专利交易市场

本发明涉及一种文本生成图像方法，基于Transformer模块和AttnGAN网络，将文本经过文本编码器编码后得到句子特征和单词特征，句子特征通过条件增强模块得到特征向量，将其与随机噪声向量融合输入到Transformer模块学习，输出改进特征向量并输入到生成器中生成粗略64*64像素的初始图像，将初始合成图像和改进特征向量输入到判别器进行判别，并根据损失函数训练生成器；依次将上一步的改进特征向量与单词特征一起输入到神经网络进行上采样得到融合向量，再将其输入到生成器得到128*128像素的图像、256*256像素的图像。本发明生成的图像较于之前传统AttnGAN方法生成的图像细节轮廓更清晰。

本发明提供一种合同生成方法、装置、设备及存储介质，即在接收到合同生成指令时，获取所述合同生成指令中的目标合同类型，根据所述目标合同类型获取对应的目标合同模板以及合同处理流程；根据所述合同处理流程，在预置的合同处理节点中获取目标处理节点；根据所述合同处理流程，将目标处理节点组织为目标处理链，并将所述目标合同模板传入所述目标处理链，以生成对应的目标合同。本发明通过将预置的目标处理节点按照目标合同类型对应合同处理流程组织为目标处理链，通过目标处理链生成目标合同。本发明可根据不同需求灵活配置所述预置的合同处理节点，无需重复开发，提升合同的生成效率。

本发明公开了一种基于文本生成图像的方法，包括如下步骤：准备生成器模型和判识器模型的训练数据集；训练生成器模型和判识器模型，并计算生成器模型和判识器模型的损失函数；将生成的图像输入到卷积神经网络CNN中，获得整张图像与其匹配的文本描述的损失函数；将整个训练网络不断迭代N次，直到生成器模型的损失函数和和判识器模型的损失函数达到平衡状态。本发明所公开的方法适用于对象之间关联性比较强的复杂文本，可以提高生成图像的分辨率，图像精度高，可以拿来直接使用。

本发明公开了一种基于扩散模型的复杂对话文本生成方法，对包含问题文本、上下文文本、问题类型文本和答案文本的数据集进行预处理。然后，通过问题编码模块提取问题文本的潜在表示，并利用匹配模块融合上下文文本和答案文本的特征。接着，将问题文本的潜在表示和融合特征输入扩散去噪器生成噪声潜在表示。同时，基于答案文本向量预测问题类型，并优化问题类型分类模块。最后，将相关特征输入解码模块生成预测问题，并通过构建损失函数优化模型，得到最优文本生成模型。本发明利用扩散模型的逐步去噪特性，以提升问题生成的多样性与自然性；且能更有效地捕捉对话中的语义细节和上下文关联，从而生成更具逻辑性和连贯性的复杂问题。

本发明公开了一种基于StackGAN网络的文本生成图像方法，具体为：收集整理文本图像数据集并分成训练集和测试集；构建StackGAN网络文本生成图像模型，分两个阶段进行训练，每个阶段由生成器和判别器构成；将训练集图像对应的文本描述与随机噪声向量输入到模型的第一阶段进行训练，生成64×64的低分辨率图像，再进行预处理；最后，将图像再结合训练集图像文本描述输入到模型的第二阶段，结合图像的类别与重构信息进行训练，最终输出256×256高分辨率图像。采用分段式训练模型，有利于对图像的轮廓信息、图像的类别及特征与像素信息进行定位，保证生成图像的边缘清晰，生成的图像像素更好，细节和纹理更加细腻真实。

本发明公开了一种基于风格变换的高迁移性对抗文本生成方法，包括如下步骤：S1、构建预训练模型，包括构建原始替代模型Forg、构建释义生成器P、构建特征提取器E和特征解码器D；S2、构建测试文本的向量表示集和替代模型集F；所述测试文本的向量表示集包括语义特征向量集Vp、缩放因子集和风格特征向量集Vs；S3、构建任务集，包括构建总任务集Task，划分查询任务集Taskqr和支持任务集Tasksr；S4、利用元学习优化策略获取风格特征噪声向量δ*；S5、生成对抗文本x*。本发明通过结合风格变换和元学习策略，在黑盒场景下能生成具备强攻击能力、高迁移性的对抗文本。