CN109389551B - 中性表情正向人脸图片方法及装置 - Google Patents
中性表情正向人脸图片方法及装置 Download PDFInfo
- Publication number
- CN109389551B CN109389551B CN201811167716.5A CN201811167716A CN109389551B CN 109389551 B CN109389551 B CN 109389551B CN 201811167716 A CN201811167716 A CN 201811167716A CN 109389551 B CN109389551 B CN 109389551B
- Authority
- CN
- China
- Prior art keywords
- face
- neutral
- network
- picture
- training
- 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.)
- Active
Links
- 230000007935 neutral effect Effects 0.000 title claims abstract description 127
- 230000014509 gene expression Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000001815 facial effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种中性表情正向人脸图片方法及装置，其中，该方法包括：通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性；训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络；预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将图片作为目标输出；将深度神经网络和生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。该方法可以生成具有真实感的中性正向人脸图片，仅需输入单张人脸图片，并且不受人脸图片的表情、面部角度和朝向的限制。
Description
技术领域
本发明涉及图片处理技术领域，特别涉及一种中性表情正向人脸图片方法及装置。
背景技术
深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
中性表情正向人脸图片是正式的文件和场合需要使用的人脸肖像照片。在一些应用场景中，人们仅有一张带有表情，非正向的人脸图片时，需要获得其具有真实感的中性表情的正向人脸图片。相关技术中，输入人脸的表情会受到限制，输入的面部表情角度和朝向也会受到限制，同时还需要输入多张图片才可以输出，分辨率差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种中性表情正向人脸图片方法，该方法仅需输入单张人脸图片，就可以生成具有真实感的中性正向人脸图片，且不受输入人脸图片的表情、面部角度和朝向的限制。
本发明的另一个目的在于提出一种中性表情正向人脸图片装置。
为达到上述目的，本发明一方面实施例提出了一种中性表情正向人脸图片方法，包括以下步骤：通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性；训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练所述深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以该预训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入；预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将所述图片作为目标输出，其中，将所述生成最终正向中性人脸图片的网络作为生成所述对抗网络的生成网络，其输出作为鉴别网络的负样本，且所述训练集中的中性正向人脸图片作为正样本，进一步训练该网络；将所述深度神经网络和所述生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。
本发明实施例的中性表情正向人脸图片方法，通过利用深度学习网络补完人脸的几何和人脸反射属性，再利用人脸三维重建技术得到人脸的中性正向图片，可生成具有真实感的中性正向人脸图片，仅需输入单张人脸图片，并且不受人脸图片的表情、面部角度和朝向的限制。
另外，根据本发明上述实施例的中性表情正向人脸图片方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述人脸图片包括非中性或非正向人脸与中性正向人脸。
为达到上述目的，本发明另一方面实施例提出了一种中性表情正向人脸图片装置，包括：处理模块，用于通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性；第一预训练模块，用于训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练所述深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以该预训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入；第二预训练模块，用于预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将所述图片作为目标输出，其中，将所述生成最终正向中性人脸图片的网络作为生成所述对抗网络的生成网络，其输出作为鉴别网络的负样本，且所述训练集中的中性正向人脸图片作为正样本，进一步训练该网络；训练模块，用于将所述深度神经网络和所述生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。
本发明实施例的中性表情正向人脸图片装置，通过利用深度学习网络补完人脸的几何和人脸反射属性，再利用人脸三维重建技术得到人脸的中性正向图片，可以生成具有真实感的中性正向人脸图片，仅需输入单张人脸图片，并且不受输入人脸图片的表情、面部角度和朝向的限制。
另外，根据本发明上述实施例的中性表情正向人脸图片装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述人脸图片包括非中性或非正向人脸与中性正向人脸。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的中性表情正向人脸图片方法流程图；
图2为根据本发明具体实施例的中性表情正向人脸图片方法流程图；
图3为根据本发明一个实施例的中性表情正向人脸图片装置结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的中性表情正向人脸图片方法及装置，首先将参照附图描述根据本发明实施例提出的中性表情正向人脸图片方法。
图1是本发明一个实施例的中性表情正向人脸图片方法流程图。
如图1所示，该中性表情正向人脸图片方法包括以下步骤：
在步骤S101中，通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性。
其中，人脸图片包括非中性或非正向人脸与中性正向人脸。
在步骤S102中，训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以该预训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入。
在步骤S103中，预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将图片作为目标输出，其中，将生成最终正向中性人脸图片的网络作为生成对抗网络的生成网络，其输出作为鉴别网络的负样本，且训练集中的中性正向人脸图片作为正样本，进一步训练该网络。
在步骤S104中，将深度神经网络和生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。
中性表情的正向人脸图片，包含一个人的面部基本特征。在一些应用场景下，人们需要将一张非中性或非正向的人脸图片，转化为一张中性正向的人脸图片。这种转化的过程中，需要补充原本缺失的一些信息。其中，深度学习的方法，是利用已有的中性正向人脸数据集，将图片中原本缺失的信息补充完整，再利用人脸三维重建技术结合已有的信息，可以获得人脸的中性正向图片。
下面通过具体实施例对本发明的中性表情正向人脸图片方法进行详细说明。
需要说明的是，本实施例使用分辨率为256×256的RGB图像。
如图2所示，本发明实施例主要包括4个步骤：
步骤1：利用人脸三维重建技术对数据集中的人脸图片进行处理，得到其对应的人脸几何与人脸的反射属性。需要注意的是，人脸图片包括非中性或非正向人脸与中性正向人脸，前者的人脸几何并非中性人脸几何，由于其非正向反射属性也并不完整。
步骤2：训练一个输入为人脸图片，输出为中性人脸几何及其完整反射属性的深度神经网络。预先训练该网络输出为图片提取出的人脸几何和反射属性，人脸几何及其反射属性用向量表示，以该预训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入。利用生成对抗网络的训练方法，对预训练得到的网络进行进一步训练。
步骤3：预训练一个生成最终正向中性人脸图片的网络，预训练时使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，该图片作为目标输出，然后将该网络作为生成对抗网络的生成网络，其输出作为鉴别网络的负样本，训练集中的中性正向人脸图片作为正样本，进一步训练该网络。
步骤4:将两个网络协同起来同时进行训练，使得步骤2与步骤3中生成对抗误差尽量减小。
为解决由单张非中性或非正向人脸转化为中性正向人脸的问题，本发明的实施例提出一种从单张人脸图片，利用深度学习网络补完人脸的几何和人脸反射属性，再利用人脸三维重建技术得到人脸的中性正向图片。
进一步地，本发明实施例的中性表情正向人脸图片方法包括以下几个关键技术点：
1、利用生成对抗网络方法，训练具有补完人脸几何与人脸反射属性功能的网络。
如果利用成对的人脸数据集，即训练集内所有输入人脸图片均具有对应的真实输出，数据集的大小将被限制，但利用生成对抗网络的方法，可以不要求训练集内的输入和输出具有对应关系。
2、网络训练集中人脸图片使用人脸三维重建技术进行处理后得到的结果用于训练。
利用人脸三维重建技术，对人脸图片进行处理，得到对应人脸的几何和人脸的反射属性，本发明实施例中使用的网络输出为人脸的中性几何与反射属性。
3、利用生成对抗网络，训练一个生成网络，其输入人脸的中性几何与其反射属性，输出为人脸的中性正向图片。
利用渲染的方法得到的结果会不具有真实感，本发明实施例中最终生成人脸图片，是一个训练好的网络，其输入为中性几何和反射属性，输出最终的人脸图片，其训练方式是利用一个生成对抗网络进行训练的。
本发明实施例的中性表情正向人脸图片方法，通过利用深度学习网络补完人脸的几何和人脸反射属性，再利用人脸三维重建技术得到人脸的中性正向图片，可以生成具有真实感的中性正向人脸图片，仅需单张人脸图片作为输入，并且不受输入人脸图片的表情、面部角度和朝向的限制。
其次参照附图描述根据本发明实施例提出的中性表情正向人脸图片装置。
图2是本发明一个实施例的中性表情正向人脸图片装置结构示意图。
如图2所示，该中性表情正向人脸图片装置10包括：处理模块100、第一预训练模块200、第二预训练模块300和训练模块400。
其中，处理模块100用于通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性。第一预训练模块200用于训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以该预训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入。第二预训练模块300用于预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将图片作为目标输出，其中，将生成最终正向中性人脸图片的网络作为生成对抗网络的生成网络，其输出作为鉴别网络的负样本，且训练集中的中性正向人脸图片作为正样本，进一步训练该网络。训练模块400用于将深度神经网络和生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。本发明实施例的装置10可以生成具有真实感的中性正向人脸图片，仅需单张人脸图片作为输入，并且不受输入人脸图片的表情、面部角度和朝向的限制。
进一步地，在本发明的一个实施例中，人脸图片包括非中性或非正向人脸与中性正向人脸。
需要说明的是，前述对中性表情正向人脸图片方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的中性表情正向人脸图片装置，通过利用深度学习网络补完人脸的几何和人脸反射属性，再利用人脸三维重建技术得到人脸的中性正向图片，可以生成具有真实感的中性正向人脸图片，仅需输入单张人脸图片，并且不受输入人脸图片的表情、面部角度和朝向的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种中性表情正向人脸图片方法，其特征在于，包括以下步骤：
通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性；
训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练所述深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以所述预先训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入；以及
预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将所述图片作为目标输出，其中，将所述生成最终正向中性人脸图片的网络作为生成所述对抗网络的生成网络，其输出作为鉴别网络的负样本，且所述训练集中的中性正向人脸图片作为正样本，进一步训练该网络；以及
将所述深度神经网络和所述生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。
2.根据权利要求1所述的中性表情正向人脸图片方法，其特征在于，所述人脸图片包括非中性或非正向人脸与中性正向人脸。
3.一种中性表情正向人脸图片装置，其特征在于，包括：
处理模块，用于通过人脸三维重建对数据集中的人脸图片进行处理，以获取人脸几何与人脸的反射属性；
第一预训练模块，用于训练输入为人脸图片，且输出为中性人脸几何及其完整反射属性的深度神经网络，其中，预先训练所述深度神经网络输出为图片提取出的人脸几何和反射属性，且人脸几何及其反射属性用向量表示，以所述预先训练的结果作为生成对抗网络的初始化生成网络，将其输出作为负样本，中性正向人脸提取出的中性人脸几何与完整反射属性作为正样本，作为鉴别网络的输入；以及
第二预训练模块，用于预训练生成最终正向中性人脸图片的网络，且在预训练时，使用训练集中的中性正向人脸图片提取出的中性人脸几何与完整反射属性作为输入，并将所述图片作为目标输出，其中，将所述生成最终正向中性人脸图片的网络作为生成所述对抗网络的生成网络，其输出作为鉴别网络的负样本，且所述训练集中的中性正向人脸图片作为正样本，进一步训练该网络；以及
训练模块，用于将所述深度神经网络和所述生成最终正向中性人脸图片的网络协同并同时进行训练，以减小生成对抗误差。
4.根据权利要求3所述的中性表情正向人脸图片装置，其特征在于，所述人脸图片包括非中性或非正向人脸与中性正向人脸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811167716.5A CN109389551B (zh) | 2018-10-08 | 2018-10-08 | 中性表情正向人脸图片方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811167716.5A CN109389551B (zh) | 2018-10-08 | 2018-10-08 | 中性表情正向人脸图片方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109389551A CN109389551A (zh) | 2019-02-26 |
| CN109389551B true CN109389551B (zh) | 2023-04-07 |
Family
ID=65426608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811167716.5A Active CN109389551B (zh) | 2018-10-08 | 2018-10-08 | 中性表情正向人脸图片方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389551B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
| WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
| CN108446609A (zh) * | 2018-03-02 | 2018-08-24 | 南京邮电大学 | 一种基于生成对抗网络的多角度面部表情识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014139118A1 (en) * | 2013-03-14 | 2014-09-18 | Intel Corporation | Adaptive facial expression calibration |
| US10474880B2 (en) * | 2017-03-15 | 2019-11-12 | Nec Corporation | Face recognition using larger pose face frontalization |
-
2018
- 2018-10-08 CN CN201811167716.5A patent/CN109389551B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
| CN108446609A (zh) * | 2018-03-02 | 2018-08-24 | 南京邮电大学 | 一种基于生成对抗网络的多角度面部表情识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109389551A (zh) | 2019-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2716322C2 (ru) | Репродуцирующая аугментация данных изображения | |
| EP3701429A1 (en) | Auto-regressive neural network systems with a soft attention mechanism using support data patches | |
| CN110852256B (zh) | 时序动作提名的生成方法、装置、设备及存储介质 | |
| US11727717B2 (en) | Data-driven, photorealistic social face-trait encoding, prediction, and manipulation using deep neural networks | |
| JP2018156451A (ja) | ネットワーク学習装置、ネットワーク学習システム、ネットワーク学習方法およびプログラム | |
| CN113191375B (zh) | 一种基于联合嵌入的文本到多对象图像生成方法 | |
| WO2021159781A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN110084193B (zh) | 用于面部图像生成的数据处理方法、设备和介质 | |
| Dai et al. | Fully convolutional line parsing | |
| CN111524216A (zh) | 生成三维人脸数据的方法和装置 | |
| Ververas et al. | Slidergan: Synthesizing expressive face images by sliding 3d blendshape parameters | |
| CN111210382A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN114925748A (zh) | 模型训练及模态信息的预测方法、相关装置、设备、介质 | |
| CN113763366B (zh) | 一种换脸方法、装置、设备及存储介质 | |
| CN114787828A (zh) | 利用具有有意受控畸变的成像器进行人工智能神经网络的推理或训练 | |
| CN114783017A (zh) | 基于逆映射的生成对抗网络优化方法及装置 | |
| KR102562387B1 (ko) | 이미지의 특징 추출 및 합성 시스템의 학습 방법 | |
| CN109389551B (zh) | 中性表情正向人脸图片方法及装置 | |
| US20230104702A1 (en) | Transformer-based shape models | |
| US20220301348A1 (en) | Face reconstruction using a mesh convolution network | |
| CN115359508A (zh) | 通过专家的神经元优化以提高的效率执行复杂优化任务 | |
| JP2014149788A (ja) | 物体領域境界推定装置、物体領域境界推定方法及び物体領域境界推定プログラム | |
| KR20220130498A (ko) | 딥뉴럴 네트워크 기반 이미지 아웃페인팅 방법 및 그 장치 | |
| EP4078459A1 (en) | Sequence modeling using imputation | |
| JP6892557B2 (ja) | 学習装置、画像生成装置、学習方法、画像生成方法及びプログラム |
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 |