[发明专利]基于生成对抗模型的全自动抠图方法及装置、介质和设备

说明书

本发明公开了一种基于生成对抗模型的全自动抠图方法及装置、介质和设备，方法首先计算初始的待抠图输入图片所对应的隐空间编码，由生成对抗模型的生成器将隐空间编码转换成输入图片的替代图片；然后将该替代图片输入至分割网络中，得到三元分割图和置信度，计算熵最小化损失来迭代优化隐空间编码；将三元分割图和替代图片一起输入到抠图模块，得到图片的主体区域；输入图片、主体区域和任意一张背景图片再合成新图片，并输入至生成对抗模型的判别器，根据熵最小化损失和对抗损失迭代优化隐空间编码。优化后的隐空间编码能更好地适应分割网络和抠图模块，最终得到的主体区域即是抠图结果。本发明优化了抠出的主体区域，可实现全自动抠图。

技术领域

本发明涉及图像抠图技术领域，特别是一种基于生成对抗模型的全自动抠图方法及装置、介质和设备。

背景技术

图像抠图一直是影视后期制作里一个非常繁重的任务，其目的是框选出图像中主体(通常是人物)的区域，再结合其他背景图像，来替换主体所处的场景。传统图像抠图采用人工的方式，将主体从图像中框选出来，这种方法速度慢，效果差，难以处理毛发等细小的区域。现代影视产业通常采用绿幕抠图技术，将拍摄场景局限在一块绿色幕布前，抠图时将绿色区域之外的其他区域设置为主体区域，达到框选出主体的目的。这种方法速度快，效果好，但由于需要在绿幕前拍摄，同时需要专业的设备予以辅助，对于小型企业来说门槛较高。

近些年来深度学习技术日渐火热，大量基于深度学习技术的新方法在人脸识别，图像生成，文本翻译，图像分割等领域里上达到远超传统方法的效果。深度学习技术从大量的数据中学习他们共同的特征，同时拟合数据中的分布，从高级语义信息层面里对输入的内容作出判断，因此深度学习技术十分依赖于目标任务相关的数据集。

如何使用深度学习技术来对图像进行抠图，这个问题受到了学术界和工业界广泛的关注。随着Adobe公司于2017年公开了可用于深度学习技术的图像抠图数据集后，大量基于深度学习技术来解决图像抠图任务的方法涌现了出来，这些方法往往能达到和绿幕抠图一样的准确度，而且不需要在绿幕前进行拍摄，因此，基于深度学习技术的方法大大解放了拍摄环境，不需要专业的设备，也能快速的从拍摄图像中框选出主体区域，实现背景替换等影视后期特效。

目前基于深度学习技术来对图像进行抠图的方法，尽管摆脱了在绿色幕布前拍摄的要求，但仍然需要专业人员输入辅助信息，即三元分割图。三元分割图标志了输入图像的前景部分(主体部分)，背景部分，和混合部分(不确定部分)。利用深度学习技术来训练一个分割模型，对图像进行自动分割，也是一个受到学术界和工业界广泛关注的问题。然而，目前分割模型产生的用于图像抠图任务所需的三元分割图往往不准，因此需要专业人员手动标注。对于视频而言，专业人员需要对每一帧图像都手工标注三元分割图，大大降低了抠图的处理速度。因此，研究如何更好的完善这些基于深度学习技术的方法，使得图像抠图无需专业人员参与，对于学术界和工业界都具有十分重要的意义。

发明内容

本发明的第一目的在于解决现有技术的不足，提出一种基于生成对抗模型的全自动抠图方法，可精确获取到三元分割图，实现全自动抠图。

本发明的第二目的在于提出一种基于生成对抗模型的全自动抠图装置。

本发明的第三目的在于提出一种计算机可读存储介质。

本发明的第四目的在于提出一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于生成对抗模型的全自动抠图方法，包括：

第一阶段：

1-1)随机产生一段高斯噪声作为隐空间编码；

1-2)将隐空间编码输入到生成对抗模型的生成器中，生成器输出该隐空间编码对应的一张图片；