CN110503703B - 用于生成图像的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成图像的方法和装置。该方法的一具体实施方式包括：获取底版图像和目标人脸图像，其中，该底版图像包括待替换人脸图像和背景；将该目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，该图像生成模型包括编码网络、隐层网络和解码网络，该匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与该目标人脸图像所显示的面部姿态一致；基于该匹配人脸图像对该待替换人脸图像的替换，生成准目标图像；基于对该准目标图像的融合处理，生成目标图像，其中，该目标图像包括与该匹配人脸图像相一致的人脸图像和与该底版图像相一致的背景。该实施方式实现了面部表情的精确传递，提升了人脸图像生成的自然度。

Description

用于生成图像的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成图像的方法和装置。

背景技术

随着人工智能技术的飞速发展，与人脸相关的视频交互类应用(APP，Application)越来越多。例如人脸美妆(增加眼影、腮红、嘴唇、假睫毛等)、人脸的精准塑形(修改人脸全部或者局部五官的位置、形状)、人脸相关的2D/3D贴纸道具、人脸特定表情触发对应的视频动画特效、视频内的人脸换脸等等。

相关的方式通常是通过对人脸关键点的控制来对预先设定的人脸模版进行调整，从而在人脸模板上生成与用户人脸面部姿态一致的表情、嘴型等等。

发明内容

本公开的实施例提出了用于生成图像的方法和装置。

第一方面，本公开的实施例提供了一种用于生成图像的方法，该方法包括：获取底版图像和目标人脸图像，其中，底版图像包括待替换人脸图像和背景；将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，图像生成模型包括编码网络、隐层网络和解码网络，匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致；基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像；基于对准目标图像的融合处理，生成目标图像，其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。

在一些实施例中，上述隐层网络包括第一隐层网络和第二隐层网络，图像生成模型包括第一图像生成子模型和第二图像生成子模型，第一图像生成子模型包括编码网络、第一隐层网络、第二隐层网络和解码网络，第二图像生成子模型包括编码网络、解码网络和目标隐层网络，目标隐层网络为第一隐层网络和第二隐层网络之一。

在一些实施例中，上述图像生成模型通过如下步骤训练得到：获取样本第一人脸图像集合和样本第二人脸图像集合；将样本第一人脸图像集合和样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合；将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为第一图像生成子模型和第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为第一图像生成子模型和第二图像生成子模型的期望输出，训练得到图像生成模型。

在一些实施例中，上述基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像，包括：将匹配人脸图像与待替换人脸图像进行人脸对齐；基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分；根据三角剖分所划分的三角形区域在对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成准目标图像。

在一些实施例中，上述基于对准目标图像的融合处理，生成目标图像，包括：从准目标图像中提取人脸图像的轮廓；根据人脸图像的轮廓，生成掩膜；根据掩膜和准目标图像，生成人脸图像的颜色分布信息；根据颜色分布信息对人脸图像进行渲染，生成目标图像。

在一些实施例中，上述获取底版图像和目标人脸图像，包括：获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频；从第一视频中提取包括第一用户的人脸图像的视频帧作为底版图像；从第二视频中提取包括第二用户的人脸图像的视频帧；从包括第二用户的人脸图像的视频帧中提取第二用户的人脸图像作为目标人脸图像；以及在基于对准目标图像的融合处理，生成目标图像之后，该方法还包括：基于目标图像，生成目标视频，其中，目标视频中显示的第二用户的面部姿态与第一视频中显示的第一用户的面部姿态相匹配。

第二方面，本公开的实施例提供了一种用于生成图像的装置，该装置包括：获取单元，被配置成获取底版图像和目标人脸图像，其中，底版图像包括待替换人脸图像和背景；第一生成单元，被配置成将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，图像生成模型包括编码网络、隐层网络和解码网络，匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致；第二生成单元，被配置成基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像；第三生成单元，被配置成基于对准目标图像的融合处理，生成目标图像，其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。

在一些实施例中，上述隐层网络包括第一隐层网络和第二隐层网络，图像生成模型包括第一图像生成子模型和第二图像生成子模型，第一图像生成子模型包括编码网络、第一隐层网络、第二隐层网络和解码网络，第二图像生成子模型包括编码网络、解码网络和目标隐层网络，目标隐层网络为第一隐层网络和第二隐层网络之一。

在一些实施例中，上述图像生成模型通过如下步骤训练得到：获取样本第一人脸图像集合和样本第二人脸图像集合；将样本第一人脸图像集合和样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合；将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为第一图像生成子模型和第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为第一图像生成子模型和第二图像生成子模型的期望输出，训练得到图像生成模型。

在一些实施例中，上述第二生成单元包括：对齐模块，被配置成将匹配人脸图像与待替换人脸图像进行人脸对齐；剖分模块，被配置成基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分；第一生成模块，被配置成根据三角剖分所划分的三角形区域在对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成准目标图像。

在一些实施例中，上述第三生成单元包括：第一提取模块，被配置成从准目标图像中提取人脸图像的轮廓；第二生成模块，被配置成根据人脸图像的轮廓，生成掩膜；第三生成模块，被配置成根据掩膜和准目标图像，生成人脸图像的颜色分布信息；第四生成模块，被配置成根据颜色分布信息对人脸图像进行渲染，生成目标图像。

在一些实施例中，上述获取单元包括：获取模块，被配置成获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频；第二提取模块，被配置成从第一视频中提取包括第一用户的人脸图像的视频帧作为底版图像；第三提取模块，被配置成从第二视频中提取包括第二用户的人脸图像的视频帧；第四提取模块，被配置成从包括第二用户的人脸图像的视频帧中提取第二用户的人脸图像作为目标人脸图像；以及该装置还包括：第四生成单元，被配置成基于目标图像，生成目标视频，其中，目标视频中显示的第二用户的面部姿态与第一视频中显示的第一用户的面部姿态相匹配。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；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第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成图像的方法和装置，首先获取底版图像和目标人脸图像。其中，底版图像包括待替换人脸图像和背景。然后，将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。其中，图像生成模型包括编码网络、隐层网络和解码网络。匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致。之后，基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像。而后，基于对准目标图像的融合处理，生成目标图像。其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。从而实现了通过预先训练的网络模型生成与目标人脸图像的面部姿态一致的人脸图像，实现了嘴型、眨眼和各类面部表情(例如微笑、愤怒、惊讶等)的精确传递，提升了人脸图像生成的真实性和自然度。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成图像的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成图像的方法的一个应用场景的示意图；

图4是根据本公开的用于生成图像的方法的又一个实施例的流程图；

图5是根据本公开的用于生成图像的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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，本公开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公开。

图1示出了可以应用本公开的用于生成图像的方法或用于生成图像的装置的示例性架构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。

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，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、图像处理类应用、视频编辑类应用等。

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，可以是具有显示屏并且支持图像处理的各种电子设备，包括但不限于智能手机、平板电脑、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，例如为终端设备101、102、103上的图像处理类应用提供支持的后台服务器。后台服务器可以对接收到的图像进行处理，并将处理结果(如处理后的图像)反馈给终端设备。

需要说明的是，上述图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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。

需要说明的是，本公开的实施例所提供的用于生成图像的方法一般由服务器105执行，相应地，用于生成图像的装置一般设置于服务器105中。可选地，本公开的实施例所提供的用于生成图像的方法也可以直接由终端设备101、102、103执行，相应地，用于生成图像的装置也可以设置于终端设备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，示出了根据本公开的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法包括以下步骤：

步骤201，获取底版图像和目标人脸图像。

在本实施例中，用于生成图像的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取底版图像和目标人脸图像。其中，上述底版图像可以包括待替换人脸图像和背景。上述背景可以包括底版图像中利用抠图技术(ImageMatting)确定的待替换人脸图像之外的图像部分。上述目标人脸图像可以是根据实际的应用需求，预先指定的任意人脸图像。上述目标人脸图像也可以是根据规则而定的表单，例如用户终端上传的人脸图像。

作为示例，上述执行主体可以获取预先存储于本地的底版图像和目标人脸图像。作为又一示例，上述执行主体也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的底版图像和目标人脸图像。

步骤202，将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。

在本实施例中，上述图像生成模型可以包括编码网络、隐层网络和解码网络。上述匹配人脸图像可以用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致。上述面部姿态可以包括但不限于以下至少一项：表情，嘴型，姿态角(欧拉角)。

作为示例，上述图像生成模型可以是利用机器学习方法进行预先训练的自编码器(autoencoder)。其中，上述图像生成模型可以用于表征匹配人脸图像与目标人脸图像之间的对应关系。从而，上述执行主体可以将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。

在本实施例的一些可选的实现方式中，上述隐层网络可以包括第一隐层网络和第二隐层网络。上述图像生成模型可以包括第一图像生成子模型和第二图像生成子模型。上述第一图像生成子模型可以包括上述编码网络(encoder)、上述第一隐层网络、上述第二隐层网络和上述解码网络(decoder)。上述第二图像生成子模型包括上述编码网络、上述解码网络和目标隐层网络。其中，上述目标隐层网络可以为上述第一隐层网络和上述第二隐层网络之一。

可选地，上述第一隐层网络和第二隐层网络可以具有相同的网络结构，但通常具有不同的网络参数。

可选地，上述第一隐层网络和第二隐层网络可以并行连接于上述编码网络和上述解码网络之间。

可选地，基于上述可选的实现方式，上述图像生成模型可以通过如下步骤训练得到：

第一步，获取样本第一人脸图像集合和样本第二人脸图像集合。

在这些实现方式中，训练步骤的执行主体可以从本地或通信连接的电子设备获取样本第一人脸图像集合和样本第二人脸图像集合。其中，上述样本第一人脸图像和上述目标人脸图像通常是同一个用户的人脸图像。为了提升模型的训练效果，上述样本第一人脸图像集合和样本第二人脸图像集合中的图像的数目通常较大。例如各集合中的图像的数目可以是不小于700。

需要说明的是，上述样本第一人脸图像和样本第二人脸图像的尺寸通常一致，例如128*128像素。

第二步，将样本第一人脸图像集合和样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合。

在这些实现方式中，上述执行主体可以对上述第一步所获取的样本第一人脸图像集合和样本第二人脸图像集合中的图像进行图像预处理变换。其中，上述图像预处理变换可以包括各种对图像进行微调的处理操作。例如图像扭曲(Image Warping)，调节亮度、对比度等等。从而，可以生成与样本第一人脸图像集合和样本第二人脸图像集合分别对应的样本第一预处理人脸图像集合和样本第二预处理人脸图像集合。

第三步，将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为第一图像生成子模型和第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为第一图像生成子模型和第二图像生成子模型的期望输出，训练得到图像生成模型。

具体地，上述训练步骤的执行主体可以按照如下步骤进行训练：

S1、首先将样本第一预处理人脸图像集合中的样本第一预处理人脸图像输入至初始编码网络，得到样本第一编码；而后，将上述样本第一编码分别输入至初始第一隐层网络和初始第二隐层网络，分别得到样本第二编码和样本第三编码；之后，将上述样本第二编码和样本第三编码进行连接，得到样本第四编码；而后，将样本第四编码输入至初始解码网络，得到样本第一重建图像；接下来，利用预设的损失函数计算所得到的样本第一重建图像与输入的样本第一预处理人脸图像对应的样本第一人脸图像之间的差异程度作为第一损失值。

S2、将样本第二预处理人脸图像集合中的样本第二预处理人脸图像输入至上述初始编码网络，得到样本第五编码；而后，将上述样本第五编码输入至初始目标隐层网络，得到样本第六编码；之后，将上述样本第六编码进行复制并连接，得到样本第七编码；而后，将样本第七编码输入至上述初始解码网络，得到样本第二重建图像；接下来，利用预设的损失函数计算所得到的样本第二重建图像与输入的样本第二预处理人脸图像对应的样本第二人脸图像之间的差异程度作为第二损失值。其中，上述样本第七编码的维度通常与上述样本第四编码的维度相同。

S3、基于计算所得的差异程度，调整初始编码网络、初始第一隐层网络、初始第二隐层网络、初始解码网络的网络参数按照上述S1、S2的步骤进行训练。在满足预设的训练结束条件的情况下结束训练。最后，将训练得到的初始编码网络、初始第一隐层网络、初始第二隐层网络、初始解码网络所组成的初始图像生成模型确定为图像生成模型。

需要说明的是，上述损失函数例如可以采用MSE(mean squared error，均方误差)损失函数或SSIM(structural similarity index)损失函数。可选地，也可以同时选用两种以上的损失函数进行加权。可选地，上述第一损失值和第二损失值也可以经过各种处理，例如取平均值。上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长，训练次数超过预设次数，基于第一损失值和第二损失值计算所得的综合损失值小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值。

从而，将样本第一人脸图像输入至上述训练完成的图像生成模型，经过编码网络、目标隐层网络和解码网络，可以生成与上述样本第一人脸图像的面部姿态一致的样本第二人脸图像。

值得注意的是，上述训练步骤的执行主体可以与用于生成图像的方法的执行主体相同或者不同。如果相同，则上述训练步骤的执行主体可以在训练得到图像生成模型后将训练好的图像生成模型的网络结构和网络参数存储在本地。如果不同，则上述训练步骤的执行主体可以在训练得到图像生成模型后将训练好的图像生成模型的网络结构和网络参数发送给用于生成图像的方法的执行主体。

步骤203，基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像。

在本实施例中，上述执行主体可以采用各种方法将上述待替换人脸图像替换为匹配人脸图像，从而生成准目标图像。作为示例，上述执行主体可以首先将上述匹配人脸图像和待替换人脸图像处理成尺寸相匹配的图像(例如128*128)。而后，上述执行主体可以将匹配人脸图像与底版图像的背景进行结合，从而生成上述准目标图像。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤生成准目标图像：

第一步，将匹配人脸图像与待替换人脸图像进行人脸对齐(face alignment)。

在这些实现方式中，上述执行主体可以采用各种人脸对齐算法将匹配人脸图像与待替换人脸图像进行人脸对齐。作为示例，上述执行主体可以首先检测出匹配人脸图像和待替换人脸图像中的人脸关键点(例如可以包括150个点)的位置。而后，上述执行主体可以将左眼外眼角(例如标号可以为13)、右眼外眼角(例如标号可以为34)、上嘴唇中心(例如标号可以为60)和下巴中心(例如标号可以为6)这四个点作为基准进行人脸对齐。

第二步，基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分。

在这些实现方式中，上述执行主体可以基于上述第一步所确定的匹配人脸图像和待替换人脸图像中的人脸关键点的位置进行三角剖分。作为示例，可以调用OpenCV的Subdiv2D类的相关API(Application Programming Interface,应用程序编程接口)来实现对人脸图像的三角剖分。其中，通过上述剖分所生成的结果通常可以是多个互不重叠的三角形区域。

第三步，根据三角剖分所划分的三角形区域在对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成准目标图像。

在这些实现方式中，上述执行主体可以将待替换人脸图像所划分的各三角形区域替换为所对应的对齐后的匹配人脸图像所划分的各三角形区域，从而生成准目标图像。由此，可以生成与底版图像中的待替换人脸图像的面部姿态相一致的匹配人脸图像，并且上述匹配人脸图像具有较高的真实度和自然度。

步骤204，基于对准目标图像的融合处理，生成目标图像。

在本实施例中，上述执行主体可以利用各种方法对步骤203所生成的准目标图像进行融合处理，从而生成目标图像。其中，上述目标图像可以包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。作为示例，上述执行主体可以采用Alpha融合、多频段融合、泊松融合等方式生成上述目标图像。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤生成目标图像：

第一步，从准目标图像中提取人脸图像的轮廓。

在这些实现方式中，上述执行主体可以利用各种方法提取人脸图像的轮廓。例如，人脸关键点检测，边缘检测技术。

第二步，根据人脸图像的轮廓，生成掩膜(mask)。

第三步，根据掩膜和准目标图像，生成人脸图像的颜色分布信息。

在这些实现方式中，根据上述第二步所生成的掩膜和步骤203所生成的准目标图像，上述执行主体可以首先确定准目标图像中人脸图像之外的部分的颜色分布。而后，上述执行主体可以利用线性颜色变换的方法确定人脸图像的颜色分布信息。

第四步，根据颜色分布信息对人脸图像进行渲染，生成目标图像。

在这些实现方式中，上述执行主体可以将准目标图像中的人脸图像渲染成与上述颜色分布信息所指示的颜色分布相一致的肤色。从而，可以使所生成的目标图像中的人脸图像与背景的融合更加自然。

继续参见图3，图3是根据本公开的实施例的用于生成图像的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端设备302上传底版图像3031和目标人脸图像3032。后台服务器304接收终端设备302发送的上述图像303。然后，后台服务器304将目标人脸图像3032输入至预先训练的图像生成模型，生成匹配人脸图像305。匹配人脸图像305中的显示有与目标人脸图像3032具有一致的面部姿态的底版图像3031中的人脸。而后，后台服务器304将底版图像3031中的人脸图像替换为匹配人脸图像305，生成准目标图像306。之后，后台服务器304可以对准目标图像306进行融合处理，生成目标图像307。可选地，上述后台服务器304还可以将所生成的目标图像307发送至终端设备302，以显示给用户301。

目前，现有技术之一通常是利用人脸关键点对人脸模板进行形变调整，导致所生成的人脸图像不够自然。而本公开的上述实施例提供的方法，通过预先训练的网络模型生成与目标人脸图像的面部姿态一致的人脸图像，实现了嘴型、眨眼和各类面部表情(例如微笑、愤怒、惊讶等)的精确传递，提升了人脸图像生成的真实性和自然度。本公开的上述实施例提供的方法，还通过对网络模型的预先训练，实现对任意人脸的驱动，而不只限于预设的人脸模板。

进一步参考图4，其示出了用于生成图像的方法的又一个实施例的流程400。该用于生成图像的方法的流程400，包括以下步骤：

步骤401，获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频。

在本实施例中，用于生成图像的方法的执行主体(例如图1所示的服务器105)可以通过各种方式从本地或通信连接的电子设备(例如图1所示的终端设备)获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频。

步骤402，从第一视频中提取包括第一用户的人脸图像的视频帧作为底版图像。

在本实施例中，上述执行主体可以从上述步骤401所获取的第一视频中提取包括第一用户的人脸图像的视频帧作为底版图像。

需要说明的是，视频实质上是一个按照时间的先后顺序排列的图像序列，故上述第一视频可以对应一个包括第一用户的人脸图像的图像序列。在这里，上述执行主体可以采用各种方式从上述图像序列中选取包括第一用户的人脸图像的视频帧作为底版图像。例如，可以采用随机选取的方式，或者可以优先选取人脸图像的清晰度较好的视频帧作为底版图像。

步骤403，从第二视频中提取包括第二用户的人脸图像的视频帧。

在本实施例中，上述执行主体可以按照与上述步骤402类似的步骤从第二视频中提取包括第二用户的人脸图像的视频帧。

步骤404，从包括第二用户的人脸图像的视频帧中提取第二用户的人脸图像作为目标人脸图像。

在本实施例中，上述执行主体可以采用各种人脸识别和人脸特征点提取的算法从上述步骤403所提取的视频帧中提取人脸图像作为目标人脸图像。

需要说明的是，对于上述底版图像和目标人脸图像的说明可以与前述实施例中步骤201的描述一致，此处不再赘述。

步骤405，将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。

步骤406，基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像。

步骤407，基于对准目标图像的融合处理，生成目标图像。

上述步骤405、步骤406、步骤407分别与前述实施例中的步骤202、步骤203、步骤204一致，上文针对步骤202、步骤203、步骤204的描述也适用于步骤405、步骤406、步骤407，此处不再赘述。

步骤408，基于目标图像，生成目标视频。

在本实施例中，上述执行主体可以分别从步骤401所获取的第一视频和第二视频中提取多个底版图像和目标人脸图像，分别生成底版图像序列和目标人脸图像序列。上述底版图像序列和目标人脸图像序列中的图像的顺序可以与视频帧的帧序列的顺序一致。而后，上述执行主体可以对所提取的底版图像序列和目标人脸图像序列中的各底版图像和目标人脸图像执行步骤405至步骤407，从而生成目标图像序列。其中，上述目标图像序列的顺序可以与上述第一视频或第二视频的帧序列的顺序一致。从而，上述执行主体可以生成目标视频。其中，上述目标视频中显示的第二用户的面部姿态与上述第一视频中显示的第一用户的面部姿态相匹配。

在本实施例的一些可选的实现方式中，上述执行主体还可以将所生成的目标视频发送至通信连接的目标设备(例如手机、平板等)，以使上述目标设备显示上述目标视频。作为示例，上述第一视频可以是用户终端(例如手机、平板电脑等)上传的视频。上述第二视频可以是用户终端自拍的视频。上述执行主体还可以将所生成的目标视频发送给上述上传视频的用户终端。从而，用户可以通过用户终端实现利用自己的面部表情驱动所上传的视频中的人物的表情。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成图像的方法的流程400体现了从视频中截取底版图像和目标人脸图像的步骤，以及生成目标视频的步骤。由此，本实施例描述的方案可以根据第一用户的面部姿态来驱动视频中显示的第二用户的面部姿态。此外，由于利用预先训练的图像生成模型，本实施例描述的方案还可以低延时地运行在电脑和其他移动设备上，适用于诸如短视频、视频直播、影视特效等领域。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成图像的装置的一个实施例，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，本实施例提供的用于生成图像的装置500包括获取单元501、第一生成单元502、第二生成单元503和第三生成单元504。其中，获取单元501，被配置成获取底版图像和目标人脸图像。其中，底版图像包括待替换人脸图像和背景。第一生成单元502，被配置成将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。其中，图像生成模型包括编码网络、隐层网络和解码网络。匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致。第二生成单元503，被配置成基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像。第三生成单元504，被配置成基于对准目标图像的融合处理，生成目标图像。其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。

在本实施例中，用于生成图像的装置500中：获取单元501、第一生成单元502、第二生成单元503和第三生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述隐层网络可以包括第一隐层网络和第二隐层网络。上述图像生成模型可以包括第一图像生成子模型和第二图像生成子模型。上述第一图像生成子模型可以包括编码网络、第一隐层网络、第二隐层网络和解码网络。上述第二图像生成子模型可以包括上述编码网络、上述解码网络和目标隐层网络。其中，上述目标隐层网络可以为第一隐层网络和第二隐层网络之一。

在本实施例的一些可选的实现方式中，上述图像生成模型可以通过如下步骤训练得到：获取样本第一人脸图像集合和样本第二人脸图像集合；将样本第一人脸图像集合和样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合；将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为第一图像生成子模型和第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为第一图像生成子模型和第二图像生成子模型的期望输出，训练得到图像生成模型。

在本实施例的一些可选的实现方式中，上述第二生成单元503可以包括：对齐模块(图中未示出)、剖分模块(图中未示出)、第一生成模块(图中未示出)。其中，上述对齐模块，可以被配置成将匹配人脸图像与待替换人脸图像进行人脸对齐。上述剖分模块，可以被配置成基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分。上述第一生成模块，可以被配置成根据三角剖分所划分的三角形区域在对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成准目标图像。

在本实施例的一些可选的实现方式中，上述第三生成单元504可以包括：第一提取模块(图中未示出)、第二生成模块(图中未示出)、第三生成模块(图中未示出)、第四生成模块(图中未示出)。其中，上述第一提取模块，可以被配置成从准目标图像中提取人脸图像的轮廓。上述第二生成模块，可以被配置成根据人脸图像的轮廓，生成掩膜。上述第三生成模块，可以被配置成根据掩膜和准目标图像，生成人脸图像的颜色分布信息。上述第四生成模块，可以被配置成根据颜色分布信息对人脸图像进行渲染，生成目标图像。

在本实施例的一些可选的实现方式中，上述获取单元501可以包括：获取模块(图中未示出)、第二提取模块(图中未示出)、第三提取模块(图中未示出)、第四提取模块(图中未示出)。其中，上述获取模块，可以被配置成获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频。上述第二提取模块，可以被配置成从第一视频中提取包括第一用户的人脸图像的视频帧作为底版图像。上述第三提取模块，可以被配置成从第二视频中提取包括第二用户的人脸图像的视频帧。上述第四提取模块，可以被配置成从包括第二用户的人脸图像的视频帧中提取第二用户的人脸图像作为目标人脸图像。以及该用于生成图像的装置还可以包括：第四生成单元(图中未示出)，被配置成基于目标图像，生成目标视频。其中，目标视频中显示的第二用户的面部姿态可以与第一视频中显示的第一用户的面部姿态相匹配。

本公开的上述实施例提供的装置，首先通过获取单元501获取底版图像和目标人脸图像。其中，底版图像包括待替换人脸图像和背景。而后，第一生成单元502将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像。其中，图像生成模型包括编码网络、隐层网络和解码网络。匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致。之后，第二生成单元503基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像。最后，第三生成单元504基于对准目标图像的融合处理，生成目标图像。其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。从而实现了通过预先训练的网络模型生成与目标人脸图像的面部姿态一致的人脸图像，实现了嘴型、眨眼和各类面部表情(例如微笑、愤怒、惊讶等)的精确传递，提升了人脸图像生成的真实性和自然度。

下面参考图6，下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取底版图像和目标人脸图像，其中，底版图像包括待替换人脸图像和背景；将目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，图像生成模型包括编码网络、隐层网络和解码网络，匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与目标人脸图像所显示的面部姿态一致；基于匹配人脸图像对待替换人脸图像的替换，生成准目标图像；基于对准目标图像的融合处理，生成目标图像，其中，目标图像包括与匹配人脸图像相一致的人脸图像和与底版图像相一致的背景。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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。

描述于本公开的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、第一生成单元、第二生成单元、第三生成单元。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“获取底版图像和目标人脸图像的单元，其中，底版图像包括待替换人脸图像和背景”。

以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (14)

1.一种用于生成图像的方法，包括：

获取底版图像和目标人脸图像，其中，所述底版图像包括待替换人脸图像和背景；

将所述目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，所述图像生成模型包括编码网络、隐层网络和解码网络，所述匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与所述目标人脸图像所显示的面部姿态一致，所述图像生成模型基于样本第一人脸图像集合和样本第二人脸图像集合训练得到，样本第一人脸图像的面部姿态与样本第二人脸图像的面部姿态一致，所述样本第一人脸图像与所述目标人脸图像为同一个用户的人脸图像，对于训练完成的图像生成模型，将样本第一人脸图像该图像生成模型，将得到样本第二人脸图像；

基于所述匹配人脸图像对所述待替换人脸图像的替换，生成准目标图像；

基于对所述准目标图像的融合处理，生成目标图像，其中，所述目标图像包括与所述匹配人脸图像相一致的人脸图像和与所述底版图像相一致的背景。

2.根据权利要求1所述的方法，其中，所述隐层网络包括第一隐层网络和第二隐层网络，所述图像生成模型包括第一图像生成子模型和第二图像生成子模型，所述第一图像生成子模型包括所述编码网络、所述第一隐层网络、所述第二隐层网络和所述解码网络，所述第二图像生成子模型包括所述编码网络、所述解码网络和目标隐层网络，所述目标隐层网络为所述第一隐层网络和所述第二隐层网络之一。

3.根据权利要求2所述的方法，其中，所述图像生成模型通过如下步骤训练得到：

获取样本第一人脸图像集合和样本第二人脸图像集合；

将所述样本第一人脸图像集合和所述样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合；

将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为所述第一图像生成子模型和所述第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为所述第一图像生成子模型和所述第二图像生成子模型的期望输出，训练得到所述图像生成模型。

4.根据权利要求1所述的方法，其中，所述基于所述匹配人脸图像对所述待替换人脸图像的替换，生成准目标图像，包括：

将所述匹配人脸图像与所述待替换人脸图像进行人脸对齐；

基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分；

根据三角剖分所划分的三角形区域在所述对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成所述准目标图像。

5.根据权利要求1所述的方法，其中，所述基于对所述准目标图像的融合处理，生成目标图像，包括：

从所述准目标图像中提取人脸图像的轮廓；

根据所述人脸图像的轮廓，生成掩膜；

根据所述掩膜和所述准目标图像，生成所述人脸图像的颜色分布信息；

根据所述颜色分布信息对所述人脸图像进行渲染，生成所述目标图像。

6.根据权利要求1-5之一所述的方法，其中，所述获取底版图像和目标人脸图像，包括：

获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频；

从所述第一视频中提取包括第一用户的人脸图像的视频帧作为所述底版图像；

从所述第二视频中提取包括第二用户的人脸图像的视频帧；

从所述包括第二用户的人脸图像的视频帧中提取所述第二用户的人脸图像作为所述目标人脸图像；以及

在所述基于对所述准目标图像的融合处理，生成目标图像之后，所述方法还包括：

基于所述目标图像，生成目标视频，其中，所述目标视频中显示的第二用户的面部姿态与所述第一视频中显示的第一用户的面部姿态相匹配。

7.一种用于生成图像的装置，包括：

获取单元，被配置成获取底版图像和目标人脸图像，其中，所述底版图像包括待替换人脸图像和背景；

第一生成单元，被配置成将所述目标人脸图像输入至预先训练的图像生成模型，生成匹配人脸图像，其中，所述图像生成模型包括编码网络、隐层网络和解码网络，所述匹配人脸图像用于表征待替换人脸图像所显示的面部姿态与所述目标人脸图像所显示的面部姿态一致，所述图像生成模型基于样本第一人脸图像集合和样本第二人脸图像集合训练得到，样本第一人脸图像的面部姿态与样本第二人脸图像的面部姿态一致，所述样本第一人脸图像与所述目标人脸图像为同一个用户的人脸图像，对于训练完成的图像生成模型，将样本第一人脸图像该图像生成模型，将得到样本第二人脸图像；

第二生成单元，被配置成基于所述匹配人脸图像对所述待替换人脸图像的替换，生成准目标图像；

第三生成单元，被配置成基于对所述准目标图像的融合处理，生成目标图像，其中，所述目标图像包括与所述匹配人脸图像相一致的人脸图像和与所述底版图像相一致的背景。

8.根据权利要求7所述的装置，其中，所述隐层网络包括第一隐层网络和第二隐层网络，所述图像生成模型包括第一图像生成子模型和第二图像生成子模型，所述第一图像生成子模型包括所述编码网络、所述第一隐层网络、所述第二隐层网络和所述解码网络，所述第二图像生成子模型包括所述编码网络、所述解码网络和目标隐层网络，所述目标隐层网络为所述第一隐层网络和所述第二隐层网络之一。

9.根据权利要求8所述的装置，其中，所述图像生成模型通过如下步骤训练得到：

获取样本第一人脸图像集合和样本第二人脸图像集合；

将所述样本第一人脸图像集合和所述样本第二人脸图像集合进行图像预处理变换，生成样本第一预处理人脸图像集合和样本第二预处理人脸图像集合；

将样本第一预处理人脸图像和样本第二预处理人脸图像分别作为所述第一图像生成子模型和所述第二图像生成子模型的输入，将与输入对应的样本第一人脸图像和样本第二人脸图像分别作为所述第一图像生成子模型和所述第二图像生成子模型的期望输出，训练得到所述图像生成模型。

10.根据权利要求7所述的装置，其中，所述第二生成单元包括：

对齐模块，被配置成将所述匹配人脸图像与所述待替换人脸图像进行人脸对齐；

剖分模块，被配置成基于对齐后的匹配人脸图像和待替换人脸图像进行三角剖分；

第一生成模块，被配置成根据三角剖分所划分的三角形区域在所述对齐后的匹配人脸图像和待替换人脸图像中的对应关系进行替换，生成所述准目标图像。

11.根据权利要求7所述的装置，其中，所述第三生成单元包括：

第一提取模块，被配置成从所述准目标图像中提取人脸图像的轮廓；

第二生成模块，被配置成根据所述人脸图像的轮廓，生成掩膜；

第三生成模块，被配置成根据所述掩膜和所述准目标图像，生成所述人脸图像的颜色分布信息；

第四生成模块，被配置成根据所述颜色分布信息对所述人脸图像进行渲染，生成所述目标图像。

12.根据权利要求7-11之一所述的装置，其中，所述获取单元包括：

获取模块，被配置成获取针对第一用户拍摄的第一视频和针对第二用户拍摄的第二视频；

第二提取模块，被配置成从所述第一视频中提取包括第一用户的人脸图像的视频帧作为所述底版图像；

第三提取模块，被配置成从所述第二视频中提取包括第二用户的人脸图像的视频帧；

第四提取模块，被配置成从所述包括第二用户的人脸图像的视频帧中提取所述第二用户的人脸图像作为所述目标人脸图像；

以及所述装置还包括：

第四生成单元，被配置成基于所述目标图像，生成目标视频，其中，所述目标视频中显示的第二用户的面部姿态与所述第一视频中显示的第一用户的面部姿态相匹配。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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1-6中任一所述的方法。

14.一种计算机可读介质，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1-6中任一所述的方法。