CN110706301A - 一种可控制属性的人脸生成方法、装置、系统及介质 - Google Patents

一种可控制属性的人脸生成方法、装置、系统及介质 Download PDF

Info

Publication number
CN110706301A
CN110706301A CN201910949324.2A CN201910949324A CN110706301A CN 110706301 A CN110706301 A CN 110706301A CN 201910949324 A CN201910949324 A CN 201910949324A CN 110706301 A CN110706301 A CN 110706301A
Authority
CN
China
Prior art keywords
face
target
vector
attribute
random
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
Application number
CN201910949324.2A
Other languages
English (en)
Other versions
CN110706301B (zh
Inventor
杨旭雷
谭维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Is According To Figure Network Technology Co Ltd
Original Assignee
Shanghai Is According To Figure Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Is According To Figure Network Technology Co Ltd filed Critical Shanghai Is According To Figure Network Technology Co Ltd
Priority to CN201910949324.2A priority Critical patent/CN110706301B/zh
Publication of CN110706301A publication Critical patent/CN110706301A/zh
Application granted granted Critical
Publication of CN110706301B publication Critical patent/CN110706301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种可控制属性的人脸生成方法，包括：将多个随机向量输入到人脸生成器生成多张人脸，其中，一个随机向量对应一张人脸；将多张人脸输入到人脸分类器确定每张人脸具有各个属性的概率；对于每个属性，将具有属性的概率大于阈值的人脸对应的随机向量归类到与属性对应的样本集合中；接收生成人脸的请求，该请求指定了生成人脸的至少一个属性；基于与指定的至少一个属性对应的各个样本集合中的随机向量，生成目标随机向量；以及将生成的目标随机向量输入到人脸生成器得到具有指定的至少一个属性的人脸。本发明还涉及一种可控制属性的人脸生成装置、系统及介质。

Description

一种可控制属性的人脸生成方法、装置、系统及介质
技术领域
本发明属于人脸生成技术领域，具体涉及一种可控制属性的人脸生成方法、装置、系统及介质。
背景技术
Style GAN是目前人脸生成效果最好的人脸生成器，其可以生成高达1024x1024的高清人脸，将高清人脸的生成带到了一个新的技术高度。但是Style GAN生成的人脸的属性是随机不可控的，虽然模式混合可以将两个随机向量生成的人脸的所有属性混合在一起，但是无法控制单个属性的生成。
另外，例如Fader Networks、AttGAN和StarGAN等的其他人脸生成方法虽然可以控制给定人脸的单个甚至多个属性，但是目前还无法应用到高清人脸生成器去控制属性的生成。
发明内容
为了解决上述全部或部分问题，本发明的第一方面提供一种可控制属性的人脸生成方法，包括：
将多个随机向量输入到人脸生成器生成多张人脸，其中，一个所述随机向量对应一张人脸；
将所述多张人脸输入到人脸分类器确定每张人脸具有各个属性的概率；
对于每个所述属性，将具有所述属性的概率大于阈值的人脸对应的所述随机向量归类到与所述属性对应的样本集合中；
接收生成人脸的请求，所述请求指定了生成人脸的至少一个所述属性；
基于与指定的至少一个所述属性对应的各个所述样本集合中的所述随机向量，生成目标随机向量；以及
将生成的所述目标随机向量输入到人脸生成器得到具有指定的至少一个所述属性的人脸。
在一种可能的实现方式中，在所述请求指定了生成人脸的一个所述属性的情况下，生成所述目标随机向量包括：
从与指定的所述属性对应的所述样本集合中，选取一个随机向量作为所述目标随机向量。
在一种可能的实现方式中，与所述属性对应的所述样本集合中的随机向量构成所述属性的样本空间，并且生成所述目标随机向量包括：
生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
在一种可能的实现方式中，生成所述目标随机向量包括：
随机生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
在一种可能的实现方式中，生成所述目标随机向量包括：
确定与各个指定的所述属性对应的各个所述样本空间的各个质心向量；
确定各个所述质心连线构成的多边形的重心向量；
在所述重心向量同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，将所述重心向量作为所述目标随机向量；
在所述重心向量没有同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，以所述重心向量作为基准向量进行逐步修正，直至生成同时位于与各个指定的所述属性对应的各个所述样本空间中的所述目标随机向量。
在一种可能的实现方式中，生成所述目标随机向量包括：
对于每个所述属性，将与所述属性对应的所述样本集合内的所述随机向量进行聚类得到多个类别，其中，每个所述类别中的所述随机向量对应的人脸具有的各个所述属性相同；
确定每个所述类别中的所述随机向量对应的人脸具有的各个所述属性；
确定其中的所述随机向量对应的人脸具有各个指定的所述属性的目标类别；
基于所述目标类别内的所述随机向量生成所述目标随机向量。
在一种可能的实现方式中，从所述目标类别内的所述随机向量中选取所述随机向量作为所述目标随机向量。
在一种可能的实现方式中，随机生成位于所述目标类别的所述随机向量构成的所述样本空间内的所述目标随机向量。
本发明的第二方面提供一种可控制属性的人脸生成装置，包括：
人脸生成器，对应于输入的多个随机向量，输出多张人脸，其中，一个所述随机向量对应一张人脸；
人脸分类器，确定每张人脸具有各个属性的概率；
归类模块，对于每个所述属性，将具有所述属性的概率大于阈值的人脸对应的所述随机向量归类到与所述属性对应的样本集合中；
人脸生成请求接收模块，接收生成人脸的请求，所述请求指定了生成人脸的至少一个所述属性；
目标随机向量生成模块，基于与指定的至少一个所述属性对应的各个所述样本集合中的所述随机向量，生成目标随机向量，所述目标随机向量被输入到所述人脸生成器时，所述人脸生成器输出具有指定的至少一个所述属性的人脸。
在一种可能的实现方式中，在所述请求指定了生成人脸的一个所述属性的情况下，所述目标随机向量生成模块：
从与指定的所述属性对应的所述样本集合中，选取一个随机向量作为所述目标随机向量。
在一种可能的实现方式中，与所述属性对应的所述样本集合中的随机向量构成所述属性的样本空间，并且所述目标随机向量生成模块：
生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
在一种可能的实现方式中，所述目标随机向量生成模块：
随机生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
在一种可能的实现方式中，所述目标随机向量生成模块：
确定与各个指定的所述属性对应的各个所述样本空间的各个质心向量；
确定各个所述质心构成的多边形的重心向量；
在所述重心向量同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，将所述重心向量作为所述目标随机向量；
在所述重心向量没有同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，以所述重心向量作为基准向量进行逐步修正，直至生成同时位于与各个指定的所述属性对应的各个所述样本空间中的所述目标随机向量。
在一种可能的实现方式中，所述目标随机向量生成模块：
对于每个所述属性，将与所述属性对应的所述样本集合内的所述随机向量进行聚类得到多个类别，其中，每个所述类别中的所述随机向量对应的人脸具有的各个所述属性相同；
确定每个所述类别中的所述随机向量对应的人脸具有的各个所述属性；
确定其中的所述随机向量对应的人脸具有各个指定的所述属性的各个目标类别；
基于各个所述目标类别内的所述随机向量生成所述目标随机向量。
在一种可能的实现方式中，所述目标随机向量生成模块：从各个所述目标类别内的所述随机向量中选取所述随机向量作为所述目标随机向量。
在一种可能的实现方式中，所述目标随机向量生成模块：随机生成位于各个所述目标类别的所述随机向量构成的所述样本空间内的所述目标随机向量。
本发明的第三方面提供一种系统，包括：
存储器，所述存储器中存储有指令，和
处理器，用于读取所述存储器中的指令，以执行上述任一项所述的方法。
本发明的第四方面一种机器可读介质，所述机器可读介质中存储有指令，该指令被机器运行时，所述机器执行如上述任一项所述的方法。
在本发明的实施例中，通过预先构建各个属性对应的随机向量样本集合，并从样本集合中生成对应指定属性的随机向量，生成人脸属性的可控性得以实现。
附图说明
图1示出了根据本发明实施例的可控制属性的人脸生成装置的一个示例；
图2示出了根据本发明实施例的可控制属性的人脸生成方法的一个示例。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
图1示出了根据本发明实施例的可控制属性的人脸生成装置100的一个示例，如图所示，可控制属性的人脸生成装置100包括人脸生成器110、人脸分类器120、归类模块130、人脸生成请求接收模块140以及目标随机向量生成模块150。图2示出了根据本发明实施例的可控制属性的人脸生成方法200的一个示例，可控制属性的人脸生成装置100的不同组件可以实施方法200的不同块或其他部分，以下参考图2进行具体说明。如图2所示，可控制属性的人脸生成方法包括：
框201：通过人脸生成器110，对应于输入的多个随机向量，输出多张人脸，其中，一个所述随机向量对应一张人脸。
根据本发明的一些实施例，人脸生成器110可以是通过深度学习技术预先训练好的人脸生成模型，例如，Style GAN人脸生成器。当向人脸生成器110输入随机向量(例如，512维的随机噪声向量)时，人脸生成器110可以生成对应该随机向量的人脸。
框202：通过人脸分类器120，确定每张人脸具有各个属性的概率。
根据本发明的一些实施例，人脸分类器120可以是通过具有多个预定属性的大量人脸图像训练好的人脸分类模型。当向人脸分类器120输入人脸时，人脸分类器120可以输出该人脸具有各个属性的概率，例如，但不限于，该人脸是女性人脸的概率、该人脸戴眼镜的概率等。
框203：通过归类模块130，对于每个属性，将具有该属性的概率大于阈值的人脸对应的随机向量归类到与该属性对应的样本集合中。
例如，但不限于，对于戴眼镜这个属性，归类模块130将戴眼镜的概率大于0.9的人脸对应的随机向量归类到与戴眼镜这个属性对应的样本集合中。
框204：通过人脸生成请求接收模块140，接收生成人脸的请求，该请求指定了生成人脸的至少一个属性。
例如，但不限于，生成人脸的请求指定生成黄皮肤、长头发的女性。
框205：通过目标随机向量生成模块150，基于与指定的至少一个属性对应的各个样本集合中的随机向量，生成目标随机向量。
根据本发明的一些实施例，在人脸生成请求指定了生成人脸的一个属性的情况下，目标随机向量生成模块150可以从与指定的属性对应的样本集合中，选取(例如，随机选取)一个随机向量作为所述目标随机向量。当属性对应的样本集合中的随机向量的数量较大时，这种实施方式可以实现生成人脸的属性的多样性。
根据本发明的另外一些实施例，一个属性对应的样本集合中的随机向量实质上构成了该属性的样本空间，目标随机向量生成模块150可以生成同时位于与各个指定的属性对应的各个样本空间中的目标随机向量。
在一些示例中，目标随机向量生成模块150可以随机生成一个随机向量，然后验证该随机向量是否同时位于与各个指定的属性对应的各个样本空间中，如果是，则将该随机向量作为目标随机向量，如果不是，则目标随机向量生成模块150再生成一个新的随机向量，直至生成的随机向量同时位于与各个指定的属性对应的各个样本空间中。
在另一些示例中，目标随机向量生成模块150可以确定与各个指定的属性对应的各个样本空间的各个质心向量；确定各个质心构成的多边形的重心向量；在重心向量同时位于与各个指定的属性对应的各个样本空间中的情况下，将重心向量作为目标随机向量；在重心向量没有同时位于与各个指定的属性对应的各个样本空间中的情况下，以重心向量作为基准向量进行逐步修正，直至生成同时位于与各个指定的属性对应的各个样本空间中的目标随机向量。
根据本发明的另外一些实施例，对于每个属性，目标随机向量生成模块150可以将与该属性对应的样本集合内的随机向量通过无监督学习的聚类算法(例如，但不限于，K-means算法等)进行聚类得到多个类别，其中，每个类别中的随机向量对应的人脸具有的各个所述属性相同；对于每个属性，确定每个类别中的随机向量对应的人脸具有的各个属性；确定一个或多个目标类别，目标类别中的随机向量对应的人脸具有各个指定的属性；基于各个目标类别内的随机向量生成目标随机向量。由于从不同的目标类别中生成目标随机向量，这种实施方式可以实现生成人脸的属性的多样性。
在一些示例中，目标随机向量生成模块150从各个目标类别内的随机向量中选取(例如随机选取)随机向量作为目标随机向量。
在另一些示例中，目标随机向量生成模块150随机生成位于各个目标类别的随机向量构成的样本空间内的目标随机向量。例如，目标随机向量生成模块150可以随机生成一个随机向量，然后验证该随机向量是否位于目标类别的样本空间中，如果是，则将该随机向量作为目标随机向量，如果不是，则目标随机向量生成模块150再生成一个新的随机向量，直至生成的随机向量位于目标类别的样本空间中。
框206：将目标随机向量输入到人脸生成器110得到具有指定的至少一个属性的人脸。
在本发明的实施例中，通过预先构建各个属性对应的随机向量样本集合，并从样本集合中生成对应指定属性的随机向量，生成人脸属性的可控性得以实现。
本发明的实施例还提供一种机器可读存储介质，在该存储介质上存储有可控制属性的人脸生成程序，所述程序被计算机执行以实施以上所描述的可控制属性的人脸生成方法。
本发明的实施例还提供一种系统，包括：
存储器，存储有计算机可以执行的可控制属性的人脸生成程序；以及
处理器，连接至存储器，并且被配置为执行可控制属性的人脸生成程序以实施以上所描述的可控制属性的人脸生成方法。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。

Claims (18)

1.一种可控制属性的人脸生成方法，其特征在于，包括：
将多个随机向量输入到人脸生成器生成多张人脸，其中，一个所述随机向量对应一张人脸；
将所述多张人脸输入到人脸分类器确定每张人脸具有各个属性的概率；
对于每个所述属性，将具有所述属性的概率大于阈值的人脸对应的所述随机向量归类到与所述属性对应的样本集合中；
接收生成人脸的请求，所述请求指定了生成人脸的至少一个所述属性；
基于与指定的至少一个所述属性对应的各个所述样本集合中的所述随机向量，生成目标随机向量；以及
将生成的所述目标随机向量输入到人脸生成器得到具有指定的至少一个所述属性的人脸。
2.根据权利要求1所述的方法，其特征在于，在所述请求指定了生成人脸的一个所述属性的情况下，生成所述目标随机向量包括：
从与指定的所述属性对应的所述样本集合中，选取一个随机向量作为所述目标随机向量。
3.根据权利要求1所述的方法，其特征在于，与所述属性对应的所述样本集合中的随机向量构成所述属性的样本空间，并且生成所述目标随机向量包括：
生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
4.根据权利要求3所述的方法，其特征在于，生成所述目标随机向量包括：
随机生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
5.根据权利要求3所述的方法，其特征在于，生成所述目标随机向量包括：
确定与各个指定的所述属性对应的各个所述样本空间的各个质心向量；
确定各个所述质心连线构成的多边形的重心向量；
在所述重心向量同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，将所述重心向量作为所述目标随机向量；
在所述重心向量没有同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，以所述重心向量作为基准向量进行逐步修正，直至生成同时位于与各个指定的所述属性对应的各个所述样本空间中的所述目标随机向量。
6.根据权利要求1所述的方法，其特征在于，生成所述目标随机向量包括：
对于每个所述属性，将与所述属性对应的所述样本集合内的所述随机向量进行聚类得到多个类别，其中，每个所述类别中的所述随机向量对应的人脸具有的各个所述属性相同；
确定每个所述类别中的所述随机向量对应的人脸具有的各个所述属性；
确定其中的所述随机向量对应的人脸具有各个指定的所述属性的目标类别；
基于所述目标类别内的所述随机向量生成所述目标随机向量。
7.根据权利要求6所述的方法，其特征在于，从所述目标类别内的所述随机向量中选取所述随机向量作为所述目标随机向量。
8.根据权利要求6所述的方法，其特征在于，随机生成位于所述目标类别的所述随机向量构成的所述样本空间内的所述目标随机向量。
9.一种可控制属性的人脸生成装置，其特征在于，包括：
人脸生成器，对应于输入的多个随机向量，输出多张人脸，其中，一个所述随机向量对应一张人脸；
人脸分类器，确定每张人脸具有各个属性的概率；
归类模块，对于每个所述属性，将具有所述属性的概率大于阈值的人脸对应的所述随机向量归类到与所述属性对应的样本集合中；
人脸生成请求接收模块，接收生成人脸的请求，所述请求指定了生成人脸的至少一个所述属性；
目标随机向量生成模块，基于与指定的至少一个所述属性对应的各个所述样本集合中的所述随机向量，生成目标随机向量，所述目标随机向量被输入到所述人脸生成器时，所述人脸生成器输出具有指定的至少一个所述属性的人脸。
10.根据权利要求9所述的装置，其特征在于，在所述请求指定了生成人脸的一个所述属性的情况下，所述目标随机向量生成模块：
从与指定的所述属性对应的所述样本集合中，选取一个随机向量作为所述目标随机向量。
11.根据权利要求9所述的装置，其特征在于，与所述属性对应的所述样本集合中的随机向量构成所述属性的样本空间，并且所述目标随机向量生成模块：
生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
12.根据权利要求11所述的装置，其特征在于，所述目标随机向量生成模块：
随机生成同时位于与各个指定的所述属性对应的各个所述样本空间中的目标随机向量。
13.根据权利要求11所述的装置，其特征在于，所述目标随机向量生成模块：
确定与各个指定的所述属性对应的各个所述样本空间的各个质心向量；
确定各个所述质心构成的多边形的重心向量；
在所述重心向量同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，将所述重心向量作为所述目标随机向量；
在所述重心向量没有同时位于与各个指定的所述属性对应的各个所述样本空间中的情况下，以所述重心向量作为基准向量进行逐步修正，直至生成同时位于与各个指定的所述属性对应的各个所述样本空间中的所述目标随机向量。
14.根据权利要求9所述的装置，其特征在于，所述目标随机向量生成模块：
对于每个所述属性，将与所述属性对应的所述样本集合内的所述随机向量进行聚类得到多个类别，其中，每个所述类别中的所述随机向量对应的人脸具有的各个所述属性相同；
确定每个所述类别中的所述随机向量对应的人脸具有的各个所述属性；
确定其中的所述随机向量对应的人脸具有各个指定的所述属性的各个目标类别；
基于各个所述目标类别内的所述随机向量生成所述目标随机向量。
15.根据权利要求14所述的装置，其特征在于，所述目标随机向量生成模块：从各个所述目标类别内的所述随机向量中选取所述随机向量作为所述目标随机向量。
16.根据权利要求14所述的装置，其特征在于，所述目标随机向量生成模块：随机生成位于各个所述目标类别的所述随机向量构成的所述样本空间内的所述目标随机向量。
17.一种系统，其特征在于，包括：
存储器，所述存储器中存储有指令，和
处理器，用于读取所述存储器中的指令，以执行如权利要求1-8中任一项所述的方法。
18.一种机器可读介质，其特征在于，所述机器可读介质中存储有指令，该指令被机器运行时，所述机器执行如权利要求1-8中任一项所述的方法。
CN201910949324.2A 2019-10-08 2019-10-08 一种可控制属性的人脸生成方法、装置、系统及介质 Active CN110706301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949324.2A CN110706301B (zh) 2019-10-08 2019-10-08 一种可控制属性的人脸生成方法、装置、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949324.2A CN110706301B (zh) 2019-10-08 2019-10-08 一种可控制属性的人脸生成方法、装置、系统及介质

Publications (2)

Publication Number Publication Date
CN110706301A true CN110706301A (zh) 2020-01-17
CN110706301B CN110706301B (zh) 2023-06-06

Family

ID=69197663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949324.2A Active CN110706301B (zh) 2019-10-08 2019-10-08 一种可控制属性的人脸生成方法、装置、系统及介质

Country Status (1)

Country Link
CN (1) CN110706301B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109711254A (zh) * 2018-11-23 2019-05-03 北京交通大学 基于对抗生成网络的图像处理方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109711254A (zh) * 2018-11-23 2019-05-03 北京交通大学 基于对抗生成网络的图像处理方法和装置

Also Published As

Publication number Publication date
CN110706301B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US10460149B2 (en) Method and apparatus for updating fingerprint templates, and mobile terminal
Li et al. Linestofacephoto: Face photo generation from lines with conditional self-attention generative adversarial networks
Wu et al. Using improved conditional generative adversarial networks to detect social bots on Twitter
CN110362677B (zh) 文本数据类别的识别方法及装置、存储介质、计算机设备
CN108090465B (zh) 一种妆容效果处理模型训练方法及妆容效果处理方法
CN107330904A (zh) 图像处理方法、装置、电子设备及存储介质
EP3425847B1 (en) Captcha-based authentication processing method and device
Yadav et al. Bacteria foraging fusion for face recognition across age progression
CN112101087B (zh) 一种面部图像身份去识别方法、装置及电子设备
CN114997362A (zh) 利用可操纵且多样化的语义的基于概念的对抗生成方法
WO2017201605A1 (en) Large scale social graph segmentation
CN116629376A (zh) 一种基于无数据蒸馏的联邦学习聚合方法和系统
Torrisi et al. Selecting discriminative CLBP patterns for age estimation
Liao et al. Point cloud instance segmentation with semi-supervised bounding-box mining
CN104091117B (zh) 基于安全风险的聚类方法及聚类装置
CN110162957A (zh) 智能设备的鉴权方法和装置、存储介质、电子装置
CN110706301B (zh) 一种可控制属性的人脸生成方法、装置、系统及介质
Sagawa et al. Evolutionary multiobjective optimization including practically desirable solutions
CN114612989A (zh) 人脸识别数据集的生成方法及装置、电子设备及存储介质
CN113952738A (zh) 虚拟角色头像的生成方法、装置、电子设备及可读介质
CN114627204A (zh) 一种基于人脸的二维重建方法、系统、设备及存储介质
CN113591917B (zh) 一种数据增强的方法及装置
Alford et al. Genetic and evolutionary methods for biometric feature reduction
JP2023526809A (ja) 入力データに対して第１のニューラルネットワークを安全に使用するための方法及び第２のニューラルネットワークのパラメータを学習するための方法
Al-Osaim et al. A finite gamma mixture model-based discriminative learning frameworks

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
CB03 Change of inventor or designer information

Inventor after: Yang Xulei

Inventor after: Chen Wei

Inventor before: Yang Xulei

Inventor before: Tan Wei

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant