用于多域多模态图像转换的装置和方法与流程

1.本发明大体涉及图像处理。更具体地，本发明涉及一种用于多域多模态图像转换的图像处理装置和方法。


背景技术：

2.图像到图像转换是计算机视觉技术中一个成熟的研究领域，有助于扩大图像数据集，并在图像编辑方面显示出巨大的潜力。例如，在用于自动驾驶的应用中收集大型图像数据集。在示例性自动驾驶场景中，自动驾驶车辆可以收集多个标记的晴朗日间图像，即具有不同图像内容但来自相同图像域(有时也称为图像风格)的图像，用于训练辅助自动驾驶的物体检测模型。为了使该物体检测模型在更具挑战性的条件(如多雾、多雨和夜间条件)(即，图像域)下也能够很好地工作，还有必要收集这些更具挑战性条件的标记图像。


技术实现要素：

3.本发明的目的在于提供一种用于多域多模态图像转换的改进装置和方法。
4.上述和其它目的是通过由独立权利要求请求保护的主题来实现的。其它实现方式在从属权利要求、说明书和附图中是显而易见的。
5.根据第一方面，提供了一种用于根据输入图像生成输出图像的图像处理装置。
6.根据第一方面所述的图像处理装置用于生成内容特征图和风格特征向量，其中，所述内容特征图指示所述输入图像的图像内容，所述风格特征向量指示所述输入图像的图像域(有时也称为图像风格)。此外，所述图像处理装置用于根据所述风格特征向量，将所述图像域确定为多个图像域中的一个图像域。
7.所述图像处理装置还用于根据所述输入图像的所述内容特征图以及与所述多个图像域中的另一图像域相关联(即，属于所述多个图像域中的另一图像域)的另一风格特征向量，生成所述输出图像。
8.例如，在自动驾驶场景中，根据第一方面所述的图像处理装置允许将训练图像从日间图像域转换为其它天气和/或光照条件。这样，所述图像处理装置允许在相同位置(即，具有相同内容)获取各种输出图像，并且重用同一标签来微调物体检测模型，该模型甚至无法通过沿相同道路发送第二试驾来实现微调。将所有混合数据一起训练，最终可以提高物体检测模型的鲁棒性。有利地，与传统方法相比，根据第一方面所述的图像处理装置允许以更低的空间复杂度执行多域多模态图像到图像转换。
9.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括第一编码器神经网络，所述第一编码器神经网络用于生成所述内容特征图，其指示所述输入图像的所述图像内容。
10.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括第二编码器神经网络，所述第二编码器神经网络用于生成所述风格特征向量，其指示所述输入图像的所述图像域。
11.在所述第一方面的另一种可能的实现方式中，所述图像处理装置用于使用高斯混合模型，根据所述风格特征向量，确定所述多个图像域中的所述图像域。
12.在所述第一方面的另一种可能的实现方式中，所述多个图像域中的每个图像域与所述高斯混合模型中的一个高斯相关联。
13.在所述第一方面的另一种可能的实现方式中，所述图像处理装置用于根据所述输入图像，生成多个输出图像。更具体地，所述图像处理装置用于：根据所述输入图像的所述内容特征图以及与所述多个图像域中的第一另一图像域相关联的第一另一风格特征向量，生成第一输出图像；根据所述输入图像的所述内容特征图以及与所述多个图像域中的第二另一图像域相关联的第二另一风格特征向量，生成第二输出图像。
14.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括内容判别器神经网络，其中，在训练阶段，所述内容判别器神经网络用于在所述内容特征图包含与所述输入图像的所述图像域相关的信息的情况下，对所述内容特征图进行过滤(即，丢弃)。
15.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括生成器神经网络，所述生成器神经网络用于根据所述输入图像的所述内容特征图以及与所述多个图像域中的所述另一图像域相关联的所述另一风格特征向量，生成所述输出图像。
16.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括：第一编码器神经网络，用于生成所述内容特征图，其指示所述输入图像的所述图像内容；第二编码器神经网络，用于生成所述风格特征向量，其指示所述输入图像的所述图像域；其中，在所述训练阶段，所述图像处理装置还用于通过以下方式训练所述生成器神经网络：将所述输出图像馈送回所述第一编码器神经网络和所述第二编码器神经网络，以获取重建输入图像；最小化所述输入图像与所述重建输入图像之间的差异(即，重建损失)。
17.在所述第一方面的另一种可能的实现方式中，所述图像处理装置还包括多尺度判别器神经网络，其中，在所述训练阶段，所述多尺度判别器神经网络用于根据所述输出图像确定反馈信息，并将所述反馈信息提供给所述生成器神经网络用于训练所述生成器神经网络，所述反馈信息包括有关所述输出图像是否属于所述多个图像域中的所述另一图像域和/或所述输出图像看起来是否像所述多个图像域中的所述另一图像域中的真实图像的信息。
18.在所述第一方面的另一种可能的实现方式中，所述多尺度判别器神经网络包括多个平均池化层，用于将所述输出图像下采样到具有不同图像分辨率的多个下采样输出图像。
19.在所述第一方面的另一种可能的实现方式中，所述图像处理装置包括另一神经网络，所述另一神经网络用于确定与所述风格特征向量相关联的所述多个图像域中的所述图像域。
20.根据第二方面，提供了一种用于根据输入图像生成输出图像的图像处理方法。所述图像处理方法包括以下步骤：
21.生成内容特征图，其指示所述输入图像的图像内容；
22.生成风格特征向量，其指示所述输入图像的图像域；
23.根据所述风格特征向量，确定多个图像域中的图像域；
24.根据所述输入图像的所述内容特征图以及与所述多个图像域中的另一图像域相
关联的另一风格特征向量，生成所述输出图像。
25.根据本发明第二方面所述的图像处理方法可以由根据本发明第一方面所述的图像处理装置执行。因此，根据本发明第二方面所述的图像处理方法的其它特征直接通过根据本发明第一方面所述的图像处理装置的功能及其上述和下述不同实现形式实现。
26.根据第三方面，提供了一种计算机程序产品，包括程序代码，所述程序代码在由计算机或处理器执行时，使所述计算机或所述处理器执行根据第二方面所述的图像处理方法。
27.附图及以下说明中将详细描述一个或多个实施例。其它特征、目的和优点在说明、附图以及权利要求中是显而易见的。
附图说明
28.下文结合附图对本发明实施例进行详细描述。在附图中：
29.图1示出了一实施例提供的用于多域多模态图像生成的图像处理装置的示意图；
30.图2示出了用于图1所示的多域多模态图像生成的图像处理装置的更多详细信息的示意图；
31.图3示出了一实施例提供的用于多域多模态图像生成的图像处理方法的流程图。
32.在下文中，相同的附图标记指相同的或至少功能等同的特征。
具体实施方式
33.以下描述中，参考组成本发明一部分并以说明的方式示出本发明实施例的具体方面或可以使用本发明实施例的具体方面的附图。可以理解的是，本发明实施例可在其它方面中使用，并可包括附图中未描述的结构变化或逻辑变化。因此，以下详细描述不应以限制性的意义来理解，且本发明的范围由所附权利要求书界定。
34.例如，应理解的是，与所描述的方法有关的公开内容对用于执行所述方法的对应设备或系统也同样适用，反之亦然。例如，如果描述一个或多个具体方法步骤，则对应的设备可以包括一个或多个单元(例如，功能单元)来执行所描述的一个或多个方法步骤(例如，一个单元执行一个或多个步骤，或多个单元各自执行多个步骤中的一个或多个步骤)，即使附图中未明确描述或示出这种一个或多个单元。另一方面，例如，如果根据一个或多个单元(例如，功能单元)来描述具体装置，则对应的方法可以包括一个步骤来执行一个或多个单元的功能(例如，一个步骤执行一个或多个单元的功能，或多个步骤各自执行多个单元中的一个或多个单元的功能)，即使附图中未明确描述或示出这种一个或多个单元。此外，可以理解的是，除非另外明确说明，本文中所描述的各个示例性实施例和/或方面的特征可以相互组合。
35.图1示出了一实施例提供的用于多域多模态图像生成的图像处理装置100的示意图。如下面将更详细描述的，所述图像处理装置100用于根据输入图像150，生成一个或多个输出图像160，其中，所述输入图像150具有图像内容并且与多个图像域中的图像域相关联，即具有图像风格。
36.如图1所示，所述图像处理装置100可以包括处理器或处理电路110，用于处理图像数据，尤其是用于生成所述一个或多个输出图像160的所述输入图像150。如下面将更详细
描述的，所述处理器110可以实现或操作一个或多个神经网络，用于根据所述输入图像150生成所述一个或多个输出图像160。所述处理器110可以通过硬件和/或软件实现，所述硬件和/或软件在执行时，使所述装置100执行本文所述的功能和方法。所述硬件可以包括数字电路，也可以同时包括模拟电路和数字电路。数字电路可以包括专用集成电路(application-specific integrated circuit，asic)、现场可编程阵列(field-programmable array，fpga)、数字信号处理器(digital signal processor，dsp)或通用处理器等组件。此外，所述图像处理装置100可以包括通信接口130(如无线通信接口130)和电子存储器140，所述电子存储器140用于存储数据，尤其是所述输入图像150和/或所述一个或多个输出图像160。在一实施例中，所述图像处理装置100还可以包括图像捕获设备(如一个或多个摄像头)，用于捕获所述输入图像150。
37.如下面进一步参考图2将更详细描述的，图2示出了一实施例提供的由所述图像处理装置100(尤其是其处理电路110)实现的几个处理块，所述图像处理装置100用于根据所述输入图像150，生成内容特征图114，其指示所述输入图像150的图像内容。在图2所示的实施例中，所述图像处理装置100的所述处理电路110用于实现第一编码器神经网络112，所述第一编码器神经网络112用于生成所述内容特征图114，其指示所述输入图像150的所述图像内容。在一实施例中，例如，所述输入图像150的所述图像内容可以是其它汽车、街道轮廓等驾驶场景图像的图像内容。
38.所述图像处理装置100还用于根据所述输入图像150，生成风格特征向量113，其指示所述输入图像150的图像域(或图像风格)。在图2所示的实施例中，所述图像处理装置100用于实现第二编码器神经网络111，所述第二编码器神经网络111用于生成所述风格特征向量113，其指示所述输入图像150的所述图像域。在一实施例中，例如，所述输入图像150的所述风格特征向量113可以指示日间图像域、夜间图像域、晴朗图像域、雪景图像域、多雾图像域等。
39.所述图像处理装置100还用于根据所述风格特征向量113，确定多个可能的图像域125中的图像域。换言之，所述图像处理装置100用于根据所述风格特征向量113，选择包括所述多个图像域125的集合中最合适的图像域。在一实施例中，所述图像处理装置100用于实现神经网络，所述神经网络用于确定与所述输入图像150的所述风格特征向量113相关联的所述多个图像域125中的所述图像域。在一实施例中，所述图像处理装置100用于使用高斯混合模型，确定与所述输入图像150的所述风格特征向量113相关联的所述多个图像域125中的所述图像域，所述高斯混合模型用于对风格特征向量(如所述风格特征向量113)在所述多个图像域125上的分布进行建模。在一实施例中，所述多个图像域125中的每个图像域可以与所述高斯混合模型125中的一个高斯相关联。
40.所述图像处理装置100还用于根据所述输入图像150的所述内容特征图114以及与所述多个图像域125中的另一图像域相关联的另一风格特征向量113’，生成所述一个或多个输出图像160。在图2所示的实施例中，所述图像处理装置100用于实现生成器神经网络120，所述生成器神经网络120用于根据所述输入图像150的所述内容特征图114以及与使用所述高斯混合模型建模的所述多个图像域125中的所述另一图像域相关联的所述另一风格特征向量113’，生成所述多个输出图像160。因此，在一实施例中，所述图像处理装置100用于：根据所述输入图像150的所述内容特征图114以及与所述多个图像域125中的图像域相
关联的第一风格特征向量113’，生成第一输出图像160；根据所述输入图像150的所述相同内容特征图114以及与所述多个图像域125中的不同图像域相关联的另一风格特征向量113’，生成第二输出图像160。
41.如上所述并且如图2所示，所述图像处理装置100用于使用两个单独的编码器111、112，将与使用所述高斯混合模型建模的所述多个图像域125中的一个图像域相关联的所述输入图像150(例如，在图2中，所述输入图像150与晴朗日间图像域相关联)分割成其风格特征向量113和内容特征图114。在一实施例中，由所述图像处理装置100的所述处理电路110实现的所述一个或多个神经网络可以在训练阶段进行训练，以将风格特征向量(如与所述输入图像150相关联的所述风格特征向量113)映射到所述高斯混合模型中，其中，所述高斯混合模型中的每个高斯可以代表所述多个图像域125中的一个图像域。有利地，对于固定内容特征图114，来自不同高斯的采样风格特征向量可以导致多个图像域中的不同输出图像，同时降低空间复杂度。为了训练该模型，所述数据集的每个文件夹可以包含一个图像域。根据需要，整个数据集包含多个图像域。例如，在图2所示的实施例中，所述图像处理装置100已使用来自5个不同图像域“0”、“1”、“2”、“3”和“4”的训练图像进行训练(如用于说明所述训练的风格特征向量在所述多个图像域上的分布的不同符号所示)。
42.在一实施例中，与在执行阶段一样，在训练阶段，所述图像处理装置100用于使用所述风格编码器神经网络111将所述输入图像150分割成其风格特征向量113，并且使用所述内容编码器神经网络112将所述输入图像150分割成其内容特征图114。在一实施例中，在所述训练阶段，所述图像处理装置100用于将所述相同风格特征向量113和所述内容特征图馈送至所述生成器神经网络120以适应(即，训练)所述生成器神经网络120，从而重建所述输入图像150。此外，将所述重建输入图像150馈送回所述风格编码器神经网络111和所述内容编码器神经网络112允许通过以下方式适应(即，训练)所述风格编码器神经网络113和所述内容编码器神经网络112：最小化所述原始输入图像150的所述风格特征向量113与所述重建输入图像的所述风格特征向量之间的差异；最小化所述原始输入图像150的所述内容特征图114与所述重建输入图像的所述内容特征图之间的差异。
43.如上所述，为了从不同于所述输入图像150的图像域生成输出图像，所述图像处理装置100用于将所述输入图像150的所述风格特征向量113(由所述风格编码器神经网络111提供)替换为与不同于所述输入图像150的所述风格特征向量113的所述多个图像域125中的图像域相关联的一个或多个风格特征向量113’，并将所述输入图像150的所述内容特征图114(由所述内容编码器神经网络112提供)以及与不同图像域相关联的相应风格特征向量113’一起馈送至所述生成器神经网络120。例如，在图2所示的示例性实施例中，所述输入图像150(更具体地，其风格特征向量113)可以与所述图像域“晴朗日间图像”(在图2中称为图像域“2”)相关联。如图2所示，通过使用所述相同内容特征图114，但所述风格特征向量113’(例如，图2中所示的图像域“0”、“1”、“3”和“4”)与不同图像域相关联，例如，所述图像处理装置100可以将所述晴朗日间输入图像150转换为具有相同图像内容的多雾、多雪、多雨或夜间输出图像160。
44.在一实施例中，在所述训练阶段，所述生成器神经网络120用于将所述一个或多个输出图像160馈送回所述风格编码器神经网络111和所述内容编码器神经网络112。这样，可以训练所述图像处理装置100，以重建所述相同内容特征图114和用于所述相应输出图像
160的所述相应风格特征向量113、113’。这迫使所述风格编码器神经网络111将所述风格特征向量113、113’映射到所述高斯混合模型中，所述高斯混合模型用于对所述风格特征向量113、113’在所述多个图像域125上的所述分布进行建模。
45.如图2所示，在一实施例中，所述图像处理装置100还可以包括多尺度判别器神经网络121。在所述训练阶段，所述多尺度判别器神经网络121用于根据所述输出图像160确定反馈信息，并将所述反馈信息提供给所述生成器神经网络120，用于训练所述生成器神经网络120。在一实施例中，所述反馈信息包括有关所述一个或多个输出图像160是否属于使用所述高斯混合模型建模的所述多个图像域125中的一个图像域的信息和/或有关所述一个或多个输出图像160在所述对应的图像域中看起来是否真实的信息。在一实施例中，所述多尺度判别器神经网络121包括多个平均池化层，用于将所述一个或多个输出图像160下采样到具有不同图像分辨率的多个下采样输出图像。因此，所述多尺度判别器121不仅允许判别所述输出图像160的真实性(例如，其是真实的还是虚假的)，而且还允许判断其图像域标签。因此，有利地，通过使所述生成器神经网络120无法判断所述输出是真实的还是虚假的，以及所述生成器神经网络120所属的图像域，能够促进所述生成器神经网络120逐渐学习“欺骗”所述多尺度判别器121。
46.为了删除所述域特定信息，所述图像处理装置100还可以包括内容判别器神经网络116，在所述训练阶段，所述内容判别器神经网络116用于在所述内容特征图不仅包含内容信息而且还包含与所述相应训练输入图像150的所述图像域相关的信息的情况下，对相应内容特征图114进行过滤(即，丢弃)。换言之，所述内容判别器神经网络116可以确保所述相应内容特征图114与域无关，从而将所有域相关信息留给所述风格特征向量113、113’。
47.图3示出了一实施例提供的用于多域多模态图像生成的图像处理方法300的流程图。在一实施例中，所述图像处理方法300可以由上述图像处理装置100执行。
48.所述图像处理方法300包括以下步骤：生成(301)内容特征图114，其指示所述输入图像150的图像内容。
49.此外，所述图像处理方法300还包括以下步骤：生成(303)风格特征向量113，其指示所述输入图像150的图像域。
50.所述图像处理方法300还包括以下步骤：根据所述风格特征向量113，确定(305)多个图像域125中的图像域。
51.此外，所述图像处理方法300还包括以下步骤：根据所述输入图像150的所述内容特征图114以及与所述多个图像域125中的另一图像域相关联的另一风格特征向量113’，生成(307)所述输出图像160。
52.本领域技术人员将理解，各个附图(方法和装置)中的“块”(“单元”)表示或描述本发明实施例的功能(而不一定是硬件或软件中的单个“单元”)，从而描述装置实施例以及方法实施例(单元＝步骤)的相同功能或特征。
53.在本技术提供的几个实施例中，应当理解的是，所公开的系统、装置和方法可以通过其它方式实现。例如，所描述的装置实施例仅仅是示例性的。例如，单元划分仅仅是一种逻辑功能划分，实际实现时可以有其它划分方式。例如，可以将多个单元或组件组合或集成到另一系统中，或可以忽略或不执行一些特征。此外，所显示或讨论的相互耦合或直接耦合或通信连接可以通过一些接口来实现。装置或单元之间的直接耦合或通信连接可以通过电
子、机械或其它形式实现。
54.作为单独部分描述的单元可以或者也可以不在物理上分离，作为单元描述的部分可以是或者也可以不是物理单元，可以位于一个位置或者也可以分布在多个网络单元上。可以根据实际需要选择其中的部分或者全部单元来实现本实施例方案的目的。
55.另外，本发明实施例中的功能单元可集成到一个处理单元中，或者每个单元可在物理上单独存在，或者两个或更多单元集成到一个单元中。

技术特征：
1.一种用于根据输入图像(150)生成输出图像(160)的图像处理装置(100)，其特征在于，所述图像处理装置(100)用于：生成内容特征图(114)，其指示所述输入图像(150)的图像内容；生成风格特征向量(113)，其指示所述输入图像(150)的图像域；根据所述风格特征向量(113)，确定多个图像域(125)中的图像域；根据所述输入图像(150)的所述内容特征图(114)以及与所述多个图像域(125)中的另一图像域相关联的另一风格特征向量(113’)，生成所述输出图像(160)。2.根据权利要求1所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括第一编码器神经网络(112)，所述第一编码器神经网络(112)用于生成所述内容特征图(114)，其指示所述输入图像(150)的所述图像内容。3.根据权利要求1或2所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括第二编码器神经网络(111)，所述第二编码器神经网络(111)用于生成所述风格特征向量(113)，其指示所述输入图像(150)的所述图像域。4.根据上述权利要求中任一项所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)用于使用高斯混合模型(125)，根据所述风格特征向量(113)，确定所述多个图像域(125)中的所述图像域。5.根据权利要求4所述的图像处理装置(100)，其特征在于，所述多个图像域(125)中的每个图像域与所述高斯混合模型(125)中的一个高斯相关联。6.根据上述权利要求中任一项所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)用于：根据所述输入图像(150)的所述内容特征图(114)以及与所述多个图像域(125)中的第一另一图像域相关联的第一另一风格特征向量(113’)，生成第一输出图像(160)；根据所述输入图像(150)的所述内容特征图(114)以及与所述多个图像域(125)中的第二另一图像域相关联的第二另一风格特征向量(113’)，生成第二输出图像(160)。7.根据上述权利要求中任一项所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括内容判别器神经网络(116)，其中，在训练阶段，所述内容判别器神经网络(116)用于在所述内容特征图(114)包含与所述输入图像(150)的所述图像域相关的信息的情况下，对所述内容特征图(114)进行过滤。8.根据上述权利要求中任一项所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括生成器神经网络(120)，所述生成器神经网络(120)用于根据所述输入图像(150)的所述内容特征图(114)以及与所述多个图像域(125)中的所述另一图像域相关联的所述另一风格特征向量(113’)，生成所述输出图像(160)。9.根据权利要求8所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括：第一编码器神经网络(112)，用于生成所述内容特征图(114)，其指示所述输入图像(150)的所述图像内容；第二编码器神经网络(111)，用于生成所述风格特征向量(113)，其指示所述输入图像(150)的所述图像域；其中，在训练阶段，所述图像处理装置(100)还用于通过以下方式训练所述生成器神经网络(120)：将所述输出图像(160)馈送回所述第一编码器神经网络(112)和所述第二编码器神经网络(111)，以获取重建输入图像；最小化所述输入图像(150)与所述重建输入图像之间的差异。10.根据权利要求8或9中任一项所述的图像处理装置(100)，其特征在于，所述图像处
理装置(100)还包括多尺度判别器神经网络(121)，其中，在训练阶段，所述多尺度判别器神经网络(121)用于根据所述输出图像(160)确定反馈信息，并将所述反馈信息提供给所述生成器神经网络(120)用于训练所述生成器神经网络(120)，所述反馈信息包括有关所述输出图像(160)是否属于所述多个图像域(125)中的所述另一图像域的信息。11.根据权利要求10所述的图像处理装置(100)，其特征在于，所述多尺度判别器神经网络(121)包括多个平均池化层，用于将所述输出图像(160)下采样到具有不同图像分辨率的多个下采样输出图像。12.根据上述权利要求中任一项所述的图像处理装置(100)，其特征在于，所述图像处理装置(100)包括神经网络，所述神经网络用于确定与所述风格特征向量(113)相关联的所述多个图像域(125)中的所述图像域。13.一种用于根据输入图像(150)生成输出图像(160)的图像处理方法(300)，其特征在于，所述图像处理方法(300)包括：生成(301)内容特征图(114)，其指示所述输入图像(150)的图像内容；生成(303)风格特征向量(113)，其指示所述输入图像(150)的图像域；根据所述风格特征向量(113)，确定(305)多个图像域(125)中的图像域；根据所述输入图像(150)的所述内容特征图(114)以及与所述多个图像域(125)中的另一图像域相关联的另一风格特征向量(113’)，生成(307)所述输出图像(160)。14.一种计算机程序，其特征在于，包括程序代码，所述程序代码在由计算机执行时，使所述计算机执行根据权利要求13所述的方法。15.一种计算机程序产品，其特征在于，包括用于存储程序代码的非瞬时性计算机可读存储介质，所述程序代码在由计算机或处理器执行时，使所述计算机或所述处理器执行根据权利要求13所述的方法(300)。

技术总结
提供了一种用于根据输入图像(150)生成输出图像(160)的图像处理装置(100)。所述图像处理装置(100)用于生成内容特征图和风格特征向量，其中，所述内容特征图指示所述输入图像(150)的图像内容，所述风格特征向量指示所述输入图像(150)的图像域。此外，所述图像处理装置(100)用于根据所述风格特征向量，确定多个图像域中的图像域。所述图像处理装置(100)还用于根据所述输入图像(150)的所述内容特征图以及与所述多个图像域中的另一图像域相关联的另一风格特征向量，生成所述输出图像(160)。此外，还提供了一种对应的图像处理方法。还提供了一种对应的图像处理方法。还提供了一种对应的图像处理方法。


技术研发人员：沈枫易 奥纳伊
受保护的技术使用者：华为技术有限公司
技术研发日：2020.12.17
技术公布日：2023/8/13