CN110706339A - 三维人脸重建方法及装置、电子设备和存储介质 - Google Patents

三维人脸重建方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110706339A
CN110706339A CN201910943584.9A CN201910943584A CN110706339A CN 110706339 A CN110706339 A CN 110706339A CN 201910943584 A CN201910943584 A CN 201910943584A CN 110706339 A CN110706339 A CN 110706339A
Authority
CN
China
Prior art keywords
face image
network
face
conversion
real
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
CN201910943584.9A
Other languages
English (en)
Other versions
CN110706339B (zh
Inventor
朴镜潭
钱晨
李鸿升
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910943584.9A priority Critical patent/CN110706339B/zh
Publication of CN110706339A publication Critical patent/CN110706339A/zh
Application granted granted Critical
Publication of CN110706339B publication Critical patent/CN110706339B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Abstract

本公开涉及一种三维人脸重建方法及装置、电子设备和存储介质。所述方法包括：通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。本公开实施例能够提高三维人脸重建的准确性。

Description

三维人脸重建方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种神经网络的训练方法及装置、三维人脸重建方法及装置、电子设备和存储介质。
背景技术
三维人脸重建是指利用二维人脸图像重建三维人脸图像。三维人脸重建是结合计算机视觉、图形学的一项新技术，是进行更真实的人脸整型、AR(Augmented Reality，增强现实)特效等一系列应用的基础。如何提高三维人脸重建的准确性，是亟待解决的问题。
发明内容
本公开提供了一种三维人脸重建技术方案。
根据本公开的一方面，提供了一种神经网络的训练方法，所述神经网络包括转换网络，所述方法包括：
通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；
根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
采用上述方法训练得到的神经网络进行三维人脸重建，能够提高三维人脸重建的准确性。
在一种可能的实现方式中，所述通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像，包括：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
所述通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像，包括：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
在该实现方式中，通过第一子转换网络和第二子转换网络分别对真实人脸图像和渲染人脸图像进行转换处理，由此使得转换网络能够利用非两两对应的真实人脸图像和渲染人脸图像进行处理。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：
根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。
在该实现方式中，通过根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络，有助于在风格转换中保持人脸三维形状不变。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：
通过所述转换网络中的第一判别子网络对所述第一渲染人脸图像进行判别，得到第一判别结果；
通过所述第一判别子网络对所述第二渲染人脸图像进行判别，得到第二判别结果；
根据所述第一判别结果和所述第二判别结果，训练所述转换网络。
在该实现方式中，通过利用所述第一判别结果和所述第二判别结果训练所述转换网络，以使转换网络转换得到的渲染人脸图像能够欺骗第一判别子网络，从而能够进一步提高三维人脸重建的准确性。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：
通过所述转换网络中的第二判别子网络对所述第一真实人脸图像进行判别，得到第三判别结果；
通过所述第二判别子网络对第二真实人脸图像进行判别，得到第四判别结果；
根据所述第三判别结果和所述第四判别结果，训练所述转换网络。
在该实现方式中，通过利用所述第三判别结果和所述第四判别结果训练所述转换网络，以使转换网络转换得到的真实人脸图像能够欺骗第二判别子网络，从而能够进一步提高三维人脸重建的准确性。
在一种可能的实现方式中，还包括：
通过所述转换网络对所述第一渲染人脸图像进行转换处理，得到第三真实人脸图像；
通过所述转换网络对所述第二真实人脸图像进行转换处理，得到第三渲染人脸图像；
根据所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练所述转换网络。
在该实现方式中，通过利用所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练所述转换网络，由此能够提高转换网络的准确性，从而能够提高神经网络进行三维人脸重建的准确性。
在一种可能的实现方式中，所述神经网络还包括重建网络，所述方法还包括：
通过所述重建网络对所述第二渲染人脸图像进行形状预测，得到第一三维人脸重建结果；
根据所述第一三维人脸重建结果训练所述重建网络。
在该实现方式中，通过利用重建网络进行形状预测得到的第一三维人脸重建结果训练重建网络，能够提高神经网络进行三维人脸重建的准确性。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：
对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理，得到纹理图像；
根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在该实现方式中，纹理图像可以记录真值三维人脸结构中的各点的信息。通过采用纹理图像，能够节约存储空间，并能体现相邻点之间的相邻关系，且能支持更灵活的变形。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络，包括：
获取所述纹理图像中的点的权重信息；
根据所述权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在该实现方式中，通过根据权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络，能够进一步提高三维人脸重建的准确性。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：
获取所述第二渲染人脸图像对应的真值标准图；
根据所述第一三维人脸重建结果以及所述真值标准图，训练所述重建网络。
在该实现方式中，通过根据所述第一三维人脸重建结果以及所述真值标准图，训练所述重建网络，能够进一步提高三维人脸重建的准确性。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：
根据所述第二真实人脸图像中的人脸关键点信息，以及所述第一三维人脸重建结果中的人脸关键点信息，确定所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息；
根据所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息，训练所述重建网络。
采用该实现方式中有助于得到不同姿态和特殊表情下的更准确的三维人脸重建结果。
在一种可能的实现方式中，还包括：
根据所述第一三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在该实现方式中，转换网络可以与重建网络通过端到端的方式同时训练，以确保转换网络的主要训练目标是转换图像以优化三维人脸重建。
在一种可能的实现方式中，还包括：
通过所述重建网络对所述第一渲染人脸图像进行形状预测，得到第二三维人脸重建结果；
根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在该实现方式中，转换网络可以与重建网络通过端到端的方式同时训练，以确保转换网络的主要训练目标是转换图像以优化三维人脸重建。
在一种可能的实现方式中，所述根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练，包括：
根据所述第一真实人脸图像中的人脸关键点信息，以及所述第二三维人脸重建结果中的人脸关键点信息，确定所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息；
根据所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息，训练所述转换网络和所述重建网络。
采用该实现方式中有助于得到不同姿态和特殊表情下的更准确的三维人脸重建结果。
根据本公开的一方面，提供了一种三维人脸重建方法，所述三维人脸重建方法采用上述任意一项所述的神经网络的训练方法训练得到的神经网络进行三维人脸重建，所述三维人脸重建方法包括：
通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；
通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。
采用上述方法进行三维人脸重建，能够得到更准确的三维人脸重建结果。
根据本公开的一方面，提供了一种神经网络的训练装置，所述神经网络包括转换网络，所述装置包括：
第一转换模块，用于通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
第二转换模块，用于通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；
第一训练模块，用于根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
在一种可能的实现方式中，所述第一转换模块用于：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
所述第二转换模块用于：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
在一种可能的实现方式中，所述第一训练模块用于：
根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。
在一种可能的实现方式中，所述第一训练模块用于：
通过所述转换网络中的第一判别子网络对所述第一渲染人脸图像进行判别，得到第一判别结果；
通过所述第一判别子网络对所述第二渲染人脸图像进行判别，得到第二判别结果；
根据所述第一判别结果和所述第二判别结果，训练所述转换网络。
在一种可能的实现方式中，所述第一训练模块用于：
通过所述转换网络中的第二判别子网络对所述第一真实人脸图像进行判别，得到第三判别结果；
通过所述第二判别子网络对第二真实人脸图像进行判别，得到第四判别结果；
根据所述第三判别结果和所述第四判别结果，训练所述转换网络。
在一种可能的实现方式中，还包括：
第三转换模块，用于通过所述转换网络对所述第一渲染人脸图像进行转换处理，得到第三真实人脸图像；
第四转换模块，用于通过所述转换网络对所述第二真实人脸图像进行转换处理，得到第三渲染人脸图像；
第三训练模块，用于根据所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练所述转换网络。
在一种可能的实现方式中，所述神经网络还包括重建网络，所述装置还包括第二训练模块，所述第二训练模块用于：
通过所述重建网络对所述第二渲染人脸图像进行形状预测，得到第一三维人脸重建结果；
根据所述第一三维人脸重建结果训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：
对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理，得到纹理图像；
根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：
获取所述纹理图像中的点的权重信息；
根据所述权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：
获取所述第二渲染人脸图像对应的真值标准图；
根据所述第一三维人脸重建结果以及所述真值标准图，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：
根据所述第二真实人脸图像中的人脸关键点信息，以及所述第一三维人脸重建结果中的人脸关键点信息，确定所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息；
根据所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息，训练所述重建网络。
在一种可能的实现方式中，还包括：
第四训练模块，用于根据所述第一三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在一种可能的实现方式中，还包括第五训练模块，所述第五训练模块用于：
通过所述重建网络对所述第一渲染人脸图像进行形状预测，得到第二三维人脸重建结果；
根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在一种可能的实现方式中，所述第五训练模块用于：
根据所述第一真实人脸图像中的人脸关键点信息，以及所述第二三维人脸重建结果中的人脸关键点信息，确定所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息；
根据所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息，训练所述转换网络和所述重建网络。
根据本公开的一方面，提供了一种三维人脸重建装置，所述三维人脸重建装置采用上述任意一项所述的神经网络的训练装置训练得到的神经网络进行三维人脸重建，所述三维人脸重建装置包括：
获取模块，用于通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；
形状预测模块，用于通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像，通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像，根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，采用由此训练得到的神经网络进行三维人脸重建能够提高三维人脸重建的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的神经网络的训练方法的流程图。
图2示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像的示意图。
图3示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像对应的真值三维人脸结构的示意图。
图4示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像对应的真实人脸图像的示意图。
图5示出本公开实施例提供的神经网络的训练方法中的纹理图像的示意图。
图6示出本公开实施例提供的神经网络的训练方法中的权重图的示意图。
图7示出本公开实施例提供的神经网络的训练方法中真值标准图的示意图。
图8示出本公开实施例提供的神经网络的训练方法中根据人脸关键点连接得到的边缘的示意图。
图9示出本公开实施例提供的神经网络的训练方法中人脸轮廓对应的边缘的距离图。
图10示出本公开实施例提供的神经网络的训练方法中左眼对应的边缘的距离图。
图11示出本公开实施例提供的神经网络的训练方法中右眼对应的边缘的距离图。
图12示出本公开实施例提供的神经网络的训练方法中鼻梁对应的边缘的距离图。
图13示出本公开实施例提供的神经网络的训练方法中嘴唇对应的边缘的距离图。
图14示出本公开实施例提供的神经网络的训练方法的示意图。
图15示出本公开实施例提供的三维人脸重建方法中待重建真实人脸图像和待重建真实人脸图像对应的三维人脸重建结果的示意图。
图16示出根据本公开实施例的神经网络的训练装置的框图。
图17示出本公开实施例提供的一种电子设备800的框图。
图18示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
为了解决类似于上文所述的技术问题，本公开实施例提供了神经网络的训练方法及装置、三维人脸重建方法及装置、电子设备和存储介质。采用本公开实施例训练得到的神经网络进行三维人脸重建，能够提高三维人脸重建的准确性。
图1示出本公开实施例提供的神经网络的训练方法的流程图。所述神经网络的训练方法的执行主体可以是神经网络的训练装置。例如，所述神经网络的训练方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述神经网络的训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。本公开实施例提供的神经网络可以包括转换网络。如图1所示，所述神经网络的训练方法包括步骤S11至步骤S13。
在步骤S11中，通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像。
本公开实施例提供的神经网络可以用于三维人脸重建。本公开实施例可以采用多个第一真实人脸图像和多个第二渲染人脸图像训练神经网络。在本公开实施例中，真实人脸图像和渲染人脸图像可以均为二维图像。
在一种可能的实现方式中，转换网络可以是循环生成对抗网络(CycleGAN，CycleGenerative Adversarial Network)。
在一种可能的实现方式中，所述通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像，包括：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像。在该实现方式中，第一子转换网络可以用于将真实人脸图像转换为渲染人脸图像。例如，第一子转换网络可以表示为F，真实人脸图像集可以表示为R，渲染人脸图像集可以表示为S。
作为该实现方式的一个示例，第一子转换网络可以采用U-Net-like网络结构。第一子转换网络可以采用8个conv-BN-ReLU模块作为编码部分，并采用8个concat-ReLU-Deconv模块作为解码部分。
在步骤S12中，通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
在一种可能的实现方式中，在通过转换网络对第二渲染人脸图像进行转换处理之前，还包括：根据真值三维人脸结构，生成第二渲染人脸图像。
作为该实现方式的一个示例，在根据真值三维人脸结构，生成第二渲染人脸图像之前，还可以包括：根据预先定义的人脸基本形状，生成真值三维人脸结构。其中，预先定义的人脸基本形状的数量可以为多个。在该示例中，可以采用多维人脸生成模型(例如BesselFace Model)，根据预先定义的人脸基本形状，生成真值三维人脸结构。其中，真值三维人脸结构可以包括基于世界坐标系的人脸表面的点的三维坐标、各点的法向量以及纹理信息。在该示例中，可以基于形状参数、表情参数和纹理参数，生成真值三维人脸结构。其中，形状参数可以用于控制如何线性结合预先定义的人脸基本形状以生成真值三维人脸结构。在该示例中，还可以对真值三维人脸结构进行随机旋转以模仿不同的人脸姿势。例如，俯仰角的取值范围可以为[-90°，90°]，偏航角的取值范围可以为[-60°，60°]，翻滚角的取值范围可以为[-10°，10°]。由于实际人脸可能不是预先定义的人脸基本形状的线性结合，因此，为了合成更多的实际人脸形态，可以对生成的真值三维人脸结构进行自由形状变形。例如，可以在真值三维人脸结构中的鼻子和下巴处进行自由形状变形。通过生成足够多形状变化的真值三维人脸结构，能够避免对于某一些特定的形状过拟合。采用该示例，能够获得覆盖不同姿态和不同表情的人脸图像训练集。
作为该实现方式的一个示例，可以将真值三维人脸结构映射到二维平面中，以得到第二渲染人脸图像。例如，可以采用Phong-Model将真值三维人脸结构映射到二维平面中，得到第二渲染人脸图像。图2示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像的示意图。图3示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像对应的真值三维人脸结构的示意图。图4示出本公开实施例提供的神经网络的训练方法中第二渲染人脸图像对应的真实人脸图像的示意图。
在该实现方式中，根据真值三维人脸结构，可以确定生成的第二渲染人脸图像的人脸结构真值，例如，第二渲染人脸图像的人脸结构真值可以包括人脸表面的点的三维坐标以及纹理信息。根据人脸表面的点的三维坐标，可以确定各点的法向量。
在一种可能的实现方式中，第二渲染人脸图像中的背景部分可以设置为黑色，以减少背景部分对三维人脸重建带来的干扰。
在一种可能的实现方式中，第二渲染人脸图像可以带有人脸结构真值，第一真实人脸图像可以不带有人脸结构真值。在该实现方式中，通过利用带有人脸结构真值的第二渲染人脸图像和不带有人脸结构真值的第一真实人脸图像训练神经网络，有助于提高所述神经网络的鲁棒性和三维人脸重建的准确性。
在一种可能的实现方式中，所述通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像，包括：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。在该实现方式中，第二子转换网络可以用于将渲染人脸图像转换为真实人脸图像。例如，第二子转换网络可以表示为G。
作为该实现方式的一个示例，第二子转换网络可以采用U-Net-like网络结构。第二子转换网络可以采用8个conv-BN-ReLU模块作为编码部分，并采用8个concat-ReLU-Deconv模块作为解码部分。
在步骤S13中，根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
在一种可能的实现方式中，转换网络中的第一子转换网络和第二子转换网络可以联合训练优化。在另一种可能的实现方式中，转换网络中的第一子转换网络和第二子转换网络可以分别训练优化。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。在该实现方式中，人脸关键点信息可以包括人脸关键点的坐标；又如，人脸关键点信息可以包括能够体现人脸关键点的位置的图像。在该实现方式中，人脸关键点信息之间的距离信息可以包括相应的人脸关键点之间的距离。
作为该实现方式的一个示例，可以根据所述第一真实人脸图像中的二维人脸关键点信息与所述第一渲染人脸图像中的二维人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的二维人脸关键点信息与所述第二真实人脸图像中的二维人脸关键点信息之间的距离信息，训练所述转换网络。
作为该实现方式的一个示例，可以根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络中的第一子转换网络和第二子转换网络。
作为该实现方式的一个示例，可以通过预先训练的人脸关键点检测网络M检测第一真实人脸图像、第一渲染人脸图像、第二渲染人脸图像和第二真实人脸图像中的人脸关键点信息。在该示例中，人脸关键点检测网络M的参数可以通过反向传播优化。
例如，可以采用式3训练转换网络中的第一子转换网络和第二子转换网络，
Figure BDA0002223581780000121
在该实现方式中，通过根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络，有助于在风格转换中保持人脸三维形状不变。其中，风格转换指的是从真实人脸图像转换为渲染人脸图像，或者从渲染人脸图像转换为真实人脸图像。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：通过所述转换网络中的第一判别子网络对所述第一渲染人脸图像进行判别，得到第一判别结果；通过所述第一判别子网络对所述第二渲染人脸图像进行判别，得到第二判别结果；根据所述第一判别结果和所述第二判别结果，训练所述转换网络。在该实现方式中，第一判别子网络可以用于判断输入图像是否是渲染图像。例如，第一判别子网络可以表示为DS。第一判别子网络可以为二分类网络。
作为该实现方式的一个示例，第一判别子网络可以通过5个conv-BU-ReLU模块将输入图像下采样为8×8的特征图，并可以采用一个1×1卷积层用于二分类。
作为该实现方式的一个示例，可以根据所述第一判别结果和所述第二判别结果，训练所述转换网络中的第一子转换网络和第一判别子网络。
在一种可能的实现方式中，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：通过所述转换网络中的第二判别子网络对所述第一真实人脸图像进行判别，得到第三判别结果；通过所述第二判别子网络对第二真实人脸图像进行判别，得到第四判别结果；根据所述第三判别结果和所述第四判别结果，训练所述转换网络。在该实现方式中，第二判别子网络可以用于判断输入图像是否是真实图像。例如，第二判别子网络可以表示为DR。第二判别子网络可以为二分类网络。
作为该实现方式的一个示例，第二判别子网络可以通过5个conv-BU-ReLU模块将输入图像下采样为8×8的特征图，并可以采用一个1×1卷积层用于二分类。
作为该实现方式的一个示例，可以根据所述第三判别结果和所述第四判别结果，训练所述转换网络中的第二子转换网络和第二判别子网络。
例如，可以采用式1训练转换网络中的第一子转换网络F、第一判别子网络DS、第二子转换网络G和第二判别子网络DR，
Figure BDA0002223581780000131
Figure BDA0002223581780000132
其中，s～pdata(s)表示任一渲染人脸图像，例如第二渲染人脸图像；r～pdata(r)表示任一真实人脸图像，例如第一真实人脸图像。
如式1所示，通过训练优化第一子转换网络和第二子转换网络，以使F(r)(即通过第一子转换网络转换得到的渲染人脸图像，例如第一渲染人脸图像)能够欺骗第一判别子网络，使G(s)(即通过第二子转换网络转换得到的真实人脸图像，例如第二真实人脸图像)能够欺骗第二判别子网络。
在一种可能的实现方式中，还包括：通过所述转换网络对所述第一渲染人脸图像进行转换处理，得到第三真实人脸图像；通过所述转换网络对所述第二真实人脸图像进行转换处理，得到第三渲染人脸图像；根据所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练所述转换网络。
作为该实现方式的一个示例，可以根据所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练转换网络中的第一子转换网络和第二子转换网络。
例如，可以采用式2训练转换网络中的第一子转换网络和第二子转换网络，
Figure BDA0002223581780000141
例如，s为第二渲染人脸图像，F(G(s))为第三渲染人脸图像，r为第一真实人脸图像，G(F(r))为第三真实人脸图像。
在一种可能的实现方式中，可以采用式4训练转换网络，
其中，λcyc表示Lcyc(F,G)的权重，λldmk表示Lldmk(F,G)的权重。例如，λcyc＝0.1，λldmk＝1。
在本公开实施例中，若采用背景部分为黑色的第二渲染人脸图像训练神经网络，则训练得到的神经网络在进行三维人脸重建时，能够自动移除待重建真实人脸图像中背景部分的干扰，由此能够提高三维人脸重建的准确性。
在本公开实施例中，若采用不含配饰的第二渲染人脸图像训练神经网络，则训练得到的神经网络在进行三维人脸重建时，能够自动移除待重建真实人脸图像中的配饰，由此能够提高三维人脸重建的准确性。
在本公开实施例中，通过风格转换能够处理遮挡、光照不均匀等特殊情况。
在一种可能的实现方式中，所述神经网络还包括重建网络。
本公开实施例中的重建网络可以基于深度学习方法来实现。例如，重建网络可以采用PRNet来实现。通过深度学习方法进行形状预测得到三维人脸重建结果，可以得到更广的适用范围以及更快的速度。
在一种可能的实现方式中，重建网络可以采用5个2-Residual模块作为编码部分，并可以采用5个deconv-BN-ReLU模块作为解码部分。
在一种可能的实现方式中，所述方法还包括：通过所述重建网络对所述第二渲染人脸图像进行形状预测，得到第一三维人脸重建结果；根据所述第一三维人脸重建结果训练所述重建网络。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理，得到纹理图像；根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
图5示出本公开实施例提供的神经网络的训练方法中的纹理图像的示意图。
作为该实现方式的一个示例，可以通过纹理估计网络对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理，得到纹理图像。
在该实现方式中，纹理图像可以记录真值三维人脸结构中的各点的信息。通过采用纹理图像，能够节约存储空间，并能体现相邻点之间的相邻关系，且能支持更灵活的变形。
作为该实现方式的一个示例，所述根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络，包括：获取所述纹理图像中的点的权重信息；根据所述权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在本公开实施例中，纹理图像中不同的点对于三维人脸重建的权重可能不同。例如，人脸轮廓、左右眼、鼻梁和嘴唇的权重较高。
例如，第二渲染人脸图像中的点的权重信息可以通过第二渲染人脸图像对应的权重图来表示。
图6示出本公开实施例提供的神经网络的训练方法中的权重图的示意图。
例如，可以采用式5训练重建网络E，
Figure BDA0002223581780000151
其中，E(s)表示渲染人脸图像s对应的三维人脸重建结果，Egt(s)表示对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理得到的纹理图像，w表示权重图，i,j表示坐标。
在该示例中，通过根据权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络，能够进一步提高三维人脸重建的准确性。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：获取所述第二渲染人脸图像对应的真值标准图；根据所述第一三维人脸重建结果以及所述真值标准图，训练所述重建网络。
图7示出本公开实施例提供的神经网络的训练方法中真值标准图的示意图。
在该实现方式中，第二渲染人脸图像对应的真值标准图可以表示第二渲染人脸图像中的表面点的信息。
例如，可以采用式6训练重建网络E，
Figure BDA0002223581780000161
其中，＜,＞表示相应的点之间的点积。
在一种可能的实现方式中，所述根据所述第一三维人脸重建结果训练所述重建网络，包括：根据所述第二真实人脸图像中的人脸关键点信息，以及所述第一三维人脸重建结果中的人脸关键点信息，确定所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息；根据所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息，训练所述重建网络。
作为该实现方式的一个示例，可以通过人脸关键点检测网络M确定所述第二真实人脸图像中的人脸关键点信息以及所述第一三维人脸重建结果中的人脸关键点信息。
作为该实现方式的一个示例，可以根据所述第二真实人脸图像对应的二维人脸关键点信息，以及所述第一三维人脸重建结果对应的二维人脸关键点信息，确定所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息。
图8示出本公开实施例提供的神经网络的训练方法中根据人脸关键点连接得到的边缘的示意图。在图8所示的示例中，人脸关键点包括人脸轮廓关键点、左眼关键点、右眼关键点、鼻梁关键点和嘴唇关键点。连接人脸轮廓关键点，可以得到人脸轮廓对应的边缘；连接左眼关键点，可以得到左眼对应的边缘；连接右眼关键点，可以得到右眼对应的边缘；连接鼻梁关键点，可以得到鼻梁对应的边缘；连接嘴唇关键点，可以得到嘴唇对应的边缘。
图9示出本公开实施例提供的神经网络的训练方法中人脸轮廓对应的边缘的距离图；图10示出本公开实施例提供的神经网络的训练方法中左眼对应的边缘的距离图；图11示出本公开实施例提供的神经网络的训练方法中右眼对应的边缘的距离图；图12示出本公开实施例提供的神经网络的训练方法中鼻梁对应的边缘的距离图；图13示出本公开实施例提供的神经网络的训练方法中嘴唇对应的边缘的距离图。其中，人脸轮廓对应的边缘的距离图能够体现第二真实人脸图像与第一三维人脸重建结果的相应的人脸轮廓关键点之间的距离，左眼对应的边缘的距离图能够体现第二真实人脸图像与第一三维人脸重建结果的相应的左眼关键点之间的距离，右眼对应的边缘的距离图能够体现第二真实人脸图像与第一三维人脸重建结果的相应的右眼关键点之间的距离，鼻梁对应的边缘的距离图能够体现第二真实人脸图像与第一三维人脸重建结果的相应的鼻梁关键点之间的距离，嘴唇对应的边缘的距离图能够体现第二真实人脸图像与第一三维人脸重建结果的相应的嘴唇关键点之间的距离。
作为该实现方式的一个示例，可以采用式7所示的边缘相关的损失函数训练重建网络，
Figure BDA0002223581780000171
其中，Ωm表示第m个人脸关键部分对应的边缘的点集，例如，人脸关键部分包括人脸轮廓、左眼、右眼、鼻梁和嘴唇5个部分，则m＝5；表示距离图T在坐标(xk,yk)处的距离值。
在该实现方式中，采用边缘相关的损失函数能够得到不同姿态和特殊表情下的更准确的三维人脸重建结果。
在一种可能的实现方式中，可以采用式8训练重建网络，
Lshape(E)＝Luv(E)+λnormLnorm(E)+λedgeLedge(E) 式8，
其中，λnorm表示Lnorm(E)的权重，λedge表示Ledge(E)的权重。例如，λnorm＝0.1，λedge＝0.1。
在一种可能的实现方式中，还包括：根据所述第一三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。在该实现方式中，转换网络可以与重建网络通过端到端的方式同时训练，以确保转换网络的主要训练目标是转换图像以优化三维人脸重建。
在一种可能的实现方式中，还包括：通过所述重建网络对所述第一渲染人脸图像进行形状预测，得到第二三维人脸重建结果；根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。在该实现方式中，转换网络可以与重建网络通过端到端的方式同时训练，以确保转换网络的主要目标是转换图像以优化三维人脸重建。
在一种可能的实现方式中，所述根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练，包括：根据所述第一真实人脸图像中的人脸关键点信息，以及所述第二三维人脸重建结果中的人脸关键点信息，确定所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息；根据所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息，训练所述转换网络和所述重建网络。
在本公开实施例中，可以先分别训练转换网络和重建网络，以获得转换网络和重建网络的较好的初始化参数，再对转换网络和重建网络进行端到端训练。通过进行端到端的训练，使得转换网络和重建网络能够协同操作得到更准确的三维人脸重建结果。
例如，可以采用式9训练转换网络和重建网络，
L＝Lgen+λshapeLshape 式9，
其中，λshape表示Lshape的权重。例如，λshape＝0.5。
图14示出本公开实施例提供的神经网络的训练方法的示意图。如图14所示，转换网络可以将真实人脸图像转换为渲染人脸图像，将渲染人脸图像转换为真实人脸图像，重建网络可以根据渲染人脸图像重建得到三维人脸重建结果。
本公开实施例训练得到的神经网络可以应用于人脸整型、AR(AugmentedReality，增强现实)特效等需要根据单张图像重建三维人脸的应用场景中，在此不作限定。
本公开实施例还提供了一种三维人脸重建方法，所述三维人脸重建方法上述神经网络的训练方法训练得到的神经网络进行三维人脸重建。所述三维人脸重建方法包括：通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。图15示出本公开实施例提供的三维人脸重建方法中待重建真实人脸图像和待重建真实人脸图像对应的三维人脸重建结果的示意图。其中，图15的左侧示出了待重建真实人脸图像的示意图，图15的右侧示出了待重建真实人脸图像对应的三维人脸重建结果的示意图。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了神经网络的训练装置、三维人脸重建装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图16示出根据本公开实施例的神经网络的训练装置的框图。所述神经网络包括转换网络，如图16所示，所述神经网络的训练装置包括：第一转换模块21，用于通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；第二转换模块22，用于通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；第一训练模块23，用于根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
在一种可能的实现方式中，所述第一转换模块21用于：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；所述第二转换模块22用于：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
在一种可能的实现方式中，所述第一训练模块23用于：根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。
在一种可能的实现方式中，所述第一训练模块23用于：通过所述转换网络中的第一判别子网络对所述第一渲染人脸图像进行判别，得到第一判别结果；通过所述第一判别子网络对所述第二渲染人脸图像进行判别，得到第二判别结果；根据所述第一判别结果和所述第二判别结果，训练所述转换网络。
在一种可能的实现方式中，所述第一训练模块23用于：通过所述转换网络中的第二判别子网络对所述第一真实人脸图像进行判别，得到第三判别结果；通过所述第二判别子网络对第二真实人脸图像进行判别，得到第四判别结果；根据所述第三判别结果和所述第四判别结果，训练所述转换网络。
在一种可能的实现方式中，还包括：第三转换模块，用于通过所述转换网络对所述第一渲染人脸图像进行转换处理，得到第三真实人脸图像；第四转换模块，用于通过所述转换网络对所述第二真实人脸图像进行转换处理，得到第三渲染人脸图像；第三训练模块，用于根据所述第一真实人脸图像与所述第三真实人脸图像之间的差异信息，以及所述第二渲染人脸图像与所述第三渲染人脸图像之间的差异信息，训练所述转换网络。
在一种可能的实现方式中，所述神经网络还包括重建网络，所述装置还包括第二训练模块，所述第二训练模块用于：通过所述重建网络对所述第二渲染人脸图像进行形状预测，得到第一三维人脸重建结果；根据所述第一三维人脸重建结果训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：对所述第二渲染人脸图像的真值三维人脸结构进行纹理估计处理，得到纹理图像；根据所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：获取所述纹理图像中的点的权重信息；根据所述权重信息、所述第一三维人脸重建结果和所述纹理图像，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：获取所述第二渲染人脸图像对应的真值标准图；根据所述第一三维人脸重建结果以及所述真值标准图，训练所述重建网络。
在一种可能的实现方式中，所述第二训练模块用于：根据所述第二真实人脸图像中的人脸关键点信息，以及所述第一三维人脸重建结果中的人脸关键点信息，确定所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息；根据所述第二真实人脸图像与所述第一三维人脸重建结果之间的距离信息，训练所述重建网络。
在一种可能的实现方式中，还包括：第四训练模块，用于根据所述第一三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在一种可能的实现方式中，还包括第五训练模块，所述第五训练模块用于：通过所述重建网络对所述第一渲染人脸图像进行形状预测，得到第二三维人脸重建结果；根据所述第二三维人脸重建结果，对所述转换网络和所述重建网络进行端到端训练。
在一种可能的实现方式中，所述第五训练模块用于：根据所述第一真实人脸图像中的人脸关键点信息，以及所述第二三维人脸重建结果中的人脸关键点信息，确定所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息；根据所述第一真实人脸图像与所述第二三维人脸重建结果之间的距离信息，训练所述转换网络和所述重建网络。
本公开实施例还提供了一种三维人脸重建装置，所述三维人脸重建装置采用上述任意一项所述的神经网络的训练装置训练得到的神经网络进行三维人脸重建，所述三维人脸重建装置包括：获取模块，用于通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；形状预测模块，用于通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的神经网络的训练方法或者三维人脸重建方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的神经网络的训练方法或者三维人脸重建方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图17示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图17，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图18示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图18，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows
Figure BDA0002223581780000231
Mac OS
Figure BDA0002223581780000232
或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种神经网络的训练方法，其特征在于，所述神经网络包括转换网络，所述方法包括：
通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；
根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
2.根据权利要求1所述的方法，其特征在于，所述通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像，包括：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
所述通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像，包括：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络，包括：
根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。
4.一种采用权利要求1至3中任意一项所述的方法训练得到的神经网络进行三维人脸重建的方法，其特征在于，包括：
通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；
通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。
5.一种神经网络的训练装置，其特征在于，所述神经网络包括转换网络，所述装置包括：
第一转换模块，用于通过所述转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
第二转换模块，用于通过所述转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像；
第一训练模块，用于根据所述第一渲染人脸图像和所述第二真实人脸图像，训练所述转换网络。
6.根据权利要求5所述的装置，其特征在于，所述第一转换模块用于：通过所述转换网络中的第一子转换网络对第一真实人脸图像进行转换处理，得到第一渲染人脸图像；
所述第二转换模块用于：通过所述转换网络中的第二子转换网络对第二渲染人脸图像进行转换处理，得到第二真实人脸图像。
7.根据权利要求5或6所述的装置，其特征在于，所述第一训练模块用于：
根据所述第一真实人脸图像中的人脸关键点信息与所述第一渲染人脸图像中的人脸关键点信息之间的距离信息，以及所述第二渲染人脸图像中的人脸关键点信息与所述第二真实人脸图像中的人脸关键点信息之间的距离信息，训练所述转换网络。
8.一种采用权利要求5至7中任意一项所述的装置训练得到的神经网络进行三维人脸重建的装置，其特征在于，包括：
获取模块，用于通过所述转换网络获取待重建真实人脸图像对应的第四渲染人脸图像；
形状预测模块，用于通过重建网络对所述第四渲染人脸图像进行形状预测，得到所述待重建真实人脸图像对应的三维人脸重建结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
CN201910943584.9A 2019-09-30 2019-09-30 三维人脸重建方法及装置、电子设备和存储介质 Active CN110706339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910943584.9A CN110706339B (zh) 2019-09-30 2019-09-30 三维人脸重建方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910943584.9A CN110706339B (zh) 2019-09-30 2019-09-30 三维人脸重建方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110706339A true CN110706339A (zh) 2020-01-17
CN110706339B CN110706339B (zh) 2022-12-06

Family

ID=69197562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910943584.9A Active CN110706339B (zh) 2019-09-30 2019-09-30 三维人脸重建方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110706339B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524216A (zh) * 2020-04-10 2020-08-11 北京百度网讯科技有限公司 生成三维人脸数据的方法和装置
CN112396692A (zh) * 2020-11-25 2021-02-23 北京市商汤科技开发有限公司 一种人脸重建方法、装置、计算机设备及存储介质
CN112818915A (zh) * 2021-02-25 2021-05-18 华南理工大学 基于3dmm软生物特征的深度伪造视频检测方法及系统
CN113822798A (zh) * 2021-11-25 2021-12-21 北京市商汤科技开发有限公司 生成对抗网络训练方法及装置、电子设备和存储介质
WO2022001236A1 (zh) * 2020-06-30 2022-01-06 北京市商汤科技开发有限公司 三维模型生成方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358648A (zh) * 2017-07-17 2017-11-17 中国科学技术大学 基于单张人脸图像的实时全自动高质量三维人脸重建方法
GB201902067D0 (en) * 2019-02-14 2019-04-03 Facesoft Ltd 3D Face reconstruction system and method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358648A (zh) * 2017-07-17 2017-11-17 中国科学技术大学 基于单张人脸图像的实时全自动高质量三维人脸重建方法
GB201902067D0 (en) * 2019-02-14 2019-04-03 Facesoft Ltd 3D Face reconstruction system and method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOXIFEI: "Cycle-GAN介绍-原理简介", 《HTTPS://BLOG.CSDN.NET/XIAOXIFEI/ARTICLE/DETAILS/83830842》 *
李睿等: "基于二维纹理重建三维人脸深度图像后的人脸识别", 《现代计算机(专业版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524216A (zh) * 2020-04-10 2020-08-11 北京百度网讯科技有限公司 生成三维人脸数据的方法和装置
CN111524216B (zh) * 2020-04-10 2023-06-27 北京百度网讯科技有限公司 生成三维人脸数据的方法和装置
WO2022001236A1 (zh) * 2020-06-30 2022-01-06 北京市商汤科技开发有限公司 三维模型生成方法、装置、计算机设备及存储介质
KR20220006653A (ko) * 2020-06-30 2022-01-17 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 3차원 모델 생성 방법, 장치, 컴퓨터 기기 및 저장 매체
KR102442486B1 (ko) 2020-06-30 2022-09-13 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 3차원 모델 생성 방법, 장치, 컴퓨터 기기 및 저장 매체
US11475624B2 (en) 2020-06-30 2022-10-18 Beijing Sensetime Technology Development Co., Ltd. Method and apparatus for generating three-dimensional model, computer device and storage medium
CN112396692A (zh) * 2020-11-25 2021-02-23 北京市商汤科技开发有限公司 一种人脸重建方法、装置、计算机设备及存储介质
CN112396692B (zh) * 2020-11-25 2023-11-28 北京市商汤科技开发有限公司 一种人脸重建方法、装置、计算机设备及存储介质
CN112818915A (zh) * 2021-02-25 2021-05-18 华南理工大学 基于3dmm软生物特征的深度伪造视频检测方法及系统
CN113822798A (zh) * 2021-11-25 2021-12-21 北京市商汤科技开发有限公司 生成对抗网络训练方法及装置、电子设备和存储介质
CN113822798B (zh) * 2021-11-25 2022-02-18 北京市商汤科技开发有限公司 生成对抗网络训练方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110706339B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110706339B (zh) 三维人脸重建方法及装置、电子设备和存储介质
US20210012523A1 (en) Pose Estimation Method and Device and Storage Medium
CN109800737B (zh) 面部识别方法及装置、电子设备和存储介质
US20220415010A1 (en) Map construction method, relocalization method, and electronic device
CN109977847B (zh) 图像生成方法及装置、电子设备和存储介质
CN111783986A (zh) 网络训练方法及装置、姿态预测方法及装置
CN109584362B (zh) 三维模型构建方法及装置、电子设备和存储介质
CN111310616A (zh) 图像处理方法及装置、电子设备和存储介质
US20220327385A1 (en) Network training method, electronic device and storage medium
CN110634167B (zh) 神经网络训练方法及装置和图像生成方法及装置
CN109840917B (zh) 图像处理方法及装置、网络训练方法及装置
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN111815666B (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN107220614B (zh) 图像识别方法、装置及计算机可读存储介质
CN109325908B (zh) 图像处理方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN112991381B (zh) 图像处理方法及装置、电子设备和存储介质
CN111462238A (zh) 姿态估计优化方法、装置及存储介质
CN114019473A (zh) 对象检测方法及装置、电子设备和存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN114445562A (zh) 三维重建方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质
CN112613447A (zh) 关键点检测方法及装置、电子设备和存储介质
CN111582381A (zh) 确定性能参数的方法及装置、电子设备和存储介质

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