图像绘制方法、模型训练方法、装置、设备及存储介质

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种图像绘制方法、装置、设备及存储介质。

背景技术

近年来，计算机辅助艺术创作取得了很大的进展，降低了艺术创作的难度，使得非专业人员也能够创作出艺术作品。特别地，随着人工智能的发展，非专业人员可以通过人工智能进行绘画作品的创作，比如通过人工智能技术将自己拍摄的自然图像转换为艺术图像。

在绘画作品创作的相关技术中，将绘画作品的创作过程定义为通过前馈神经网络进行逐像素的图像映射过程，基于该定义，多次训练前馈神经网络，使得前馈神经网络具备生成接近真实绘画作品的图像的能力，再将训练好的前馈神经网络应用于绘画作品的创作。

然而，通过前馈神经网络进行逐像素的图像映射，不同于人类一笔一笔的绘画创作过程，不符合人类绘画习惯，绘画过程的可解释性较低。

发明内容

本公开实施例提供一种图像绘制方法、模型训练方法、装置、设备及存储介质，以解决人工智能绘画过程的可解释性较低的问题。

第一方面，本公开实施例提供一种图像绘制方法，包括：

获取待演示绘画步骤的目标图像；

在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制所述目标图像的画布，在所述目标图像上进行区域选择，得到区域位置信息；

基于所述区域位置信息，在所述目标图像上截取参考图像；

通过所述多层次强化学习绘画模型中的绘画网络，生成所述参考图像对应的笔画参数，并基于所述笔画参数在所述画布上进行笔画渲染；

对通过所述绘画位置选择网络、所述绘画网络进行的绘画过程进行显示；

重复多次执行区域选取、笔画参数生成、笔画渲染和绘画过程显示，直至在所述画布上绘制完成所述目标图像上的图像内容。

第二方面，本公开实施例提供一种模型训练方法，包括：

获取训练图像；

在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制所述训练图像的画布，在所述训练图像上进行区域选择，得到区域位置信息；

基于所述区域位置信息，在所述训练图像上截取参考图像；

通过所述多层次强化学习绘画模型中的绘画网络，生成所述参考图像对应的笔画参数，并基于所述笔画参数在所述画布上进行笔画渲染；

确定所述笔画参数对应的奖励值，并基于所述奖励值调整所述绘画网络的参数，得到训练后的绘画网络；

重复多次执行区域选取、笔画参数生成和笔画渲染，直至在所述画布上绘制完成所述训练图像上的图像内容；

根据所述画布与所述训练图像之间的差异和所有参考图像占所述训练图像的比例，确定所述绘画位置选择网络的损失值；

根据所述绘画位置选择网络的损失值，对所述绘画位置选择网络进行参数调整，得到训练后的绘画位置选择网络。

第三方面，本公开实施例提供一种图像绘制装置，包括：

图像获取单元，用于获取待演示绘画步骤的目标图像；

区域选择单元，用于在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制所述目标图像的画布，在所述目标图像上进行区域选择，得到区域位置信息；

区域截图单元，用于基于所述区域位置信息，在所述目标图像上截取参考图像；

绘画渲染单元，用于通过所述多层次强化学习绘画模型中的绘画网络，生成所述参考图像对应的笔画参数，并基于所述笔画参数在所述画布上进行笔画渲染；

绘画显示单元，用于对通过所述绘画位置选择网络、所述绘画网络进行的绘画过程进行显示；

循环单元，用于重复多次执行区域选取、笔画参数生成、笔画渲染和绘画过程显示，直至在所述画布上绘制完成所述目标图像上的图像内容。

第四方面，本公开实施例提供一种模型训练装置，包括：

训练数据获取单元，用于获取训练图像；

区域选择单元，用于在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制所述训练图像的画布，在所述训练图像上进行区域选择，得到区域位置信息；

区域截图单元，用于基于所述区域位置信息，在所述训练图像上截取参考图像；

绘画渲染单元，用于通过所述多层次强化学习绘画模型中的绘画网络，生成所述参考图像对应的笔画参数，并基于所述笔画参数在所述画布上进行笔画渲染；

绘画网络训练单元，用于确定所述笔画参数对应的奖励值，并基于所述奖励值调整所述绘画网络的参数，得到训练后的绘画网络；

循环单元，用于重复多次执行区域选取、笔画参数生成和笔画渲染，直至在所述画布上绘制完成所述训练图像上的图像内容；

损失值确定单元，用于根据所述画布与所述训练图像之间的差异和所有参考图像占所述训练图像的比例，确定所述绘画位置选择网络的损失值；

位置选择网络训练单元，用于根据所述绘画位置选择网络的损失值，对所述绘画位置选择网络进行参数调整，得到训练后的绘画位置选择网络。

第五方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的图像绘制方法或者如第二方面所述的模型训练方法。

第六方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面所述的图像绘制方法或者如第二方面所述的模型训练方法。

第七方面，本公开实施例提供了一种计算机程序产品，所述计算机程序产品包含计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面所述的图像绘制方法或者如第二方面所述的模型训练方法。

本公开实施例提供的图像绘制方法、模型训练方法、装置、设备及存储介质，提出了通过绘画位置选择网络和绘画网络，模拟人类的绘画过程，以提高绘画过程的可解释性。先通过绘画位置选择网络，在目标图像上选择区域位置信息，基于区域位置信息，在目标图像上截取用作绘画参考的参考图像，类似于人类参照原图的局部区域进行绘画；再通过绘画网络，生成参考图像对应的笔画参数，基于笔画参数在画布上进行笔画渲染，类似于人类一笔一笔的绘画过程。如此，通过多层次的强化学习模型(绘画位置选择网络和绘画网络)实现的绘画过程与人类绘画过程更为贴合，提高了通过人工智能技术实现的绘画过程的可解释性。

附图说明

为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，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为本公开实施例提供的图像绘制方法流程示意图一；

图2为本公开实施例提供的通过绘画位置选择网络和绘画网络进行绘画的示例图一；

图3为本公开实施例提供的通过绘画位置选择网络和绘画网络进行绘画的示例图二；

图4为本公开实施例提供的对画布进行裁剪的示例图；

图5为本公开实施例提供的对画布进行特征提取的示例图；

图6为本公开实施例提供的通过绘画位置选择网络进行区域选择的示例图；

图7为本公开实施例提供的模型训练方法流程示意图；

图8为本公开实施例提供的多层次强化学习绘画模型的训练过程的示例图；

图9为本公开实施例提供的训练过程中DDPG算法的模型结构；

图10为本公开实施例提供的actor网络和critic网络的网络结构示意图；

图11为本公开实施例提供的鉴别器的结构示意图；

图12为本公开实施例提供的渲染网络的结构示意图；

图13为本公开实施例提供的图像绘制装置的结构框图；

图14为本公开实施例提供的模型训练装置的结构框图；

图15为本公开实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

在人工智能领域中，可以将图像的创作定义为通过前馈神经网络进行逐像素的图像映射。然而，人类的绘画习惯是使用从粗到细的画笔一笔一笔地创作绘画，前馈神经网络的逐像素操作与人类的绘画习惯不同，生成绘画作品的真实性还有待提高，绘画过程的可解释性也有待提高。如果让智能算法模仿人类一笔一笔的绘画过程，将产生更真实、更像人类创作的绘画作品，提高绘画过程的可解释性，具有较大的研究意义和应用前景。因此，本公开实施例提供一种可以模仿人类一笔一笔绘画的图像绘制方法。

在模仿人类一笔一笔绘画的过程中，绘画过程可以被抽象为一个马尔科夫决策过程(markov decision process,MDP)，满足机器学习算法中强化学习(reinforcementlearning，RL)的应用场景，强化学习自身的可解释性较强，所以可以使用强化学习来模拟人类绘画过程。考虑到仅使用一个强化学习智能体(agent，智能体是人工智能领域中的概念，又称为“代理”“智能主体”等)来进行绘画并不能完全模拟人类绘画的思路，不能完全贴合人类的绘画习惯，本公开实施例提出使用多层次的强化学习，通过一个高层的强化学习智能体(即后续实施例中的绘画位置选择网络)控制绘画区域，通过一个底层的强化学习智能体(即后续实施例中的绘画网络)进行细节绘画，使得绘画过程更符合人类绘画习惯，提高绘画过程的可解释性。

具体的，本公开实施例提供了一种图像绘制方法、装置、设备及存储介质。在本公开实施例中，通过多层次强化学习模型中的绘画位置选择网络在目标图像上选择区域位置信息，基于区域位置信息在目标图像上截取参考图像；通过多层次强化学习模型的绘画网络中，为参考图像生成相应的笔画参数，按照笔画参数进行笔画渲染。其中，绘画位置选择网络为高层的智能体，绘画网络为底层的智能体，两者是通过强化学习训练得到的。

在本公开实施例适用的应用场景中，涉及的设备可包括绘画装置和模型训练装置，在模型训练装置上训练多层次强化学习绘画模型，将训练后的多层次强化学习绘画模型部署至绘画装置上，在绘画装置上通过多层次强化学习模型实现图像的一笔笔绘制。其中，绘画装置和模型训练装置可以是电子设备，绘画设备和模型训练装置可以是终端或者服务器。需说明，绘画装置与模型训练装置可以是同一设备，也可以是不同设备，即模型的应用过程和训练过程可以在相同或者不同设备上实现；模型训练装置可以是一个或者多个设备，绘画位置选择网络和绘画网络可以在相同设备或者不同设备上训练。

图1为本公开实施例提供的图像绘制方法流程示意图一。如图1所示，该图像绘制方法包括：

S101，获取待演示绘画步骤的目标图像。

其中，目标图像又可以称为原始图像，本公开实施例需参照目标图像进行绘画，以绘制出与目标图像相似的图像并将演示绘画步骤，即演示出一笔笔绘制图像的过程，提高绘画过程的可解释性。目标图像可以是人物图像、物体图像、风景图像等，在此不进行限制。

本实施例中，可从数据库中获取目标图像；或者，可获取用户输入的目标图像；或者，可接收用户的绘画请求，从绘画请求中获取目标图像。

S102，在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制目标图像的画布，在目标图像上进行区域选择，得到区域位置信息。

其中，多层次强化学习绘画模型包括绘画位置选择网络和绘画网络，在多层次强化学习绘画模型中，绘画位置选择网络和绘画网络是作为不同层次的智能体存在的，例如，绘画位置选择网络可以理解为多层次强化学习绘画模型中的高层智能体，绘画网络可以理解为多层次强化学习绘画模型中的底层智能体。绘画位置选择网络用于对输入的目标图像进行位置选择，即用于控制绘画区域，绘画网络用于基于绘画位置选择网络选择出的位置进行绘画处理，即进行细节绘画，从而模拟人类先选定区域再一笔笔绘画的绘画过程。多层次强化学习模型是通过强化学习算法训练得到的，后续通过实施例描述多层次强化学习模型的训练过程，在此不进行描述。

本实施例中，在通过多层次强化学习绘画模型进行绘画的过程中，多层次强化学习绘画模型中的绘画位置选择网络，可以根据画布上的画布状态和目标图像的图像特征，在目标图像上进行区域选择，得到选取出的区域位置信息。区域位置信息用于描述目标图像上的局部区域的位置和大小，以表明局部区域在目标图像上的位置情况，在每次绘画时，绘画网络可参照局部区域内的图像内容进行绘画，以绘制出参考区域内的图像内容。

S103，基于区域位置信息，在目标图像上截取参考图像。

本实施例中，按照区域位置信息，对目标图像进行截图处理，得到参考图像。由于区域位置信息描述的是目标图像上局部区域的位置情况，得到的参考图像即目标图像上的局部图像。

S104，通过多层次强化学习绘画模型中的绘画网络，生成参考图像对应的笔画参数，并基于笔画参数在画布上进行笔画渲染。

其中，一组笔画参数用于描述一个笔画的属性，比如笔画位置、笔画粗细、笔画颜色等，参考图像可对应多组笔画参数，以通过多组笔画参数来描述参考图像对应的一系列笔画。

本实施例中，可将参考图像输入绘画网络，在绘画网络中，可基于参考图像的图像特征进行笔画预测，得到参考图像对应的一组笔画参数；之后，基于该组笔画参数，在画布上进行渲染该组笔画参数对应的笔画。考虑到参考图像可能需要通过一系列的笔画操作绘画得到，在绘画网络中可继续基于参考图像的图像特征进行笔画预测，得到参考图像对应的又一组笔画参数，在画布上渲染该又一组笔画参数对应的笔画。如此可进行多个笔画的渲染，直至在画布上绘制出参考图像中的图像内容。

S105，对通过绘画位置选择网络、绘画网络进行的绘画过程进行显示。

本实施例中，在画布上进行笔画渲染之后，可显示出笔画渲染后的画布，实现将绘画过程中的每一笔可视化，使得用户可以知道目标图像是如何一笔一笔绘制的，提高绘画过程的可解释性，甚至还能起到绘画教学的目的。

可选的，在通过绘画位置选择网络从目标图像上选取得到区域位置信息之后，可在目标图像上显示区域位置信息对应的区域框，从而向用户展示出绘画位置选择网络每次在目标图像上选择的参考区域。

S106，重复多次执行区域选取、笔画参数生成、笔画渲染和绘画过程显示，直至在画布上绘制完成目标图像上的图像内容。

其中，目标图像上的图像内容可以是用户在目标图像上选择的需要绘制的图像内容，也可以是目标图像上的所有图像内容。

本实施例中，可重复执行S102至S105，使得绘画位置选择网络可以进行多次的区域位置选择，选择出不同的区域位置信息，绘画网络可以参照基于区域位置信息截图得到的参考图像进行笔画参数生成和笔画渲染，直至在画布上绘制完成目标图像上的图像内容。

本公开实施例中，通过绘画位置选择网络控制绘画位置，通过绘画网络进行细节的笔画生成和渲染，将目标图像拆解为多个区域，将每个区域拆解为一笔一笔的笔画，通过一笔一笔的笔画在画布上绘制出近似目标图像的图像内容。如此，使得绘画过程贴合人类绘画习惯，提高绘画过程的可解释性。

作为示例的，图2为本公开实施例提供的通过绘画位置选择网络和绘画网络进行绘画的示例图一。如图2所示，绘画位置选择网络在观察画布状态后，可在原图上选择区域位置信息，基于区域位置信息从原图上截取参考图像；绘画网络基于参考图像在画布上进行笔画渲染；笔画渲染后画布状态发生变化，绘画位置选择网络可以基于变化后的画布状态再次进行位置选择；如此，直至在画布上绘制完成原图上的图像内容。

在一些实施例中，基于区域位置信息在目标图像上截取参考图像之后，可通过绘画网络进行N次绘画，N可以为预设常数。具体的，在第j次绘画中，通过绘画网络生成参考图像对应的第j组笔画参数，并基于第j组笔画参数在画布上进行笔画渲染，j小于或者等于N。如此，基于绘画位置选择网络每选取一次区域位置信息，则通过绘画网络进行N次绘画，通过N次绘画表现出参考图像的一笔笔绘制过程，提高绘图过程的可解释性。

作为示例的，图3为本公开实施例提供的通过绘画位置选择网络和绘画网络进行绘画的示例图二。如图3所示，在画布状态为S

如上可知，绘画位置选择网络可以进行多次的区域选择，下面以绘画位置选择网络的一次区域选择为例，提供一些实施例：

在一些实施例中，在第i次区域选择中，获取历史位置集合和历史位置隐状态；对画布、目标图像、历史位置集合以及历史位置隐状态进行特征融合和特征编码，生成第i次区域选择中的区域位置隐状态；基于第i次区域选择中的区域位置隐状态，在目标图像上进行区域选择，得到第i次区域选择中选择的区域位置信息。从而，在区域位置选择过程中结合了历史信息，使得绘画位置选择网络具备“记忆功能”，模仿人类具备前后联系的绘画过程，模仿人类在绘画中的思考过程，实现“上下文”联系。

其中，在i大于1的情况下，历史位置集合包括在第i次区域选择之前选择的区域位置信息(比如i为3时，历史位置集合可包括第1次区域选择的区域位置信息和第2次区域位置选择的区域位置信息)，历史位置隐状态是指在第i-1次区域选择中生成的区域位置隐状态，区域位置隐状态经特征编码得到，可从数据库中获取历史位置集合和历史位置隐状态；在i等于1的情况下，历史位置集合可以是随机初始化得到的，历史位置隐状态可以为空。

本实施例中，在第i次区域选择中，获取历史位置集合和历史位置隐状态，在绘画位置选择网络中，对画布、目标图像、历史位置集合以及历史位置隐状态进行特征融合和特征编码，在该过程中，由于画布的画布状态会发生变化，可以对画布进行特征提取，得到画布特征，由于目标图像不会发生变化，在第一次区域选择中可对目标图像进行特征提取，得到目标图像的图像特征并保存，在后续的区域选择中可直接获取目标图像的图像特征，之后可对画布特征、图像特征、历史位置集合以及历史位置隐状态进行特征融合和特征编码，得到第i次区域选择中的区域位置隐状态；通过绘画位置选择网络中的网络层，对第i次区域选择中的区域位置隐状态进行处理，得到第i次区域选择中选择的区域位置信息。

可选的，在绘画位置选择网络中包括特征提取层，特征提取层可用于提取画布的画布特征和目标图像的图像特征。

在一种可能的实现方式中，对画布、目标图像、历史位置集合以及历史位置隐状态进行特征融合和特征编码，生成第i次区域选择中的区域位置隐状态，包括：基于历史位置集合对画布进行裁剪，得到画布的裁剪区域；对裁剪区域、历史位置集合分别进行特征编码，得到裁剪区域对应的隐状态和历史位置集合对应的隐状态；将裁剪区域对应的隐状态与历史位置集合对应的隐状态进行特征融合，得到画布特征；获取目标图像的图像特征；对图像特征、画布特征以及历史位置隐状态进行特征融合和特征编码，得到第i次区域选择中的区域位置隐状态。从而，结合历史位置集合对画布进行裁剪再提取画布特征，提高画布特征提取的准确性，提高区域位置隐状态的准确性。

本实现方式中，按照历史位置集合中的区域位置信息，对画布进行裁剪，得到画布的裁剪区域；对裁剪区域进行特征编码，得到裁剪区域对应的隐状态；对历史位置集合进行特征编码，得到历史位置集合对应的隐状态；将裁剪区域对应的隐状态与历史位置集合对应的隐状态进行特征融合，得到画布特征；如果第i次区域选择为第一次区域选择，则对目标图像进行特征提取，得到目标图像的图像特征，否则可从数据库中获取目标图像的图像特征，避免重复提取目标图像的图像特征；对图像特征、画布特征以及历史位置隐状态进行特征融合和特征编码，得到第i次区域选择中的区域位置隐状态。

可选的，绘画位置选择网络包括线性层。在绘画位置选择网络中，将裁剪区域输入线性层中，在线性层中对裁剪区域进行隐编码，得到裁剪区域对应的隐状态；将历史位置集合输入线性层中，在线性层中对历史位置集合进行隐编码，得到历史位置集合对应的隐状态。

作为示例的，图4为本公开实施例提供的对画布进行裁剪的示例图，图5为本公开实施例提供的对画布进行特征提取的示例图。如图4所示，l

作为示例的，图6为本公开实施例提供的通过绘画位置选择网络进行区域选择的示例图。如图6所示，示出了第t次区域选择和在第t+1次区域选择，在第t次区域选择中，l

在一种可能的实现方式中，绘画位置选择网络中包括门控循环单元(gatedrecurrent unit，GRU)，GRU具备“记忆功能”，使得绘画位置选择网络也具备记忆功能。在第i次区域位置选择中，在绘画位置选择网络中，可将对图像特征、画布特征以及历史位置隐状态输入至GRU中进行特征融合和特征编码，得到第i次区域选择中的区域位置隐状态。如此，经GRU编码的信息具有历史信息记忆，绘画位置选择网络实现“上下文”联系，模仿了人类绘画特点，提高了区域位置选择的合理性和准确性。

在一种可能的实现方式中，绘画位置选择网络中包括全连接层，基于第i次区域选择中的区域位置隐状态，在目标图像上进行区域选择，得到第i次区域选择中选择的区域位置信息，包括：将第i次区域选择中的区域位置隐状态输入绘画位置选择网络的全连接层中，经过全连接层进行数据处理，得到第i次区域选择中选择的区域位置信息。从而，在绘画位置选择网络中通过全连接层将区域位置隐状态转换为区域位置信息。

可选的，在每次区域位置选择中选择的区域位置信息可包括区域中心点的位置坐标、区域大小以及区域长宽比，比如，第i次区域选择中选择的区域位置信息包括区域中心点的位置坐标、区域大小以及区域长宽比。从而，通过中心点位置坐标、区域大小和区域长宽比准确地描述出区域位置信息。

本可选方案中，基于所选取的区域位置信息中的区域大小和区域长宽比，可计算出所选取区域的长和宽，计算公式可表示为：

其中，I为常数，H表示所选区域的长，W表示所选区域的宽。

作为示例的，区域位置信息可表示为(x,y,scale,ratio)。其中，(x,y)标识区域中心点的位置坐标，scale表示区域大小，ratio表示区域长宽比。

进一步的，预先配置有长宽比候选集，在绘画位置选择网络中，可在长宽比候选集中选择区域长宽比，从而，通过预先设置长宽比候选集提高区域长宽比的合理性。例如，长宽比候选集为(3:2,2:1,2:3)。

在一些实施例中，在进行第一次区域选择之前，可先将目标图像输入绘画网络，通过绘画网络生成一个或者多个笔画的笔画参数，根据该一个或者多个笔画的笔画参数在画布上进行笔画渲染。如此，模仿人类在绘画时会先全局性地画上几笔，提高了绘画过程与人类绘画习惯的贴合度。

下面提供绘画网络生成笔画参数并基于笔画参数进行笔画渲染的实施例：

在一些实施例中，绘画网络可包括策略网络和渲染网络，基于此，通过多层次强化学习绘画模型中的绘画网络，生成参考图像对应的笔画参数，并基于笔画参数在画布上进行笔画渲染，可包括：将参考图像输入绘画网络中的策略网络，通过策略网络确定参考图像对应的笔画参数；将笔画参数输入绘画网络中的渲染网络，通过渲染网络在画布上按照笔画参数进行笔画渲染。从而，将笔画参数生成和笔画渲染分别由不同的网络负责，提高绘画网络的绘画效果，提高笔画参数生成的准确性和笔画渲染效果。

其中，策略网络用于预测参考图像对应的笔画参数，在绘画网络的训练过程中可以通过强化学习算法训练策略网络。渲染网络用于基于笔画参数进行笔画渲染，渲染网络可以通过有监督方式训练得到。策略网络与渲染网络的训练可以独立进行，具体参照后续实施例，不再赘述。

本实施例中，将参考图像输入绘画网络中的策略网络，在策略网络中可提取参考图像的图像特征，基于图像特征预测参考图像对应的笔画参数，或者，基于图像特征预测得到多组笔画参数和多组笔画参数分别对应的概率，基于多组笔画参数对应的概率，在多组笔画参数中选取参考图像对应的笔画参数；将笔画参数输入渲染网络，在渲染网络中基于笔画参数生成真实的笔画，在画布上渲染真实的笔画。

在一些实施例中，笔画参数包括笔画曲线上的多个控制坐标、笔画曲线的两个端点的宽度、笔画曲线的两个端点的透明度和笔画曲线的颜色。其中，多个控制坐标为笔画曲线上多个点的坐标，通过多个控制坐标可以准确描述出笔画曲线的形状。从而，通过多个控制坐标、端点宽度、端点透明度以及曲线颜色从多个方面准确且全面地描述出需要渲染的笔画，提高笔画渲染准确性，进而提高通过绘画网络进行绘画的准确性。

可选的，笔画曲线可以表示为贝塞尔曲线，一组笔画参数可包括13个参数。其中，一组笔画参数可表示为a＝(x0,y0,x1,y1,x2,y2,r0,t0,r1,t1,R,G,B)，(x0,y0,x1,y1,x2,y2)表示笔画曲线(即贝塞尔曲线)的三个控制坐标，(r0,t0,r1,t1)表示笔画曲线的两个端点的宽度以及透明度，(R,G,B)表示笔画曲线的颜色。从而，通过这些参数更详细、全面地描述笔画。

图7为本公开实施例提供的模型训练方法流程示意图。如图7所示，本公开实施例提供的模型训练方法包括：

S701，获取训练图像。

本实施例中，可从数据库中获取预先采集的训练图像。训练图像可以为多张，每张训练图像均可用于多层次强化学习绘画模型的训练，比如，可先选取一张或者一批训练图像用于多层次强化学习模型的第一次训练，再选取另一张或者另一批训练图像用于多层次强化学习模型的第二次训练。

其中，S701～S708描述的是多层次强化学习模型的一次训练过程，可通过多次进行S701～S708的步骤且每次采用不同的训练图像来实现多层次强化学习模型的多次训练，提高对多层次强化学习模型的训练效果。

S702，在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制训练图像的画布，在训练图像上进行区域选择，得到区域位置信息。

本实施例中，在训练绘画位置选择网络的过程中，在绘画位置选择网络中，可以根据用于绘制训练图像的画布的画布状态和训练图像的图像特征，在训练图像上进行区域选择，得到选取出的区域位置信息，绘画网络可参照局部区域内的图像内容进行绘画，以绘制出参考区域内的图像内容。其中，S802可以参照前述实施例中“在绘画位置选择网络中基于用于绘制目标图像的画布在目标图像上进行区域选择得到区域位置信息”的实现过程。

S703，基于区域位置信息，在训练图像上截取参考图像。

本实施例中，按照区域位置信息，对训练图像进行截图处理，得到训练过程中的参考图像。其中，S802可以参照前述实施例中“基于区域位置信息在目标图像上截取参考图像”的实现过程。

S704，通过多层次强化学习绘画模型中的绘画网络，生成参考图像对应的笔画参数，并基于笔画参数在画布上进行笔画渲染。

本实施例中，在绘画网络中，可基于参考图像的图像特征进行笔画预测，得到参考图像对应的一组笔画参数；基于该组笔画参数，在画布上进行渲染该组笔画参数对应的笔画。考虑到参考图像可能需要通过一系列的笔画操作绘画得到，在绘画网络中可继续基于参考图像的图像特征进行笔画预测，得到参考图像对应的又一组笔画参数，在画布上渲染该又一组笔画参数对应的笔画。如此可进行多个笔画的渲染，直至在画布上绘制出参考图像中的图像内容。其中，S804可参照前述实施例中绘画网络以从目标图像上截取的参考图像为参照进行笔画参数生成和笔画渲染的实现过程。

S705，确定笔画参数对应的奖励值，并基于奖励值调整绘画网络的参数，得到训练后的绘画网络。

本实施例中，笔画参数对应的奖励值作为绘画网络的反馈信息，用于反映笔画参数是正向的还是负向的，如果笔画参数是正向的，则说明绘画网络预测的笔画参数是符合实际笔画的，否则说明绘画网络预测的笔画参数不符合实际笔画。可通过强化学习算法确定笔画参数对应的奖励值，基于奖励值调整绘画网络的参数，便于绘画网络在后续过程中逐步生成更多正向的笔画参数，提高绘画网络进行笔画参数生成和笔画渲染的准确性。

需说明，绘画网络每生成一组笔画参数即可进行一次笔画参数对应的奖励值的确定和绘画网络的参数调整，即每执行一次S704则执行一次S705，针对一张参考图像可以执行多次S704和多次S705，例如前述实施例中提到的绘画网络可以进行N次笔画处理，图7以执行1次S704和1次S705为例。

S706，重复多次执行区域选取、笔画参数生成和笔画渲染，直至在画布上绘制完成训练图像上的图像内容。

本实施例中，可重复执行S702至S706，使得绘画位置选择网络可以进行多次的区域位置选择，选择出不同的区域位置信息，绘画网络可以参照基于区域位置信息截图得到的参考图像进行笔画参数生成和笔画渲染，直至在画布上绘制完成训练图像上的图像内容。

S707，根据画布与训练图像之间的差异和所有参考图像占训练图像的比例，确定绘画位置选择网络的损失值。

本实施例中，在画布上绘画完成训练图像上的图像内容之后，可比较画布和训练图像，得到画布与训练图像之间的差异，确定基于绘画位置选择网络选取的区域位置信息截取的所有参考图像占训练图像的比例，结合画布与训练图像之间的差异和所有参考图像占训练图像的比例，计算绘画位置选择网络的损失值，使得该损失值能够反映画布与训练图像的相似情况和绘画位置选择网络是否选取到整张训练图像。

S708，根据绘画位置选择网络的损失值，对绘画位置选择网络进行参数调整，得到训练后的绘画位置选择网络。

其中，绘画位置选择网络的损失值相当于绘画位置选择网络的奖励值，根据绘画位置选择网络的损失值对绘画位置选择网络进行参数调整的过程，相当于通过强化学习算法对绘画位置选择网络进行训练的过程。

本实施例中，基于绘画位置选择网络的损失值，对绘画位置选择网络进行参数调整，以鼓励绘画位置网络选取到整张完整图像以及鼓励经绘画位置选择网络选取的位置信息有利于提高画布与需绘制图像之间的相似度。

可见，绘画位置选择网络是一种循环视觉注意力模型，能够自适应地选择一系列的区域位置信息，基于选取的区域位置信息截取得到参考图像，无需压缩图像，保障了图像分辨率，将参考图像传递给绘画网络使得绘画网络参照参考图像进行绘画，不断循环该过程，最后再通过损失值鼓励绘画位置网络选取到整张完整图像以及鼓励经绘画位置选择网络选取的位置信息有利于提高画布与需绘制图像之间的相似度。从而，在提高绘画过程的可解释性的同时，确保通过多层次强化学习模型进行绘画时对原图的还原效果。

本公开实施例中，利用强化学习算法训练多层次强化学习绘画模型中的绘画位置选择网络和绘画网络，提高绘画位置选择网络的区域位置选择能力，提高绘画网络对笔画参数的预测能力，在提高绘画过程的可解释性的同时，提高了绘画结果对原图的还原度，提高了绘画效果。

作为示例的，图8为本公开实施例提供的多层次强化学习绘画模型的训练过程的示例图。如图8所示，绘画位置选择网络在观察画布状态后在训练图像上选取了区域位置信息，根据区域位置信息从训练图像上截取得到参考图像；绘画网络基于参考图像生成笔画参数，评价笔画参数对应的奖励值，基于奖励值调整绘画网络；基于笔画参数在画布上进行笔画渲染后，画布状态发生变化；在绘制完成后为绘画位置选择网络确定奖励值(即前述实施例中绘画位置选择网络的损失值)，基于该奖励值调整绘画位置选择网络。

下面，提供绘画位置选择网络的训练过程的实施例。

在一些实施例中，在根据画布与训练图像之间的差异和所有参考图像占训练图像的比例，确定绘画位置选择网络的损失值的过程中，可对画布与训练图像之间的差异和所有参考图像占训练图像的比例进行加权，得到绘画位置选择网络的损失值。其中，可预先设置画布与训练图像之间的差异对应的权重以及所有参考图像占训练图像的比例对应的权重。从而，通过加权的方式提高将画布与训练图像之间的差异和所有参考图像占训练图像的比例进行结合的合理性和准确性，提高损失值的准确性。

在一些实施例中，画布与训练图像之间的差异可包括画布与训练图像之间的均方误差(mean-square error,MSE)。从而，通过MSE准确地表示画布与训练图像之间的差异，MSE越大则画布与训练图像之间的相似度越小。

下面，提供绘画网络的训练过程的实施例。

在一些实施例中，用于训练绘画网络的强化学习算法可采用深度确定性策略梯度(deep deterministic policy gradient，DDPG)算法，DDPG算法的动作空间是连续的，通过DDPG算法可以模拟绘画过程中连续状态的笔画并对连续状态的笔画进行评价，提高对绘画网络的训练效果。

在一些实施例中，图9为本公开实施例提供的训练过程中DDPG算法的模型结构。如图9所示，基于采用DDPG算法训练绘画网络，在训练过程中DDPG算法的模型结构可包括actor网络(可称为策略网络、策略网络，图9以策略网络为例)、critic网络(可称为价值网络、评价网络，图9以价值网络为例)、鉴别器和Renderer(可称为渲染器、渲染网络，图9以渲染网络为例)。在训练完成后，actor网络可以作为绘画网络中的策略网络，Renderer可以作为绘画网络中的渲染网络，其中，绘画网络中的策略网络和渲染网络可以参照前述实施例的描述，不再赘述。

如图9所示，在训练过程中，可从数据库中随机采样得到一个四元组，四元组包括状态(state)、动作(action)、奖励值(reward)和下一状态(next state)，将其中的状态(state)分别输入策略网络和价值网络，在策略网络中根据状态预测行为，即根据状态预测得到笔画参数，由渲染网络根据笔画参数在画布上进行渲染，得到新状态，在鉴别器中通过比较状态和新状态得到奖励值，在价值网络中，根据状态、新状态以及鉴别器输出的奖励值，预测状态对应的第一价值V(s)。其中，状态是指按照绘画位置选择网络给出的区域位置信息截取得到的参考图像，动作是指笔画渲染，下一状态和新状态是指按照笔画参数进行渲染后的画布，在绘画网络的训练过程中笔画参数对应的奖励值包括价值网络输出的第一价值V(s)。在训练过程中，可根据价值网络输出的第一价值V(s)，对价值网络进行参数进行调整。在训练过程中，价值网络还可以基于训练图像与渲染后的画布之间的差异以及笔画参数，输出在状态下按照笔画参数进行笔画渲染对应的第二价值Q(s,a)(图9中未示出，可以参照DDPG算法，在此不进行详细描述)，第二价值Q(s,a)的相反数可以作为策略损失在策略网络中进行反向传播，以调整策略网络的参数，实现对策略网络的训练。

可选的，在训练开始时，数据库为空，可通过绘画位置选择网络得到状态(即得到参考图像)，通过绘画网络的训练过程得到动作、奖励值和下一状态，将状态、动作、奖励值和下一状态构成的四元组存储至数据库中。如此，每经过一次训练可得到一个四元组，直至数据库中的四元组的数量达到数量阈值。在数据库中的四元组的数量达到数量阈值之后，在后续的训练过程中即可从数据库中随机采样得到四元组。

actor网络和critic网络的网络主干均为残差神经网络(resnet)。图10为本公开实施例提供的actor网络和critic网络的网络结构示意图，两者的网络结构相同，输入输出不同，如图10所示，actor网络和critic网络的网络结构均包括卷积层、多个残差块(resblock)(图10以8个为例)和全连接层。在actor网络中，可输入状态输出笔画参数；在critic网络中可输入状态，通过卷积层进行卷积操作、再通过残差块进行下采样操作，将最后一个残差块的输出数据输入至全连接层，结合全连接层的输出数据、新状态和来自鉴别器的奖励值，计算得到第一价值V(s)并输出。

可选的，在actor网络和critic网络中，卷积层可以采用CoordConv，CoordConv中包含两个坐标(coordinate)通道，可以分别表示x坐标和y坐标，然后结合坐标和状态进行传统卷积，从而使得卷积过程可以感知状态的空间信息，提高actor网络和critic网络的空间感知能力。

可选的，图11为本公开实施例提供的鉴别器的结构示意图。如图11所示，鉴别器可以基于WGAN(Wasserstein GAN)实现，鉴别器的网络结构可包括多个卷积层(图11以5个为例)和全局平均池化层(global average pooling,GAP)。将参考图像与画布进行连接，将连接后的图像输入卷积层，进行5次卷积后进行全局池化，得到分数。之后，可以基于分数计算奖励值并输出。

可选的，图12为本公开实施例提供的渲染网络的结构示意图。如图12所示，渲染网络可包括多个全连接层(图12以4个为例)和多个卷积块，每个卷积块包括由两个卷积层拼接的卷积层以及一个子像素(Sub-pixel)卷积层，图12以3个卷积块为例。在渲染网络中，将笔画参数输入全连接层，依次进行四次全连接计算后，输入融合了子像素方法的卷积层，以提升笔画的分辨率，以达到更好的效果，最后得到真实笔画，用于绘画渲染。

进一步的，渲染网络的训练过程包括：首先，可随机生成笔画参数，通过数学方法计算出笔画参数对应的真实笔画作为训练标签；接着，将随机生成的笔画参数输入渲染网络，得到渲染网络输出的预测笔画，将预测笔画与真实笔画进行对比，得到渲染网络对应的预测损失，基于预测损失调整渲染网络，如此，通过不断地训练，减少预测损失，最后训练得到渲染网络。

对应于上文实施例的图像绘制方法，图13为本公开实施例提供的图像绘制装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图13，图像绘制装置包括：图像获取单元1301，用于获取待演示绘画步骤的目标图像；区域选择单元1302，用于在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制目标图像的画布，在目标图像上进行区域选择，得到区域位置信息；区域截图单元1303，用于基于区域位置信息，在目标图像上截取参考图像；绘画渲染单元1304，用于通过多层次强化学习绘画模型中的绘画网络，生成参考图像对应的笔画参数，并基于笔画参数在画布上进行笔画渲染；绘画显示单元1305，用于对通过绘画位置选择网络、绘画网络进行的绘画过程进行显示；循环单元1306，用于重复多次执行区域选取、笔画参数生成、笔画渲染和绘画过程显示，直至在画布上绘制完成目标图像上的图像内容。

在一些实施例中，区域选择单元1302具体用于：在第i次区域选择中，获取历史位置集合和历史位置隐状态，其中，历史位置集合包括在第i次区域选择之前选择的区域位置信息，历史位置隐状态是指在第i-1次区域选择中生成的区域位置隐状态；对画布、目标图像、历史位置集合以及历史位置隐状态进行特征融合和特征编码，生成第i次区域选择中的区域位置隐状态；基于第i次区域选择中的区域位置隐状态，在目标图像上进行区域选择，得到第i次区域选择中选择的区域位置信息。

在一些实施例中，区域选择单元1302具体用于：基于历史位置集合对画布进行裁剪，得到画布的裁剪区域；对裁剪区域、历史位置集合分别进行特征编码，得到裁剪区域对应的隐状态和历史位置集合对应的隐状态；将裁剪区域对应的隐状态与历史位置集合对应的隐状态进行特征融合，得到画布特征；获取目标图像的图像特征；对图像特征、画布特征以及历史位置隐状态进行特征融合和特征编码，得到第i次区域选择中的区域位置隐状态。

在一些实施例中，区域选择单元1302具体用于：将第i次区域选择中的区域位置隐状态输入绘画位置选择网络的全连接层中，经过全连接层进行数据处理，得到第i次区域选择中选择的区域位置信息；第i次区域选择中选择的区域位置信息包括区域中心点的位置坐标、区域大小以及区域长宽比。

在一些实施例中，绘画渲染单元1304具体用于：将参考图像输入绘画网络中的策略网络，通过策略网络确定参考图像对应的笔画参数；将笔画参数输入绘画网络中的渲染网络，通过渲染网络在画布上按照笔画参数进行笔画渲染；其中，笔画参数包括笔画曲线上的多个控制坐标、笔画曲线的两个端点的宽度、笔画曲线的两个端点的透明度和笔画曲线的颜色。

本实施例提供的图像绘制装置，可用于执行上述图像绘制方法的实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

对应于上文实施例的模型训练方法，图14为本公开实施例提供的模型训练装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图14，模型训练装置包括：训练数据获取单元1401，用于获取训练图像；区域选择单元1402，用于在多层次强化学习绘画模型中的绘画位置选择网络中，基于用于绘制训练图像的画布，在训练图像上进行区域选择，得到区域位置信息；区域截图单元1403，用于基于区域位置信息，在训练图像上截取参考图像；绘画渲染单元1404，用于通过多层次强化学习绘画模型中的绘画网络，生成参考图像对应的笔画参数，并基于笔画参数在画布上进行笔画渲染；绘画网络训练单元1405，用于确定笔画参数对应的奖励值，并基于奖励值调整绘画网络的参数，得到训练后的绘画网络；循环单元1406，用于重复多次执行区域选取、笔画参数生成和笔画渲染，直至在画布上绘制完成训练图像上的图像内容；损失值确定单元1407，用于根据画布与训练图像之间的差异和所有参考图像占训练图像的比例，确定绘画位置选择网络的损失值；位置选择网络训练单元1408，用于根据绘画位置选择网络的损失值，对绘画位置选择网络进行参数调整，得到训练后的绘画位置选择网络。

本实施例提供的模型训练装置，可用于执行上述模型训练方法的实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

参考图15，其示出了适于用来实现本公开实施例的电子设备1500的结构示意图，该电子设备1500可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(PortableMedia Player，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图15示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图15所示，电子设备1500可以包括处理装置(例如中央处理器、图形处理器等)1501，其可以根据存储在只读存储器(Read Only Memory，简称ROM)1502中的程序或者从存储装置1008加载到随机访问存储器(Random Access Memory，简称RAM)1503中的程序而执行各种适当的动作和处理。在RAM 1503中，还存储有电子设备1500操作所需的各种程序和数据。处理装置1501、ROM1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。

通常，以下装置可以连接至I/O接口1505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1506；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置1507；包括例如磁带、硬盘等的存储装置1508；以及通信装置1509。通信装置1509可以允许电子设备1500与其他设备进行无线或有线通信以交换数据。虽然图15示出了具有各种装置的电子设备1500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1509从网络上被下载和安装，或者从存储装置1508被安装，或者从ROM 1502被安装。在该计算机程序被处理装置1501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测网页的页面图像和页面描述文本的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。