(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210597441.9 (22)申请日 2022.05.30 (71)申请人 上海集成电路装备 材料产业创新中 心有限公司 地址 201821 上海市嘉定区叶城路128 8号6 幢JT2216室 申请人 上海集成电路研发中心有限公司 (72)发明人 傅豪　李琛　周涛　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 王征　刘芳 (51)Int.Cl. G06T 9/00(2006.01) G06V 10/74(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 生成对抗网络的训练方法、 图像压缩 方法及 装置 (57)摘要 本申请提供一种生 成对抗网络的训练方法、 图像压缩 方法及装置， 其中， 该方法包括： 获取随 机向量， 根据预先训练得到的生成对抗网络将随 机向量合 成为合成图像， 获取合成图像与待压缩 图像的差值， 根据差值对随机向量进行更新， 得 到目标特征向量， 获取目标特征向量对应的目标 图像， 作为待压缩图像压缩之后的图像。 该技术 方案中， 通过利用训练得到的生成对抗网络对随 机向量进行重建， 反向拟合待压缩图像的特征向 量， 最后得到的特征向量即原待压缩图像的要锁 表示， 简化了图像压缩的计算流程， 能够缩短图 像压缩过程的耗时， 提高图像 压缩效率。 权利要求书3页 说明书12页 附图6页 CN 114972556 A 2022.08.30 CN 114972556 A 1.一种生成对抗网络的训练方法， 其特 征在于， 包括： 获取样本向量和训练样本图像， 所述样本向量用于拟合所述训练样本图像的特征向 量； 将所述样本向量输入至生成对抗网络的生成器中， 生成所述样本向量对应的生成图 像， 所述生成对抗网络包括 生成器和判别器； 将所述生成图像和所述训练样本 图像输入至所述判别器， 得到收敛结果， 所述收敛结 果用于指示所述 生成图像与所述训练样本图像的相似度； 根据所述收敛 结果， 对所述 生成对抗网络的网络参数进行调整。 2.根据权利要求1所述的方法， 其特征在于， 所述生成器至少包括有生成器输入层、 生 成器卷积层、 生成器上采样层和生成器输出层， 所述将所述样本 向量输入至生成对抗网络 的生成器中， 生成所述样本向量对应的生成图像包括： 将所述样本向量输入至所述 生成器输入层， 得到生成器输入层输出 结果； 将所述生成器输入层输出结果输入至所述生成器卷积层， 得到生成器卷积层输出结 果； 将所述生成器卷积层输出结果输入至所述生成器上采样层， 得到生成器上采样层输出 结果； 将所述生成器上采样层输出 结果输入至所述 生成器输出层， 得到所述 生成图像。 3.根据权利要求1或2所述的方法， 其特征在于， 所述判别器至少包括判别器输入层、 判 别器卷积层、 判别器下采样层、 全连接层和判别器输出层， 所述将所述生成图像和所述训练 样本图像输入至所述判别器， 得到收敛 结果， 包括： 将所述生成图像和所述训练样本图像输入至所述判别器输入层， 得到预处理后的生成 图像和训练样本图像； 将预处理后的生成图像和训练样本图像输入至所述判别器卷积层进行特征提取， 得到 特征提取后的生成图像和训练样本图像； 将所述特征提取后的生成图像和训练样本图像输入至所述判别器下采样层进行下采 样， 得到下采样后的生成图像和训练样本图像； 将所述下采样后的生成图像和训练样本图像输入至所述全连接层， 得到所述全连接层 输出的生成图像和训练样本图像； 将所述全连接层输出的生成图像和训练样本图像输入至所述判别器输出层， 得到所述 收敛结果。 4.根据权利要求3所述的方法， 其特征在于， 所述将所述全连接层输出的生成图像和训 练样本图像输入至所述判别器输出层， 得到所述收敛 结果， 包括： 根据所述全连接层输出的生成图像和训练样本图像， 获取当前训练的损失函数； 确定所述当前训练的损失函数与上一次训练的损失函数的值是否相同； 若是， 则确定所述收敛 结果为收敛； 若否， 则确定所述收敛 结果为未收敛。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括： 若所述收敛结果为未收敛， 则根据所述当前训练的损 失函数， 对所述生成对抗网络的 网络参数进行调整并进行 下一次训练。权　利　要　求　书 1/3 页 2 CN 114972556 A 26.根据权利要求5所述的方法， 其特征在于， 所述根据所述当前训练的损 失函数， 对所 述生成对抗网络的网络参数进行调整并进行 下一次训练， 包括： 对所述生成对抗网络的网络参数进行调整， 得到调整后的网络参数； 根据所述调整后的网络参数和样本向量， 生成下一次训练的生成图像； 将所述下一 次训练的生成图像和所述训练样本图像输入至所述判别器， 得到下一 次训 练的损失函数； 确定所述下一次训练的损失函数的值是否与当前损失函数的值相同； 若否， 则继续对所述 生成对抗网络的网络参数进行调整并继续进行训练。 7.根据权利要求1所述的方法， 其特 征在于， 所述获取样本向量， 包括： 初始化随机生成随机向量， 作为所述样本向量。 8.一种图像压缩方法， 其特 征在于， 应用于服 务器中， 所述方法包括： 获取随机向量， 根据预先训练得到的生成对抗网络将所述随机向量合成为合成图像， 所述预先训练得到的生成对抗网络通过样本向量和训练样本图像训练得到； 获取所述合成图像与待压缩图像的差值， 所述差值用于指示所述合成图像与 所述待压 缩图像的相似度； 根据所述差值对所述随机向量进行更新， 得到目标特征向量， 所述目标特征向量为所 述待压缩图像的压缩表示； 获取所述目标 特征向量对应的目标图像， 作为所述待压缩图像压缩之后的图像。 9.一种生成对抗网络的训练装置， 其特 征在于， 包括： 获取模块， 用于获取样本向量和训练样本 图像， 所述样本向量用于拟合所述训练样本 图像的特 征向量； 生成模块， 用于将所述样本向量输入至生成对抗网络的生成器中， 生成所述样本向量 对应的生成图像， 所述 生成对抗网络包括 生成器和判别器； 判别模块， 用于将所述生成图像和所述训练样本 图像输入至所述判别器， 得到收敛结 果， 所述收敛 结果用于指示所述 生成图像与所述训练样本图像的相似度； 调整模块， 用于根据所述收敛 结果， 对所述 生成对抗网络的网络参数进行调整。 10.一种图像压缩 装置， 其特 征在于， 包括： 图像合成模块， 用于获取随机向量， 根据预先训练得到的生成对抗网络将所述随机向 量合成为合成图像， 所述预先训练得到的生成对抗网络通过样本向量和训练样本图像训练 得到； 差值获取模块， 用于获取所述合成图像与待压缩图像的差值， 所述差值用于指示所述 合成图像与所述待压缩图像的相似度； 向量更新模块， 用于根据 所述差值对所述随机向量进行更新， 得到目标特征向量， 所述 目标特征向量为所述待压缩图像的压缩表示； 图像获取模块， 用于获取所述目标特征向量对应的目标图像， 作为所述待压缩图像压 缩之后的图像。 11.一种服 务器， 其特 征在于， 包括： 处 理器， 以及与所述处 理器通信连接的存 储器； 所述存储器存储计算机执 行指令； 所述处理器执行所述存储器存储的计算机执行指令， 以实现如权利要求1 ‑8中任一项权　利　要　求　书 2/3 页 3 CN 114972556 A 3