基于修图切片的AI修图训练网络模型

技术领域

本发明涉及图片修饰技术领域，具体为基于修图切片的AI修图训练网络模型。

背景技术

目前修图领域使用的主要方法是借助于第三方软件(例如photoshop等)，通过人工方式对图片进行修复和美化，修复美化的对象包括人物肖像、静态物体等。修图调节的内容包括色彩、光效、质感、暗角、色调、变形等。

现有的借助于第三方软件修图对修图师有很高的技术要求，需要学习操作各种修图指令，修图师在修图过程中也会经常存在误操作和重复操作的问题。

发明内容

针对现有技术的不足，本发明提供了基于修图切片的AI修图训练网络模型，解决了上述背景技术中提出现有的借助于第三方软件修图对修图师有很高的技术要求，需要学习操作各种修图指令，修图师在修图过程中也会经常存在误操作和重复操作的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于修图切片的AI修图训练网络模型，包括以下操作步骤：

A、发送带有待修图片的请求与算法部署服务器样本采集；

B、经由算法部署服务器对图片进行修饰；

C、返回修饰好的图片；

可选的，所述步骤A中发送带有待修图片的请求与算法部署服务器样本采集包括以下操作步骤：

A1、通过实时采集修图师修图过程中的切片数据，采集的图片包括液化过程的图片，磨皮过程的图片和其它详细操作的图片等，不同的过程都有对应的图片组，用于算法部署服务器深度学习不同的修图功能；

A2、算法部署服务器运用GAN算法对采集到的样本进行深度学习，实现对图片进行与修图师同样的操作；

A3、将需要进行修饰的图片从发送端发送至算法部署服务器中等待修饰；

可选的，所述步骤B中经由算法部署服务器对图片进行修饰包括以下操作步骤：

B1、基于A1中对修图师修图操作的采集，并传输至算法部署服务器内部，并采用训练用图片对其色彩、磨皮、液化、几何矫正与背景替换等方面进行模拟训练，训练主要通过学习大量的样本，生成可以用于实际生产的推理模型，方便直接套用于不同图片上；

B2、基于A1中采集到的修图师的操作步骤通过算法部署服务器对待修图片进行色彩、磨皮、液化、几何矫正与背景替换这些操作，实现系统化自动修图作业；

可选的，所述步骤C中返回修饰好的图片包括以下操作步骤：

C1、将修饰好的图片返回发送端。

本发明提供了基于修图切片的AI修图训练网络模型，具备以下有益效果：

该基于修图切片的AI修图训练网络模型，修图都是通过算法部署服务器在后台操作完成，不需要修图师参与修图过程，节省了大量的修图人力资源，且修图质量不会参差不齐，整体上实现了高质量修图效果，而且通过对修图师的操作进行实时采集使得算法部署服务器不断进行学习，有利于长久保持高质量修图效果，而且无需再基于photoshop等第三方软件进行修图，节约了软件费用。

附图说明

图1为本发明具体实施方式的流程图；

图2为本发明算法部署服务器内部流程图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1至图2，本发明提供技术方案：基于修图切片的AI修图训练网络模型，包括以下操作步骤：

A、发送带有待修图片的请求与算法部署服务器样本采集；

B、经由算法部署服务器对图片进行修饰；

C、返回修饰好的图片；

步骤A中发送带有待修图片的请求与算法部署服务器样本采集包括以下操作步骤：

A1、通过实时采集修图师修图过程中的切片数据，采集的图片包括液化过程的图片，磨皮过程的图片和其它详细操作的图片等，不同的过程都有对应的图片组，用于算法部署服务器深度学习不同的修图功能；

A2、算法部署服务器运用GAN算法对采集到的样本进行深度学习，实现对图片进行与修图师同样的操作；

A3、将需要进行修饰的图片从发送端发送至算法部署服务器中等待修饰；

步骤B中经由算法部署服务器对图片进行修饰包括以下操作步骤：

B1、基于A1中对修图师修图操作的采集，并传输至算法部署服务器内部，并采用训练用图片对其色彩、磨皮、液化、几何矫正与背景替换等方面进行模拟训练，训练主要通过学习大量的样本，生成可以用于实际生产的推理模型，方便直接套用于不同图片上；

B2、基于A1中采集到的修图师的操作步骤通过算法部署服务器对待修图片进行色彩、磨皮、液化、几何矫正与背景替换这些操作，实现系统化自动修图作业；

步骤C中返回修饰好的图片包括以下操作步骤：

C1、将修饰好的图片返回发送端。

综上，该基于修图切片的AI修图训练网络模型，使用时，首先通过采用切片脚本实时采集修图师用修图端过程中的操作进行采集，并形成图片组传输至算法部署服务器内部，采集的图片包括液化过程的图片，磨皮过程的图片和其它详细操作的图片等，不同的过程都有对应的图片组，然后采用训练用图片对其色彩、磨皮、液化、几何矫正与背景替换等方面进行模拟训练，训练主要通过学习大量的样本，生成可以用于实际生产的推理模型，方便直接套用于不同图片上，当上述操作重复若干次没有问题后即可步入正式运作，将需要进行修饰的图片从发送端发送至算法部署服务器中，接着通过算法部署服务器对待修图片进行色彩、磨皮、液化、几何矫正与背景替换这些操作，实现系统化自动修图作业，最后将修饰好的图片返回发送端。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。