图像生成模型的构建方法、装置、电子设备及存储介质

技术领域

本申请涉及深度学习技术领域，尤其涉及一种图像生成模型的构建方法、装置、电子设备及存储介质。

背景技术

翻拍指的是把照片、底片、绘图、文件图表等原件制成复制品。通过对原件进行翻拍处理所得到的翻拍图像，不仅可以保留原件的面貌，还可以校正原件的部分缺点。然而，针对证件图像，考虑到证件图像常涉及到身份验证，对安全性要求极高，在要求提交证件图像的场景中，通常不允许用户提交证件图像的翻拍图像。因此，若难以准确识别证件图像和对应的翻拍图像，身份验证很可能存在巨大的安全风险。

在翻拍图像识别场景下，为了提高翻拍图像的识别准确率，往往需要海量的翻拍图像参与训练样本的构建。然而，翻拍图像的生成流程较为繁琐，使得训练样本的生成效率低下。

发明内容

本申请实施例提供了一种图像生成模型的构建方法、装置、电子设备及存储介质，以在翻拍图像识别场景下提高训练样本的生成效率。

第一方面，本申请实施例提供了一种图像生成模型的构建方法，包括：

获取第一图像样本对；所述第一图像样本对包括属于不同类别的两个图像样本；

将所述第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；所述待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，

所述编码层用于对两个所述图像样本分别进行特征提取，得到第一编码特征和第二编码特征；所述特征映射层用于对所述第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对所述第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种所述第二随机分布参数对应的一个第二映射特征；所述特征融合层用于根据所述第一映射特征和每个所述第二映射特征生成融合特征；所述解码层用于根据所述融合特征进行解码处理，得到生成图像对；所述生成图像对包括属于不同类别的两个生成图像；

根据训练后的第一图像生成模型，构建目标图像生成模型；所述目标图像生成模型包括所述训练后的第一图像生成模型中的特征融合层和解码层。

第二方面，本申请实施例提供了一种图像生成方法，包括：

获取随机特征组；所述随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；所述第一随机特征对应于第一随机分布参数；每个所述第二随机特征对应于一种第二随机分布参数；

将所述随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；所述生成图像对包括属于不同类别的两个生成图像；所述目标图像生成模型通过如第一方面所述的图像生成模型的构建方法得到；所述目标图像生成模型包括依次连接的特征融合层和解码层；其中，

所述特征融合层用于根据所述第一随机特征和每个所述第二随机特征生成融合特征；所述解码层用于根据所述融合特征进行解码处理，得到所述生成图像对。

第三方面，本申请实施例提供了一种图像识别模型的训练方法，包括：

通过如第二方面所述的图像生成方法生成第二图像样本对；所述第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；

将所述第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；所述训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

第四方面，本申请实施例提供了一种图像生成模型的构建装置，包括：

第一获取单元，用于获取第一图像样本对；所述第一图像样本对包括属于不同类别的两个图像样本；

第一训练单元，用于将所述第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；所述待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，

所述编码层用于对两个所述图像样本分别进行特征提取，得到第一编码特征和第二编码特征；所述特征映射层用于对所述第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对所述第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种所述第二随机分布参数对应的一个第二映射特征；所述特征融合层用于根据所述第一映射特征和每个所述第二映射特征生成融合特征；所述解码层用于根据所述融合特征进行解码处理，得到生成图像对；所述生成图像对包括属于不同类别的两个生成图像；

构建单元，用于根据训练后的第一图像生成模型，构建目标图像生成模型；所述目标图像生成模型包括所述训练后的第一图像生成模型中的特征融合层和解码层。

第五方面，本申请实施例提供了一种图像生成装置，包括：

第二获取单元，用于获取随机特征组；所述随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；所述第一随机特征对应于第一随机分布参数；每个所述第二随机特征对应于一种第二随机分布参数；

第一生成单元，用于将所述随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；所述生成图像对包括属于不同类别的两个生成图像；所述目标图像生成模型通过如第一方面所述的图像生成模型的构建方法得到；所述目标图像生成模型包括依次连接的特征融合层和解码层；其中，

所述特征融合层用于根据所述第一随机特征和每个所述第二随机特征生成融合特征；所述解码层用于根据所述融合特征进行解码处理，得到所述生成图像对。

第六方面，本申请实施例提供了一种图像识别模型的训练装置，包括：

第二生成单元，用于通过如第二方面所述的图像生成方法生成第二图像样本对；所述第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；

第二训练单元，用于将所述第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；所述训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

第七方面，本申请实施例提供了一种电子设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行如第一方面所述的图像生成模型的构建方法，或者，如第二方面所述的图像生成方法，或者，如第三方面所述的图像识别模型的训练方法。

第八方面，本申请实施例提供了一种计算机可读存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现如第一方面所述的图像生成模型的构建方法，或者，如第二方面所述的图像生成方法，或者，如第三方面所述的图像识别模型的训练方法。

可以看出，在本申请实施例中，首先，获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；然后，将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；最后，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层，以此，可以获取由属于不同类别的两个图像样本构成的第一图像样本对，通过第一图像样本对，对待训练的第一图像生成模型所包括的编码层、特征映射层、特征融合层以及解码层联合在一起进行多任务训练，通过依次连接的编码层和特征映射层可以将该第一图像样本对转换为按照第一随机分布参数随机分布的第一映射特征以及在多种第二随机分布参数中按照每种第二随机分布参数随机分布的第二映射特征，进而，可以使得依次连接的特征融合层和解码层可以将第一映射特征和多个第二映射特征融合并解码得到生成图像对，该生成图像对包括属于不同类别的两个生成图像，通过模型训练，可以使得依次连接的特征融合层和解码层学习到如何基于按照第一随机分布参数随机分布的一个特征和在多种第二随机分布参数中按照每种第二随机分布参数随机分布的特征生成包括属于不同类别的两个生成图像的生成图像对，进而，可以基于训练后的第一图像生成模型中的特征融合层和解码层构建目标图像生成模型，该目标图像生成模型的输入数据实质为按照指定的分布参数随机生成的特征，而不是分别属于不同类别的两个图像构成的图像对，特征的生成难度远小于存在类别要求的图像对的获取难度，故目标图像生成模型可以利用易获得的随机生成的特征生成海量的属于不同类别的图像对，而不是基于获取难度相对较高的图像对生成对应的图像对，该图像对在翻拍图像识别场景下可以用于构建训练样本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本申请实施例提供的一种图像生成模型的构建方法的处理流程图；

图2为本申请实施例提供的一种图像生成模型的构建方法中训练第一图像生成模型的处理流程图；

图3为本申请实施例提供的一种图像生成模型的构建方法的数据流流向图；

图4为本申请实施例提供的一种图像生成方法的处理流程图；

图5为本申请实施例提供的又一种图像生成方法的处理流程图；

图6为本申请实施例提供的一种图像识别模型的训练方法的处理流程图；

图7为本申请实施例提供的一种图像生成模型的构建装置示意图；

图8为本申请实施例提供的一种图像生成装置示意图；

图9为本申请实施例提供的一种图像识别模型的训练装置示意图；

图10为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请的保护范围。

针对证件、合同、营业执照等各类证件图像的造假逐渐泛滥，给基于证件图像的身份验证带来了极大的安全隐患。翻拍指的是把照片、底片、绘图、文件图表等原件制成复制品。由于证件图像的安全性要求极高，通常不允许用户提交翻拍图像。若仅通过肉眼识别图像是否为翻拍图像，准确率低且效率低下，若通过深度学习的方式来训练用于识别图像是否为翻拍图像的模型，则需要海量的翻拍图像参与训练样本的构建。然而，翻拍图像的生成流程较为繁琐，在翻拍图像的需求量较大的情况下，获取大量证件图像，并针对每个证件图像进行翻拍处理所需的工作量大且效率低下。为了解决上述问题，本申请实施例提供了一种图像生成模型的构建方法。

图1为本申请实施例提供的一种图像生成模型的构建方法的处理流程图。图1的图像生成模型的构建方法可由电子设备执行，该电子设备可以是终端设备，比如手机、笔记本电脑、智能交互设备等等；或者，该电子设备还可以是服务器，比如独立的物理服务器、服务器集群或者是能够进行云计算的云服务器。参照图1，本实施例提供的图像生成模型的构建方法，具体包括步骤S102至步骤S106。

步骤S102，获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本。

第一图像样本对包括属于不同类别的两个图像样本。该两个图像样本可以是相似度大于预设阈值的两个图像样本。

在一种实现方式中，两个图像样本为证件图像和针对证件图像进行翻拍处理得到的翻拍图像。

在翻拍图像识别场景下，两个不同类别可以是翻拍类别和非翻拍类别。非翻拍类别可以用于表征属于该类别的图像为证件图像，翻拍类别可以用于表征属于该类别的图像为针对证件图像进行翻拍处理后得到的翻拍图像。

考虑到一个证件图像对应的翻拍图像可以近似视为该证件图像的复制图像，故翻拍图像与证件图像的身份识别结果相同。例如，第一图像样本包括证件图像1和针对证件图像1进行翻拍处理得到的翻拍图像1，该证件图像1为人物1的免冠证件照，则翻拍图像1同样是人物1的照片，且该证件图像1与翻拍图像1从视觉效果上看非常相似，可能存在肉眼无法识别的差异，也可能存在肉眼可见的轻微差异。

步骤S104，将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像。

编码层可以包括卷积层和池化层中的至少一者。编码层的输入可以是第一图像样本对所包括的两个图像样本，编码层的输出可以是特征映射层的输入。

编码层可以用于对接收的两个图像样本分别进行特征提取处理，得到第一编码特征和第二编码特征。

第一编码特征和第二编码特征均可以是一个特征向量。

在翻拍图像识别场景中，在两个图像样本中，可以将翻拍类别的图像样本确定为假体样本，将非翻拍类别的图像样本确定为真实样本。

具体实施时，通过编码层可以对真实样本进行特别提取，得到对应的第一编码特征；对假体样本进行特征提取，得到对应的第二编码特征。

第一随机分布参数对应于第一映射特征。

每种第二随机分布参数对应一个第二映射特征。

具体实施时，可以预先设置多个不同的均值与标准差，例如，μ

以第二随机分布参数的种数为2为例，第一随机分布参数可以包括均值μ

对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征可以参照下述公式(1)。

其中，

对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征，可以参照公式(2)和(3)。

其中，

在映射处理之后得到第一映射特征和多个第二映射特征均可以服从高斯分布。高斯分布是随机分布的一种，可以通过均值和标准差描述。

特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征。

第一映射特征可以是一个预设维度的特征向量，每个第二映射特征可以是一个该预设维度的特征向量。

根据第一映射特征和每个第二映射特征生成融合特征，可以是将多个特征向量堆叠为一个融合特征向量。

例如，第二随机分布参数的种数为2，第一映射特征为一个一维向量，2各第二映射特征中每个第二映射特征为一个一维向量，则基于第一映射特征和每个第二映射特征生成融合特征，可以是将三个一维向量堆叠为一个三维的融合特征向量。

在一种实现方式中，第一图像样本对包括原件图像样本、原件图像样本对应的非原件图像样本以及非原件图像样本的类别标签；原件图像样本对应于第一编码特征；非原件图像样本对应于第二编码特征；将第一图像样本对输入待训练的第一图像生成模型进行训练，包括：在第i次训练中，基于原件图像样本、非原件图像样本、第一映射特征、每个第二映射特征、生成图像对以及非原件图像样本的类别标签，生成第i次训练的损失函数值；损失函数值用于驱动第i次训练的第一图像生成模型进行参数更新。

原件图像样本对应的非原件图像样本，可以是与该原件图像样本的相似度大于等于预设相似度阈值的图像样本。例如，原件图像样本为证件图像，该原件图像样本对应的非原件图像样本为对该证件图像进行翻拍处理得到的翻拍图像。又例如，原件图像样本为未经过任何图像处理的原始图像，该原件图像样本对应的非原件图像样本为对该原始图像进行图像处理之后得到的图像。

具体实施时，将第一图像样本对输入待训练的第一图像生成模型进行训练的具体实现方式有：将原件图像样本和非原件图像样本输入第i-1次训练得到的第一图像生成模型，通过编码层对原件图像样本进行特征提取，得到第一编码特征；通过编码层对非原件图像样本进行特征提取，得到第二编码特征；通过特征映射层对第一编码特征按照第一随机分布参数进行映射处理，得到第一随机分布参数对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；通过特征融合层对第一映射特征和每个第二映射特征进行融合处理，得到融合特征；通过解码层对融合特征进行解码处理，得到第i次训练的生成图像对；基于原件图像样本、非原件图像样本、第一映射特征、每个第二映射特征、生成图像对以及非原件图像样本的类别标签，生成第i次训练的损失函数值；基于第i次训练的损失函数值，对第i-1次训练得到的第一图像生成模型进行参数更新，将参数更新后的第一图像生成模型确定为第i次训练得到的第一图像生成模型。

第i次训练的第一图像生成模型指的是在第i次训练中所使用的第一图像生成模型，即第i-1次训练得到的第一图像生成模型。

非原件图像样本的类别标签可以是用于表征翻拍图像的类别标签。

i可以是大于0的任意自然数。

在i＝1的情况下，将原件图像样本和非原件图像样本输入待训练的第一图像生成模型，通过编码层对原件图像样本进行特征提取，得到第一编码特征；通过编码层对非原件图像样本进行特征提取，得到第二编码特征；通过特征映射层对第一编码特征按照第一随机分布参数进行映射处理，得到第一随机分布参数对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；通过特征融合层对第一映射特征和每个第二映射特征进行融合处理，得到融合特征；通过解码层对融合特征进行解码处理，得到第1次训练的生成图像对；基于原件图像样本、非原件图像样本、第一映射特征、每个第二映射特征、生成图像对以及非原件图像样本的类别标签，生成第1次训练的损失函数值；基于第1次训练的损失函数值，对待训练的第一图像生成模型进行参数更新，将参数更新后的第一图像生成模型确定为第1次训练得到的第一图像生成模型。

基于第i次训练的损失函数值，对第i-1次训练得到的第一图像生成模型进行参数更新，可以是基于第i次训练的损失函数值，确定该第i-1次训练得到的第一图像生成模型中各个待训练参数的调节方向和调节数值，从而按照该调节方向和调节数值对各个待训练参数进行参数更新。

在一种实现方式中，基于原件图像样本、非原件图像样本、第一映射特征、每个第二映射特征、生成图像对以及非原件图像样本的类别标签，生成损失函数值的具体实现方式有：根据非原件图像样本的类别标签和每个第二映射特征，确定第一损失子函数的第一函数值；根据每个第二映射特征，确定第二损失子函数的第二函数值；根据第一映射特征和每个第二映射特征，确定第三损失子函数的第三函数值；根据生成图像对、原件图像样本以及非原件图像样本，确定第四损失子函数的第四函数值；对生成图像对进行身份识别处理，得到对应的身份识别结果，根据身份识别结果，确定第五损失子函数的第五函数值；根据第一函数值、第二函数值、第三函数值、第四函数值以及第五函数值中的至少一者，生成损失函数值。

在一种实现方式中，待训练的第一图像生成模型还包括全连接层；全连接层的输入为特征映射层的输出；每个第二映射特征包括第一目标特征和第二目标特征；根据非原件图像样本的类别标签和每个第二映射特征，确定第一损失子函数的第一函数值的具体实现方式有：通过全连接层，对第一目标特征进行转换处理，得到对应的第三目标特征；根据第三目标特征、非原件图像样本的类别标签以及交叉熵函数，计算得到第一函数值。

为了使映射得到的第一目标特征

y表示为第二图像样本的分类标签，fc表示为全连接层，此处将

通过全连接层，对第一目标特征

由于

其中，|…,…|表示为向量的内积，||x||

在一种实现方式中，原件图像样本包括n个第一像素单元；非原件图像样本包括n个第二像素单元；第一映射特征包括n个第一子特征；每个第一子特征对应于一个第一像素单元；第二目标特征包括n个第二子特征；每个第二子特征对应于一个第二像素单元；根据第一映射特征和每个第二映射特征，确定第三损失子函数的第三函数值的具体实现方式有：在原件图像样本中，计算n个第一子特征的平均值，得到第一平均值；在非原件图像样本中，计算n个第二子特征的平均值，得到第二平均值；根据第一平均值和第二平均值，确定第三函数值。

由于

其中，n用于表示每个图像样本中像素单元的数量。j用于表示累加过程中的自变量。

在原件图像样本中，计算n个第一子特征的平均值，得到第一平均值，例如，原件图像样本包括k个第一像素单元，每个第一像素单元分别对应于一个第一子特征：第一像素单元a1对应于第一子特征b1，第一像素单元a2对应于第一子特征b2……第一像素单元ak对应于第一子特征bk，计算b1、b2……bk该k个第一子特征的平均值，得到第一平均值。在非原件图像样本中，计算n个第二子特征的平均值，得到第二平均值，例如，非原件图像样本包括j个第二像素单元，每个第二像素单元分别对应于一个第二子特征：第二像素单元c1对应于第二子特征d1，第二像素单元c2对应于第二子特征d2……第二像素单元cj对应于第二子特征dj，计算d1、d2……dj该j个第二子特征的平均值，得到第二平均值。

根据第一平均值和第二平均值，确定第三函数值，可以是将第二平均值与第一平均值的差值确定为第三函数值，也可以是将第二平均值与第一平均值的比值确定为第三函数值，等等。

为了监督第一生成图像

其中，L用于表示第一图像样本，S用于表示第二图像样本。||x||

由于生成的

其中，Fip表示为提前训练好的身份识别网络，用于抽取特征以进行身份识别。第五函数值的数值越小，说明第一生成图像

根据第一函数值、第二函数值、第三函数值、第四函数值以及第五函数值中的至少一者，生成本次训练的损失函数值，可以是将第一函数值、第二函数值、第三函数值、第四函数值以及第五函数值中的至少一者求和，也可以是按照预设权重，对第一函数值、第二函数值、第三函数值、第四函数值以及第五函数值中的至少一者求加权和。

在一种实现方式中，解码层包括切分子层和解码子层；通过解码层对融合特征进行解码处理，得到图像生成结果的具体实现方式有：通过切分子层对融合特征进行切分处理，得到第一切分特征和第二切分特征；通过解码子层对第一切分特征进行解码处理，得到第一生成图像；通过解码子层对第二切分特征进行解码处理，得到第二生成图像；将第一生成图像和第二生成图像确定为图像生成结果。

融合特征可以是一个由第一映射特征和多个第二映射特征堆叠得到的多维特征向量，其中，第一映射特征和每个第二映射特征对应的向量维度均为预设维度。

通过切分子层对融合特征进行切分处理，得到第一切分特征和第二切分特征，可以是在多维特征向量中确定切分点并进行切分处理，得到第一切分特征和第二切分特征。第一切分特征和第二切分特征对应的向量维度均为预设维度。

切分子层如何在多维特征向量中确定切分点是通过模型训练学习的。

通过解码子层对第一切分特征进行解码处理，得到第一生成图像；通过解码子层对第二切分特征进行解码处理，得到第二生成图像。第一生成图像可以是一个与第一图像样本对中的第一图像样本的相似度大于预设相似度阈值的图像；第二生成图像可以是一个与第一图像样本对中的第二图像样本的相似度大于预设相似度阈值的图像。

示例性地，若第一图像样本为证件图像1，则第一生成图像为与证件图像1的相似度大于预设相似度阈值的图像，若第二图像样本为针对证件图像1进行翻拍处理得到的翻拍图像1，则第二生成图像为与翻拍图像1的相似度大于预设相似度阈值的图像。因此，第一生成图像和第二生成图像可以视为模拟证件图像与该模拟证件图像对应的模拟翻拍图像。

步骤S106，根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层。

基于训练后的第一图像生成模型包括的特征融合层和解码层，构建目标图像生成模型。

需要强调的是，目标图像生成模型不包括编码层和特征映射层。

在目标图像生成模型中，特征融合层的输入为在多种随机分布参数中基于每种随机分布参数确定的对应的随机特征，多种随机分别参数包括第一随机分布参数和多种第二随机分布参数。在目标图像生成模型中，特征融合层的输出为解码层的输入。解码层的输出为生成图像对。

在实际应用中，例如，翻拍图像识别场景中，利用目标图像生成模型获取生成图像对的目的可以是大批量生成可用于模拟真实证件图像和真实翻拍图像的图像对，进而，可以将该图像对作为训练样本训练图像识别模型，该图像识别模型可以用于确定待识别的图像是否为翻拍图像。为此，若直接将训练后的第一图像生成模型投入使用，则训练后的第一图像生成模型的输入数据为真实证件图像和真实翻拍图像构成的图像对，输出数据为生成图像对，进而，生成图像对的获取依赖于真实证件图像和翻拍证件图像的获取，限制了图像生成效率。因此，在模型训练阶段，编码层、特征映射层、特征融合层以及解码层联合训练，以利用真实证件图像和真实翻拍图像使特征融合层与解码层学习如何基于第一映射特征和多种第二映射特征生成由模拟真实证件图像的模拟证件图像和模拟真实翻拍图像的模拟翻拍图像构成的生成图像对；在模型投入使用阶段，目标图像生成模型仅包括特征融合层与解码层，该目标图像生成模型的输入数据实质为可以大批量随机生成的特征，而不是存在特殊要求的图像对，故该目标图像生成模型生成该生成图像对不依赖于真实证件图像与真实翻拍图像，由于输入数据相对易获得，故图像生成效率明显提高。

在如图1所示的实施例中首先，获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；然后，将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；最后，根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层，以此，可以获取由属于不同类别的两个图像样本构成的第一图像样本对，通过第一图像样本对，对待训练的第一图像生成模型所包括的编码层、特征映射层、特征融合层以及解码层联合在一起进行多任务训练，通过依次连接的编码层和特征映射层可以将该第一图像样本对转换为按照第一随机分布参数随机分布的第一映射特征以及在多种第二随机分布参数中按照每种第二随机分布参数随机分布的第二映射特征，进而，可以使得依次连接的特征融合层和解码层可以将第一映射特征和多个第二映射特征融合并解码得到生成图像对，该生成图像对包括属于不同类别的两个生成图像，通过模型训练，可以使得依次连接的特征融合层和解码层学习到如何基于按照第一随机分布参数随机分布的一个特征和在多种第二随机分布参数中按照每种第二随机分布参数随机分布的特征生成包括属于不同类别的两个生成图像的生成图像对，进而，可以基于训练后的第一图像生成模型中的特征融合层和解码层构建目标图像生成模型，该目标图像生成模型的输入数据实质为按照指定的分布参数随机生成的特征，而不是分别属于不同类别的两个图像构成的图像对，特征的生成难度远小于存在类别要求的图像对的获取难度，故目标图像生成模型可以利用易获得的随机生成的特征生成海量的属于不同类别的图像对，而不是基于获取难度相对较高的图像对生成对应的图像对，该图像对在翻拍图像识别场景下可以用于构建训练样本。

出于与前述的方法实施例相同的技术构思，本申请实施例还提供了另一种图像生成方法的实施例。图2为本申请实施例提供的一种图像生成模型的构建方法中训练第一图像生成模型的处理流程图。参见图2，图像生成模型的构建方法中训练第一图像生成模型的处理流程具体包括步骤S202至步骤S216。

步骤S202，输入证件图像和对应的翻拍图像。

第一图像样本对可以包括证件图像和针对证件图像进行翻拍处理得到的翻拍图像。

步骤S204，将证件图像和翻拍图像分别送入编码层。

步骤S206，分别得到真图编码结果和假图编码结果。

真图编码结果可以是通过编码层对证件图像进行特征提取得到的第一编码特征，具体可参照图1实施例中的第一编码特征的对应说明部分。

假图编码结果可以是通过编码层对翻拍图像进行特征提取得到的第二编码特征，具体可参照图1实施例中的第二编码特征的对应说明部分。

步骤S208，根据假图编码结果映射到假图分布。

根据假图编码结果映射到假图分布，可以是对第二编码特征按照第一种第二随机分布参数进行映射处理，得到对应的第二映射特征。

步骤S210，根据假图编码结果映射到潜在空间。

根据假图编码结果映射到潜在空间，可以是对第二编码特征按照第二种第二随机分布参数进行映射处理，得到对应的第二映射特征。

步骤S208与步骤S210中进行映射处理时所采用的第二随机分别参数是不同的第二随机分别参数。

步骤S212，根据真图编码结果映射到真实身份分布。

根据真图编码结果映射到真实身份分布，可以是对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征。

步骤S208、步骤S210以及步骤S212的执行顺序不固定，可以按照预设顺序依次执行，也可以同时执行。

步骤S214，堆叠三个分布向量。

三个分布向量包括第一映射特征和两个不同的第二映射特征。具体实施时，可以对三个分布向量进行融合处理，得到融合特征。

步骤S216，生成成对的真、假图。

成对的真、假图可以是属于翻拍类别的一个生成图像和属于非翻拍类别的一个生成图像。

由于技术构思相同，本实施例中描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。

图3为本申请实施例提供的一种图像生成模型的构建方法的数据流流向图。

如图3所示，通过对原件Live302进行特征提取，可以得到对应的特征图ENCl306。通过对翻拍件Spoof进行特征提取，可以得到对应的特征图ENCs308。基于预设标准差和均值310，可以将ENCl306映射至分布1(即316)；基于预设标准差和均值312，可以将ENCs308映射至分布2(即318)；基于预设标准差和均值314，可以将ENCs308映射至分布3(即320)。

分布3全连接后与翻拍标签324计算损失，得到损失1(即322)。

损失2(326)可以基于分布1和分布2确定。

损失3(即328)可以基于分布2和分布3确定。

基于分布1、分布2以及分布3可以生成融合特征330。将融合特征330送入解码器332，可以得到生成原件334和生成翻拍件336。

损失6可以基于生成原件334和生成翻拍件336确定。

损失4可以基于生成原件334和原件标签342确定。

损失5可以基于生成翻拍件336和翻拍标签324确定。

由于技术构思相同，本实施例中描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。

出于与前述的方法实施例相同的技术构思，本申请实施例还提供了一种图像生成方法的实施例。图4为本申请实施例提供的一种图像生成方法的处理流程图。参见图4，图像识别模型的训练方法具体包括步骤S402至步骤S404。

步骤S402，获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数。

步骤S404，将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。

本步骤中的图像生成模型的构建方法可以是前述的图像生成模型的构建方法实施例提供的一种图像生成模型的构建方法。

需要强调的是，在目标图像生成模型中，并未包括编码层和特征映射层，在此基础上，特征融合层的输入为随机特征组，特征融合层的输出为解码层的输入，而不是特征融合层的输入为特征映射层的输出。

在目标图像生成模型中，特征融合层用于根据随机特征组中的第一随机特征和每个第二随机特征生成融合特征。

具体实施时，获取随机特征组，包括：基于第一随机分布参数，生成符合随机分布的第一随机特征；基于每种第二随机分布参数，生成对应的一个符合随机分布的第二随机特征。

在一种实现方式中，获取随机特征组，包括：通过预设的随机向量生成单元，基于第一随机分布参数，生成服从随机分布的第一随机向量，将第一随机向量确定为第一随机特征；通过随机向量生成单元，基于每种第二随机分布参数，生成对应的一个服从随机分布的第二随机向量，将第二随机向量确定为第二随机特征。

具体实施时，在已知指定分布的分布参数的情况下，可以通过matlab、python或其他编程语言的预设代码自动生成服从该指定分布的随机向量。

预设的随机向量生成单元，可以用于通过运行预设代码自动生成服从指定分布的随机向量。

需要强调的是，本实施例中，随机特征组的生成与图1实施例提供的图像生成模型的构建方法实施例中模型训练阶段的随机特征组的生成不同，为了使模型学习如何生成模仿真实证件图像和真实翻拍图像的生成图像对，模型训练阶段所使用的随机特征组是基于真实证件图像和真实翻拍图像进行编码处理和映射处理得到的，而本实施例中生成的随机特征组与图像没有任何关系，是通过随机向量生成单元运行预设代码生成的随机向量，且每个随机向量彼此之间毫无关系。在获取数量的需求较大的情况下，随机向量的生成难度远小于真实证件图像和真实翻拍图像的获取难度。

在如图4所示的实施例中，首先，获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数；然后，将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。考虑到特征随机组中的第一随机特征和多个第二随机特征互相之间不存在关联关系，且在已知第一随机分布参数和多个第二随机分布参数的情况下，可以自由灵活地生成满足随机分布的大量随机特征，故获取随机特征组的操作简单，工作量较小，将随机特征组输入目标图像生成模型即可得到生成图像对，该生成图像对可以用于构建训练样本，该训练样本可以用于针对待训练的图像识别模型进行迭代训练，得到训练后的图像识别模型，该训练后的图像识别模型可以用于确定待识别的目标图像是否为翻拍图像。因此，在翻拍图像识别场景下，本图像生成方法在不依赖于图像采集操作和图像处理操作的情况下即可生成大量等同于证件图像和对应的翻拍图像的生成图像对，降低了获取训练样本的工作量，且能够获取数量足够多的翻拍图像，满足了模型训练的数据准备需求，从而间接提高了翻拍图像的识别准确性。

由于技术构思相同，本实施例中描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。

图5为本申请实施例提供的又一种图像生成方法的处理流程图。

步骤S502，堆叠三个随机噪声。

例如，该三个随机噪声可以是随机噪声1、随机噪声2以及随机噪声3。随机噪声1、随机噪声2以及随机噪声3均可以是一个一维向量。堆叠该三个随机噪声可以得到一个三维向量。

步骤S504，送入训练好的生成器。

训练好的生成器可以是前述方法实施例中的解码层。解码层可以用于根据堆叠三个随机噪声得到的融合特征进行解码处理，得到生成图像对。

步骤S506，生成成对的真假样本。

成对的真假样本可以是由属于翻拍类别的一个生成图像和属于非翻拍类别的一个生成图像构成的生成图像对。该属于翻拍类别的一个生成图像可以视为一个假样本，该属于非翻拍类别的一个生成图像可以视为一个真样本，则生成图像对可以视为一个成对的真假样本。

由于技术构思相同，本实施例中描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。

出于与前述的方法实施例相同的技术构思，本申请实施例还提供了又一种图像识别模型的训练方法的实施例。图6为本申请实施例提供的一种图像识别模型的训练方法的处理流程图。参见图6，图像识别模型的训练方法具体包括步骤S602至步骤S604。

步骤S602，通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本。

本步骤中的图像生成方法可以是前述的图像生成方式实施例所提供的图像生成方法。

第二图像样本对由属于翻拍类别的一个图像样本和属于非翻拍类别的一个图像样本共同构成。

步骤S604，将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

对于待训练的图像识别模型，第二图像样本对可以等效于一组由证件图像和该证件图像对应的翻拍图像构成的训练样本。

在如图6所示的实施例中，通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。考虑到特征随机组中的第一随机特征和多个第二随机特征互相之间不存在关联关系，且在已知第一随机分布参数和多个第二随机分布参数的情况下，可以自由灵活地生成满足随机分布的大量随机特征，故获取随机特征组的操作简单，工作量较小，将随机特征组输入目标图像生成模型即可得到模型训练所需的第二图像样本对。因此，在翻拍图像识别场景下，本图像识别模型的训练方法在不依赖于图像采集操作和图像处理操作的情况下即可生成大量等同于证件图像和对应的翻拍图像的生成图像对，降低了获取训练样本的工作量，且能够获取数量足够多的翻拍图像，满足了模型训练的数据准备需求，从而间接提高了翻拍图像的识别准确性。

由于技术构思相同，本实施例中描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。

在上述的实施例中，提供了一种图像生成模型的构建方法，与之相对应的，基于相同的技术构思，本申请实施例还提供了一种图像生成模型的构建装置，下面结合附图进行说明。

图7为本申请实施例提供的一种图像生成模型的构建装置示意图。

本实施例提供一种图像生成模型的构建装置700，包括：

第一获取单元702，用于获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；

第一训练单元704，用于将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，

编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；

构建单元706，用于根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层。

可选地，第一图像样本对包括原件图像样本、原件图像样本对应的非原件图像样本以及非原件图像样本的类别标签；原件图像样本对应于第一编码特征；非原件图像样本对应于第二编码特征；第一训练单元704，具体用于：

在第i次训练中，基于原件图像样本、非原件图像样本、第一映射特征、每个第二映射特征、生成图像对以及非原件图像样本的类别标签，生成第i次训练的损失函数值；损失函数值用于驱动第i次训练的第一图像生成模型进行参数更新。

可选地，第一训练单元704，还具体用于：

根据非原件图像样本的类别标签和每个第二映射特征，确定第一损失子函数的第一函数值；

根据每个第二映射特征，确定第二损失子函数的第二函数值；

根据第一映射特征和每个第二映射特征，确定第三损失子函数的第三函数值；

根据生成图像对、原件图像样本以及非原件图像样本，确定第四损失子函数的第四函数值；

对生成图像对进行身份识别处理，得到对应的身份识别结果，根据身份识别结果，确定第五损失子函数的第五函数值；

根据第一函数值、第二函数值、第三函数值、第四函数值以及第五函数值中的至少一者，生成损失函数值。

可选地，待训练的第一图像生成模型还包括全连接层；全连接层的输入为特征映射层的输出；每个第二映射特征包括第一目标特征和第二目标特征；第一训练单元704，还具体用于：

通过全连接层，对第一目标特征进行转换处理，得到对应的第三目标特征；

根据第三目标特征、非原件图像样本的类别标签以及交叉熵函数，计算得到第一函数值。

可选地，原件图像样本包括n个第一像素单元；非原件图像样本包括n个第二像素单元；第一映射特征包括n个第一子特征；每个第一子特征对应于一个第一像素单元；第二目标特征包括n个第二子特征；每个第二子特征对应于一个第二像素单元；第一训练单元704，还具体用于：

在原件图像样本中，计算n个第一子特征的平均值，得到第一平均值；在非原件图像样本中，计算n个第二子特征的平均值，得到第二平均值；

根据第一平均值和第二平均值，确定第三函数值。

可选地，解码层包括切分子层和解码子层；第一训练单元704，还具体用于：

通过切分子层对融合特征进行切分处理，得到第一切分特征和第二切分特征；

通过解码子层对第一切分特征进行解码处理，得到第一生成图像；通过解码子层对第二切分特征进行解码处理，得到第二生成图像；将第一生成图像和第二生成图像确定为生成图像对。

可选地，两个图像样本为证件图像和针对证件图像进行翻拍处理得到的翻拍图像。

本申请实施例所提供的图像生成模型的构建装置包括第一获取单元、第一训练单元以及构建单元，第一获取单元，用于获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；第一训练单元，用于将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；构建单元，用于根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层。以此，可以获取由属于不同类别的两个图像样本构成的第一图像样本对，通过第一图像样本对，对待训练的第一图像生成模型所包括的编码层、特征映射层、特征融合层以及解码层联合在一起进行多任务训练，通过依次连接的编码层和特征映射层可以将该第一图像样本对转换为按照第一随机分布参数随机分布的第一映射特征以及在多种第二随机分布参数中按照每种第二随机分布参数随机分布的第二映射特征，进而，可以使得依次连接的特征融合层和解码层可以将第一映射特征和多个第二映射特征融合并解码得到生成图像对，该生成图像对包括属于不同类别的两个生成图像，通过模型训练，可以使得依次连接的特征融合层和解码层学习到如何基于按照第一随机分布参数随机分布的一个特征和在多种第二随机分布参数中按照每种第二随机分布参数随机分布的特征生成包括属于不同类别的两个生成图像的生成图像对，进而，可以基于训练后的第一图像生成模型中的特征融合层和解码层构建目标图像生成模型，该目标图像生成模型的输入数据实质为按照指定的分布参数随机生成的特征，而不是分别属于不同类别的两个图像构成的图像对，特征的生成难度远小于存在类别要求的图像对的获取难度，故目标图像生成模型可以利用易获得的随机生成的特征生成海量的属于不同类别的图像对，而不是基于获取难度相对较高的图像对生成对应的图像对，该图像对在翻拍图像识别场景下可以用于构建训练样本。

在上述的实施例中，提供了一种图像生成方法，与之相对应的，基于相同的技术构思，本申请实施例还提供了一种图像生成装置，下面结合附图进行说明。

图8为本申请实施例提供的一种图像生成装置示意图。

本实施例提供一种图像生成装置800，包括：

第二获取单元802，用于获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数；

第一生成单元804，用于将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，

特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。

可选地，第二获取单元802，具体用于：

通过预设的随机向量生成单元，基于第一随机分布参数，生成服从随机分布的第一随机向量，将第一随机向量确定为第一随机特征；通过随机向量生成单元，基于每种第二随机分布参数，生成对应的一个服从随机分布的第二随机向量，将第二随机向量确定为第二随机特征。

本申请实施例所提供的图像生成装置包括第二获取单元和第一生成单元，第二获取单元，用于获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数；第一生成单元，用于将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过如第一方面的图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。考虑到特征随机组中的第一随机特征和多个第二随机特征互相之间不存在关联关系，且在已知第一随机分布参数和多个第二随机分布参数的情况下，可以自由灵活地生成满足随机分布的大量随机特征，故获取随机特征组的操作简单，工作量较小，将随机特征组输入目标图像生成模型即可得到生成图像对，该生成图像对可以用于构建训练样本，该训练样本可以用于针对待训练的图像识别模型进行迭代训练，得到训练后的图像识别模型，该训练后的图像识别模型可以用于确定待识别的目标图像是否为翻拍图像。因此，在翻拍图像识别场景下，本图像生成方法在不依赖于图像采集操作和图像处理操作的情况下即可生成大量等同于证件图像和对应的翻拍图像的生成图像对，降低了获取训练样本的工作量，且能够获取数量足够多的翻拍图像，满足了模型训练的数据准备需求，从而间接提高了翻拍图像的识别准确性。

在上述的实施例中，提供了一种图像识别模型的训练方法，与之相对应的，基于相同的技术构思，本申请实施例还提供了一种图像识别模型的训练装置，下面结合附图进行说明。

图9为本申请实施例提供的一种图像识别模型的训练装置示意图。

本实施例提供一种图像识别模型的训练装置900，包括：

第二生成单元902，用于通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；

第二训练单元904，用于将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

本申请实施例所提供的图像识别模型的训练装置包括第二生成单元和第二训练单元，第二生成单元，用于通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；第二训练单元，用于将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。考虑到特征随机组中的第一随机特征和多个第二随机特征互相之间不存在关联关系，且在已知第一随机分布参数和多个第二随机分布参数的情况下，可以自由灵活地生成满足随机分布的大量随机特征，故获取随机特征组的操作简单，工作量较小，将随机特征组输入目标图像生成模型即可得到模型训练所需的第二图像样本对。因此，在翻拍图像识别场景下，本图像识别模型的训练方法在不依赖于图像采集操作和图像处理操作的情况下即可生成大量等同于证件图像和对应的翻拍图像的生成图像对，降低了获取训练样本的工作量，且能够获取数量足够多的翻拍图像，满足了模型训练的数据准备需求，从而间接提高了翻拍图像的识别准确性。

对应上述描述的一种图像生成模型的构建方法，或者，对应上述描述的一种图像生成方法，或者，对应上述描述的一种图像识别模型的训练方法，基于相同的技术构思，本申请实施例还提供一种电子设备，该电子设备用于执行上述提供的图像生成模型的构建方法，或者，上述提供的图像生成方法，或者，上述提供的图像识别模型的训练方法，图10为本申请实施例提供的一种电子设备的结构示意图。

如图10所示，电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1001和存储器1002，存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括电子设备中的一系列计算机可执行指令。更进一步地，处理器1001可以设置为与存储器1002通信，在电子设备上执行存储器1002中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源1003，一个或一个以上有线或无线网络接口1004，一个或一个以上输入/输出接口1005，一个或一个以上键盘1006等。

在一个具体的实施例中，电子设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对电子设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；

将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，

编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；

根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层。

在另一个具体的实施例中，电子设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对电子设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数；

将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，

特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。

在又一个具体的实施例中，电子设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对电子设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；

将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

本说明书提供的一种计算机可读存储介质实施例如下：

对应上述描述的一种图像生成模型的构建方法，基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质。

本实施例提供的计算机可读存储介质，用于存储计算机可执行指令，计算机可执行指令在被处理器执行时实现以下流程：

获取第一图像样本对；第一图像样本对包括属于不同类别的两个图像样本；

将第一图像样本对输入待训练的第一图像生成模型进行训练，得到训练后的第一图像生成模型；待训练的第一图像生成模型包括依次连接的编码层、特征映射层、特征融合层以及解码层；其中，

编码层用于对两个图像样本分别进行特征提取，得到第一编码特征和第二编码特征；特征映射层用于对第一编码特征按照第一随机分布参数进行映射处理，得到对应的第一映射特征；对第二编码特征按照多种第二随机分布参数分别进行映射处理，得到每种第二随机分布参数对应的一个第二映射特征；特征融合层用于根据第一映射特征和每个第二映射特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对；生成图像对包括属于不同类别的两个生成图像；

根据训练后的第一图像生成模型，构建目标图像生成模型；目标图像生成模型包括训练后的第一图像生成模型中的特征融合层和解码层。

需要说明的是，本说明书中关于计算机可读存储介质的实施例与本说明书中关于图像生成模型的构建方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

对应上述描述的一种图像生成方法，基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质。

本实施例提供的计算机可读存储介质，用于存储计算机可执行指令，计算机可执行指令在被处理器执行时实现以下流程：

获取随机特征组；随机特征组包括符合随机分布的第一随机特征和多个第二随机特征；第一随机特征对应于第一随机分布参数；每个第二随机特征对应于一种第二随机分布参数；

将随机特征组输入目标图像生成模型进行图像生成处理，得到对应的生成图像对；生成图像对包括属于不同类别的两个生成图像；目标图像生成模型通过图像生成模型的构建方法得到；目标图像生成模型包括依次连接的特征融合层和解码层；其中，

特征融合层用于根据第一随机特征和每个第二随机特征生成融合特征；解码层用于根据融合特征进行解码处理，得到生成图像对。

需要说明的是，本说明书中关于计算机可读存储介质的实施例与本说明书中关于图像生成方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

对应上述描述的一种图像识别模型的训练方法，基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质。

本实施例提供的计算机可读存储介质，用于存储计算机可执行指令，计算机可执行指令在被处理器执行时实现以下流程：

通过图像生成方法生成第二图像样本对；第二图像样本对包括分别属于翻拍类别和非翻拍类别的两个图像样本；

将第二图像样本对输入待训练的图像识别模型进行训练，得到训练后的图像识别模型；训练后的图像识别模型用于确定待识别的目标图像是否为翻拍图像。

需要说明的是，本说明书中关于计算机可读存储介质的实施例与本说明书中关于图像识别模型的训练方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域内的技术人员应明白，本申请实施例可提供为方法、系统或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。