[发明专利]一种训练方法、生成方法及装置、电子设备

权利要求书

1.一种训练方法，其特征在于，用于训练阿尔法通道图生成模型，所述阿尔法通道图生成模型包括第一网络模型和第二网络模型，所述第一网络模型用于生成三元图，所述第二网络模型用于生成阿尔法通道图，所述方法包括：

基于第一样本图像的阿尔法通道图标定所述第一样本图像的三元图；

基于所述第一样本图像和经过标定的所述第一样本图像的三元图训练第一网络模型；

基于训练完成的所述第一网络模型预测第二样本图像的三元图；

基于所述第二样本图像、所述第二样本图像的三元图和标定的所述第二样本图像的阿尔法通道图训练第二网络模型。

2.根据权利要求1所述的方法，其特征在于，所述基于第一样本图像的阿尔法通道图标定所述第一样本图像的三元图，包括：

基于所述第一样本图像的阿尔法通道图生成透明子图、半透明子图和不透明子图；

基于所述透明子图、所述半透明子图和所述不透明子图，确定所述第一样本图像的三元图。

3.根据权利要求1所述的方法，其特征在于，所述第一样本图像的阿尔法通道图包括透明子图、半透明子图和不透明子图，所述半透明子图用于标定所述第一样本图像的阿尔法通道含有的未知区域，所述半透明子图的阿尔法值大于或等于0.5且小于1。

4.根据权利要求3所述的方法，其特征在于，所述透明子图为所述第一样本图像的前景图，所述不透明子图为所述第一样本图像的背景图；或，

所述透明子图为所述第一样本图像的背景图，所述不透明子图为所述第一样本图像的前景图像。

5.根据权利要求1所述的方法，其特征在于，所述第一网络模型的架构和所述第二网络模型的架构为端到端网络架构，所述端到端网络架构包括全卷积神经网络架构和U-Net神经网络架构。

6.根据权利要求1~5任一项所述的方法，其特征在于，所述第一网络模型在训练阶段的监督信息为经过标定的所述第一样本图像的三元图；

所述第一网络模型包括第一网络结构和第二网络结构，所述第一网络结构与所述第二网络结构不同；

所述第一网络结构用于基于所述第一样本图像预测多级三元图编码特征，随着所述三元图编码特征的级数增加，所述三元图编码特征的尺度减小；

所述第二网络结构用于基于多级所述三元图编码特征预测所述第一样本图像的三元图，获得三元图预测结果，所述三元图预测结果的尺度与所述第一样本图像的尺度相同。

7.根据权利要求6所述的方法，其特征在于，所述第一网络结构包括M级级联的第一子网络，所述第二网络结构包括第一拼接单元和N级第二子网络，M和N均为大于1的整数；

其中，每级所述第一子网络用于提取相应级三元图编码特征，在第1级所述第一子网络至第t级所述第一子网络中，随着所述第一子网络的级数增加，所述第一子网络的深度减小；在第t+1级所述第一子网络至N级所述第一子网络中，每个所述第一子网络包括多个特征提取层，每个特征提取层生成的特征图尺度相同，t为大于或等于3且小于或等于N的整数；

每级所述第二子网络用于提取相应级三元图解码特征，所述第一拼接单元用于拼接第M级所述三元图编码特征、第1级所述三元图解码特征至第N级所述三元图解码特征，获得三元图预测结果；

第1级所述第二子网络的输入特征为第一拼接特征，所述第一拼接特征包括第N级所述三元图编码特征和第N-1级所述三元图编码特征，第s级所述第二子网络的输入特征为第二拼接特征，所述第二拼接特征包括第s-1级所述三元图解码特征和第k级三元图编码特征，k为大于或等于1且小于N的整数，s为大于或等于2且小于或等于N的整数。

8.根据权利要求7所述的方法，其特征在于，每个所述第一子网络的架构和每个所述第二子网络的架构包括U-Net神经网络架构或全卷积神经网络架构。