一种基于生成对抗网络的渲染图像光照方法.pdf

(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CN107862734A(43)申请公布日2018.03.30(21)申请号201711124676.1(22)申请日2017.11.14(71)申请人华南理工大学地址511458广东省广州市南沙区环市大道南路25号华工大广州产研院(72)发明人周智恒李立军(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李斌(51)Int.Cl.G06T15/50(2011.01)G06N3/08(2006.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于生成对抗网络的渲染图像光照方法(57)摘要本发明公开了一种基于生成对抗网络的渲染图像光照方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在判别器中得到图像数据集的光照数据分布；S5、将光照数据分布作线性变换之后输入生成器进行后续训练。本方法构建的基于渲染图像光照的原始生成对抗网络模型，通过提取图像数据集中的光照数据，并对其分布进行线性变换，最后输入至生成器中进行训练，从而达到了编辑图像光照的效果。CN107862734ACN107862734A权利要求书1/1页1.一种基于生成对抗网络的渲染图像光照方法，其特征在于，所述的渲染图像光照方法包括下列步骤：S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在判别器中得到图像数据集的光照数据分布；S5、将光照数据分布作线性变换之后输入生成器进行后续训练。2.根据权利要求1所述的一种基于生成对抗网络的渲染图像光照方法，其特征在于，所述的步骤S4具体过程如下：S41、通过卷积神经网络提取图像数据集中的光照信息；S42、得到光照信息的数据分布。3.根据权利要求1所述的一种基于生成对抗网络的渲染图像光照方法，其特征在于，所述的步骤S5中将光照数据分布作线性变换具体为对光照强度做出调整，包括增强光照和减弱光照。2CN107862734A说明书1/3页一种基于生成对抗网络的渲染图像光照方法技术领域[0001]本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络的渲染图像光照方法。背景技术[0002]生成式对抗网络(GenerativeAdversarialNetwork,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。[0003]在传统的对抗网络模型中，判别器只是对图像数据集和生成图像做出辨别，并没有提取图像的相关信息做后续处理。在这种情况下，整个网络的训练方向比较宽泛，生成器生成图像的数据分布较为自由，没有针对性。发明内容[0004]本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于生成对抗网络的渲染图像光照方法。[0005]本发明的目的可以通过采取如下技术方案达到：[0006]一种基于生成对抗网络的渲染图像光照方法，所述的渲染图像光照方法包括下列步骤：[0007]S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；[0008]S2、构造神经网络充当生成器与判别器的功能；[0009]S3、初始化随机噪声，输入生成器中；[0010]S4、在判别器中得到图像数据集的光照数据分布；[0011]S5、将光照数据分布作线性变换之后输入生成器进行后续训练。[0012]进一步地，所述的步骤S4具体过程如下：[0013]S41、通过卷积神经网络提取图像数据集中的光照信息；[0014]S42、得到光照信息的数据分布。[0015]进一步地，所述的步骤S5中将光照数据分布作线性变换具体为对光照强度做出调整，包括增强光照和减弱光照。[0016]本发明相对于现有技术具有如下的优点及效果：[0017]针对性：本发明根据渲染图像光照的操作过程，通过提取图像数据集中的光照信息，得到光照信息的数据分布，进行线性变换之后输入生成器中，能够达到编辑图像光照强度的效果，具有良好的针对性。附图说明3CN107862734A说明书2/3页[0018]图1是本发明中公开的原始生成对抗网络通过渲染图像光照进行训练的整体流程图。具体实施方式[0019]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的