模型训练方法及图像处理方法

技术领域

本公开涉及计算机技术领域，并且更具体地涉及人工智能领域，具体涉及图像处理、机器学习和深度学习技术。

背景技术

相关技术中，当进行光照风格迁移时，通常会采用基于融合检索技术的图像融合方式进行处理，然而这样往往存在计算量较大、占用较多存储空间以及准确性差等技术问题。因此，如何通过训练得到收敛的光照分格迁移模型，并基于光照分格迁移模型高效、准确地进行光照风格迁移，已成为重要的研究方向之一。

发明内容

本公开提供了一种模型训练方法及图像处理方法。

根据本公开的一方面，提供了一种模型训练方法，包括：

获取训练样本，其中，所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像，所述样本图像和所述样本参考图像具有不同的光照风格；

将所述训练样本输入光照风格迁移模型中，由所述光照风格迁移模型根据所述样本图像和所述样本参考图像生成所述样本图像的光照风格迁移图像；

获取所述样本参考图像和所述光照风格图像的风格相似度，并基于所述风格相似度调整所述光照风格迁移模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述光照风格迁移模型确定为目标光照风格迁移模型。

根据本公开的另一方面，提供了一种图像处理方法，包括：

获取待处理图像；

将所述待处理图像输入至目标光照风格迁移模型，由所述目标光照风格迁移模型输出所述待处理图像的目标光照风格迁移图像，其中，所述目标光照风格迁移模型为采用第一方面所述的模型训练方法训练出的模型。

根据本公开的另一方面，提供了一种图像处理方法，包括：

获取待处理图像以及与所述待处理图像对应的参考图像；

获取所述待处理图像对应的第一光照风格以及所述参考图像对应的第二光照风格；

根据所述第一光照风格和所述第二光照风格，获取所述待处理图像的目标光照风格迁移图像。

根据本公开的另一方面，提供了一种模型训练装置，包括：

获取模块，用于获取训练样本，其中，所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像，所述样本图像和所述样本参考图像具有不同的光照风格；

生成模块，用于将所述训练样本输入光照风格迁移模型中，由所述光照风格迁移模型根据所述样本图像和所述样本参考图像生成所述样本图像的光照风格迁移图像；

确定模块，用于获取所述样本参考图像和所述光照风格图像的风格相似度，并基于所述风格相似度调整所述光照风格迁移模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述光照风格迁移模型确定为目标光照风格迁移模型。

根据本公开的另一方面，提供了一种图像处理装置，包括：

获取模块，用于获取待处理图像；

输出模块，用于将所述待处理图像输入至目标光照风格迁移模型，由所述目标光照风格迁移模型输出所述待处理图像的目标光照风格迁移图像，其中，所述目标光照风格迁移模型为采用第一方面所述的模型训练方法训练出的模型。

根据本公开的另一方面，提供了一种图像处理装置，包括：

第一获取模块，用于获取待处理图像以及与所述待处理图像对应的参考图像；

第二获取模块，用于获取所述待处理图像对应的第一光照风格以及所述参考图像对应的第二光照风格；

第三获取模块，用于根据所述第一光照风格和所述第二光照风格，获取所述待处理图像的目标光照风格迁移图像。

根据本公开的另一方面，提供了一种电子设备，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本公开第一方面所述的模型训练方法或者第二方面所述或者第三方面所述的图像处理方法。

根据本公开的另一方面，提供了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所述计算机执行本公开第一方面所述的模型训练方法或者第二方面所述或者第三方面所述的图像处理方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现根据本公开第一方面所述的模型训练方法或者第二方面所述或者第三方面所述的图像处理方法。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是一种图像处理方法的示意图；

图8是另一种图像处理方法的示意图；

图9是根据本公开第九实施例的示意图；

图10是用来实现本公开实施例的模型训练方法的模型训练装置的框图；

图11是用来实现本公开实施例的图像处理方法的图像处理装置的框图；

图12是用来实现本公开实施例的另一种图像处理方法的图像处理装置的框图；

图13是用来实现本公开实施例的模型训练方法以及图像处理方法的电子设备的框图。

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。

以下对本公开的方案涉及的技术领域进行简要说明：

计算机技术(Computer Technology)，内容非常广泛，可粗略分为计算机系统技术、计算机器件技术、计算机部件技术和计算机组装技术等几个方面。计算机技术包括：运算方法的基本原理与运算器设计、指令系统、中央处理器(Central Processing Unit，CPU)设计、流水线原理及其在CPU设计中的应用、存储体系、总线与输入输出。

AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生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计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。

图像处理技术(Image Processing)，图像处理技术是用计算机对图像信息进行处理的技术。主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。

机器学习(Machine Learning，ML)，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能核心，是使计算机具有智能的根本途径。

DL(Deep Learning，深度学习)，是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

下面参考附图描述本公开实施例的一种模型训练方法及图像处理方法。

图1是根据本公开第一实施例的示意图。其中，需要说明的是，本实施例的模型训练方法的执行主体为模型训练装置，图像处理装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。

如图1所示，本实施例提出的模型训练方法，包括如下步骤：

S101、获取训练样本，其中，训练样本包括样本图像以及与样本图像对应的样本参考图像，样本图像和样本参考图像具有不同的光照风格。

需要说明的是，样本图像和样本参考图像具有不同的光照风格，其中，样本参考图像的光照条件优于样本图像。

一般情况下，白天的光照条件优于夜晚的光照条件，晴天的光照条件优于阴天的光照条件，这样一来，针对一组训练样本，可以将于夜晚拍摄的图像作为样本图像，并将于白天拍摄的图像作为对应的样本参考图像；也可以将于阴天拍摄的图像作为样本图像，并将于晴天拍摄的图像作为对应的样本参考图像。

需要说明的是，本公开提出的模型训练方法可以适用于多种光照风格迁移模型的训练，进一步地，光照风格迁移模型也适用于多种应用场景中。由此，本公开中，针对不同的应用场景，获取训练样本中的样本图像以及样本参考图像的先后顺序不作限定。

以基于光照风格迁移模型进行定位的应用场景为例，可以获取于光照条件好的时刻拍摄的图像作为样本参考图像，然后根据样本参考图像，获取于光照条件差的时刻拍摄的图像作为样本图像。

举例而言，可以从原始地图中获取任一于白天拍摄的图像作为对应的样本参考图像。进一步地，可以根据样本参考图像，获取于夜晚拍摄的图像作为样本图像。

S102、将训练样本输入光照风格迁移模型中，由光照风格迁移模型根据样本图像和样本参考图像生成样本图像的光照风格迁移图像。

本公开实施例中，光照风格迁移模型可以将样本参考图像的光照风格迁移到样本图像中，生成样本图像的光照风格迁移图像。

举例而言，将训练样本输入光照风格迁移模型中，其中，样本参考图像为白天拍摄的图像，样本图像为夜晚拍摄的图像，由光照风格迁移模型将白天拍摄图像的光照分格迁移至夜晚拍摄的图像中，生成夜晚拍摄的图像的光照风格迁移图像。

S103、获取样本参考图像和光照风格图像的风格相似度，并基于风格相似度调整光照风格迁移模型的模型参数，直至满足训练结束条件，将最后一次调整模型参数后的光照风格迁移模型确定为目标光照风格迁移模型。

其中，风格相似度，指的是样本参考图像的光照风格和光照风格迁移图像的光照风格之间的相似程度。

本公开实施例中，可以对样本参考图像和光照风格迁移图像进行特征提取，以获取光照风格迁移图像的风格特征和样本参考图像的风格特征，进而获取两个风格特征之间的风格相似度。

其中，训练停止条件可以根据实际情况进行设定。例如可以设定样本参考图像和光照风格图像的风格相似度达到预设风格相似度阈值；又例如可以设定训练停止条件为光照风格迁移模型的参数的调整次数达到预设次数阈值。

根据本公开实施例的模型训练方法，通过获取训练样本，并将训练样本输入光照风格迁移模型中，由光照风格迁移模型根据样本图像和样本参考图像生成样本图像的光照风格迁移图像，以获取样本参考图像和光照风格图像的风格相似度，并基于风格相似度调整光照风格迁移模型的模型参数，直至满足训练结束条件，将最后一次调整模型参数后的光照风格迁移模型确定为目标光照风格迁移模型。由此，本公开通过获取光照风格不一致的样本图像和样本参考图像训练光照风格迁移模型，并基于相似度对模型参数进行调整，使得收敛的目标光照风格迁移模型能够准确、可靠地将样本参考图像的光照风格迁移至样本图像中，同时为基于目标光照风格迁移模型进行图像处理奠定了基础。

进一步地，在本公开实施例中，光照风格迁移模型可以为生成式对抗网络(Generative Adversarial Networks，简称GAN)模型。

下面以光照风格迁移模型为GAN模型为例，进行解释说明。

需要说明的是，生成式对抗网络是一种深度学习模型。模型通过框架中(至少)包括两个网络：生成(Generative)网络和判别(Discriminative)网络；其中，生成网络，用于基于给定的隐含信息随机产生观测数据；判别网络，用于基于观测数据进行判别，例如真假判别、相似度判别等。

此种情况下，在本公开实施例中，生成网络用于根据样本图像和样本参考图像生成样本图像的光照风格迁移图像，判别网络用于对样本参考图像和光照风格迁移图像进行风格相似度判别。

进一步地，可以基于风格相似度，调整GAN模型的模型参数，以获取目标GAN模型。

图2是根据本公开第二实施例的示意图。

如图2所示，以光照风格迁移模型为GAN模型为例，本实施例提出的模型训练方法，包括如下步骤：

S201、获取训练样本，其中，训练样本包括样本图像以及与样本图像对应的样本参考图像，样本图像和样本参考图像具有不同的光照风格。

作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S201中获取训练样本的具体过程，包括以下步骤：

S301、获取样本参考图像以及样本参考图像对应的拍摄角度、拍摄位置和第一拍摄时间。

需要说明的是，本公开中对于获取样本参考图像以及样本参考图像对应的拍摄角度、拍摄位置和第一拍摄时间的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以从原始地图中获取任一于白天拍摄的图像作为对应的样本参考图像，然后获取拍摄样本参考图像时对应的拍摄角度、拍摄位置和第一拍摄时间。

S302、获取第二拍摄时间，并根据拍摄角度、拍摄位置和第二拍摄时间进行图像采集，以获取样本图像，其中，第一拍摄时间和第二拍摄时间分别对应于不同的光照风格。

可选地，可以将黑夜作为第二拍摄时间，然后根据拍摄角度、拍摄位置和第二拍摄时间进行图像采集。也就是说，可以根据样本参考图像的拍摄位置在黑夜朝着样本参考图像的拍摄角度进行拍摄，从而完成对于夜间场景图像(样本图像)的拍摄。

进一步地，为了进一步丰富训练数据，并提升模型训练效果，在根据拍摄角度、拍摄位置和第二拍摄时间进行图像采集，以获取样本图像时，可以在夜间拍摄的过程中调整相机的不同曝光程度以及对焦情况等拍摄参数。

作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤中根据拍摄角度、拍摄位置和第二拍摄时间进行图像采集，以获取样本图像的具体过程，包括以下步骤：

S401、获取至少一个拍摄参数，其中，拍摄参数至少包括以下之一：曝光程度和对焦情况。

其中，拍摄参数，指的是拍摄图像时相机等采集装置的参数。

需要说明的是，本公开中，拍摄参数至少包括曝光程度和对焦情况，可选地，还可以包括光圈、快门、感光度、焦距等。

S402、针对每个拍摄参数，按照拍摄参数、拍摄角度、拍摄位置和第二拍摄时间进行图像采集，以获取样本图像。

在本公开实施例中，在获取到拍摄参数、拍摄角度和第二拍摄时间后，可以针对每个拍摄参数，采用固定的拍摄角度、拍摄位置和第二拍摄时间进行图像采集，进而获取多个样本图像。

需要说明的是，此种情况下，获取到的多个样本图像对应同一个样本参考图像。

举例而言，针对样本参考图像甲，若拍摄参数分别为A1、A2、和A3，此种情况下，可以获取到以下三个样本图像：拍摄参数为A1、拍摄角度为B、拍摄位置为C和第二拍摄时间为D的样本图像乙、拍摄参数为A2、拍摄角度为B、拍摄位置为C和第二拍摄时间为D的样本图像丙，以及拍摄参数为A3、拍摄角度为B、拍摄位置为C和第二拍摄时间为D的样本图像丁。

S202、基于训练样本对GAN模型中的生成网络和判别网络进行对抗训练，其中，生成网络用于根据样本图像和样本参考图像生成样本图像的光照风格迁移图像，判别网络用于根据样本参考图像对光照风格图像进行风格相似度判别。

本公开实施例中，可以将样本图像和样本参考图像输入生成网络，以输出样本图像的光照风格迁移图像。

作为一种可能的实现方式，如图5所示，在上述实施例的基础上，上述步骤中根据样本图像和样本参考图像生成样本图像的光照风格迁移图像的具体过程，包括以下步骤：

S501、对样本参考图像的光照风格进行分离，以得到样本参考图像对应的参考光照风格。

其中，对样本参考图像的光照风格进行分离，指的是从样本参考图像中分离出样本参考图像的参考光照风格的过程。

S502、将参考光照风格迁移至样本图像中，以得到光照风格迁移图像。

本公开实施例中，在获取到参考光照风格后，可以将参考光照风格迁移至样本图像中，以得到光照风格迁移图像。

需要说明的是，本公开中，在将参考光照风格迁移至样本图像中的过程中，至少要将参考光照风格的亮度迁移至样本图像中，使样本图像的亮度接近样本参考图像的亮度。可选地，还可以将参考光照风格的色温和色差等参数迁移至样本图像中。

需要说明的是，光照风格迁移图像中，出光照风格发生变化外，其余部分均保持不变。也就是说，光照风格迁移图像，仅改变了样本图像的光照风格，不会改变样本图像所呈现的拍摄内容(例如建筑物、人物等)。

进一步地，可以将生成网络输出的样本图像的光照风格迁移图像和样本参考图像输入判别网络，以输出样本参考图像和光照风格图像之间的风格相似度。

作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤中获取光照风格迁移图像和样本参考图像之间的风格相似度的具体过程，包括以下步骤：

S601、将光照风格迁移图像和样本参考图像输入至判别网络，由判别网络对光照风格迁移图像和样本参考图像进行特征提取，以获取光照风格迁移图像对应的第一风格特征和样本参考图像对应的第二风格特征。

其中，第一风格特征指的是光照风格迁移图像对应的光照风格特征。

其中，第二风格特征指的是样本参考图像对应的光照风格特征。

需要说明的是，在光照风格迁移图像和样本参考图像输入至判别网络后，可以利用判别网络中的卷积层进行特征提取，以得到第一风格特征和第二风格特征。

举例而言，由于光照风格迁移图像和样本参考图像的视角非常接近，由此，可以使用判别网络中的VGG16(Visual Geometry Group)以及ResNet18(Residual NeuralNetwork)的等浅卷积神经网络进行相似度计算。可选地，可以通过获取浅卷积神经网络的前n层得到光照风格迁移图像和样本参考图像的浅层特征，即第一风格特征和第二风格特征。

S602、根据第一风格特征和第二风格特征，获取光照风格迁移图像和样本参考图像之间的风格相似度。

在本公开实施例中，在获取到第一风格特征和第二风格特征后，可以光照风格迁移图像和样本参考图像之间的风格相似度。

需要说明的是，本公开中对于获取光照风格迁移图像和样本参考图像之间的风格相似度的具体方式不作限定，可以根据实际情况进行选取。

可选地，在利用浅卷积神经网络得到浅层特征后，可以根据第一风格特征和第二风格特征进行余弦相似度等相似度计算。

S203、基于风格相似度，调整GAN模型的模型参数，以获取目标GAN模型。

本公开实施例中，在获取风格相似度后，可以基于风格相似度获取GAN模型的损失函数，进而根据损失函数调整模型参数。

可选地，在调整GAN模型的模型参数的过程中，可以将每次得到的风格相似度与风格相似度阈值进行比较。可选地，响应于风格相似度未达到预设风格相似度阈值，则根据风格相似度获取损失函数，并根据损失函数调整光照风格迁移模型的模型参数；可选地，响应于风格相似度达到预设风格相似度阈值，则停止训练，并根据将本次调整模型参数后的GAN模型作为目标GAN模型。

其中，损失函数可以为交叉熵损失函数等。进一步地，可以根据损失函数以通过反向传播的方式进行训练以调整GAN模型的模型参数。

根据本公开实施例的模型训练方法，可以通过采用多个不同的拍摄参数采集样本图像，丰富了训练样本，提升了模型训练效果，提高了目标GAN模型的鲁棒性。同时，可以通过判别网络中的浅卷积神经网络进行相似度计算，缩短了模型训练用时，进一步提升了模型训练效率。由此，基于本公开提出的模型训练方法，通过训练过程简单、效率以及可靠性高的方式，训练得到收敛的GAN模型等光照风格迁移模型。

图7是根据本公开第七实施例的示意图。其中，需要说明的是，本实施例的图像处理方法的执行主体为图像处理装置，图像处理装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。

如图7所示，本实施例提出的图像处理方法，包括如下步骤：

S701、获取待处理图像。

其中，待处理图像可以为任一图像。可选地，可以为任一与预期光照风格不一致的图像。

例如，针对定位应用场景，若任一图像为光照风格较差的图像，例如为于黑夜拍摄得到的图像，则可以将该图像作为待处理图像。

又例如，针对图像处理应用场景，若预期光照风格为夜间拍摄风格的图像，此种情况下，可以将任一于白天拍摄风格下采集到的图像作为待处理图像。

S702、将待处理图像输入至目标光照风格迁移模型，由目标光照风格迁移模型输出待处理图像的目标光照风格迁移图像。

需要说明的是，作为一种可能的实现方式，在试图对待处理图像进行光照风格迁移处理时，可以基于目标光照风格迁移模型进行处理，此种情况下，仅需获取待处理图像，无需获取待处理图像对应的参考图像。

其中，目标光照风格迁移模型是训练好的收敛模型。

在本公开实施例中，可以将待处理图像输入至目标光照风格迁移模型中，由目标光照风格迁移模型将目标光照风格迁移至待处理图像中，以得到待处理图像的目标光照风格迁移图像。

根据本公开实施例的图像处理方法，可以通过获取待处理图像，进而将待处理图像输入至目标光照风格迁移模型中，输出待处理图像的目标光照风格迁移图像，使得待处理图像的光照风格可以通过收敛的目标光照风格迁移模型进行迁移，确保了光照风格迁移效果，进而提高了待处理图像的利用率，提升了用户体验。

作为一种可能的实现方式，目标光照风格迁移模型可以为目标GAN模型。可选地，可以将待处理图像输入至目标GAN模型，由目标GAN模型中的生成网络输出待处理图像的目标光照风格迁移图像。

根据本公开实施例的图像处理方法，可以通过获取待处理图像，进而将将待处理图像输入至目标GAN模型，由目标GAN模型中的生成网络输出待处理图像的目标光照风格迁移图像，使得待处理图像的光照风格可以通过目标GAN模型进行迁移，确保了光照风格迁移效果，进而提高了待处理图像的利用率，提升了用户体验。

图8是根据本公开第八实施例的示意图。其中，需要说明的是，本实施例的图像处理方法的执行主体为图像处理装置，图像处理装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。

如图8所示，本实施例提出的图像处理方法，包括如下步骤：

S801、获取待处理图像以及与待处理图像对应的参考图像。

需要说明的是，作为一种可能的实现方式，在试图对待处理图像进行光照风格迁移处理时，可以不基于目标光照风格迁移模型进行处理，此种情况下，需要在获取待处理图像的同时，还需获取待处理图像对应的参考图像。

其中，待处理图像可以为任一图像。可选地，可以为任一与预期光照风格不一致的图像；待处理图像对应的参考图像可以为任一与待处理图像的光照风格不一致的图像。可选地，可以为任一与预期光照风格一致的图像。

S802、获取待处理图像对应的第一光照风格以及参考图像对应的第二光照风格。

需要说明的是，本公开中对于获取待处理图像对应的第一光照风格以及参考图像对应的第二光照风格的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以对待处理图像进行分离，以获取对应的第一光照风格，并对参考图像进行分离，以获取对应的第二光照风格。

S803、根据第一光照风格和第二光照风格，获取待处理图像的目标光照风格迁移图像。

需要说明的是，本公开中对于根据第一光照风格和第二光照风格，获取待处理图像的目标光照风格迁移图像的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以获取第二光照风格对应的第二光照参数，并根据第二光照参数调整第一光照风格对应的第一光照参数，以得到待处理图像的目标光照风格迁移图像。

根据本公开实施例的图像处理方法，可以通过获取待处理图像以及与待处理图像对应的参考图像，并获取待处理图像对应的第一光照风格以及参考图像对应的第二光照风格，然后根据第一光照风格和第二光照风格，获取待处理图像的目标光照风格迁移图像，由此，该图像处理方法无需利用目标风格迁移模型即可实现待处理图像的光照风格迁移，提高了图像处理过程中的灵活性以及可靠性。

图9是根据本公开第九实施例的示意图。

如图9所示，本实施例提出的图像处理方法，包括如下步骤：

上述实施例中的步骤S801包括以下步骤S901～S902。

S901、获取待处理图像以及待处理图像对应的拍摄角度和拍摄位置。

其中，拍摄角度包括拍摄高度、拍摄方向和拍摄距离等，拍摄高度分为平拍、俯拍和仰拍等；拍摄方向分为正面角度、侧面角度、斜侧角度、背面角度等；拍摄距离是决定景别的元素之一。

其中，拍摄位置指的是图像的位置信息，例如相对位置信息或者绝对位置信息。

S902、获取目标拍摄时间，并根据待处理图像对应的拍摄角度和拍摄位置，获取于目标拍摄时间拍摄的参考图像，其中，待处理图像对应的拍摄角度和拍摄位置与参考图像对应的拍摄角度和拍摄位置一致。

其中，目标拍摄时间指的是参考图像对应的拍摄时间。

需要说明的是，本公开中对于获取目标拍摄时间的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以利用智能拍摄设备直接获取目标拍摄时间。

在本公开实施例中，在获取目标拍摄时间后，可以根据待处理图像对应的拍摄角度和拍摄位置，获取于目标拍摄时间拍摄的参考图像，其中，待处理图像和参考图像拍摄时间不一致，拍摄角度和拍摄位置一致。

举例而言，当获取的目标时间为13:00，待处理图像对应的拍摄角度为X，拍摄位置为Y，则可以获取基于目标时间为13:00，拍摄角度为X，拍摄位置为Y的参考图像P。

上述实施例中的步骤S802包括以下步骤S903～S904。

S903、对待处理图像的光照风格进行分离，以得到待处理图像对应的第一光照风格。

需要说明的是，本公开中对于待处理图像的光照风格进行分离，以得到待处理图像对应的第一光照风格的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以利用风格迁移模型对待处理图像的光照风格进行分离，以得到待处理图像对应的第一光照风格。

S904、对参考图像的光照风格进行分离，以得到参考图像对应的第二光照风格。

需要说明的是，本公开中对于参考图像的光照风格进行分离，以得到参考图像对应的第二光照风格的具体方式不作限定，可以根据实际情况进行选取。

可选地，可以利用风格迁移模型对参考图像的光照风格进行分离，以得到参考图像对应的第一光照风格。

上述实施例中的步骤S803包括以下步骤S905～S906。

S905、根据第一光照风格获取待处理图像的第一光照参数，并根据第二光照风格获取参考图像的第二光照参数。

本公开实施例中，可以获取待处理图像的第一光照参数，并根据第一光照参数获取参考图像的第二光照参数。

S906、根据第二光照参数对第一光照参数进行调整，并将调整后的待处理图像作为所述目标光照风格迁移图像。

可选地，可以根据第二光照参数调整第一光照参数，使第一光照参数与第二光照参数一致或者尽可能接近，以得到待处理图像的目标光照风格迁移图像。

根据本公开实施例的图像处理方法，通过获取待处理图像以及与待处理图像对应的参考图像，并获取待处理图像对应的第一光照风格以及参考图像对应的第二光照风格，进而根据第一光照风格和第二光照风格，获取待处理图像的目标光照风格迁移图像，由此，该图像处理方法无需利用目标风格迁移模型即可实现待处理图像的光照风格迁移，提高了图像的利用率，以及图像处理过程中的灵活性以及可靠性。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

与上述几种实施例提供的模型训练方法相对应，本公开的一个实施例还提供一种模型训练装置，由于本公开实施例提供的模型训练装置与上述几种实施例提供的模型训练方法相对应，因此在模型训练方法的实施方式也适用于本实施例提供的模型训练装置，在本实施例中不再详细描述。

图10是根据本公开一个实施例的模型训练装置的结构示意图。

如图10所示，该模型训练装置1000，包括：获取模块1010和生成模块1020，确定模块1030，其中：

获取模块1010，用于获取训练样本，其中，所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像，所述样本图像和所述样本参考图像具有不同的光照风格；

生成模块1020，用于将所述训练样本输入光照风格迁移模型中，由所述光照风格迁移模型根据所述样本图像和所述样本参考图像生成所述样本图像的光照风格迁移图像；

确定模块1030，用于获取所述样本参考图像和所述光照风格图像的风格相似度，并基于所述风格相似度调整所述光照风格迁移模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述光照风格迁移模型确定为目标光照风格迁移模型。

其中，生成模块1020，还用于：

基于所述训练样本对所述GAN模型中的生成网络和判别网络进行对抗训练，其中，所述生成网络用于根据所述样本图像和所述样本参考图像生成所述样本图像的光照风格迁移图像，所述判别网络用于根据所述样本参考图像对所述光照风格图像进行风格相似度判别；

基于所述风格相似度，调整所述GAN模型的模型参数，以获取目标GAN模型。

其中，获取模块1010，还用于：

获取所述样本参考图像以及所述样本参考图像对应的拍摄角度、拍摄位置和第一拍摄时间；

获取第二拍摄时间，并根据所述拍摄角度、所述拍摄位置和所述第二拍摄时间进行图像采集，以获取所述样本图像，其中，所述第一拍摄时间和所述第二拍摄时间分别对应于不同的光照风格。

其中，获取模块1010，还用于：

获取所述样本参考图像以及所述样本参考图像对应的拍摄角度、拍摄位置和第一拍摄时间；

获取第二拍摄时间，并根据所述拍摄角度、所述拍摄位置和所述第二拍摄时间进行图像采集，以获取所述样本图像，其中，所述第一拍摄时间和所述第二拍摄时间分别对应于不同的光照风格。

其中，获取模块1010，还用于：

获取至少一个拍摄参数，其中，所述拍摄参数至少包括以下之一：曝光程度和对焦情况；

针对每个所述拍摄参数，按照所述拍摄参数、所述拍摄角度、所述拍摄位置和所述第二拍摄时间进行图像采集，以获取所述样本图像。

其中，生成模块1020，还用于：

对所述样本参考图像的光照风格进行分离，以得到所述样本参考图像对应的参考光照风格；

将所述参考光照风格迁移至所述样本图像中，以得到所述光照风格迁移图像。

其中，获取模块1010，还用于：

将所述光照风格迁移图像和所述样本参考图像输入至所述判别网络，由所述判别网络对所述光照风格迁移图像和所述样本参考图像进行特征提取，以获取所述光照风格迁移图像对应的第一风格特征和所述样本参考图像对应的第二风格特征；

根据所述第一风格特征和所述第二风格特征，获取所述光照风格迁移图像和所述样本参考图像之间的所述风格相似度。

其中，获取模块1010，还用于：

响应于所述风格相似度未达到预设风格相似度阈值，则根据所述风格相似度获取损失函数，并根据所述损失函数调整所述光照风格迁移模型的所述模型参数。

根据本公开实施例的模型的训练装置，通过获取光照风格不一致的样本图像和样本参考图像训练光照风格迁移模型，并基于相似度对模型参数进行调整，使得收敛的目标光照风格迁移模型能够准确、可靠地将样本参考图像的光照风格迁移至样本图像中，同时为基于目标光照风格迁移模型进行图像处理奠定了基础。

与上述几种实施例提供的图像处理方法相对应，本公开的一个实施例还提供一种图像处理装置，由于本公开实施例提供的图像处理装置与上述几种实施例提供的图像处理方法相对应，因此在图像处理方法的实施方式也适用于本实施例提供的图像处理装置，在本实施例中不再详细描述。

图11是根据本公开一个实施例的图像处理装置的结构示意图。

如图11所示，该图像处理装置1100，包括：获取模块1110和输出模块1120。其中：

获取模块1110，用于：获取待处理图像

输出模块1120，用于：将所述待处理图像输入至目标光照风格迁移模型，由所述目标光照风格迁移模型输出所述待处理图像的目标光照风格迁移图像，其中，所述目标光照风格迁移模型为采用第一方面所述的模型训练方法训练出的模型。

根据本公开实施例的图像处理装置，通过获取待处理图像，进而将待处理图像输入至目标光照风格迁移模型中，输出待处理图像的目标光照风格迁移图像，使得待处理图像的光照风格可以通过收敛的目标光照风格迁移模型进行迁移，确保了光照风格迁移效果，进而提高了待处理图像的利用率，提升了用户体验。

图12是根据本公开另一个实施例的图像处理装置的结构示意图。

如图12所示，该图像处理装置1200，包括：第一获取模块1210、第二获取模块1220和第三获取模块1230。其中：

第一获取模块1210，用于获取待处理图像以及与所述待处理图像对应的参考图像；

第二获取模块1220，用于获取所述待处理图像对应的第一光照风格以及所述参考图像对应的第二光照风格；

第三获取模块1230，用于根据所述第一光照风格和所述第二光照风格，获取所述待处理图像的目标光照风格迁移图像。

其中，第一获取模块1210，还用于：

获取所述待处理图像以及所述待处理图像对应的拍摄角度和拍摄位置；

获取目标拍摄时间，并根据所述待处理图像对应的拍摄角度和拍摄位置，获取于所述目标拍摄时间拍摄的所述参考图像，其中，所述待处理图像对应的拍摄角度和拍摄位置与所述参考图像对应的拍摄角度和拍摄位置一致。

其中，第二获取模块1220，还用于：

对所述待处理图像的光照风格进行分离，以得到所述待处理图像对应的所述第一光照风格；

对所述参考图像的光照风格进行分离，以得到所述参考图像对应的所述第二光照风格。

其中，第三获取模块1230，还用于：

根据所述第一光照风格获取所述待处理图像的第一光照参数，并根据所述第二光照风格获取所述参考图像的第二光照参数；

根据所述第二光照参数对所述第一光照参数进行调整，并将调整后的所述待处理图像作为所述目标光照风格迁移图像。

根据本公开实施例的图像处理装置，通过获取待处理图像以及与待处理图像对应的参考图像，并获取待处理图像对应的第一光照风格以及参考图像对应的第二光照风格，然后根据第一光照风格和第二光照风格，获取待处理图像的目标光照风格迁移图像，由此，该图像处理方法无需利用目标风格迁移模型即可实现待处理图像的光照风格迁移，提高了图像处理过程中的灵活性以及可靠性。

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13示出了可以用来实施本公开的实施例的示例电子设备1300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、个人数字助理、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，个人数字处理、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13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300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1301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1301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1301执行上文所描述的各个方法和处理，例如模型训练方法或者图像处理方法。例如，在一些实施例中，模型训练或者图像处理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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的模型训练或者图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法或者图像处理方法。

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)、负载可编程逻辑设备(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)、互联网以及区块链网络。

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。

本公开还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时，实现如上所述的模型训练方法或者图像处理方法。

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。