(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111641414.9 (22)申请日 2021.12.2 9 (71)申请人 中国人民解 放军火箭军工程大 学 地址 710025 陕西省西安市灞桥区同心路2 号 (72)发明人 李敏　苟瑶　时帅兵　何玉杰　 邢宇航　王利涛　董清江　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 赵兴华 (51)Int.Cl. G06T 3/00(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种图像转换方法及系统 (57)摘要 本发明提供了一种图像转换方法及系统， 方 法包括： 获取待转换图像； 将转换图像输入到图 像转换模型中， 得到转换后的图像； 图像转换模 型是利用训练集对初始对抗网络进行训练得到 的； 训练集包括待转换图像训练集和目标图像训 练集； 初始对抗网络包括生成网络和鉴别网络； 生成网络包括一个编码器和一个解码器。 本发明 通过对初始对抗网络进行训练得到图像转换模 型用于图像转换， 能够提高图像转换的转换精 度。 权利要求书5页 说明书16页 附图2页 CN 114331821 A 2022.04.12 CN 114331821 A 1.一种图像转换 方法， 其特 征在于， 所述方法， 包括： 获取待转换图像； 将所述转换图像输入到 图像转换模型中， 得到转换后的图像； 图像转换模型是利用训 练集对初始对抗网络进行训练得到的； 所述训练集包括待转换图像训练集和目标图像训练 集； 所述初始对抗网络包括生成网络和 鉴别网络； 所述生成网络包括一个编码器和 一个解 码器。 2.根据权利要求1所述的图像转换方法， 其特征在于， 在所述获取待转换图像之前， 还 包括： 构建初始对抗网络； 获取训练集； 以所述待转换图像训练集为输入， 以所述目标图像训练集为输出， 对所述初始对抗网 络进行训练， 得到所述图像转换模型。 3.根据权利要求2所述的图像转换方法， 其特征在于， 所述以所述待转换图像训练集为 输入， 以所述目标图像训练集为输出， 对所述初始对抗网络进 行训练， 得到所述图像转换模 型， 具体包括： 将所述待转换图像训练集输入到所述编码器中进行 特征提取， 得到特 征集； 将所述特征集输入到所述解码器中所述待转换图像训练集进行转换， 得到输出转换图 像集， 并计算 生成网络损失； 判断所述 生成网络损失是否在第一预设范围内， 得到第一判断结果； 若所述第一判断结果为否， 则更新所述编码器和所述解码器的参数并返回步骤 “将所 述待转换图像训练集输入到所述编码器中进行 特征提取， 得到特 征集”； 若所述第一判断结果为是， 则将所述输出转换图像集和所述目标图像训练集均输入所 述鉴别网络中， 并计算 鉴别网络损失； 判断所述 鉴别网络损失是否在第二预设范围内， 得到第二判断结果； 若所述第二判断结果为否， 则更新所述鉴别网络的参数并返回步骤 “将所述待转换图 像训练集输入到所述编码器中进行 特征提取， 得到特 征集”； 若所述第二判断结果 为是， 则将训练后的生成网络作为所述图像转换模型。 4.根据权利要求2所述的图像转换方法， 其特征在于， 所述以所述待转换图像训练集为 输入， 以所述目标图像训练集为输出， 对所述初始对抗网络进 行训练， 得到所述图像转换模 型， 具体包括： 将所述待转换图像训练集输入到所述编码器中进行 特征提取， 得到特 征集； 将所述特征集输入到所述解码器中所述待转换图像训练集进行转换， 得到输出转换图 像集， 并计算 生成网络损失； 将所述输出转换图像集和所述目标图像训练集均输入所述鉴别网络 中， 并计算鉴别网 络损失； 判断迭代次数 是否达到预设迭代次数阈值， 得到第三判断结果； 若所述第三判断结果为否， 则根据所述生成网络损 失和所述鉴别网络损 失， 更新所述 初始对抗网络的参数并返回步骤 “将所述待转换图像训练集输入到所述编 码器中进行特征 提取， 得到特 征集”；权　利　要　求　书 1/5 页 2 CN 114331821 A 2若所述第三判断结果 为是， 则将训练后的生成网络作为所述图像转换模型。 5.根据权利要求3或4所述的图像转换 方法， 其特 征在于， 所述生成网络损失为： LG＝LG(G,D,X,Y)+λX·LPatchNCE(G,H,X)+λY·LPatchNCE(G,H,Y)； 其中， LG(G,D,X,Y)＝E[l og(1‑D(G(x)))]； 式中， LG表示生成网络总损失； LG(G,D,X,Y)表示生成对抗损失； LPatchNCE(G,H,X)表示第 一补丁块对比损失； LPatchNCE(G,H,Y)表示第二补丁块对比损失； λX和 λY分别表示第一系数和 第二系数； λX和 λY均为1； G(x)表示将待转 换图像训练集中的一张图像x 输入至生成网络中后 得到的转换后的图像； D(G(x))表 示向鉴别网络中输入图像 G(x)后得到的鉴别概率值； E(*) 表示*的期望值； 表示交叉熵损失函数； τ表示第一控制系数， τ为0 .07； 表示将待转换图像训练集 中图像x依次输入至l层编码器和多层感知机H 得到的特征集合l＝1， ...， L； L为编码器总层数； 表示将G(x)依次输入 至l层编码器和多层感知机H得到的特征集合； 令s∈{1, …,Sl}， Sl是第l层的空间位置 数； 表示 中第l层第s个查询块的特征， 表示{zl}L中第l层第s个正样例的特征； 表示 {zl}L中第l层除s外负样例的特征； ； 表示将训练集目标域中图像y依次 输入至l层编码器和多层感知机H得到的特征集合； 表示将图像G(y) 依次输入至l层编码 器和多层感知机H得到的特征集合； G(y)表 示将目标图像集中的一张图 像y输入至生成网络中后得到的转换后的图像； 表示 中第l层第s个查询块的特征， 表示{wl}L中第l层第s个正样例的特 征； 表示{wl}L中第l层除s外负 样例的特 征； 所述鉴别网络损失为： LD＝LD(G,D,X,Y)+λM·LMCL(G,D,X,Y)； 其中， LD(G,D,X,Y)＝ ‑E[logD(y)]+E[l ogD(G(x) )]； 式中， LD表示鉴别网络损失； LD(G,D,X,Y)表示鉴别网络对抗损失； LMCL(G,D,X,Y)表示多 特征对比学习损失； λM表示第三系数； D(y)表示向鉴别网络中输入图像y后得到的鉴别概率权　利　要　求　书 2/5 页 3 CN 114331821 A 3