目标图片获取以及模型获取方法、装置、设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及计算机视觉、深度学习以及大模型等领域的目标图片获取以及模型获取方法、装置、设备及存储介质。

背景技术

目前，采用光学字符识别(OCR，Optical Character Recognition)模型对图片进行文本内容识别的技术在各行各业得到了广泛应用，如教育、医疗和金融等。为训练OCR模型，需要构建大量的训练样本。为此，可采用文本图片编辑方式来生成目标图片，进而可基于得到的目标图片构建OCR模型的训练样本等。

发明内容

本公开提供了目标图片获取以及模型获取方法、装置、设备及存储介质。

一种目标图片获取方法，包括：

获取待处理的第一图片以及第一文本内容；

获取所述第一图片的图片特征，并获取所述第一文本内容的文本特征；

根据所述图片特征以及所述文本特征生成目标图片特征；

根据所述目标图片特征生成目标图片，所述目标图片为将所述第一文本内容加入所述第一图片后得到的图片。

一种模型获取方法，包括：

获取训练样本，每条训练样本中分别包括一张训练图片；

利用所述训练样本对矢量量化生成对抗性网络模型进行训练；

其中，所述矢量量化生成对抗性网络模型由图片编码器以及图片解码器两部分组成；训练完成后，所述图片编码器用于生成待处理的第一图片的图片特征，所述图片解码器用于根据目标图片特征生成目标图片，所述目标图片特征为根据所述第一图片的图片特征以及待处理的第一文本内容的文本特征生成的，所述目标图片为将所述第一文本内容加入所述第一图片后得到的图片。

一种目标图片获取装置，包括：信息获取模块、特征获取模块、特征生成模块以及图片生成模块；

所述信息获取模块，用于获取待处理的第一图片以及第一文本内容；

所述特征获取模块，用于获取所述第一图片的图片特征，并获取所述第一文本内容的文本特征；

所述特征生成模块，用于根据所述图片特征以及所述文本特征生成目标图片特征；

所述图片生成模块，用于根据所述目标图片特征生成目标图片，所述目标图片为将所述第一文本内容加入所述第一图片后得到的图片。

一种模型获取装置，包括：样本获取模块以及模型训练模块；

所述样本获取模块，用于获取训练样本，每条训练样本中分别包括一张训练图片；

所述模型训练模块，用于利用所述训练样本对矢量量化生成对抗性网络模型进行训练；其中，所述矢量量化生成对抗性网络模型由图片编码器以及图片解码器两部分组成；训练完成后，所述图片编码器用于生成待处理的第一图片的图片特征，所述图片解码器用于根据目标图片特征生成目标图片，所述目标图片特征为根据所述第一图片的图片特征以及待处理的第一文本内容的文本特征生成的，所述目标图片为将所述第一文本内容加入所述第一图片后得到的图片。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述目标图片获取方法实施例的流程图；

图2为本公开所述第一图片的示意图；

图3为本公开所述目标图片的示意图；

图4为本公开所述目标图片获取方法的整体实现过程示意图；

图5为本公开所述模型获取方法实施例的流程图；

图6为本公开所述VQGAN模型的训练方式示意图；

图7为本公开所述目标图片获取装置实施例700的组成结构示意图；

图8为本公开所述模型获取装置实施例800的组成结构示意图；

图9示出了可以用来实施本公开的实施例的电子设备900的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述目标图片获取方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，获取待处理的第一图片以及第一文本内容。

在步骤102中，获取第一图片的图片特征，并获取第一文本内容的文本特征。

在步骤103中，根据获取到的图片特征以及文本特征生成目标图片特征。

在步骤104中，根据目标图片特征生成目标图片，所述目标图片为将第一文本内容加入第一图片后得到的图片。

在实际应用中，可基于文本内容和图片来编辑生成所需的目标图片，传统的实现方式通常都比较复杂，如需要对图片进行编辑拆分以及需要将文本内容转换成文本图片等，效率低下。

而采用上述方法实施例所述方案，可基于文生图的文本图片编辑方式，针对待处理的第一图片以及第一文本内容，通过特征获取以及特征处理等一些相对简单的操作，即可得到所需的目标图片，从而提升了图片生成效率，并确保了生成的图片效果等。

优选地，第一图片可为包括第二文本内容的图片，相应地，将第一文本内容加入第一图片可包括：利用第一文本内容替换第一图片中的第二文本内容。

和/或，优选地，第一图片可为不包括文本内容的图片，相应地，将第一文本内容加入第一图片可包括：将第一文本内容添加到第一图片中。

以第一图片中包括第二文本内容为例，图2为本公开所述第一图片的示意图，如图2所示，其中的第二文本内容为“叶子(LEAVES)”，假设第一文本内容为“结果(RESULT)”，那么经替换后，可得到如图3所示的目标图片，图3为本公开所述目标图片的示意图。

假设图2所示第一图片中不包括第二文本内容，如仅包括所示的背景内容(将第二文本内容视为前景)，那么也可将第一文本内容添加到第一图片中，从而得到所需的目标图片。

在实际应用中，具体采用上述哪种方式可根据实际需要而定，非常的灵活方便。

优选地，还可利用获取到的目标图片以及第一文本内容组成一条训练样本，第一文本内容为目标图片对应的标签，所述训练样本用于对OCR模型进行训练，即可将得到的训练样本作为OCR模型的训练样本，利用所述训练样本对OCR模型进行训练。

对于目标图片来说，其对应的标签是已知的，即为第一文本内容，那么相应地，可利用目标图片以及第一文本内容组成一条训练样本，所述训练样本可用于对OCR模型进行训练，即可自动地构建出OCR模型训练所需的训练样本，从而降低了实现成本，并提升了OCR模型的训练效果等，后续，可利用训练得到的OCR模型来进行实际的光学字符识别。

优选地，对于第一图片，可利用预训练的矢量量化生成对抗性网络(VQGAN，VectorQuantized Generative Adversarial Network)模型中的图片编码器(tokenizer)来对第一图片进行编码，从而得到所需的第一图片的图片特征。

另外，优选地，可利用VQGAN模型中的图片解码器(detokenizer)对目标图片特征进行解码，从而得到目标图片，VQGAN模型由图片编码器以及图片解码器两部分组成。

其中，利用图片编码器，可将第一图片编码成离散特征表示，得到第一图片的图片特征，即可实现图片到特征的转换，利用图片解码器，可将目标图片特征解码成目标图片，即可实现特征到图片的转换。

另外，优选地，可利用预训练的文本编码器(text encoder)对第一文本内容进行编码，从而得到第一文本内容的文本特征。

即可利用文本编码器对第一文本内容进行编码，从而可高效准确地获取到所需的文本特征。在实际应用中，可以使用训练好的语言模型(language model)作为文本编码器。

优选地，还可利用预训练的生成式解码器对获取到的图片特征以及文本特征进行解码，从而得到同时包括图片特征以及文本特征的目标图片特征。

即可将图片特征以及文本特征作为生成式解码器的输入，从而高效准确地获取到所需的目标图片特征。在实际应用中，可以使用转换解码器(transformer decoder)作为生成式解码器。

结合上述介绍，图4为本公开所述目标图片获取方法的整体实现过程示意图。如图4所示，假设第一图片中包括第二文本内容，首先，可利用VQGAN模型中的图片编码器对第一图片进行编码，从而得到第一图片的图片特征，并可利用文本编码器对第一文本内容进行编码，从而得到第一文本的文本特征，之后，可利用生成式解码器对图片特征以及文本特征进行解码，从而得到同时包括图片特征以及文本特征的目标图片特征，生成式解码器可以是一个自回归模型，进一步地，可利用VQGAN模型中的图片解码器对目标图片特征进行解码，从而得到所需的目标图片。

可以看出，VQGAN模型为本公开所述目标图片获取方法中所需用到的一个主要模型，以下即对该模型的获取方式进行说明。

图5为本公开所述模型获取方法实施例的流程图。如图5所示，包括以下具体实现方式。

在步骤501中，获取训练样本，每条训练样本中分别包括一张训练图片。

在步骤502中，利用训练样本对VQGAN模型进行训练；其中，VQGAN模型由图片编码器以及图片解码器两部分组成；训练完成后，图片编码器用于生成待处理的第一图片的图片特征，图片解码器用于根据目标图片特征生成目标图片，目标图片特征为根据第一图片的图片特征以及待处理的第一文本内容的文本特征生成的，目标图片为将第一文本内容加入第一图片后得到的图片。

采用上述方法实施例所述方案，可基于文生图的文本图片编辑方式，针对待处理的第一图片以及第一文本内容，通过借助于VQGAN模型实现的特征获取以及特征处理等一些相对简单的操作，即可得到所需的目标图片，从而提升了图片生成效率，并确保了生成的图片效果等。

优选地，所述训练图片可为包括文本内容的训练图片，所述利用训练样本对VQGAN模型进行训练的方式可包括：在训练过程中，利用图片编码器生成训练图片的图片特征，并获取图片解码器根据所述图片特征生成的图片，获取生成的图片与训练图片之间的差异，根据所述差异更新图片编码器以及图片解码器的模型参数。

图6为本公开所述VQGAN模型的训练方式示意图。如图6所示，对于输入的训练图片，可利用图片编码器将其编码成离散特征表示，即得到训练图片的图片特征，之后可利用图片解码器根据所述图片特征生成图片，即利用图片解码器将离散的特征表示解码成训练图片。

理论上，可以将任意图片作为训练图片，但训练图片通常为包括文本内容的训练图片，VQGAN模型中的图片编码器和图片解码器一起进行训练，先利用图片编码器将输入的训练图片编码成图片特征，再利用图片解码器根据图片特征生成图片，从图片解码器的角度来说，希望生成的图片与输入的训练图片一致，相应地，可比较生成的图片与训练图片之间的差异，根据所述差异对应更新模型参数。

当VQGAN模型训练至收敛后，即可将其进行实际应用，如将其应用到图1所示实施例对应的方法中，其中，可利用图片编码器对第一图片进行编码，得到第一图片的图片特征，并可利用图片解码器对目标图片特征进行解码，得到目标图片。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可提升图片生成效率，并确保了生成的图片效果，而且，对于任意图片和文本内容均可适用，即具有广泛适用性，另外，可利用生成的图片构建出OCR模型的训练样本，从而提升了OCR模型的训练效果等。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图7为本公开所述目标图片获取装置实施例700的组成结构示意图。如图7所示，包括：信息获取模块701、特征获取模块702、特征生成模块703以及图片生成模块704。

信息获取模块701，用于获取待处理的第一图片以及第一文本内容。

特征获取模块702，用于获取第一图片的图片特征，并获取第一文本内容的文本特征。

特征生成模块703，用于根据获取到的图片特征以及文本特征生成目标图片特征。

图片生成模块704，用于根据目标图片特征生成目标图片，所述目标图片为将第一文本内容加入第一图片后得到的图片。

采用上述装置实施例所述方案，可基于文生图的文本图片编辑方式，针对待处理的第一图片以及第一文本内容，通过特征获取以及特征处理等一些相对简单的操作，即可得到所需的目标图片，从而提升了图片生成效率，并确保了生成的图片效果等。

优选地，第一图片可为包括第二文本内容的图片，相应地，将第一文本内容加入第一图片可包括：利用第一文本内容替换第一图片中的第二文本内容。

和/或，优选地，第一图片可为不包括文本内容的图片，相应地，将第一文本内容加入第一图片可包括：将第一文本内容添加到第一图片中。

另外，优选地，图片生成模块704还可利用获取到的目标图片以及第一文本内容组成一条训练样本，第一文本内容为目标图片对应的标签，所述训练样本用于对OCR模型进行训练。

优选地，对于第一图片，特征获取模块702可利用预训练的VQGAN模型中的图片编码器来对第一图片进行编码，从而得到第一图片的图片特征，图片生成模块704可利用VQGAN模型中的图片解码器对目标图片特征进行解码，从而得到目标图片，VQGAN模型由图片编码器以及图片解码器两部分组成。

其中，利用图片编码器，可将第一图片编码成离散特征表示，得到第一图片的图片特征，即可实现图片到特征的转换，利用图片解码器，可将目标图片特征解码成目标图片，即可实现特征到图片的转换。

另外，优选地，特征获取模块702可利用预训练的文本编码器对第一文本内容进行编码，从而得到第一文本内容的文本特征。

优选地，特征生成模块703还可利用预训练的生成式解码器对获取到的图片特征以及文本特征进行解码，从而得到同时包括图片特征以及文本特征的目标图片特征。

图8为本公开所述模型获取装置实施例800的组成结构示意图。如图8所示，包括：样本获取模块801以及模型训练模块802。

样本获取模块801，用于获取训练样本，每条训练样本中分别包括一张训练图片。

模型训练模块802，用于利用训练样本对VQGAN模型进行训练；其中，VQGAN模型由图片编码器以及图片解码器两部分组成；训练完成后，图片编码器用于生成待处理的第一图片的图片特征，图片解码器用于根据目标图片特征生成目标图片，目标图片特征为根据第一图片的图片特征以及待处理的第一文本内容的文本特征生成的，目标图片为将第一文本内容加入第一图片后得到的图片。

采用上述装置实施例所述方案，可基于文生图的文本图片编辑方式，针对待处理的第一图片以及第一文本内容，通过借助于VQGAN模型实现的特征获取以及特征处理等一些相对简单的操作，即可得到所需的目标图片，从而提升了图片生成效率，并确保了生成的图片效果等。

优选地，所述训练图片可为包括文本内容的训练图片，模型训练模块802利用训练样本对VQGAN模型进行训练的方式可包括：在训练过程中，利用图片编码器生成训练图片的图片特征，并获取图片解码器根据所述图片特征生成的图片，获取生成的图片与训练图片之间的差异，根据所述差异更新图片编码器以及图片解码器的模型参数。

理论上，可以将任意图片作为训练图片，但训练图片通常为包括文本内容的训练图片，VQGAN模型中的图片编码器和图片解码器一起进行训练，先利用图片编码器将输入的训练图片编码成图片特征，再利用图片解码器根据图片特征生成图片，从图片解码器的角度来说，希望生成的图片与输入的训练图片一致，相应地，可比较生成的图片与训练图片之间的差异，根据所述差异对应更新模型参数。

图7和图8所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可提升图片生成效率，并确保了生成的图片效果，而且，对于任意图片和文本内容均可适用，即具有广泛适用性，另外，可利用生成的图片构建出OCR模型的训练样本，从而提升了OCR模型的训练效果等。

本公开所述方案可应用于人工智能领域，特别涉及计算机视觉、深度学习以及大模型等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开所述实施例中的图片和文本内容等并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9示出了可以用来实施本公开的实施例的电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。