[发明专利]图像生成模型训练方法、图像生成方法及相关装置

权利要求书

1.一种图像生成模型训练方法，其特征在于，所述方法包括：

获取随机噪声样本和图像样本；

根据所述随机噪声样本和所述图像样本，对初始的生成对抗网络进行迭代训练，直到预构建的损失函数达到设定条件，将训练后的生成对抗网络作为图像生成模型；

其中，所述损失函数是基于所述随机噪声样本得到的生成图像之间的距离信息、所述生成图像和所述图像样本的判别信息以及预设参数信息构建的；所述迭代训练用于降低所述生成图像之间的相似度。

2.根据权利要求1所述的图像生成模型训练方法，其特征在于，所述损失函数是通过如下方式构建的：

根据所述随机噪声样本得到的第一生成图像和第二生成图像，构建距离信息损失模型；其中，所述第一生成图像是基于所述随机噪声样本生成的；所述第二生成图像是基于所述噪声样本的随机扰动样本生成的；

根据所述第一生成图像和所述图像样本的判别信息、以及第一权重信息、构建判别信息损失模型；

基于根据所述距离信息损失模型、所述距离信息损失模型对应的第二权重信息以及所述判别信息损失模型，构建所述损失函数；或者，

基于根据所述距离信息损失模型、所述距离信息损失模型对应的第二权重信息、所述判别信息损失模型、以及平衡因子、随机系数，构建所述损失函数，构建所述损失函数。

3.根据权利要求2所述的图像生成模型训练方法，其特征在于，所述方法还包括：

在每次迭代训练中，根据预设的迭代次数与平衡因子之间的概率曲线信息，确定所述每次迭代训练对应的平衡因子的数值，并从预设分布模型中随机采样，得到所述随机系数。

4.根据权利要求2所述的图像生成模型训练方法，其特征在于，所述生成对抗网络包含生成器和判别器；

根据所述随机噪声样本和所述图像样本，对初始的生成对抗网络进行迭代训练，直到预构建的损失函数达到设定条件，将训练后的生成对抗网络作为图像生成模型，包括：

将所述随机噪声样本输入到所述生成器，得到所述第一生成图像和所述第二生成图像；

将所述第一生成图像和所述图像样本输入到所述判别器，得到所述判别信息；

将所述第一生成图像和所述第二生成图像的距离信息输入到所述距离信息损失模型、以及将所述判别信息输入到所述判别信息损失模型中，得到所述损失函数的损失值；

保持所述判别器的网络参数固定，并基于所述损失值，更新所述生成器的网络参数；

当未达到所述设定条件，返回执行所述将所述随机噪声样本输入到所述生成器，得到所述第一生成图像和所述第二生成图像的步骤，直到所述损失函数达到设定条件，将训练后的生成对抗网络作为图像生成模型。

5.根据权利要求4所述的图像生成模型训练方法，其特征在于，将所述随机噪声样本输入到所述生成器，得到第一生成图像和第二生成图像，所述方法还包括：

确定噪声阈值；

基于所述噪声阈值，确定所述随机噪声样本的随机扰动样本；

根据所述随机噪声样本得到所述第一生成图像，并基于所述随机扰动样本得到所述第二生成图像。

6.根据权利要求5所述的图像生成模型训练方法，其特征在于，确定噪声阈值，包括：

从预设的数据分布模型中随机采样，得到多个随机值，并根据每个所述随机值，得到所述随机噪声样本对应的每个所述随机扰动样本；

根据所述生成器，得到所述随机噪声样本对应的生成图像、以及每个所述随机扰动样本对应的生成图像；

确定所述随机噪声样本对应的生成图像，与每个所述随机扰动样本对应的生成图像之间的相似度；

将具有最小相似度的生成图像确定为目标生成图像，并将所述目标生成图像对应随机值，确定为所述噪声阈值。

7.一种图像生成方法，其特征在于，所述方法包括：

获取随机噪声样本；

将所述随机噪声样本输入图像生成模型中，生成第一图像和第二图像，所述第一图像和所述第二图像不同；所述图像生成模型是通过如权利要求1-6任意一项所述的图像生成模型训练方法得到的。