变分自编码器的训练、图像处理以及所有权检测方法与流程

本技术涉及人工智能，特别涉及一种变分自编码器的训练、图像处理以及所有权检测方法。

背景技术：

1、图像在社交媒体中的传播越来越广泛，而在图像广泛传播的同时也带来了图像的安全性问题。为了保证图像的安全性，需要在图像中嵌入图像的所有权信息。因此急需一种变分自编码器的训练方法对变分自编码器进行训练，以通过训练之后的变分自编码器在图像中嵌入所有权信息。

技术实现思路

1、本技术实施例提供了一种变分自编码器的训练、图像处理以及所有权检测方法，提高了在图像中嵌入所有权信息的便捷性以及提高了在图像中嵌入所有权信息时对图像的处理效率，且提高了在图像中嵌入的所有权信息的鲁棒性。所述技术方案如下。

2、一方面，提供了一种变分自编码器的训练方法，所述方法包括：

3、获取样本图像的参考所有权信息；

4、基于所述样本图像，通过变分自编码器中的编码模块，得到所述样本图像的第一隐变量，所述第一隐变量用于描述所述样本图像，所述变分自编码器用于在图像中嵌入所有权信息；

5、基于所述样本图像的参考所有权信息和第一隐变量，通过所述变分自编码器中的解码模块，得到所述样本图像的预测图像，所述预测图像携带所有权信息；

6、基于所述样本图像、所述预测图像、所述参考所有权信息和所述预测图像携带的所有权信息，确定损失值，所述损失值用于指示所述样本图像与所述预测图像之间的差距以及指示所述参考所有权信息与所述预测图像携带的所有权信息之间的差距；

7、基于所述损失值，对所述变分自编码器进行训练。

8、另一方面，提供了一种基于变分自编码器的图像处理方法，所述方法包括：

9、获取第一图像的所有权信息；

10、基于所述第一图像，通过变分自编码器中的编码模块，得到所述第一图像的第一隐变量，所述变分自编码器通过上述任一实现方式训练得到，所述第一隐变量用于描述所述第一图像；

11、基于所述第一图像的所有权信息和第一隐变量，通过所述变分自编码器中的解码模块，得到第二图像，所述第二图像携带所有权信息。

12、另一方面，提供了一种所有权检测方法，所述方法包括：

13、获取图像的参考所有权信息；

14、基于所述图像，通过变分自编码器中的编码模块，得到所述图像的隐变量，所述变分自编码器通过上述任一实现方式训练得到，所述隐变量用于描述所述图像；

15、确定所述参考所有权信息与所述隐变量的子变量之间的相似度，在所述相似度大于相似度阈值的情况下，确定所述图像携带所有权信息，所述子变量基于所述隐变量中用于指示所有权信息的元素得到。

16、另一方面，提供了一种变分自编码器的训练装置，所述装置包括：

17、获取模块，用于获取样本图像的参考所有权信息；

18、确定模块，用于基于所述样本图像，通过变分自编码器中的编码模块，得到所述样本图像的第一隐变量，所述第一隐变量用于描述所述样本图像，所述变分自编码器用于在图像中嵌入所有权信息；

19、所述确定模块，还用于基于所述样本图像的参考所有权信息和第一隐变量，通过所述变分自编码器中的解码模块，得到所述样本图像的预测图像，所述预测图像携带所有权信息；

20、所述确定模块，还用于基于所述样本图像、所述预测图像、所述参考所有权信息和所述预测图像携带的所有权信息，确定损失值，所述损失值用于指示所述样本图像与所述预测图像之间的差距以及指示所述参考所有权信息与所述预测图像携带的所有权信息之间的差距；

21、训练模块，用于基于所述损失值，对所述变分自编码器进行训练。

22、在一些实施例中，所述第一隐变量中的多个元素用于指示所述样本图像在多个图像指标上的特征，所述确定模块，用于：

23、将所述第一隐变量中的部分元素替换为所述参考所有权信息，得到所述样本图像的第二隐变量；

24、将所述第二隐变量输入所述解码模块，得到所述预测图像。

25、在一些实施例中，所述确定模块还用于：

26、基于所述预测图像，通过所述编码模块，得到所述预测图像的正态分布信息，所述正态分布信息包括多个均值，所述多个均值对应所述样本图像在多个图像指标上的正态分布；

27、从所述多个均值中，确定多个目标均值，所述多个目标均值与所述部分元素对应的图像指标相同；

28、将所述多个目标均值组成向量，得到所述预测图像携带的所有权信息。

29、在一些实施例中，所述确定模块，还用于：

30、基于所述样本图像和所述预测图像，确定第一子损失值，所述第一子损失值用于指示所述样本图像与所述预测图像之间的差距；

31、基于所述参考所有权信息和所述预测图像携带的所有权信息，确定第二子损失值，所述第二子损失值用于指示所述参考所有权信息与所述预测图像携带的所有权信息之间的差距；

32、基于所述第一子损失值和所述第二子损失值，得到所述损失值。

33、在一些实施例中，所述参考所有权信息为第一所有权向量和第二所有权向量中的一项，所述第一所有权向量用于标识所述样本图像的所有权，所述第二所有权向量为所述第一所有权向量的对抗向量；所述确定模块，还用于：

34、在所述参考所有权信息为第一所有权向量的情况下，基于第一相似度，确定所述第二子损失值，所述第一相似度为所述第一所有权向量与所述预测图像携带的所有权信息之间的相似度，所述第二子损失值与所述第一相似度负相关；

35、在所述参考所有权信息为第二所有权向量的情况下，基于第二相似度，确定所述第二子损失值，所述第二相似度为所述第二所有权向量与所述预测图像携带的所有权信息之间的相似度，所述第二子损失值与所述第二相似度正相关。

36、在一些实施例中，所述参考所有权信息为第一所有权向量和第二所有权向量中的一项，所述第一所有权向量用于标识所述样本图像的所有权，所述第二所有权向量为所述第一所有权向量的对抗向量；所述获取模块，用于：

37、基于在第一数值范围内采样得到的多个数值，确定所述样本图像的第一所有权向量；

38、基于在第二数值范围内采样得到的多个数值，确定所述样本图像的第二所有权向量，所述第二数值范围大于所述第一数值范围。

39、在一些实施例中，所述确定模块，用于：

40、将所述样本图像输入所述编码模块，得到所述样本图像的正态分布信息，所述正态分布信息包括多个均值和多个方差，所述多个均值和所述多个方差对应所述样本图像在多个图像指标上的正态分布；

41、基于所述多个均值和多个方差，分别在多个图像指标上的正态分布中进行采样，得到所述第一隐变量。

42、另一方面，提供了一种基于变分自编码器的图像处理装置，所述装置包括：

43、获取模块，用于获取第一图像的所有权信息；

44、确定模块，用于基于所述第一图像，通过变分自编码器中的编码模块，得到所述第一图像的第一隐变量，所述变分自编码器通过上述任一实现方式训练得到，所述第一隐变量用于描述所述第一图像；

45、所述确定模块，还用于基于所述第一图像的所有权信息和第一隐变量，通过所述变分自编码器中的解码模块，得到第二图像，所述第二图像携带所有权信息。

46、在一些实施例中，所述确定模块，用于：

47、将所述第一隐变量中的部分元素替换为所述所有权信息，得到所述第一图像的第二隐变量；

48、将所述第二隐变量输入所述解码模块，得到所述第二图像。

49、在一些实施例中，所述确定模块，用于：

50、将所述第一图像输入通过所述编码模块，得到所述第一图像的正态分布信息，所述正态分布信息包括多个均值，所述多个均值对应所述第一图像在多个图像指标上的正态分布；

51、将所述多个均值组成向量，得到所述第一隐变量。

52、另一方面，提供了一种所有权检测装置，所述装置包括：

53、获取模块，用于获取图像的参考所有权信息；

54、确定模块，用于基于所述图像，通过变分自编码器中的编码模块，得到所述图像的隐变量，所述变分自编码器通过上述任一实现方式训练得到，所述隐变量用于描述所述图像；

55、所述确定模块，还用于确定所述参考所有权信息与所述隐变量的子变量之间的相似度，在所述相似度大于相似度阈值的情况下，确定所述图像携带所有权信息，所述子变量基于所述隐变量中用于指示所有权信息的元素得到。

56、另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段程序，所述至少一段程序由所述处理器加载并执行以实现本技术实施例中的变分自编码器的训练方法或基于变分自编码器的图像处理方法或所有权检测方法。

57、另一方面，提供了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至少一段程序，所述至少一段程序由处理器加载并执行以实现本技术实施例中的变分自编码器的训练方法或基于变分自编码器的图像处理方法或所有权检测方法。

58、另一方面，提供了一种计算机程序产品，所述计算机程序产品包括至少一段程序，所述至少一段程序存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述至少一段程序，所述处理器执行所述至少一段程序，使得所述计算机设备执行上述任一实现方式所述的变分自编码器的训练方法或基于变分自编码器的图像处理方法或所有权检测方法。

59、本技术实施例提供了一种变分自编码器的训练方法，该方法中变分自编码器中的编码模块，用于训练提取样本图像的隐变量；变分自编码器中的解码模块，用于训练基于参考所有权信息和隐变量，得到嵌入有所有权的图像；而该方法基于样本图像、预测图像、参考所有权信息和预测图像携带的所有权信息确定的损失值，对变分自编码器进行训练，由于损失值指示样本图像与预测图像之间的差距以及指示参考所有权信息与预测图像携带的所有权信息之间的差距，这样基于该损失值不仅能够训练变分自编码器输出与原始图像相似的图像，且能够训练变分自编码器在图像中准确嵌入所有权信息，进而通过训练得到的变分自编码器中的编码模块和解码模块，能够在图像中准确嵌入所有权信息，提高了在图像中嵌入所有权信息的便捷性以及提高了在图像中嵌入所有权信息时，对图像的处理效率。且在图像中嵌入所有权信息是基于深度学习的推理能力实现，进而所有权信息能够稳定地保留在图像中，不会由于图像压缩或图像处理而丢失，即提高了在图像中嵌入的所有权信息的鲁棒性。