CN109308681A - 图像处理方法和装置 - Google Patents

Abstract

本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括：获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像；对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；将得到的融合人脸图像作为训练卷积神经网络的样本图像。本申请实施例能够对卷积神经网络的训练样本集扩充不同风格的样本，以丰富卷积神经网络的训练样本集。这样，训练样本集不仅得到了数量上的扩充，并且在不耗费大量人力和物力采集样本的情况下，能够获取到不同风格的样本。

Description

图像处理方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及图像处理方法和装置。

背景技术

卷积神经网络是广泛应用的模型，擅长于处理图像。卷积神经网络的训练往往需要依赖大量的样本，因而增大样本数量，能够提高卷积神经网络的速度和准确度。而扩充样本往往受到采集图像的条件制约，很难实现采集大量的丰富的样本。

发明内容

本申请实施例提出了图像处理方法和装置。

第一方面，本申请实施例提供了一种图像处理方法，包括：获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像；对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；将得到的融合人脸图像作为训练卷积神经网络的样本图像。

在一些实施例中，对所述至少两个风格的图像包含的人脸进行人脸融合，得到融合人脸图像，包括：对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，融合人脸图像中的每个人脸图像与其中两个风格的图像的相似度不同。

在一些实施例中，在将得到的融合人脸图像作为训练卷积神经网络的样本图像之后，方法还包括：获取对样本图像所包含的人脸的标注；将样本图像作为输入，标注作为目标，训练卷积神经网络，得到训练后的卷积神经网络。

在一些实施例中，在得到训练后的卷积神经网络之后，方法还包括：获取目标图像，将目标图像输入训练后的卷积神经网络，得到从卷积神经网络输出的人脸检测结果。

在一些实施例中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

第二方面，本申请实施例提供了一种图像处理装置，包括：获取单元，被配置成获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像；融合单元，被配置成对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；样本确定单元，被配置成将得到的融合人脸图像作为训练卷积神经网络的样本图像。

在一些实施例中，融合单元，进一步被配置成：对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，融合人脸图像中的每个人脸图像与其中两个风格的图像的相似度不同。

在一些实施例中，装置还包括：标注单元，被配置成获取对样本图像所包含的人脸的标注；训练单元，被配置成将样本图像作为输入，标注作为目标，训练卷积神经网络，得到训练后的卷积神经网络。

在一些实施例中，装置还包括：检测单元，被配置成获取目标图像，将目标图像输入训练后的卷积神经网络，得到从卷积神经网络输出的人脸检测结果。

在一些实施例中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如图像处理方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图像处理方法中任一实施例的方法。

本申请实施例提供的图像处理方案，首先，获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像。之后，对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像。最后，将得到的融合人脸图像作为训练卷积神经网络的样本图像。本申请实施例能够对卷积神经网络的训练样本集扩充不同风格的样本，以丰富卷积神经网络的训练样本集。这样，训练样本集不仅得到了数量上的扩充，并且在不耗费大量人力和物力采集样本的情况下，能够获取到差异较大的样本。

附图说明

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的图像处理方法的一个实施例的流程图；

图3是根据本申请的图像处理方法的一个应用场景的示意图；

图4是根据本申请的图像处理方法的又一个实施例的流程图；

图5是根据本申请的图像处理装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的图像处理方法或图像处理装置的实施例的示例性系统架构100。

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。

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。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备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，可以是具有显示屏的各种电子设备，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。其可以实现成多个软件或软件模块(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。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的人脸图像等数据进行分析等处理，并将处理结果(例如样本图像)反馈给终端设备。

需要说明的是，本申请实施例所提供的图像处理方法可以由服务器105或者终端设备101、102、103执行，相应地，图像处理装置可以设置于服务器105或者终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法，包括以下步骤：

步骤201，获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像。

在本实施例中，图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取人脸图像，并且对该人脸图像进行图像风格转换(Image style transfer)，以得到至少两个风格的图像。所得到的风格是预先设置的。这里的风格可以指人脸的肖像风格，例如，人脸所呈现的特点。比如，人脸图像的风格可以是“大眼”、“厚唇”等等。具体地，可以利用该人脸图像的人脸矩阵，和至少两个风格矩阵，来转换该人脸的风格。

步骤202，对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像。

在本实施例中，上述执行主体可以对至少两个风格的图像所包含的人脸进行人脸融合(Face Morph)，得到融合人脸图像。融合后的图像已经通过了不同的风格转换以及融合，可以呈现与所获取的人脸图像迥异的风格。人脸融合指将两个人脸图像所包含的人脸进行融合，得到与这两个人脸都有相似之处的人脸。具体地，在人脸融合的过程中，上述执行主体可以对将要进行融合的两个图像进行关键点检测，以确定这两个图像所包含的人脸的关键点。之后利用人脸的关键点进行三角剖分和图像变形，以实现人脸融合。在这里，对每两个风格的图像进行融合所得到的融合人脸图像的数量可以是一个或多个。

在实践中，上述执行主体可以采用多种方式从至少两个风格的图像中选取图像进行融合。举例来说，可以对至少两个风格的人脸进行随机分组，以将其中的每两个图像组成一组。此外，也可以按照预先设置的组合方式，对不同风格的图像中的每两个图像进行组合。在设置不同的组合时，可以重复选择同一个风格的图像。比如，人脸图像集合{A1、A2、A3、A4…An}，可以从中选取A1、A3融合，A1、A4融合。

在本实施例的一些可选的实现方式中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

在这些实现方式中，所得到的各个融合人脸图像的风格都有差异。即使使用了某一种或者某两种相同风格的图像进行人脸融合，所得到的融合人脸图像与所使用的图像的相似度也可以不同。在实践中，上述执行主体可以采用深度学习模型来实现人脸融合，比如，深度学习模型可以是对偶学习的生成对抗网络DualGAN或者循环生成对抗网络CycleGAN等等。

步骤203，将得到的融合人脸图像作为训练卷积神经网络的样本图像。

在本实施例中，上述执行主体可以将所得到的融合人脸图像作为训练卷积神经网络的样本图像。具体地，可以将样本图像加入卷积神经网络的训练样本集以对该训练样本集进行更新，并利用更新后的训练样本集训练该卷积神经网络。此外，样本图像可以包括相应的标注。

继续参见图3，图3是根据本实施例的图像处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取人脸图像302，对人脸图像进行图像风格转换，得到预设的至少两个风格的图像303；对至少两个风格的图像进行人脸融合，得到至少一个融合人脸图像304；将至少一个融合人脸图像作为训练卷积神经网络的样本图像305。

本申请的上述实施例提供的方法能够对卷积神经网络的训练样本集扩充不同风格的样本，以丰富卷积神经网络的训练样本集。这样，训练样本集不仅得到了数量上的扩充，并且在不耗费大量人力和物力采集样本的情况下，能够获取到不同风格的样本。

进一步参考图4，其示出了图像处理方法的又一个实施例的流程400。该图像处理方法的流程400，包括以下步骤：

步骤401，获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像。

在本实施例中，图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取人脸图像，并且对该人脸图像进行图像风格转换，以得到至少两个风格的图像。在这里，所得到的风格是预先设置的。具体地，可以利用该人脸图像的人脸矩阵，和至少两个风格矩阵，来转换该人脸的风格。

步骤402，对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，融合人脸图像中的每个人脸图像与其中两个风格的图像的相似度不同。

在本实施例中，上述执行主体可以对于至少两个风格的图像中的其中两个风格的图像，对其中两个风格的图像所包含的人脸进行人脸融合，以得到融合人脸图像。由其中两个风格的图像融合得到的融合人脸图像的数量可以为两个以上，并且所得到的这两个以上的融合人脸图像的风格可以偏向于上述两个风格中的不同风格。比如，由A风格的图像和B风格的图像进行人脸融合，得到3个融合人脸图像X、Y和Z。X和Z更接近A风格，而Y更接近B风格。

在这里，可以从至少两个风格的图像中，多次选取其中两个风格的图像进行人脸融合，以对训练样本集扩充大量的样本。

在实践中，上述执行主体可以采用深度学习模型来实现人脸融合，比如，深度学习模型可以是对偶学习的生成对抗网络DualGAN或者循环生成对抗网络CycleGAN等等。

步骤403，将至少一个融合人脸图像作为训练卷积神经网络的样本图像。

在本实施例中，上述执行主体可以将所得到的至少两个融合人脸图像作为训练卷积神经网络的样本图像。具体地，可以将样本图像加入卷积神经网络的训练样本集以对该训练样本集进行更新，并利用更新后的训练样本集训练该卷积神经网络。

本实施例通过不同风格的人脸图像进行人脸融合，以使融合人脸图像与进行融合的图像相似度不同，这样，所获得的人脸图像相似度较小，扩大了图像之间的差异性。从而使用于训练卷积神经网络的样本图像更加丰富和多样。

在本申请的图像处理方法上述任一实施例的一些可选的实现方式中，在将得到的融合人脸图像作为训练卷积神经网络的样本图像之后，该图像处理方法还包括以下步骤：

获取对样本图像所包含的人脸的标注；将样本图像作为输入，标注作为目标，训练卷积神经网络，得到训练后的卷积神经网络。

在这些可选的实现方式中，上述执行主体可以获取对样本图像所包含人脸的标注。这里的标注可以是用于指示人脸区域的标注框(Ground Truth)。具体地，标注框可以通过标注框的尺寸和位置来表示，这里的尺寸可以表示为长、宽或宽、高或面积，位置可以表示为至少一个点的坐标比如左上角顶点坐标或中心点坐标。上述执行主体可以获取卷积神经网络对样本图像检测得到的目标框，并基于预设损失函数，确定目标框与标注框的损失值。继而利用该损失值进行反向传播，以训练卷积神经网络，得到训练后的卷积神经网络。具体地，这里所获取的标注可以是人工进行的标注。

在本实施例的一些可选的实现方式中，获取目标图像，将目标图像输入训练后的卷积神经网络，得到从卷积神经网络输出的人脸检测结果。

在这些实现方式中，上述执行主体可以获取目标图像，并将目标图像输入训练后的卷积神经网络进行检测，以得到人脸检测结果。在目标图像中包含人脸的情况下，人脸检测结果包括指示人脸的位置和尺寸的目标框。

这些实现方式的人脸检测结果采用了经过上述样本图像训练后的卷积神经网络进行检测，因而有较高的准确度。

本实施例利用样本图像训练卷积神经网络，这样卷积神经网络就在丰富样本的训练下，准确度得到提升。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种图像处理装置的一个实施例，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。

如图5所示，本实施例的图像处理装置500包括：获取单元501、融合单元502和样本确定单元503。其中，获取单元501，被配置成获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像；融合单元502，被配置成对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；样本确定单元503，被配置成将得到的融合人脸图像作为训练卷积神经网络的样本图像。

在一些实施例中，获取单元501可以获取人脸图像，并且对该人脸图像进行图像风格转换，以得到至少两个风格的图像。在这里，所得到的风格是预先设置的。比如，人脸图像的风格可以是“大眼”、“厚唇”等等。具体地，可以利用该人脸图像的人脸矩阵，和至少两个风格矩阵，来转换该人脸的风格。

在一些实施例中，融合单元502可以对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像。融合后的图像已经通过了不同的风格转换以及融合，可以呈现与所获取的人脸图像迥异的风格。具体地，在人脸融合的过程中，上述执行主体可以对将要进行融合的两个图像进行关键点检测，以确定这两个图像所包含的人脸的关键点。之后利用人脸的关键点进行三角剖分和图像变形，以实现人脸融合。

在一些实施例中，样本确定单元503可以将所得到的融合人脸图像作为训练卷积神经网络的样本图像。具体地，可以将样本图像加入卷积神经网络的训练样本集以对该训练样本集进行更新，并利用更新后的训练样本集训练该卷积神经网络。

在本实施例的一些可选的实现方式中，融合单元，进一步被配置成：对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，融合人脸图像中的每个人脸图像与其中两个风格的图像的相似度不同。

在本实施例的一些可选的实现方式中，装置还包括：标注单元，被配置成获取对样本图像所包含的人脸的标注；训练单元，被配置成将样本图像作为输入，标注作为目标，训练卷积神经网络，得到训练后的卷积神经网络。

在本实施例的一些可选的实现方式中，装置还包括：检测单元，被配置成获取目标图像，将目标图像输入训练后的卷积神经网络，得到从卷积神经网络输出的人脸检测结果。

在本实施例的一些可选的实现方式中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU和/或GPU)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部分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，还存储有系统600操作所需的各种程序和数据。中央处理单元601、ROM 602以及RAM 603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。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示屏(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请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：一种处理器包括获取单元、融合单元和样本确定单元。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，获取单元还可以被描述为“获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取人脸图像，对人脸图像进行图像风格转换，得到至少两个风格的图像；对至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；将得到的融合人脸图像作为训练卷积神经网络的样本图像。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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。

Claims (12)

1.一种图像处理方法，包括：

获取人脸图像，对所述人脸图像进行图像风格转换，得到至少两个风格的图像；

对所述至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；

将得到的融合人脸图像作为训练卷积神经网络的样本图像。

2.根据权利要求1所述的方法，其中，所述对所述至少两个风格的图像包含的人脸进行人脸融合，得到融合人脸图像，包括：

对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，所述融合人脸图像中的每个人脸图像与所述其中两个风格的图像的相似度不同。

3.根据权利要求1所述的方法，其中，在所述将得到的融合人脸图像作为训练卷积神经网络的样本图像之后，所述方法还包括：

获取对所述样本图像所包含的人脸的标注；

将所述样本图像作为输入，所述标注作为目标，训练所述卷积神经网络，得到训练后的卷积神经网络。

4.根据权利要求3所述的方法，其中，在所述得到训练后的卷积神经网络之后，所述方法还包括：

获取目标图像，将所述目标图像输入所述训练后的卷积神经网络，得到从所述卷积神经网络输出的人脸检测结果。

5.根据权利要求1所述的方法，其中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

6.一种图像处理装置，包括：

获取单元，被配置成获取人脸图像，对所述人脸图像进行图像风格转换，得到至少两个风格的图像；

融合单元，被配置成对所述至少两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像；

样本确定单元，被配置成将得到的融合人脸图像作为训练卷积神经网络的样本图像。

7.根据权利要求6所述的装置，其中，所述融合单元，进一步被配置成：

对至少两个风格的图像中，其中两个风格的图像所包含的人脸进行人脸融合，得到融合人脸图像，其中，所述融合人脸图像中的每个人脸图像与所述其中两个风格的图像的相似度不同。

8.根据权利要求6所述的装置，其中，所述装置还包括：

标注单元，被配置成获取对所述样本图像所包含的人脸的标注；

训练单元，被配置成将所述样本图像作为输入，所述标注作为目标，训练所述卷积神经网络，得到训练后的卷积神经网络。

9.根据权利要求8所述的装置，其中，所述装置还包括：

检测单元，被配置成获取目标图像，将所述目标图像输入所述训练后的卷积神经网络，得到从所述卷积神经网络输出的人脸检测结果。

10.根据权利要求6所述的装置，其中，不同的融合人脸图像与相同风格的图像之间的相似度不同。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。