用于生成图像的方法和装置与流程

[0001]
本公开的实施例涉及计算机技术领域，具体涉及机器学习领域，尤其涉及一种用于生成图像的方法和装置。


背景技术：

[0002]
相关技术中，设计商品外观图像的方式包括如下三种：人工设计、半自动化的商品主图生成系统以及基于人工智能技术的图像生成。其中，人工设计费时费力，而且受到图片设计者的主观因素影响；半自动化的商品主图生成系统生成图片需要上传一张已有的商品的图片，而对于新品来说，往往还没有商品实物，只有商品的属性，并且，这种方法只能随机生成多张图片然后人工挑选，这就受到挑选图片的人的主观因素影响；基于人工智能技术的图像生成可以用来生成满足外观属性(尺寸，颜色等)的商品外观图像，由此生成的商品外观图像仅能体现出商品的外观属性。


技术实现要素：

[0003]
本公开的实施例提出了用于生成图像的方法和装置。
[0004]
第一方面，本公开的实施例提供了一种用于生成图像的方法，该方法包括：获取物品的目标外观属性；将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0005]
在一些实施例中，图像生成模型经由如下步骤训练得到：构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像；基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数；基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0006]
在一些实施例中，基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数，包括：从第一样本物品的外观图像中提取第一样本外观特征向量；对第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量；将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0007]
在一些实施例中，回归预测模型为全连接神经网络模型，且全连接神经网络模型包括残差块。
[0008]
在一些实施例中，特征参数预测模型经由如下步骤训练得到：获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数；基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数；基于已标记
样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0009]
第二方面，本公开的实施例提供了一种用于生成图像的装置，装置包括：属性获取单元，被配置成获取物品的目标外观属性；图像生成单元，被配置成将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0010]
在一些实施例中，该装置还包括图像生成模型训练单元，被配置成经由如下步骤得到图像生成模型：构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像；基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数；基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0011]
在一些实施例中，图像生成模型训练单元还包括特征参数预测模块，被配置成：从第一样本物品的外观图像中提取第一样本外观特征向量；对第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量；将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0012]
在一些实施例中，回归预测模型为全连接神经网络模型，且全连接神经网络模型包括残差块。
[0013]
在一些实施例中，该装置还包括特征参数预测模型训练单元，被配置成：获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数；基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数；基于已标记样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0014]
本公开的实施例提供的用于生成图像的方法和装置，基于图像生成模型输出的外观图像的特征参数构建图像生成模型的损失函数，使得图像生成模型生成的外观图像的特征参数的数值较大，从而确保生成的图像可以更准确，更符合物品的属性表达。
附图说明
[0015]
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
[0016]
图1是本公开的一些实施例可以应用于其中的示例性系统架构图；
[0017]
图2是根据本公开的用于生成图像的方法的一个实施例的流程图；
[0018]
图3是根据本公开的用于生成图像的方法的一个实施例中训练图像生成模型的流程图；
[0019]
图4是根据本公开的用于生成图像的方法的一个实施例中训练特征参数预测模型的流程图；
[0020]
图5是根据本公开的用于生成图像的装置的一个实施例的结构示意图；
[0021]
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
[0022]
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0023]
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
[0024]
图1示出了可以应用本公开的实施例的用于生成图像的方法或用于生成图像的装置的示例性系统架构100。
[0025]
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0026]
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等，例如可以将物品的目标外观属性发送至服务器，然后接收服务器生成的目标外观图像；也可以接收服务器发送的物品的目标外观属性，然后将终端设备生成的目标外观图像发送至服务器。
[0027]
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具备通信功能的电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0028]
服务器105可以是提供各种服务的服务器，例如基于终端设备101、102、103提供物品的目标外观属性，生成物品的外观图像的数据服务器。
[0029]
需要说明的是，本公开的实施例所提供的用于生成图像的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于生成图像的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。在此不做具体限定。
[0030]
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0031]
继续参考图2，示出了根据本公开的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法，包括以下步骤：
[0032]
步骤201，获取物品的目标外观属性。
[0033]
物品的外观属性用于表征对该物品外观的限定条件，例如，可以包括物品的外形尺寸、颜色、造型等属性。在本实施例中，物品的目标外观属性用于表征用户对于该物品外
观的期望。
[0034]
步骤202，将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0035]
在本实施例中，条件标签作为图像生成模型的约束条件，用于确保图像生成模型输出的外观图像符合用户对于物品外观的期望。图像生成模型例如可以是变分自编码器、vq-vae(vector quantised variational autoencoder，矢量量化变分自动编码)以及其他可以现有的或未来可能出现的可以根据条件标签生成图像的机器学习模型。
[0036]
在机器学习领域，机器学习模型通常是由初始模型经过训练得到的，损失函数则用于指导初始模型的训练过程，以约束模型，使得最终得到的机器学习模型的输出符合用户的期望。
[0037]
在本实施例中，图像生成模型的损失函数是基于图像生成模型输出的外观图像的特征参数构建的，如此一来，通过损失函数指导图像生成模型的训练过程，可以使得最终的图像生成模型输出的外观图像可以具有较高的特征参数。
[0038]
特征参数表示用户浏览外观图像之后的目标行为执行情况，例如可以为预设时间段内转化次数与点击次数的比值，点击次数可以表征用户通过点击查看该外观图像的次数，转化次数可以表征用户查看该外观图像之后执行目标行为的次数，例如可以是用户查看该外观图像之后，查看产品参数的行为或下单行为。特征参数的数值越高，表示用户对该外观图像的兴趣程度越高，因此，特征参数可以表征外观图像与用户期望的契合程度。
[0039]
在一个具体的示例中，可以将外观图像的uv(unique visitor，访问人数)转化率作为该外观图像的特征参数。uv是指通过互联网浏览或者访问某个页面的自然人。而uv转化率则是指在一个特定的统计周期内，完成转化行为的次数占推广信息总点击次数的比率。其计算公式可以定为：转化率＝(转化次数/点击量)*100％。在本示例中，转化次数即为用户执行目标行为的次数，uv转化率越高，表示用户对该物品兴趣程度就越高。
[0040]
在一个具体的示例中，执行主体(例如图1中所示的终端设备)通过输入组件(例如可以是键盘或鼠标)接收用户对于物品的目标外观属性。以冰箱为例，用户可以通过输入组件将所要设计的冰箱的目标外观属性(例如冰箱的颜色、尺寸、外表装饰等)发送至执行主体，然后执行主体将接收到的目标外观属性作为条件标签输入预先训练的图像生成模型，例如可以采用cgan(conditional generative adversarial network，条件生成对抗网络)。cgan基于条件标签将随机噪声数据生成目标外观图像，使得目标外观图像中的冰箱的外观属性符合用户输入的目标外观属性。同时，由于该cgan的损失函数是基于cgan网络输出的图像的特征参数构建的，因而该目标外观图像可以具有较高的特征参数数值。
[0041]
本公开的实施例提供的用于生成图像的方法和装置，基于图像生成模型输出的外观图像的特征参数构建图像生成模型的损失函数，使得图像生成模型生成的外观图像的特征参数的数值较大，从而确保生成的图像可以更准确，更符合物品的属性表达。
[0042]
接下来参考图3，图3示出了本公开的用于生成图像的方法的一个实施例中训练图像生成模型的流程图。该流程300包括以下步骤：
[0043]
步骤301，构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数。
[0044]
在本实施例中，损失函数用于指导初始图像生成模型的训练过程，约束初始图像生成模型的参数，以使训练后的图像生成模型输出的外观图像的特征参数的数值较大。例如，初始图像生成模型可以采用变分自编码器、vq-vae或cgan。
[0045]
步骤302，基于第一样本物品的外观属性和非外观属性，构建第一样本集。
[0046]
在本实施例中，物品的非外观属性是指物品的外观属性之外的属性，例如，可以是物品的性能参数、价格属性、促销力度等与物品的销量存在关联的属性。
[0047]
作为示例，可以采用冰箱作为第一样本物品，冰箱的颜色、外形尺寸、表面装饰等信息作为外观属性，冰箱的功率、能耗、价格等信息则作为非外观属性，同一个冰箱的外观属性和非外观属性构成一个第一样本数据。
[0048]
步骤303，将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像。
[0049]
作为示例，执行主体可以预先构建初始cgan模型，然后将步骤302中构建的第一样本集中第一样本物品的外观属性作为条件标签，输入该初始cgan模型，由该初始cgan生成第一样本物品的外观图像。
[0050]
步骤304，基于第一样本物品的外观图像和第一样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数。
[0051]
在本公开中，特征参数与用户对外观图像兴趣程度相关，可以理解的是，用户的兴趣程度不仅与物品的外观属性相关，又跟物品本身的性能参数等非外观属性相关，因而，将步骤302中得到的第一样本物品的外观图像和该第一样本物品的非外观属性输入预设的特征参数预测模型，估计出该第一样本物品的外观图像的特征参数，可以提高预测特征参数的准确度。
[0052]
进一步地，步骤304可以采用如下步骤估计出第一样本物品的外观图像的特征参数：
[0053]
步骤3041，从第一样本物品的外观图像中提取第一样本外观特征向量。
[0054]
在本实施例中，外观特征向量用于表征外观图像中所呈现的物品的外观属性。作为示例，执行主体可以通过特征参数预测模型中的图片编码器(例如resnet50残差学习网络)从输入的第一样本物品的外观图像中提取出该第一样本物品的外观图像的第一样本外观特征向量。
[0055]
步骤3042，对第一样本物品的非外观属性编码，得到第一样本非外观特征向量。
[0056]
作为示例，第一样本物品为冰箱，冰箱的外形尺寸、颜色、外表装饰等属性为冰箱的外观属性，冰箱的能耗、功率、价格、促销力度等属性则为冰箱的非外观属性。在步骤3041中，执行主体可以将步骤303中得到的冰箱的外观图像输入预先构建的resnet50残差学习网络模型中，得到该冰箱的外观特征向量，即为冰箱的第一样本外观特征向量；然后，执行主体可以按照预设策略对冰箱的能耗、功率、价格、促销力度进行归一化处理，并将归一化后的参数排列成向量，得到该冰箱的非外观特征向量，即为该冰箱的第一样本非外观特征向量。
[0057]
步骤3043，基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量。
[0058]
在本实施例中，第一样本属性特征向量耦合了第一样本物品的外观属性和非外观
属性，其中包含了与该第一样本物品的特征参数相关的信息。
[0059]
作为示例，执行主体可以直接将第一样本物品的第一样本外观特征向量与第一样本非外观特征向量直接拼接在一起，得到第一样本属性特征向量；还可以将第一样本物品的第一样本外观特征向量与第一样本非外观特征向量分别乘以预设权重，再拼接在一起，得到第一样本属性特征向量，本申请对此不做限制。
[0060]
步骤3044，将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0061]
在本实施例中，第一样本物品的外观图像的特征参数用于表征该第一样本物品采用了该外观图像中呈现的外观之后与用户期望的契合程度。回归预测模型则用于根据第一样本物品的第一样本属性特征向量估计出该第一样本物品的外观图像的特征参数。
[0062]
作为示例，执行主体可以将步骤3043中得到的第一样本属性特征向量输入预先构建的回归预测模型中，例如可以是决策树模型或逻辑回归模型等，得到第一样本物品的外观图像的特征参数。
[0063]
在本实施例的一些可选的实现方式中，回归预测模型可以为全连接神经网络模型，且所述全连接神经网络模型包括残差块。
[0064]
残差块(residual block)通过捷径连接(shortcut connections)可以信息传递到神经网络中的更深层，有助于解决神经网络模型中梯度消失和梯度爆炸的问题，实现了训练更深网络的同时，又能保证良好的性能。因而，采用了残差块的全连接神经网络模型可以提高预测特征参数的准确度。
[0065]
作为示例，执行主体可以采用building block或bottleneck的方式在不同的全连接层之间构建捷径连接，以得到包括残差块的全连接神经网络模型。
[0066]
步骤305，基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0067]
本实施例中的损失函数是基于图像生成模型输出的外观图像的特征参数构建的，而特征参数的预测过程中耦合了物品的外观属性和非外观属性，因此，基于该损失函数训练得到的图像生成模型可以学习到物品的非外观属性中包含的信息，从而确保训练后的图像生成模型可以输出具有较高特征参数数值的外观图像。
[0068]
作为示例，执行主体可以对损失函数求导，利用神经网络模型反向传播的特性，调整初始图像生成模型中的参数，直至初始图像生成模型输出的第一样本物品的外观图像的损失值满足预设标准。
[0069]
接下来参考图4，图4示出了本公开的用于生成图像的方法的实施例中训练特征参数预测模型的流程图。该流程400包括了以下步骤：
[0070]
步骤401，获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数。
[0071]
在本实施例中，用下单次数表征用户查看第二样本物品的外观图像之后的目标行为。作为示例，执行主体可以从网络(例如购物网站)上获取第二样本物品的上述信息。
[0072]
步骤402，基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数。
[0073]
在本实施例中，可以将第二样本物品的下单次数与浏览次数的比值确定为该第二样本物品的样本特征参数，用于表征用户浏览该第二样本物品的外观之后的目标行为(下
单次数)的执行情况。
[0074]
步骤403，基于已标记样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集。
[0075]
步骤404，将第二样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0076]
在一个具体的示例中，以冰箱为第二样本物品，执行主体可以通过网络(例如购物网站)获取冰箱的外观图像、非外观属性(冰箱的型号、能耗、价格、促销力度等属性)、浏览次数和下单次数，将冰箱的浏览次数和下单次数的比值确定为冰箱的样本特征参数，然后对该冰箱的外观图像和非外观属性进行标记，得到该冰箱的第二样本数据。之后，执行主体将第二样本数据中的外观图像和非外观属性输入预先构建的特征参数预测模型中，以该第二样本属性特征向量标记的样本特征参数作为期望输出，采用机器学习方法，训练初始特征参数预测模型，调整初始特征参数预测模型的参数，得到训练后的特征参数预测模型。
[0077]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0078]
如图5所示，本实施例的用于生成图像的装置500包括：属性获取单元501，被配置成获取物品的目标外观属性；图像生成单元502，被配置成将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0079]
在本实施例中，该装置还包括图像生成模型训练单元，被配置成经由如下步骤得到图像生成模型：构建初始图像生成模型，并基于初始图像生成模型输出的外观图像的特征参数构建损失函数；基于第一样本物品的外观属性和非外观属性，构建第一样本集；将第一样本物品的外观属性作为条件标签，输入初始图像生成模型，得到第一样本物品的外观图像；基于第一样本物品的外观图像和样本物品的非外观属性，采用预设的特征参数预测模型，估计出第一样本物品的外观图像的特征参数；基于损失函数，训练初始图像生成模型，得到训练后的图像生成模型。
[0080]
在本实施例中，图像生成模型训练单元还包括特征参数预测模块，被配置成：从第一样本物品的外观图像中提取第一样本外观特征向量；对第一样本物品的非外观属性编码，得到第一样本非外观特征向量；基于第一样本外观特征向量和第一样本非外观特征向量，生成第一样本属性特征向量；将第一样本属性特征向量输入预先训练的回归预测模型，估计出第一样本物品的外观图像的特征参数。
[0081]
在本实施例中，回归预测模型为全连接神经网络模型，且全连接神经网络模型包括残差块。
[0082]
在本实施例中，该装置还包括特征参数预测模型训练单元，被配置成：获取第二样本物品的外观图像、非外观属性以及第二样本物品在预设时间段内的浏览次数和下单次数；基于第二样本物品的浏览次数和下单次数，确定该第二样本物品的样本特征参数；基于已标记样本特征参数的第二样本物品的外观图像和非外观属性，构建第二样本集；将第二
样本物品的外观图像和非外观属性作为输入，将该第二样本物品的样本特征参数作为期望输出，训练预先构建的初始特征参数预测模型，得到训练后的特征参数预测模型。
[0083]
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的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、pda(个人数字助理)、pad(平板电脑)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6示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0084]
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0085]
通常，以下装置可以连接至i/o接口605：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606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0086]
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609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。
[0087]
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：获取物品的目标外观属性；将目标外观属性作为条件标签，输入预先训练的图像生成模型，得到该物品的目标外观图像，其中，图像生成模型的损失函数基于图像生成模型输出的外观图像的特征参数构建，特征参数表示用户浏览外观图像之后的目标行为执行情况。
[0088]
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实施例的操作的计算机程序代码，所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(lan)或广域网(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)。
[0089]
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。
[0090]
描述于本公开的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括属性获取单元和图像生成单元。其中，这些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，属性获取单元还可以被描述为“获取物品的目标外观属性的单元”。
[0091]
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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。