具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。需要说明的是，在不冲突的情况下，下述实施例及实施例中的特征可以相互组合。

还需要说明的是，在本申请实施例的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

众所周知，在游戏和应用软件的开发过程中，均需要使用大量的图片资源，例如：游戏中的人物模型、场景画面、道具图标，应用软件中的软件图标、功能图标、背景图片、用户界面等。

然而，现有技术中，这些图片资源通常都是通过人工设计得到，不仅需要花费大量的人力和物力，而且生产效率也较低。

针对该问题，本申请实施例提供一种用于游戏开发的图片资源生成方法及装置，以提高图片资源的生产效率，降低图片资源的生产成本。

参照图1，为本申请实施例提供的电子设备的结构示意图，该电子设备20包括用于游戏开发的图片资源生成装置70、存储器21、存储控制器22及处理器23。

所述存储器21、存储控制器22及处理器23各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述用于游戏开发的图片资源生成装置70可以包括至少一个可以软件或固件(firmware)的形式存储于所述存储器21中或固化在所述电子设备20的操作系统(operating system，OS)中的软件功能模块。所述处理器23用于执行所述存储器21中存储的可执行模块，例如所述用于游戏开发的图片资源生成装置70所包括的软件功能模块及计算机程序等，以使所述电子设备20执行如下所述的用于游戏开发的图片资源生成方法。

参照图2，为本申请实施例提供的用于游戏开发的图片资源生成方法的步骤流程示意图。该方法可以应用于图1所示的电子设备20，从而为该电子设备20提供如下所述的图片资源生成功能。

下面结合图2对本申请实施例提供的用于游戏开发的图片资源生成方法进行详细说明。

在本申请实施例中，该电子设备配置有生成式对抗网络GAN(GenerativeAdversarial Network)，该生成式对抗网络包括生成模型及鉴别模型。

参照图2，本申请实施例所提供的用于游戏开发的图片资源生成方法包括：

步骤S10，获取第一输入数据。

步骤S20，根据预设的转换函数将所述第一输入数据转换为对应的噪声图片。

步骤S30，将所述噪声图片输入所述初始生成模型，得到带第一标签的第一图片。

步骤S40，将带第二标签的第二图片及所述第一图片输入初始鉴别模型，得到所述初始鉴别模型对所述第一图片的第一鉴别结果，以及对所述第二图片的第二鉴别结果。

本领域技术人员应当知道，生成式对抗网络GAN是一种深度学习模型，其中，生成模型用于根据一随机输入数据生成图片，而鉴别模型用于鉴别该生成模型所生成的图片的质量，并辅助该生成模型提高所生成图片的质量，具体而言，即在鉴别该生成模型所生成的图片的真实程度的同时，将鉴别结果反馈给生成模型，以帮助生成模型不断优化。

由于在经过训练之前，该生成模型和鉴别模型的泛化能力均较差，换句话说，即在刚开始使用该生成模型时，其生成的图片可能会模糊不清，无法理解图片中的内容，而刚开始使用该鉴别模型时，其鉴别结果可能会不准确，因此，在本申请实施例中，在使用该生成模型自动生成图片资源以供开发者使用之间，需要先对该生成式对抗网络中的初始生成模型和初始鉴别模型进行训练。

应当理解，在本申请实施例中，该鉴别模型的作用在于对生成模型生成的图片进行真实度评价，然后将该真实度评价结果反馈给生成模型，以使该生成模型通过调整网络参数来提高其生成的图片的真实度。同时，由于该鉴别模型的评价能力也需要通过训练不断提升，因此，本实施例中，在对该生成模型进行训练的同时，还需要将该生成模型所生成的带第一标签的第一图片和预先准备的带第二标签的第二图片输入该鉴别模型，从而对该鉴别模型进行训练，使其获得准确鉴别图片真实性的能力。

还需要说明的是，在本申请实施例中，上述带第一标签的第一图片可以包括多张图片，上述带第二标签的第二图片也可以包括多张图片。其中，该第一图片中包含的多张图片可以通过不同的第一输入数据生成，也可以通过将同一个第一输入数据输入不同迭代次数下的生成模型来生成。

具体地，在本申请的实施例中，该第一输入数据可以是任意数值。在一种可能的实现方式中，可以通过预设一转换函数将输入的任意数值转换为对应的噪声图片。例如，当该第一输入数据为100时，可以通过该转换函数将其转换为一张100*100个像素点的噪声图片，该噪声图片可以由灰度值为0的若干像素点与灰度值非0的若干像素点间隔排布构成(如图3所示)。需要说明的是，在本申请实施例中该噪声图片的图片尺寸、分辨率及初始像素值与上述第一输入数据的对应关系可以通过在该转换函数中预先建立映射关系得到。

进一步地，在将该噪声图片输入初始生成模型之后，经过生成模型调整每一个像素点的像素值(如RGB值)，即可生成如图4所示的第一图片。

应当理解，图4所示的图片仅用于举例示范，并且，此时该生成模型的生成能力还较差，在经过多次训练之后，可以对该生成模型进行不断优化，从而通过该生成模型得到如图5所示的更加真实的图片。

还应当理解的是，本申请实施例中，该生成模型可以基于上述第二图片所包含的具体内容学习到不同的图片生成能力，从而得到不同形状的第一图片。例如：当该第二图片为真实的动漫人物时，该生成模型可以根据该第二图片的特征生成类似的人物图片；而当该第二图片为真实的风景图片时，该生成模型可以根据该第二图片的特征生成类似的场景图片。

进一步地，在本申请实施例中，上述第一标签的作用在于将该初始生成模型所生成的多张图片标记为虚假图片(即让该鉴别模型学习虚假图片所具备的特征)，第二标签的作用在于将多张所述第二图片标记为真实图片(即让该鉴别模型学习真实图片所具备的特征)。本申请实施例中，通过将大量带第一标签的第一图片和带第二标签的第二图片输入该初始鉴别模型进行训练，可以使该鉴别模型获得根据图片特征鉴别图像真实性的能力，进而根据任意输入图片的特征输出其对应的鉴别结果。

参照图6，在本申请实施例中，上述步骤S40可以包括以下子步骤：

子步骤S401，提取第一图片的像素分布特征及第二图片的像素分布特征。

子步骤S402，根据所述第一图片的像素分布特征及所述初始鉴别模型对应的第一目标函数得到第一鉴别结果。

子步骤S403，根据所述第二图片的像素分布特征及所述第一目标函数得到第二鉴别结果。

具体而言，在本申请实施例中，上述第一图片的像素分布特征及第二图片的像素分布特征可以包括图片中每一个像素点的像素值特征、多个相邻像素点所构成的轮廓形状特征等，并且每一个上述特征均作为第一目标函数中的一个变量，该鉴别模型可以通过将识别到的图片分布特征并分别代入该第一目标函数的对应变量中进行计算，得到输入图片所对应的鉴别结果。

进一步地，继续参照图2，在上述步骤S40之后，所述方法还包括：

步骤S50，基于所述第一鉴别结果和所述第二鉴别结果调整所述初始鉴别模型的网络参数，并基于所述第一鉴别结果调整所述初始生成模型的网络参数，直到调整参数后的初始鉴别模型对调整参数后的初始生成模型所得到的图片的鉴别结果满足预设条件时，得到目标生成模型及目标鉴别模型，其中，所述目标生成模型用于生成用于游戏开发的目标图片资源。

本领域技术人员应当理解，在本申请实施例中，对该生成式对抗网络进行训练的目的是得到一个能够生成真实度较高的图片的生成模型，而该鉴别模型的作用在于辅助生成模型进行训练，并检测该生成模型的泛化能力。

具体地，在本申请的一种实施例中，上述基于所述初始鉴别模型对所述第一图片的第一鉴别结果和对所述第二图片的第二鉴别结果调整所述初始鉴别模型的网络参数的过程中，可以根据梯度上升算法及该鉴别模型对所述第一图片和所述第二图片的鉴别结果对上述第一目标函数的参数进行调整，以使得该鉴别模型对所述第一图片的鉴别结果趋近于所述第一标签。而上述基于所述初始鉴别模型对所述第一图片的鉴别结果调整所述初始生成模型的网络参数的过程中，可以根据梯度下降算法及该鉴别模型对所述第一图片的鉴别结果对该生成模型对应的第二目标函数的参数进行调整，以使得该生成模型生成的第一图片经所述初始鉴别模型进行鉴别所得到的鉴别结果趋近于所述第二标签。

举例而言，本申请的一种实施例中，该鉴别模型对输入图片的鉴别结果可以通过上述第一目标函数进行计算，得到一个0～1之间的数值，其中，越接近0则表示该图片的真实度越高，越接近1则表示该图片的真实度越低(即上述第一标签可以用1表示，上述第二标签可以用0表示)。

在鉴别模型的训练过程中，可以基于该鉴别模型对所述第一图片和所述第二图片的鉴别结果，采用梯度上升算法来调整该鉴别模型所对应的第一目标函数的参数(即上述各个特征变量所对应的权重系数)，使得该鉴别模型对生成模型生成的第一图片的鉴别结果所对应的数值上升。而在生成模型的训练过程中，可以基于该鉴别模型对所述第一图片的鉴别结果，采用梯度下降算法来调整该生成模型所对应的第二目标函数的参数，使得该初始生成模型生成的第一图片经所述初始鉴别模型进行鉴别得到的鉴别结果所对应的数值下降(即提高生成模型生成的图片的真实性)。

进一步地，在对该鉴别模型及该生成模型进行网络参数调整之后，若该鉴别模型对该生成模型生成的图片的鉴别结果可以达到0.5，则表示该生成模型生成的图片真实度已较高，此时，即可结束训练，得到目标生成模型和目标鉴别模型。

由于生成式对抗网络为现有技术，本领域技术人员能够理解其具体训练过程以及使用过程，例如，本领域技术人员应当知道本申请实施例中所述的第一目标函数可以表示为第二目标函数可以表示为其中，G表示生成模型Generator，D表示鉴别模型Discriminator，P_data表示第二图片的分布，P_G表示生成模型生成的第一图片的分布，E表示数学期望。因此，在本申请实施例中不再对其进行赘述。

进一步地，在本申请实施例中，通过上述训练过程得到目标生成模型之后，通过该目标生成模型及上述的转换函数对用户输入的第二输入数据进行处理，即可自动生成真实度较高的图片资源。

需要说明的是，在本申请实施例中，该第二输入数据与上述的第一输入数据同理，可以是预设范围内的任意的数值数据，该第二输入数据上述转换函数转换可以得到对应的噪声图片，然后，将该第二输入数据所对应的噪声图片输入该目标生成模型进行处理，即可快速得到真实度较高的图片资源。

对于游戏或应用软件开发者而言，通过上述方法即可快速生成大量的图片资源，然后从中选择合适的图片用作游戏或应用软件开发所需的素材，从而极大程度地提高图片资源的生产速度，降低图片资源的生产成本，同时，丰富图片资源的选择空间。

还需要说明的是，本申请实施例所提供的用于游戏开发的图片资源生成方法除了可以用于生成游戏和应用软件所需的图片素材之外，还可以适用于其它需要使用图片资源的场景，例如外观设计、艺术创作等。在不同的应用场景之下，可以使用不同风格或不同内容的图片作为上述第二图片对上述模型进行训练，从而使其获得生成类似图片的能力。

综上所述，本申请实施例中提供的用于游戏开发的图片资源生成方法相对于现有技术而言，具有如下技术效果或优点：

本申请实施例提供的用于游戏开发的图片资源生成方法，通过对包含生成模型和鉴别模型的生成式对抗网络进行训练，获得具备生成较真实图片的泛化能力的目标生成模型，然后采用该目标生成模型对随机输入数据进行处理，即可根据随机的输入数据自动生成图片资源以供游戏开发者使用。通过该方法，不仅可以降低开发过程中的人工设计成本，还可以提高图片资源的生产速度，丰富图片资源的选择空间，进而提高游戏开发效率。

参照图7，本申请实施例还提供一种用于游戏开发的图片资源生成装置70，该装置可以应用于图1所示的电子设备20，从而为该电子设备20提供如上所述的图片资源生成功能。

具体地，在本申请实施例中，所述电子设备20配置有生成式对抗网络，所述生成式对抗网络包括生成模型及鉴别模型，所述装置包括获取模块701、转换模块702、生成模块70/3、鉴别模块704、调整模块705。

其中，获取模块701用于获取第一输入数据；转换模块702用于用于根据预设的转换函数将所述第一输入数据转换为对应的噪声图片；生成模块703用于将所述噪声图片输入初始生成模型，得到带第一标签的第一图片；鉴别模块704用于将带第二标签的第二图片及所述第一图片输入初始鉴别模型，得到所述初始鉴别模型对所述第一图片的第一鉴别结果，以及对所述第二图片的第二鉴别结果；调整模块705用于基于所述第一鉴别结果和所述第二鉴别结果调整所述初始鉴别模型的网络参数，并基于所述第一鉴别结果调整所述初始生成模型的网络参数，直到调整参数后的初始鉴别模型对调整参数后的初始生成模型所得到的图片的鉴别结果满足预设条件时，得到目标生成模型及目标鉴别模型，其中，所述目标生成模型用于生成用于游戏开发的目标图片资源。

可选地，在本申请的一种实施例中，所述第一输入数据包括预设范围内的数值数据，所述转换模块702具体用于：

通过所述转换函数对所述数值数据进行处理，得到所述数值数据对应的图片尺寸、分辨率及初始像素值；根据所述图片尺寸、分辨率及初始像素值得到所述噪声图片。

可选地，在本申请的一种实施例中，所述生成模块703具体用于：

通过所述初始生成模型对所述噪声图片中每一个像素点的像素值进行调整，并对所述噪声图片添加第一标签，得到所述带第一标签的第一图片。

可选地，在本申请的一种实施例中，所述鉴别模块704具体用于：

提取所述第一图片的像素分布特征及所述第二图片的像素分布特征；然后，根据所述第一图片的像素分布特征及所述初始鉴别模型对应的第一目标函数得到所述第一鉴别结果，根据所述第二图片的像素分布特征及所述第一目标函数得到所述第二鉴别结果。

可选地，在本申请的一种实施例中，所述调整模块705具体用于：

根据梯度上升算法及所述第一鉴别结果和第二鉴别结果对所述第一目标函数的参数进行调整，以使得所述初始鉴别模型对所述初始生成模型得到的图片的鉴别结果趋近于所述第一标签。

可选地，在本申请的一种实施例中，所述调整模块705还具体用于：

根据梯度下降算法及所述第一鉴别结果对所述初始生成模型对应的第二目标函数的参数进行调整，以使得所述初始生成模型生成的图片经所述初始鉴别模型进行鉴别所得到的鉴别结果趋近于所述第二标签。

由于本实施例所介绍的用于游戏开发的图片资源生成装置70为实现本申请实施例中用于游戏开发的图片资源生成方法所采用的装置，故而基于本申请实施例中所介绍的用于游戏开发的图片资源生成方法，本领域所属技术人员能够了解本实施例的用于游戏开发的图片资源生成装置70的具体实施方式以及其各种变化形式，所以在此对于该用于游戏开发的图片资源生成装置70如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中用于游戏开发的图片资源生成方法所采用的用于游戏开发的图片资源生成装置70，都属于本申请所欲保护的范围。

除此之外，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上所述的用于游戏开发的图片资源生成方法中的各个步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

本申请公开了:

A1、一种用于游戏开发的图片资源生成方法，其特征在于，应用于电子设备，所述电子设备配置有生成式对抗网络，所述生成式对抗网络包括生成模型及鉴别模型，所述方法包括：

获取第一输入数据；

根据预设的转换函数将所述第一输入数据转换为对应的噪声图片；

将所述噪声图片输入初始生成模型，得到带第一标签的第一图片；

将带第二标签的第二图片及所述第一图片输入初始鉴别模型，得到所述初始鉴别模型对所述第一图片的第一鉴别结果，以及对所述第二图片的第二鉴别结果；

基于所述第一鉴别结果和所述第二鉴别结果调整所述初始鉴别模型的网络参数，并基于所述第一鉴别结果调整所述初始生成模型的网络参数，直到调整参数后的初始鉴别模型对调整参数后的初始生成模型所得到的图片的鉴别结果满足预设条件时，得到目标生成模型及目标鉴别模型，其中，所述目标生成模型用于生成用于游戏开发的目标图片资源。

A2.如A1所述的方法，其特征在于，所述第一输入数据包括预设范围内的数值数据，所述根据预设的转换函数将所述第一输入数据转换为对应的噪声图片的步骤，包括：

通过所述转换函数对所述数值数据进行处理，得到所述数值数据对应的图片尺寸、分辨率及初始像素值；

根据所述图片尺寸、分辨率及初始像素值得到所述噪声图片。

A3.如A1所述的方法，其特征在于，所述将所述噪声图片输入初始生成模型，得到带第一标签的第一图片的步骤，包括：

通过所述初始生成模型对所述噪声图片中每一个像素点的像素值进行调整，并对所述噪声图片添加第一标签，得到所述带第一标签的第一图片。

A4.如A1-A3中任一项所述的方法，其特征在于，所述将带第二标签的第二图片及所述第一图片输入初始鉴别模型，得到所述初始鉴别模型对所述第一图片的第一鉴别结果，以及对所述第二图片的第二鉴别结果的步骤，包括：

提取所述第一图片的像素分布特征及所述第二图片的像素分布特征；

根据所述第一图片的像素分布特征及所述初始鉴别模型对应的第一目标函数得到所述第一鉴别结果；

根据所述第二图片的像素分布特征及所述第一目标函数得到所述第二鉴别结果。

A5.如A4所述的方法，其特征在于，所述基于所述第一鉴别结果和所述第二鉴别结果调整所述初始鉴别模型的网络参数的步骤，包括：

根据梯度上升算法及所述第一鉴别结果和第二鉴别结果对所述第一目标函数的参数进行调整，以使得所述初始鉴别模型对所述初始生成模型得到的图片的鉴别结果趋近于所述第一标签。

A6.如A4所述的方法，其特征在于，所述基于所述第一鉴别结果调整所述初始生成模型的网络参数的步骤，包括：

根据梯度下降算法及所述第一鉴别结果对所述初始生成模型对应的第二目标函数的参数进行调整，以使得所述初始生成模型生成的图片经所述初始鉴别模型进行鉴别所得到的鉴别结果趋近于所述第二标签。

B1.一种用于游戏开发的图片资源生成装置，其特征在于，应用于电子设备，所述电子设备配置有生成式对抗网络，所述生成式对抗网络包括生成模型及鉴别模型，所述装置包括：

获取模块，用于获取第一输入数据；

转换模块，用于根据预设的转换函数将所述第一输入数据转换为对应的噪声图片；

生成模块，用于将所述噪声图片输入初始生成模型，得到带第一标签的第一图片；

鉴别模块，用于将带第二标签的第二图片及所述第一图片输入初始鉴别模型，得到所述初始鉴别模型对所述第一图片的第一鉴别结果，以及对所述第二图片的第二鉴别结果；

调整模块，用于基于所述第一鉴别结果和所述第二鉴别结果调整所述初始鉴别模型的网络参数，并基于所述第一鉴别结果调整所述初始生成模型的网络参数，直到调整参数后的初始鉴别模型对调整参数后的初始生成模型所得到的图片的鉴别结果满足预设条件时，得到目标生成模型及目标鉴别模型，其中，所述目标生成模型用于生成用于游戏开发的目标图片资源。

B2.如B1所述的装置，其特征在于，所述第一输入数据包括预设范围内的数值数据，所述转换模块具体用于：

通过所述转换函数对所述数值数据进行处理，得到所述数值数据对应的图片尺寸、分辨率及初始像素值；

根据所述图片尺寸、分辨率及初始像素值得到所述噪声图片。

B3.如B1所述的装置，其特征在于，所述生成模块具体用于：

通过所述初始生成模型对所述噪声图片中每一个像素点的像素值进行调整，并对所述噪声图片添加第一标签，得到所述带第一标签的第一图片。

B4.如B1-B3中任一项所述的装置，其特征在于，所述鉴别模块具体用于：

提取所述第一图片的像素分布特征及所述第二图片的像素分布特征；

根据所述第一图片的像素分布特征及所述初始鉴别模型对应的第一目标函数得到所述第一鉴别结果；

根据所述第二图片的像素分布特征及所述第一目标函数得到所述第二鉴别结果。

B5.如B4所述的装置，其特征在于，所述调整模块具体用于：

根据梯度上升算法及所述第一鉴别结果和第二鉴别结果对所述第一目标函数的参数进行调整，以使得所述初始鉴别模型对所述初始生成模型得到的图片的鉴别结果趋近于所述第一标签。

B6.如B4所述的装置，其特征在于，所述调整模块还具体用于：

根据梯度下降算法及所述第一鉴别结果对所述初始生成模型对应的第二目标函数的参数进行调整，以使得所述初始生成模型生成的图片经所述初始鉴别模型进行鉴别所得到的鉴别结果趋近于所述第二标签。

C1.一种存储介质，其特征在于，所述存储介质包括计算机程序，所述计算机程序用于实现如A1-A6中任一项所述的方法。

D1.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如A1-A6中任一项所述的方法。