[发明专利]图像生成模型的训练方法及装置、设备和存储介质

权利要求书

1.一种图像生成模型的训练方法，其特征在于，包括：

获取多组训练图像，每组训练图像包括无缺陷图像和与所述无缺陷图像相对应的有缺陷图像；

根据所述多组训练图像对循环生成式对抗网络进行训练，其中，在训练过程中，所述有缺陷图像中缺陷区域对应的损失权重大于非缺陷区域对应的损失权重；

在所述循环生成式对抗网络训练完成后，根据所述循环生成式对抗网络中的生成模型得到图像生成模型。

2.根据权利要求1所述的方法，其特征在于，所述循环生成式对抗网络的损失函数包括循环一致性损失，所述循环一致性损失的损失权重在训练过程中逐渐增大。

3.根据权利要求2所述的方法，其特征在于，当所述循环一致性损失大于预设阈值时，增大所述循环一致性损失的损失权重；或者，

当每增加预设数量的训练次数时，增大所述循环一致性损失的损失权重。

4.根据权利要求2所述的方法，其特征在于，所述循环一致性损失包括第一循环损失和第二循环损失，所述第一循环损失为循环生成的无缺陷图像和所述训练图像中的无缺陷图像的损失，所述第二循环损失为循环生成的有缺陷图像和所述训练图像中的有缺陷图像的损失。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述生成模型包括第一生成模型和第二生成模型，所述第一生成模型和所述第二生成模型共用第一编码器；

所述第一编码器用于从输入的所述无缺陷图像中提取第一特征向量，以及从输入的所述有缺陷图像中提取第二特征向量。

6.根据权利要求5所述的方法，其特征在于，所述循环生成式对抗网络中的判别模型包括第一判别模型和第二判别模型；

所述第一判别模型包括所述第一编码器中的至少部分卷积层和第一卷积神经网络，所述第一编码器中的至少部分卷积层的输出为所述第一卷积神经网络的输入；所述第一判别模型用于输出伪有缺陷图像的判别结果，所述伪有缺陷图像是所述第一生成模型的第一解码器从所述第一特征向量解码得到的图像；

所述第二判别模型包括所述第一编码器中的至少部分卷积层和第二卷积神经网络，所述第二判别模型用于输出伪无缺陷图像的判别结果，所述伪无缺陷图像是所述第二生成模型的第二解码器从所述第二特征向量解码得到的图像。

7.根据权利要求1至4任一项所述的方法，其特征在于，所述生成模型包括第一生成模型和第二生成模型，所述第一生成模型包括第二编码器，所述第二生成模型包括第三编码器；

所述第二编码器用于从输入的所述无缺陷图像中提取第一特征向量；

所述第三编码器用于从输入的所述有缺陷图像中提取第二特征向量。

8.根据权利要求7所述的方法，其特征在于，所述循环生成式对抗网络中的判别模型包括第一判别模型和第二判别模型；

所述第一判别模型包括所述第二编码器的至少部分卷积层和第三卷积神经网络，所述第二编码器的至少部分卷积层的输出为所述第三卷积神经网络的输入；所述第一判别模型用于输出伪有缺陷图像的判别结果，所述伪有缺陷图像是所述第一生成模型的第一解码器从所述第一特征向量解码得到的图像；

所述第二判别模型包括所述第三编码器中的至少部分卷积层和第四卷积神经网络，所述第三编码器的至少部分卷积层的输出为所述第四卷积神经网络的输入；所述第二判别模型用于输出伪无缺陷图像的判别结果，所述伪无缺陷图像是所述第二生成模型的第二解码器从所述第二特征向量解码得到的图像。

9.一种缺陷图像生成方法，其特征在于，包括：

获取待处理图像，并通过缺陷生成模型处理所述待处理图像，得到生成了缺陷区域的图像；其中，所述缺陷生成模型采用如权利要求1-8任一项所述的图像生成模型的训练方法训练生成的循环生成式对抗网络中的用于生成缺陷图像的生成模型。