技术特征：
1.一种处理器，包括：一个或更多个电路，用于使用一个或更多个神经网络来至少部分地基于对应于第一图像的一个或更多个特征映射生成第二图像，其中所述第一图像小于所述第二图像。2.根据权利要求1所述的处理器，其中：所述一个或更多个特征映射由所述一个或更多个神经网络从所述第一图像生成；从所述一个或更多个特征映射生成一个或更多个移位的特征映射；至少部分地基于在所述一个或更多个移位的特征映射与所述一个或更多个特征映射之间共享的特征来计算一个或更多个权重；至少部分地基于根据所述一个或更多个权重将所述一个或更多个移位的特征映射和所述一个或更多个特征映射进行组合，来生成一个或更多个组合的特征映射；以及通过对所述一个或更多个组合的特征映射进行聚合和上采样来生成所述第二图像。3.根据权利要求2所述的处理器，其中使用一个或更多个卷积层从所述第一图像缩放所述一个或更多个特征映射中的每一个特征映射。4.根据权利要求2所述的处理器，其中至少部分地基于所述一个或更多个移位的特征映射和所述一个或更多个特征映射中的哪一个对应特征更突出，来计算所述一个或更多个权重。5.根据权利要求2所述的处理器，其中上采样包括将较小的第一特征映射零填充到较大的第二特征映射中。6.根据权利要求1所述的处理器，其中所述第一图像包含纹理并且所述第二图像包含所述第一图像的所述纹理。7.一种系统，包括：一个或更多个处理器，用于训练一个或更多个神经网络，以至少部分地基于对应于第一图像的一个或更多个特征映射来生成第二图像，其中所述第一图像小于所述第二图像。8.根据权利要求7所述的系统，其中：通过应用一个或更多个卷积层从所述第一图像缩放所述一个或更多个特征映射；计算指示一个或更多个移位的特征映射与所述一个或更多个特征映射之间的相似性的一个或更多个权重；通过根据所述一个或更多个权重对所述一个或更多个移位的特征映射和所述一个或更多个特征映射应用求和，来生成一个或更多个组合的特征映射；以及至少部分地基于聚合所述一个或更多个组合的特征映射来生成所述第二图像。9.根据权利要求8所述的系统，其中通过根据与所述一个或更多个特征映射中的每一个特征映射相对应的宽度和高度移位所述一个或更多个特征映射，来确定所述一个或更多个移位的特征映射。10.根据权利要求8所述的系统，其中所述一个或更多个权重指示在所述一个或更多个组合的特征映射的聚合期间要包括所述一个或更多个特征映射中的第一特征还是所述一个或更多个移位的特征映射中的第二特征。11.根据权利要求8所述的系统，其中将所述一个或更多个组合的特征映射聚合成所述第二图像包括：对所述一个或更多个组合的特征映射中的每一个组合的特征映射进行上采样。
12.根据权利要求11所述的系统，其中对所述一个或更多个组合的特征映射中的每一个组合的特征映射进行上采样包括：将较小的第一特征映射零填充到较大的第二特征映射中。13.根据权利要求7所述的系统，其中所述第一图像包含纹理并且所述第二图像包括所述第一图像的所述纹理。14.根据权利要求7所述的系统，其中所述一个或更多个神经网络使用生成式对抗网络来训练。15.根据权利要求14所述的系统，其中一个或更多个损失值由所述生成式对抗网络确定并且被反向传播到所述一个或更多个神经网络中的一个或更多个卷积层。16.一种机器可读介质，具有存储在其上的指令集，所述指令集如果由一个或更多个处理器执行，则使所述一个或更多个处理器至少：使用一个或更多个神经网络至少部分地基于对应于第一图像的一个或更多个特征映射来生成第二图像，其中所述第一图像小于所述第二图像。17.根据权利要求16所述的机器可读介质，其中：所述一个或更多个特征映射由所述一个或更多个神经网络从所述第一图像生成；计算指示一个或更多个移位的特征映射与所述一个或更多个特征映射之间的相似性的一个或更多个权重；至少部分地基于根据所述一个或更多个权重将所述一个或更多个移位的特征映射和所述一个或更多个特征映射进行组合，来生成一个或更多个组合的特征映射；以及通过聚合所述一个或更多个组合的特征映射来生成所述第二图像。18.根据权利要求17所述的机器可读介质，其中使用一个或更多个卷积层从所述第一图像缩放所述一个或更多个特征映射中的每一个特征映射。19.根据权利要求17所述的机器可读介质，其中通过根据与所述一个或更多个特征映射中的每一个特征映射相对应的宽度和高度移位所述一个或更多个特征映射，来确定所述一个或更多个移位的特征映射。20.根据权利要求17所述的机器可读介质，其中至少部分地基于所述一个或更多个移位的特征映射和所述一个或更多个特征映射中的哪一个对应特征要被保留，来计算所述一个或更多个权重。21.根据权利要求17所述的机器可读介质，其中将所述一个或更多个组合的特征映射聚合到所述第二图像中包括：将较小的第一特征映射零填充到较大的第二特征映射中。22.根据权利要求16所述的机器可读介质，其中所述第一图像包含纹理并且所述第二图像包含所述第一图像的所述纹理。23.一种方法，包括：训练一个或更多个神经网络，以至少部分地基于对应于第一图像的一个或更多个特征映射来生成第二图像，其中所述第一图像小于所述第二图像。24.根据权利要求23所述的方法，其中：通过应用一个或更多个卷积层从所述第一图像缩放所述一个或更多个特征映射；计算指示一个或更多个移位的特征映射与所述一个或更多个特征映射之间的相似性的一个或更多个权重；
通过根据所述一个或更多个权重对所述一个或更多个移位的特征映射和所述一个或更多个特征映射应用求和，来生成一个或更多个组合的特征映射；以及通过聚合所述一个或更多个组合的特征映射来生成所述第二图像。25.根据权利要求24所述的方法，其中通过根据所述一个或更多个特征映射中的每一个特征映射的一个或更多个维度移位所述一个或更多个特征映射，来确定所述一个或更多个移位的特征映射。26.根据权利要求24所述的方法，其中所述一个或更多个权重指示所述一个或更多个特征映射中的第一特征还是所述一个或更多个移位的特征映射中的第二特征是更突出的。27.根据权利要求24所述的方法，其中将所述一个或更多个组合的特征映射聚合到所述第二图像中包括：增加所述一个或更多个组合的特征映射中的每一个组合的特征映射的维度。28.根据权利要求27所述的方法，其中增加所述一个或更多个组合的特征映射中的每一个组合的特征映射的维度包括：将较小的第一特征映射零填充到较大的第二特征映射中。29.根据权利要求23所述的方法，其中所述第一图像包含纹理并且所述第二图像包括所述第一图像的所述纹理。30.根据权利要求23所述的方法，其中使用生成式对抗网络来训练所述一个或更多个神经网络。31.根据权利要求30所述的方法，其中基于所述生成式对抗网络的一个或更多个组件来确定一个或更多个损失值，并且所述一个或更多个损失值中的每一个损失值被用于更新所述一个或更多个卷积神经网络的一个或更多个节点中的一个或更多个权重。
技术总结
本发明公开了使用神经网络来扩展图像的技术，具体公开了用于使用卷积神经网络从图像中的小输入纹理进行纹理合成的装置、系统和技术。在至少一个实施例中，根据本文描述的各种新颖技术，一个或更多个卷积层与一个或更多个转置卷积运算结合使用，以从小输入纹理图像生成大纹理化输出图像，同时保留全局特征和纹理。理。理。
技术研发人员：刘贵林 A
受保护的技术使用者：辉达公司
技术研发日：2021.03.09
技术公布日：2021/9/9