重建损失函数和预置图像重建损失函数，得到对应的损失值；

通过所述损失值更新所述预置对抗损失函数、预置域表征损失函数、预置域表征重建损失函数和预置图像重建损失函数的网络参数。

4.如权利要求3所述的多域图像转换模型的训练方法，其特征在于，所述获取待训练图像，并对所述待训练图像进行预处理，建立图像数据集，包括：

获取多张同一风格或相同属性的图像，将多张所述图像作为待训练图像；

通过对所述待训练图像进行数据增强，获取数据增强后的所述待训练图像；

将数据增强后的所述待训练图像进行归一化处理，建立对应的图像数据集。

5.如权利要求1所述的多域图像转换模型的训练方法，其特征在于，所述生成多域图像转换模型之后，还包括：

获取待转换图像和目标域属性信息；

分别将所述待转换图像和所述目标域属性信息输入所述多域图像转换模型，其中，所述多域图像转换模型包括下第一输入层、第二输入层、转换层和输出层；

通过所述第一输入层提取所述待转换图像的属性信息，获取所述待转换图像的属性信息对应的表征向量；

通过所述第二输入层提取所述目标域属性信息的，获取所述目标域属性信息对应的表征向量；

通过所述转换层中的权重矩阵将所述待转换图像的属性信息对应的表征向量与所述目标域属性信息对应的表征向量进行映射，以获取所述输出层输出带有所述目标域属性信息的图像。