CN107527318A - 一种基于生成对抗式网络模型的发型更换方法 - Google Patents
一种基于生成对抗式网络模型的发型更换方法 Download PDFInfo
- Publication number
- CN107527318A CN107527318A CN201710582794.0A CN201710582794A CN107527318A CN 107527318 A CN107527318 A CN 107527318A CN 201710582794 A CN201710582794 A CN 201710582794A CN 107527318 A CN107527318 A CN 107527318A
- Authority
- CN
- China
- Prior art keywords
- hair style
- network
- picture
- hair
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims 1
- 238000009966 trimming Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract 1
- 238000000034 method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机图像处理技术领域，具体为一种基于生成对抗式网络模型的发型更换方法。自动更换发型在分类和图像编辑领域都有很多实际应用，本发明诉诸于这一要求，首先提供一个新的大型发型数据集，HAIRSTYLE30k，包含64种不同类型的30K图像组成的发型，同时，提供一个自动生成和修改发型的模型H‑GAN，来实现自动更换发型。本发明在基础的生成对抗式网络模型上做了改进，可以高效地学习新数据集，不仅在基础数据集上表现良好，在新数据集上也有很好的可泛化性。
Description
技术领域
本发明属于计算机图像处理技术领域，具体涉及一种基于生成对抗式网络模型的发型更换方法。
背景技术
发型可以表达自己的个性，自信心和态度。因此，是个人外表的一个重要方面。在多媒体技术日益发展的今日，能够自动识别并且更换发型的方法是人们迫切需要的，计算机视觉技术使得这种需求得以实现。通过计算机视觉模型，能够自动识别、分析、修改人物图片中的发型因素，有很大的实际需求。客户可以根据自己的喜好，通过计算机模型尝试更换不同的发型，比较效果后，再去寻找理发师达到最令人满意的发型效果。
目前发型建模的关注点主要分为两种：一种是为用户推荐最合适的发型的论文如[1]，另一种是交互式的发型建模[2,3,4]，让用户挑选编辑最合适的发型，但是这些传统的发型建模推荐，都没有系统地研究发型的图像数据集，也没有可以用于处理各种发型的完备建模系统。可能的原因有两个：一是发型有很大的差异，为了能让模型能识别出这些变化，需要非常大规模的数据集，但是这样的数据集不存在，在多媒体和计算机视觉领域，发型通常被标记为面部数据集的属性。然而，这种注释通常是粗糙的，主要集中在头发长度和颜色，并没有关注发型的种类。另一方面，现有的专业发型数据种类集不够大，如文[1]提供的Beauty e-Expert数据集，因规模不足难以训练出精准的模型。
因此，本发明做的第一件事便是搜集一个大型的关注发型种类的数据集。
同时，有了数据集，还得有变换发型的手段，首先是要对原始图像做整理，并且做整合，为了实现与用户交互的照片整合，要对照片中的属性对象做分割，传统的处理这种照片分割的任务的文选有[5,6,7,8,9]，传统的实现用户参与的交互分割的方法有文选[10]提供的lazy snapping 和文选[11]提供的gradcut。
本发明的模型部分是基于上述论文的图像GAN的方法转移网络，来进行脸部特征提取，但是每篇论文只是提取了一种特定的脸部特征，也没有涉及到发型特征。
因此，本发明的第二件事就是提供一种模型H-GAN，来实现发型特征的提取与更换。
发明内容
本发明的目的在于提供一种基于发型生成对抗网络的发型更换方法。
本发明首先构建一个大型发型数据集“发型30K”给社区，希望这个针对发型种类的数据集可以大大推动对发型建模的研究。该数据集是通过发型图片关键词，在网页搜索引擎中使用关键词搜索爬取下来的，一共64种不同的类型，发型图片在30K图像。平均来说，每种发型大约有480张图片。这个数据集已足够大，可以训练基于深度学习的基础图像生成模型。
除了提供以上的数据集，本发明还提供一种发型生成对抗网络（H-GAN）模型，用于自动生成或修改/编辑发型，并输出图像。H-GAN有四个组件：编码网络，解码网络，判别网络和识别网络。本发明的H-GAN算法在新数据集和基准数据集进行广泛的实验验证，结果都很良好。
本发明中，构建大型发型数据集“发型30K”的具体步骤如下：
1、通过使用网络搜索引擎（例如，Google，Flickr和 Bing等），检索与与发型相关的关键词，下载超过100万张图片，例如蜂窝发型；
2、根据下载的照片筛序出64种发型类型作为发型类目全集，并根据该64种发型名称对数据集进行再扩充；
3、过滤初始下载的图像，通过面部检测算法，修剪掉了一些没有面孔的无关或错误的，也不是发型的图像；
4、进行训练操作，为了提高训练的效果，我们手动过滤掉了不包含人脸属性的发型种类，例如“鸭尾”发型。仔细地注明修剪过的图像，将它们分为不同的发型类；
5、最后，获得30k图像与41种男性发型和42 女式发型；其中，19种发型是男女通用的，完全数据集共有64种不同类型的发型。
本发明中，基于发型生成对抗网络的发型更换方法，具体步骤如下：
1、构建深度神经网络。其结构如图2所示。深度神经网络包括：编码网络，解码网络，判别网络和识别网络；原始图片输入编码网络，其中，经过四层卷积层和一层全连接层得到隐向量。隐向量和发型属性向量一同输入解码网络，其中，经过五层反卷积层得到生成的图片。生成的图片和原始图片一同输入判别网络和识别网络，首先经过了四层共享卷积层，之后用两个不同的全连接层得到图片真实性与发型属性的概率分布；
2、训练深度神经网络。在获得人脸图片和对应的发型属性以后，进行深度网络的训练。我们为四个网络设计了四种不同的优化目标。注意到此处重构损失为真实图片和真实图片经过编码解码网络后重构的图片，在判别网络的特征图上的欧几里得距离。对于编码网络，优化目标设为重构损失，和隐向量分布与高斯分布的KL距离；对于解码网络，优化目标为重构损失，识别网络输出的生成图片发型属性分布与指定发型属性分布的交叉熵，和判别网络输出的生成图片真实概率分布的负对数值；对于判别网络，优化目标为该网络输出的生成图片真实概率分布的对数值，和真实图片概率分布的负对数值；对于识别网络，优化目标为真实图片输出的发型属性分布，与真实发型属性分布的交叉熵。我们用反向传播算法将计算到的这些损失从后往前传递，对于不同的网络进行参数优化；
3、利用经过训练的深度网络模型，可以将人脸图片输入识别网络，来预测发型属性；同时我们可以将人脸图片输入编码网络，然后把指定的发型属性编码和得到的隐变量输入解码网络，得到修改之后的图片。这样一来，在深度模型训练完以后，对于给定一张人脸图片，能够同时检测人脸的发型属性和修改人脸发型属性。
本发明的创新之处在于：
突破性地将发型属性的生成和修改放在一个统一的模型框架中进行联合地学习，在测试的时候，给定一张人脸图片，能够修改其发型属性。
附图说明
图1为收集数据集示意图。
图2为本发明设计的深度神经网络的结构示意图。
图3发型修改方式示意图。
具体实施方式
步骤1.发型图片的收集和属性类别的标注；
步骤2.人脸检测，裁剪出人脸所在位置，便于深度学习神经网络做下一步处理；
步骤3.构建深度神经网络。图2为所设计的深度神经网络的结构；
步骤4.训练深度神经网络。在准备完成人脸图片和对应的属性信息以后，进行深度网络的训练。输入的训练图像经过编码神经网络之后，得到了隐向量。根据这个隐向量和制定的发型属性，从解码网络得到生成的图片。对于生成的图片，将其送入判别网络和识别网络来学习生成图片对应的属性，以及用判别网络的特征图作为编码解码的重构损失函数。
下面将详细介绍网络的信息。
首先列出网络需要学习的任务的定义。
（1）属性的预测任务。本方法将发型的属性预测作为一个多分类任务。对于给定的人脸，输出对应的类别；
（2）修改发型属性的任务。对于一张给定的人脸，希望修改其发型属性，得到修改之后的图片。
接下来介绍深度神经网络的四个重要组成部分。包括编码网络，解码网络，判别网络和识别网络。
编码网络的实现。我们用卷积层把原始图片映射到一个低维度的向量空间上，用于生成网络，进行下一步的解码。
解码网络实现。我们将原始图片对应的向量和发型的属性向量同时输入解码网络，这样就得到了原始图片对应于不同发型属性的图片。
判别网络和识别网络实现。这两个网络共享了所有卷积层的权重，只是在最后全连接层输出时，判别网络输出这个图片是生成的图片还是真实图片的概率；而识别网络输出对应的发型属性。
深度神经网络可以有多个神经结构层所构成。网络的最开始阶段可以是多个卷积层(Convolutional layer)，池化层(Pooling layer)和非线性层(Non-1inear layer)的组合，其后面部分是Softmax和Euclidean等损失层。
本方法的深度神经网络的结构如附图2所示。
网络中的参数，卷积层，全连接层的参数，基于发明内容中更换发型的步骤二设计的损失函数，对于每个模块都有不同的优化目标。我们希望通过优化网络参数，所有的损失函数都能取到最小值。我们选用亚当(Adam)优化器，通过反向传播算法来对不同层次的参数进行优化。每轮优化分为两个部分：第一步，选取64张真实图片，根据计算得到的损失函数优化编码网络，解码网络，判别网络和识别网络；第二步，生成64张图片，优化解码网络，判别网络和识别网络。经过五千次迭代能把数据集全部过一遍，模型收敛大概需要把整个数据集遍历十次左右。
步骤5. 利用训练得到的深度神经网络模型，同时检测人脸和预测对应的属性。如附图3，对于给定的图片，输入到模型中，能够同时预测人脸的发型属性和修改人脸的发型属性。
参考文选
[1] L. Liu, J. Xing, S. Liu, H. Xu, X. Zhou, and S. Yan. Wow! You are sobeautiful today! ACM TMCCA, 2014.
[2] D.Guo and T.Sim. Digital face makeup by example. In CVPR,2009
[3] Yuki Nagai, Kuniko Ushiro, Yoshiro Matsunami, Tsuyoshi，Hashimoto,Yuusuke Kojima, and Weniger. Hairstyle suggestingsystem, hairstyle suggestingmethod, and computer program product. In US Patent US20050251463, 2005.
[4] Wai-Shun Tong, Chi-Keung Tang, Michael S. Brown, and Ying-Qing Xu.example-based cosmetic transfer
[5] Xue Bai, Jue Wang, David Simons, and Guillermo Sapiro. Video snapcut:Robust video object cutout using localized classifiers. In ACM SIGGRAPH,2009.
[6] Dhruv Batra, Adarsh Kowdle, Devi Parikh, Jeibo Luo, and Tsuhan Chen.icoseg: Interactive co-segmentation with intelligent scribble guidance. InIEEE Conference on Computer Vision and Pattern Recognition, 2010.
[7] Yin Li, Jian Sun, Chi-Keung Tang, and Heung-Yeung Shum. Lazysnapping. In ACM SIGGRAPH, 2004.
[8] C. Rother, V. Kolmogorov, and A. Blake. Grabcut: Interactiveforeground extraction using iterated graph cuts. ACM Trans. On Graphics,2004.
[9] Chih-Yu Yan, Ming-Chun Tien, and Ja-Ling Wu. Interactive backgroundblurring. In ACM MM, 2009.
[10]Yin Li, Jian Sun, Chi-Keung Tang, and Heung-Yeung Shum. Lazysnapping. In ACM SIGGRAPH, 2004.
[11] C. Rother, V. Kolmogorov, and A. Blake. Grabcut: Interactiveforeground extraction using iterated graph cuts. ACM Trans. On Graphics,2004.。
Claims (3)
1.一种基于发型生成对抗网络的发型更换方法，其特征在于：
首先，构建一个大型发型数据集“发型30K”给社区，该发型数据集是通过发型图片关键词，在网页搜索引擎中使用关键词搜索爬取下来的，一共64种不同的类型，发型图片在30K图像；
然后，还提供一种发型生成对抗网络H-GAN模型，用于自动生成或修改/编辑发型，并输出图像；该H-GAN有三个组件：encoder-decoding 子网络，生成对抗网络gan，和recognition 识别子网络；其中encoder-decoding 子网络是VAE的变体，而reconition识别子网络 与infoGAN的GAN具有相同的网络。
2.根据权利要求1所述的基于发型生成对抗网络的发型更换方法，其特征在于，构建大型发型数据集“发型30K”的具体步骤如下：
（1）通过使用网络搜索引擎，检索与与发型相关的关键词，下载超过100万张图片；
（2）根据下载的照片筛序出64种发型类型作为发型类目全集，并根据该64种发型名称对数据集进行再扩充；
（3）过滤初始下载的图像，通过面部检测算法，修剪掉一些没有面孔的无关或错误的，也不是发型的图像；
（4）进行训练操作，先手动过滤掉了不包含人脸属性的发型种类，仔细地注明修剪过的图像，将它们分为不同的发型类；
最后，获得30k图像与41种男性发型和42 女式发型；其中，19种发型是男女通用的，完全数据集共有64种不同类型的发型。
3.根据权利要求1所述的基于发型生成对抗网络的发型更换方法，其特征在于，具体步骤如下：
（1）构建深度神经网络
深度神经网络包括：编码网络，解码网络，判别网络和识别网络；原始图片输入编码网络，其中，经过四层卷积层和一层全连接层得到隐向量；隐向量和发型属性向量一同输入解码网络，其中经过五层反卷积层得到生成的图片；生成的图片和原始图片一同输入判别网络和识别网络，首先经过了四层共享卷积层，之后用两个不同的全连接层得到图片真实性与发型属性的概率分布；
（2）训练深度神经网络
在获得人脸图片和对应的发型属性以后，进行深度网络的训练；为四个网络设计了四种不同的优化目标；注意到此处重构损失为真实图片和真实图片经过编码解码网络后重构的图片，在判别网络的特征图上的欧几里得距离；对于编码网络，优化目标设为重构损失，和隐向量分布与高斯分布的KL距离；对于解码网络，优化目标为重构损失，识别网络输出的生成图片发型属性分布与指定发型属性分布的交叉熵，和判别网络输出的生成图片真实概率分布的负对数值；对于判别网络，优化目标为该网络输出的生成图片真实概率分布的对数值，和真实图片概率分布的负对数值；对于识别网络，优化目标为真实图片输出的发型属性分布，与真实发型属性分布的交叉熵；用反向传播算法将计算到的这些损失从后往前传递，对于不同的网络进行参数优化；
（3）利用经过训练的深度网络模型，将人脸图片输入识别网络，来预测发型属性；同时将人脸图片输入编码网络，然后把指定的发型属性编码和得到的隐变量输入解码网络，得到修改之后的图片；这样在深度模型训练完以后，对于给定一张人脸图片，能够同时检测人脸的发型属性和修改人脸发型属性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710582794.0A CN107527318B (zh) | 2017-07-17 | 2017-07-17 | 一种基于生成对抗式网络模型的发型更换方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710582794.0A CN107527318B (zh) | 2017-07-17 | 2017-07-17 | 一种基于生成对抗式网络模型的发型更换方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107527318A true CN107527318A (zh) | 2017-12-29 |
| CN107527318B CN107527318B (zh) | 2021-06-04 |
Family
ID=60749031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710582794.0A Active CN107527318B (zh) | 2017-07-17 | 2017-07-17 | 一种基于生成对抗式网络模型的发型更换方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107527318B (zh) |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320274A (zh) * | 2018-01-26 | 2018-07-24 | 东华大学 | 一种基于双通道循环生成对抗网络的红外视频彩色化方法 |
| CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
| CN108491874A (zh) * | 2018-03-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的图像单分类方法 |
| CN108510061A (zh) * | 2018-03-19 | 2018-09-07 | 华南理工大学 | 基于条件生成对抗网络的多监控视频人脸合成正脸的方法 |
| CN108596024A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| CN108765261A (zh) * | 2018-04-13 | 2018-11-06 | 北京市商汤科技开发有限公司 | 图像变换方法和装置、电子设备、计算机存储介质、程序 |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| CN108932660A (zh) * | 2018-07-26 | 2018-12-04 | 北京旷视科技有限公司 | 一种商品使用效果模拟方法、装置及设备 |
| CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
| CN109102496A (zh) * | 2018-07-10 | 2018-12-28 | 武汉科技大学 | 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置 |
| CN109214408A (zh) * | 2018-07-10 | 2019-01-15 | 武汉科技大学 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
| CN109447895A (zh) * | 2018-09-03 | 2019-03-08 | 腾讯科技（武汉）有限公司 | 图片生成方法和装置、存储介质及电子装置 |
| CN109559289A (zh) * | 2018-11-30 | 2019-04-02 | 维沃移动通信（深圳）有限公司 | 一种图像处理方法及移动终端 |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN109921921A (zh) * | 2019-01-26 | 2019-06-21 | 复旦大学 | 一种时变网络中时效稳定社团的检测方法和装置 |
| CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
| CN110009018A (zh) * | 2019-03-25 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 一种图像生成方法、装置以及相关设备 |
| CN110147797A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院软件研究所 | 一种基于生成式对抗网络的草图补全与识别方法和装置 |
| CN110163795A (zh) * | 2019-04-01 | 2019-08-23 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
| CN110458237A (zh) * | 2019-08-14 | 2019-11-15 | 北京市商汤科技开发有限公司 | 语义识别方法和装置、电子设备及存储介质 |
| TWI683262B (zh) * | 2018-06-08 | 2020-01-21 | 財團法人工業技術研究院 | 工業影像檢測方法、系統與電腦可讀取記錄媒體 |
| US10636133B2 (en) | 2017-10-27 | 2020-04-28 | Industrial Technology Research Institute | Automated optical inspection (AOI) image classification method, system and computer-readable media |
| CN111242213A (zh) * | 2020-01-13 | 2020-06-05 | 上海大学 | 无标签的自动人脸属性编辑方法 |
| CN111597928A (zh) * | 2020-04-29 | 2020-08-28 | 深圳市商汤智能传感科技有限公司 | 三维模型处理方法及装置、电子设备、存储介质 |
| CN111667342A (zh) * | 2020-06-03 | 2020-09-15 | 南京工业大学 | 一种顾客发型推荐的模型 |
| RU2735148C1 (ru) * | 2019-12-09 | 2020-10-28 | Самсунг Электроникс Ко., Лтд. | Обучение gan (генеративно-состязательных сетей) созданию попиксельной аннотации |
| CN112102148A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
| CN112102149A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
| CN112184876A (zh) * | 2020-09-28 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN112819921A (zh) * | 2020-11-30 | 2021-05-18 | 北京百度网讯科技有限公司 | 用于改变人物的发型的方法、装置、设备和存储介质 |
| CN112862672A (zh) * | 2021-02-10 | 2021-05-28 | 厦门美图之家科技有限公司 | 刘海生成方法、装置、计算机设备和存储介质 |
| TWI755666B (zh) * | 2019-01-28 | 2022-02-21 | 南韓商納寶股份有限公司 | 影像搜索裝置及方法 |
| US11315231B2 (en) | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
| US11514694B2 (en) | 2019-09-20 | 2022-11-29 | Samsung Electronics Co., Ltd. | Teaching GAN (generative adversarial networks) to generate per-pixel annotation |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366400A (zh) * | 2013-07-24 | 2013-10-23 | 深圳市华创振新科技发展有限公司 | 一种三维头像自动生成方法 |
| CN105844706A (zh) * | 2016-04-19 | 2016-08-10 | 浙江大学 | 一种基于单幅图像的全自动三维头发建模方法 |
| US20160328606A1 (en) * | 2013-11-15 | 2016-11-10 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
| CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
-
2017
- 2017-07-17 CN CN201710582794.0A patent/CN107527318B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366400A (zh) * | 2013-07-24 | 2013-10-23 | 深圳市华创振新科技发展有限公司 | 一种三维头像自动生成方法 |
| US20160328606A1 (en) * | 2013-11-15 | 2016-11-10 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
| CN105844706A (zh) * | 2016-04-19 | 2016-08-10 | 浙江大学 | 一种基于单幅图像的全自动三维头发建模方法 |
| CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
Non-Patent Citations (1)
| Title |
|---|
| ANDREW BROCK等: "NEURAL PHOTO EDITING WITH INTROSPECTIVE ADVERSARIAL NETWORKS", 《HTTPS://ARXIV.ORG/PDF/1609.07093》 * |
Cited By (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10636133B2 (en) | 2017-10-27 | 2020-04-28 | Industrial Technology Research Institute | Automated optical inspection (AOI) image classification method, system and computer-readable media |
| CN108320274A (zh) * | 2018-01-26 | 2018-07-24 | 东华大学 | 一种基于双通道循环生成对抗网络的红外视频彩色化方法 |
| CN108334848B (zh) * | 2018-02-06 | 2020-12-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
| CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
| CN108596024A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| CN108596024B (zh) * | 2018-03-13 | 2021-05-04 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| CN108491874A (zh) * | 2018-03-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的图像单分类方法 |
| CN108510061A (zh) * | 2018-03-19 | 2018-09-07 | 华南理工大学 | 基于条件生成对抗网络的多监控视频人脸合成正脸的方法 |
| CN108491874B (zh) * | 2018-03-19 | 2021-10-12 | 天津大学 | 一种基于生成式对抗网络的图像单分类方法 |
| CN108510061B (zh) * | 2018-03-19 | 2022-03-29 | 华南理工大学 | 基于条件生成对抗网络的多监控视频人脸合成正脸的方法 |
| CN108765261B (zh) * | 2018-04-13 | 2022-07-05 | 北京市商汤科技开发有限公司 | 图像变换方法和装置、电子设备、计算机存储介质 |
| CN108765261A (zh) * | 2018-04-13 | 2018-11-06 | 北京市商汤科技开发有限公司 | 图像变换方法和装置、电子设备、计算机存储介质、程序 |
| CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
| CN108985316B (zh) * | 2018-05-24 | 2022-03-01 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
| CN108805188B (zh) * | 2018-05-29 | 2020-08-21 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| US11315231B2 (en) | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
| TWI683262B (zh) * | 2018-06-08 | 2020-01-21 | 財團法人工業技術研究院 | 工業影像檢測方法、系統與電腦可讀取記錄媒體 |
| CN109214408A (zh) * | 2018-07-10 | 2019-01-15 | 武汉科技大学 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
| CN109102496A (zh) * | 2018-07-10 | 2018-12-28 | 武汉科技大学 | 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置 |
| CN108932660A (zh) * | 2018-07-26 | 2018-12-04 | 北京旷视科技有限公司 | 一种商品使用效果模拟方法、装置及设备 |
| US11538208B2 (en) * | 2018-09-03 | 2022-12-27 | Tencent Technology (Shenzhen) Company Limited | Picture generation method and device, storage medium, and electronic device |
| WO2020048388A1 (zh) * | 2018-09-03 | 2020-03-12 | 腾讯科技（深圳）有限公司 | 图片生成方法和装置、存储介质及电子装置 |
| CN109447895B (zh) * | 2018-09-03 | 2021-06-08 | 腾讯科技（武汉）有限公司 | 图片生成方法和装置、存储介质及电子装置 |
| CN109447895A (zh) * | 2018-09-03 | 2019-03-08 | 腾讯科技（武汉）有限公司 | 图片生成方法和装置、存储介质及电子装置 |
| CN109559289A (zh) * | 2018-11-30 | 2019-04-02 | 维沃移动通信（深圳）有限公司 | 一种图像处理方法及移动终端 |
| CN109903236B (zh) * | 2019-01-21 | 2020-12-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN109921921B (zh) * | 2019-01-26 | 2021-06-04 | 复旦大学 | 一种时变网络中时效稳定社团的检测方法和装置 |
| CN109921921A (zh) * | 2019-01-26 | 2019-06-21 | 复旦大学 | 一种时变网络中时效稳定社团的检测方法和装置 |
| TWI755666B (zh) * | 2019-01-28 | 2022-02-21 | 南韓商納寶股份有限公司 | 影像搜索裝置及方法 |
| CN110009018B (zh) * | 2019-03-25 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 一种图像生成方法、装置以及相关设备 |
| CN110009018A (zh) * | 2019-03-25 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 一种图像生成方法、装置以及相关设备 |
| CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
| CN110163795A (zh) * | 2019-04-01 | 2019-08-23 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
| CN110147797A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院软件研究所 | 一种基于生成式对抗网络的草图补全与识别方法和装置 |
| CN112102149A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
| CN112102148A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
| CN110458237A (zh) * | 2019-08-14 | 2019-11-15 | 北京市商汤科技开发有限公司 | 语义识别方法和装置、电子设备及存储介质 |
| CN110458237B (zh) * | 2019-08-14 | 2022-03-04 | 北京市商汤科技开发有限公司 | 语义识别方法和装置、电子设备及存储介质 |
| US11514694B2 (en) | 2019-09-20 | 2022-11-29 | Samsung Electronics Co., Ltd. | Teaching GAN (generative adversarial networks) to generate per-pixel annotation |
| RU2735148C1 (ru) * | 2019-12-09 | 2020-10-28 | Самсунг Электроникс Ко., Лтд. | Обучение gan (генеративно-состязательных сетей) созданию попиксельной аннотации |
| CN111242213A (zh) * | 2020-01-13 | 2020-06-05 | 上海大学 | 无标签的自动人脸属性编辑方法 |
| CN111242213B (zh) * | 2020-01-13 | 2023-07-25 | 上海大学 | 无标签的自动人脸属性编辑方法 |
| CN111597928A (zh) * | 2020-04-29 | 2020-08-28 | 深圳市商汤智能传感科技有限公司 | 三维模型处理方法及装置、电子设备、存储介质 |
| CN111667342A (zh) * | 2020-06-03 | 2020-09-15 | 南京工业大学 | 一种顾客发型推荐的模型 |
| CN112184876A (zh) * | 2020-09-28 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN112819921A (zh) * | 2020-11-30 | 2021-05-18 | 北京百度网讯科技有限公司 | 用于改变人物的发型的方法、装置、设备和存储介质 |
| CN112819921B (zh) * | 2020-11-30 | 2023-09-26 | 北京百度网讯科技有限公司 | 用于改变人物的发型的方法、装置、设备和存储介质 |
| CN112862672A (zh) * | 2021-02-10 | 2021-05-28 | 厦门美图之家科技有限公司 | 刘海生成方法、装置、计算机设备和存储介质 |
| CN112862672B (zh) * | 2021-02-10 | 2024-04-16 | 厦门美图之家科技有限公司 | 刘海生成方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107527318B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527318A (zh) | 一种基于生成对抗式网络模型的发型更换方法 | |
| JP6395158B2 (ja) | シーンの取得画像を意味的にラベル付けする方法 | |
| US11270476B2 (en) | Method and system for providing photorealistic changes for digital image | |
| CN108108699A (zh) | 融合深度神经网络模型和二进制哈希的人体动作识别方法 | |
| CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
| Phan et al. | Color orchestra: Ordering color palettes for interpolation and prediction | |
| CN108986186A (zh) | 文字转化视频的方法和系统 | |
| CN109670060A (zh) | 一种基于深度学习的遥感影像半自动化标注方法 | |
| CN108280233A (zh) | 一种基于深度学习的视频gis数据检索方法 | |
| CN107122796A (zh) | 一种基于多分支网络融合模型的光学遥感图像分类方法 | |
| CN109815826A (zh) | 人脸属性模型的生成方法及装置 | |
| CN113190709B (zh) | 一种基于短视频关键帧的背景音乐推荐方法和装置 | |
| CN115115745A (zh) | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 | |
| CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
| CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
| Jo et al. | Scenery-based fashion recommendation with cross-domain geneartive adverserial networks | |
| CN111383081A (zh) | 一种服装搭配的智能推荐方法 | |
| EP3662388A1 (en) | Processing content | |
| JP2018055384A (ja) | 信号調整装置、信号生成学習装置、方法、及びプログラム | |
| CN112699261A (zh) | 一种服装图像自动生成系统及方法 | |
| Zhang et al. | Deep learning based human body segmentation for clothing fashion classification | |
| Lu et al. | Deep conditional color harmony model for image aesthetic assessment | |
| da Fonseca et al. | New hierarchy-based segmentation layer: towards automatic marker proposal | |
| CN113486815B (zh) | 一种行人重识别系统和方法、计算机设备及存储介质 | |
| Zhou et al. | Computational aesthetics of photos quality assessment and classification based on artificial neural network with deep learning methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |