[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

说明书

本发明的提供图像生成模型训练方法、图像生成方法及相关装置，方法包括：获取随机噪声样本和图像样本；根据随机噪声样本和图像样本，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，损失函数是基于随机噪声样本得到的生成图像之间的距离信息、生成图像和图像样本的判别信息以及预设参数信息构建的；迭代训练用于降低生成图像之间的相似度。针对相似度很高的噪声，本发明可以得到不同的生成图像，拉大生成图像对应的分布模式之间的距离，从而可以解决模式崩溃问题。

技术领域

本发明涉及深度学习技术领域，具体而言，涉及一种图像生成模型训练方法、图像生成方法及相关装置。

背景技术

生成对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一，在图像生成、图像修复、图像转换等领域得到了广泛关注。

生成对抗网络由生成器和判别器组成，二者是对抗的关系。判别器学习分辨真实样本与生成器生成的假样本，而生成器则使判别器认为自己生成的样本是真实样本。随着训练的进行，判别器的分辨能力越来越强，生成器生成的样本也越来越接近真实样本。但是生成对抗网络的训练自由度太大，生成器和判别器很容易陷入不正常的对抗状态，发生模式崩溃，导致生成图像多样性不足，严重模式崩溃时生成的所有图片都一样。

目前，解决模式崩溃问题的方法大多都是从模型结构入手，但是这种解决方式因模型的改动会增加计算资源消耗，增加了模型训练的复杂度，因此，如何提供一种精简有效的训练方法，是需要解决的技术问题。

发明内容

本发明目的之一在于提供一种图像生成模型训练方法、图像生成方法及相关装置，用以解决模式崩溃问题，提高图像生成质量。

第一方面，本发明提供一种图像生成模型训练方法，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。

第二方面，本发明提供一种图像生成方法，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第一方面提供的图像生成模型训练方法得到的。

第三方面，本发明提供一种图像生成模型训练装置，包括：获取模块，用于获取随机噪声样本和图像样本；训练模块，用于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，在每次迭代训练中，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。

第四方面，本发明提供一种图像生成装置，包括：获得模块，用于获取随机噪声样本；生成模块，用于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第一方面所述的图像生成模型训练方法得到的。

第五方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现如第一方面所述的方法或者如第二方面所述的方法。

第六方面，本发明提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法或者如第二方面所述的方法。