CN110852935A - 一种人脸图像随年龄变化的图像处理方法 - Google Patents
一种人脸图像随年龄变化的图像处理方法 Download PDFInfo
- Publication number
- CN110852935A CN110852935A CN201910920174.2A CN201910920174A CN110852935A CN 110852935 A CN110852935 A CN 110852935A CN 201910920174 A CN201910920174 A CN 201910920174A CN 110852935 A CN110852935 A CN 110852935A
- Authority
- CN
- China
- Prior art keywords
- face image
- image
- age
- reconstructed
- face
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 230000032683 aging Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000000750 progressive effect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000037303 wrinkles 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸图像随年龄变化的图像处理方法，通过获取人脸图像以及与该人脸图像相对应的年龄标签信息；然后通过特征提取网络来优化身份保持损失函数，先利用离线的特征提取器对输入人脸图像和重建的人脸图像进行特征提取，然后对输入人脸图像和重建的人脸图像进行作差，运用特征差渐进残网络能够生成生动的、形象的、接近现实的人脸年龄变化图像，通过对损失函数进行优化，特别是对身份保持损失函数进行优化，利用特征提取器提取后的特征图之间作差代替输入图像与最终重建图像之间直接作差，这样的改进使生成的人脸老化图像序列老化特征更加明显，更加接近真实老化人脸，本发明方法简单，重建人脸图像逼真。
Description
技术领域
本发明涉及计算机视觉的人年龄变化的领域，具体涉及特征差渐进残对抗自编码网络来得到人脸年龄变化的图像。
背景技术
人脸年龄变化图像生成是一个跨图像处理、图形学、计算机视觉领域的跨学科研究问题，它实现的是对个体的特定年龄段图像的生成。传统的做法主要有两种：一种是基于人脸原型的方法，它先在预定义的年龄组内估计出整组的平均图像，利用这些平均图像间的差异构成年龄老化模型；另一种是基于人脸的物理模型的方法，采用准跃点数模型模拟特定个体的肌肉、皮肤和头骨的衰老机制。但是，由于传统的方法缺少个体人脸的特征，导致最终生成的图像结果不逼真，甚至会出现畸变。近几年，随着人工神经网络的进一步发展，出现了例如GAN,RNN等神经网络模型，人脸年龄变化图像生成问题得到很大的改善，然而由于跨年龄人脸数据集的缺乏以及人脸老化过程的不确定性和多样性使得自然、逼真地生成人脸图像依然面临着诸多多挑战。例如，从30岁到10岁，人脸变化主要集中在全局特征(脸型等)，而在30岁至50岁的变化过程中，人脸变化则主要体现在局部特征(皱纹和色斑等)，并且在长跨度人脸年龄变化过程中，人脸的身份特征难以保持；特别对于长跨度人脸年龄图像生成问题而言，不同年龄的人脸图像呈现出不同尺度的人脸特征变化，并且在长跨度人脸年龄变化过程中，人脸的身份特征难以保持，因此，研究长跨度人脸年龄变化图像生成具有重要的研究价值与意义。
发明内容
本发明的目的在于提供一种人脸图像随年龄变化的图像处理方法，以克服现有方法随年龄变化生成人脸图像不逼真的问题。
为达到上述目的，本发明采用如下技术方案：
一种人脸图像随年龄变化的图像处理方法，包括以下步骤：
步骤1：获取人脸图像以及与该人脸图像相对应的年龄标签信息；
步骤2：提取人脸图像的人脸图像特征并将获取的人脸图像特征编码得到隐向量；
步骤3：将人脸图像与第一次重建人脸图像之间的差图重编码为相同长度的残差隐向量，将残差隐向量与隐向量构成残差特征隐向量，然后将残差特征隐向量和年龄标签信息输入生成器网络，建立初始重建人脸图像；
步骤4：利用训练的判别器网络判别初始重建人脸图像与真实人脸图像的相似概率，若相似概率满足判断阈值，则初始重建人脸图像满足人脸随年龄变化图像，进行下一步，否则进行重建人脸图像；
步骤5：通过在重建的人脸流图上改变年龄标签，得到对应年龄的人脸变化图像，即可完成人脸图像随年龄变化的图像处理。
进一步的，人脸图像特征包括人脸轮廓、眼睛大小、鼻子大小和嘴巴大小。
进一步的，输入的人脸图像的表象特征隐向量为Z,那么：
Z＝E(x)
隐向量Z包括人脸图像的年龄标签信息和身份信息。
进一步的，对隐向量进行优化具体过程为：对人脸图像与第一次重建人脸图像之间的差图重编码为相同长度的残差隐向量，将残差隐向量与隐向量构成残差特征隐向量
式中λ为标量参数，z为隐向量，
为残差隐向量。
进一步的，生成器网络采用带有上采样层的卷积层加深网络，隐向量和年龄标签信息作为生成器网络的输入，经过生成器网络输出生成初始重建人脸图像。
进一步的，生成年龄标签信息的one-hot向量，将残差特征隐向量和one-hot向量组合作为生成器网络的输入矩阵，生成器网络根据输入矩阵得到输出全连接层和卷积层，将输出的全连接层转换为矩阵，对输出的全连接层和卷积层进行多次上采样加卷积操作，得到与输入图像相同大小的初始重建人脸图像。
进一步的，生成器网络根据输入矩阵得到输出大小为512*4*4的全连接层和大小为3*3*512的卷积层，并将输出的全连接层转换为矩阵，对输出的全连接层和卷积层进行多次上采样加卷积操作，卷积层的通道数越来越小，特征图越来越大，最终通过一个大小为3*3*3的卷积层得到了与输入图像相同大小的初始重建人脸图像。
进一步的，判别器网络具体训练过程：获取训练人脸图像以及对应的训练用人脸图像的重建人脸图像，与输入图像紧挨着的卷积层的卷积核大小为1*1*16,其中16表示卷积层通道数，与卷积层紧接着的是6组由卷积层和均值池化层构成的提取特征的中间层，中间层的通道数越来越大，且在池化层的作用下，特征图越来越小，最终输出为一个表示概率值的2维向量。
进一步的，在训练判别器网络时，当输入是真实人脸图像的时候，判别器网络给出的判别概率值为1，当输入假的人脸图像的时，判别器给出的判别概率值为0；判别器网络同时将判断结果传到生成器网络，当判别器网络判断重建人脸图像与真实人脸图像不满足判断阈值时，更新生成器网络的参数，进行再次重建人脸图像，将再次重建人脸图像通过判别器网络进行再次判断，重复上述步骤进行交替迭代判断，直到判别网络判断的结果满足判断阈值。
进一步的，判断阈值为0.45-0.55。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种人脸图像随年龄变化的图像处理方法，通过获取人脸图像以及与该人脸图像相对应的年龄标签信息；然后通过特征提取网络来优化身份保持损失函数，先利用离线的特征提取器对输入人脸图像和重建的人脸图像进行特征提取，然后对输入人脸图像和重建的人脸图像进行作差，运用特征差渐进残网络能够生成生动的、形象的、接近现实的人脸年龄变化图像，通过对损失函数进行优化，特别是对身份保持损失函数进行优化，利用特征提取器提取后的特征图之间作差代替输入图像与最终重建图像之间直接作差后建立残差隐向量，利用残差隐向量与年龄标签信息通过生成器网络建立得到重建人脸图像，利用判别器网络判别初始重建人脸图像与真实人脸图像的相似概率，对于相似概率不满足判断阈值的图形进行重构人脸图像，这样的改进使生成的人脸老化图像序列老化特征更加明显，更加接近真实老化人脸。
进一步的，通过训练判别器网络，当输入是真实人脸图像的时候，判别器网络给出的判别概率值为1，当输入假的人脸图像的时，判别器给出的判别概率值为0；判别器网络同时将判断结果传到生成器网络，当判别器网络判断重建人脸图像与真实人脸图像不满足判断阈值时，更新生成器网络的参数，进行再次重建人脸图像，从而达到加接近真实老化人脸的重建。
附图说明
图1为本发明的网络结构图。
图2为隐向量的优化过程图。
图3为男性人脸年龄变化序列。
图4为女性人脸年龄变化序列。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明的具体实施的流程图如图1所示，包含步骤如下：
步骤1：获取人脸图像X以及与该人脸图像相对应的年龄标签信息I；
步骤2：提取人脸图像X的人脸图像特征并将获取的人脸图像特征编码得到隐向量Z；
人脸图像特征包括人脸轮廓、眼睛大小、鼻子大小和嘴巴大小。
输入的人脸图像X的表象特征隐向量为Z,那么：
Z＝E(x)
隐向量Z包括人脸图像的年龄标签信息和身份信息，正是人脸年龄变化生成任务中需要保证的两个重要特征。
步骤3：对隐向量Z进行优化处理得到残差特征隐向量，然后残差特征隐向量和年龄标签信息输入生成器网络，建立初始重建人脸图像；
通过分析输入人脸图像与第一次重建人脸图像之间的差图(残差人脸图像)，存在很多人脸特征信息，如人脸轮廓和眼睛大小，因此，对残差人脸图像再编码有着重要的意义。为了进一步生成更逼真的人脸老化与年轻化图像，对残差人脸图像重编码为相同长度的残差隐向量E(x-G(z，l))，并与存在的表象特征隐向量z一起构成了残差特征隐向量
式中的标量参数λ作为一个权重来平衡表象特征隐向量z和残差特征隐向量
x为输入图像标签，G(z,l)为隐向量z和向量L组合的输入矩阵，具体隐向量优化过程如图2所示。
生成器网络G采用带有上采样层的卷积层加深网络，残差特征隐向量和年龄标签信息I作为生成器网络G的输入，经过生成器网络G输出生成初始重建人脸图像，具体方法为：
生成年龄标签信息I的one-hot向量L，将残差特征隐向量
和向量L组合作为生成器网络G的输入矩阵
生成器网络G根据输入矩阵得到输出全连接层和卷积层，将输出的全连接层转换为矩阵，对输出的全连接层和卷积层进行多次上采样加卷积操作，得到与输入图像相同大小的初始重建人脸图像；
具体的：生成器网络G根据输入矩阵得到输出大小为512*4*4的全连接层和大小为3*3*512的卷积层，并将输出的全连接层转换为矩阵，为之后的反卷积操作作准备，为了生成和输入图像相同大小的输出图像，对输出的全连接层和卷积层进行多次上采样加卷积操作，卷积层的通道数越来越小，特征图越来越大，最终通过一个大小为3*3*3的卷积层得到了与输入图像相同大小的初始重建人脸图像；
步骤4：利用训练的判别器网络D判别初始重建人脸图像与真实人脸图像的相似概率，若相似概率满足判断阈值，则初始重建人脸图像满足人脸随年龄变化图像，进行下一步，否则进行重建人脸图像；
判别器网络D具体训练过程：获取训练人脸图像以及对应的训练用人脸图像的重建人脸图像，与输入图像紧挨着的卷积层的卷积核大小为1*1*16,其中16表示卷积层通道数，与卷积层紧接着的是6组由卷积层和均值池化层构成的提取特征的中间层，中间层的通道数越来越大，且在池化层的作用下，特征图越来越小，最终输出为一个表示概率值的2维向量。
在训练判别器网络时，当输入是真实人脸图像的时，判别器网络给出的判别概率值为1，当输入假的人脸图像的时，判别器给出的判别概率值为0，判别器网络同时将判断结果传到生成器网络，当判别器网络判断重建人脸图像与真实人脸图像不满足判断阈值时，更新生成器网络的参数，具体指更新生成器网络重建人脸参数，反向传播调正参数的大小，进行再次重建人脸图像，将再次重建人脸图像通过判别器网络进行再次判断，重复上述步骤进行交替迭代判断，直到判别网络判断的结果满足判断阈值，判断阈值为0.45-0.55，当判别概率值为0.5时，也就说明重建的人脸图像足够逼真了。
步骤5：通过在训练好的人脸流图上改变年龄标签，得到对应年龄的人脸变化图像。
根据在设计好的特征差渐进残对抗自编码网络上，得到输入图像和第一次重建图像的差图，对残差人脸图像再编码帮助得到更生动的输出人脸图像。如图3和图4所示，分别对于不同年龄段的男性人脸图像和女性人脸图像进行随年龄变化的图像处理结果，得到不同年龄段的人脸图形，得到的人脸图像效果逼真，由效果图可以看出，随着年龄的变化，人脸特征明显，没有明显的畸变，准确度高，同时在输出的年龄变化图中附加了年龄身份信息，确保了人脸图像的身份特征。
Claims (10)
1.一种人脸图像随年龄变化的图像处理方法，其特征在于，包括以下步骤：
步骤1：获取人脸图像以及与该人脸图像相对应的年龄标签信息；
步骤2：提取人脸图像的人脸图像特征并将获取的人脸图像特征编码得到隐向量；
步骤3：将人脸图像与第一次重建人脸图像之间的差图重编码为相同长度的残差隐向量，将残差隐向量与隐向量构成残差特征隐向量，然后将残差特征隐向量和年龄标签信息输入生成器网络，建立初始重建人脸图像；
步骤4：利用训练的判别器网络判别初始重建人脸图像与真实人脸图像的相似概率，若相似概率满足判断阈值，则初始重建人脸图像满足人脸随年龄变化图像，进行下一步，否则进行重建人脸图像；
步骤5：通过在重建的人脸流图上改变年龄标签，得到对应年龄的人脸变化图像，即可完成人脸图像随年龄变化的图像处理。
2.根据权利要求1所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，人脸图像特征包括人脸轮廓、眼睛大小、鼻子大小和嘴巴大小。
3.根据权利要求1所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，输入的人脸图像的表象特征的隐向量为z,那么：
z＝E(x)
隐向量z包括人脸图像的年龄标签信息和身份信息。
4.根据权利要求1所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，对隐向量进行优化具体过程为：将人脸图像与第一次重建人脸图像之间的差图重编码为相同长度的残差隐向量，将残差隐向量与隐向量构成残差特征隐向量
式中λ为标量参数，z为隐向量，
为残差隐向量。
5.根据权利要求4所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，生成器网络采用带有上采样层的卷积层加深网络，隐向量和年龄标签信息作为生成器网络的输入，经过生成器网络输出生成初始重建人脸图像。
6.根据权利要求4所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，生成年龄标签信息的one-hot向量，将残差特征隐向量和one-hot向量组合作为生成器网络的输入矩阵，生成器网络根据输入矩阵得到输出全连接层和卷积层，将输出的全连接层转换为矩阵，对输出的全连接层和卷积层进行多次上采样加卷积操作，得到与输入图像相同大小的初始重建人脸图像。
7.根据权利要求6所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，生成器网络根据输入矩阵得到输出大小为512*4*4的全连接层和大小为3*3*512的卷积层，并将输出的全连接层转换为矩阵，对输出的全连接层和卷积层进行多次上采样加卷积操作，卷积层的通道数越来越小，特征图越来越大，最终通过一个大小为3*3*3的卷积层得到了与输入图像相同大小的初始重建人脸图像。
8.根据权利要求1所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，判别器网络具体训练过程：获取训练人脸图像以及对应的训练用人脸图像的重建人脸图像，与输入图像紧挨着的卷积层的卷积核大小为1*1*16,其中16表示卷积层通道数，与卷积层紧接着的是6组由卷积层和均值池化层构成的提取特征的中间层，中间层的通道数越来越大，且在池化层的作用下，特征图越来越小，最终输出为一个表示概率值的2维向量。
9.根据权利要求8所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，在训练判别器网络时，当输入是真实人脸图像的时候，判别器网络给出的判别概率值为1，当输入假的人脸图像的时，判别器给出的判别概率值为0；判别器网络同时将判断结果传到生成器网络，当判别器网络判断重建人脸图像与真实人脸图像不满足判断阈值时，更新生成器网络的参数，反向传播调正参数的大小，进行再次重建人脸图像，将再次重建人脸图像通过判别器网络进行再次判断，重复上述步骤进行交替迭代判断，直到判别网络判断的结果满足判断阈值。
10.根据权利要求9所述的一种人脸图像随年龄变化的图像处理方法，其特征在于，判断阈值为0.45-0.55。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910920174.2A CN110852935A (zh) | 2019-09-26 | 2019-09-26 | 一种人脸图像随年龄变化的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910920174.2A CN110852935A (zh) | 2019-09-26 | 2019-09-26 | 一种人脸图像随年龄变化的图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110852935A true CN110852935A (zh) | 2020-02-28 |
Family
ID=69596230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910920174.2A Pending CN110852935A (zh) | 2019-09-26 | 2019-09-26 | 一种人脸图像随年龄变化的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852935A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN111402179A (zh) * | 2020-03-12 | 2020-07-10 | 南昌航空大学 | 结合对抗自编码器和生成对抗网络的图像合成方法及系统 |
| CN112766143A (zh) * | 2021-01-15 | 2021-05-07 | 湖南大学 | 一种基于多情绪的人脸老化处理方法和系统 |
| CN113392791A (zh) * | 2021-06-24 | 2021-09-14 | 厦门美图之家科技有限公司 | 一种皮肤预测处理方法、装置、设备及存储介质 |
| CN113837930A (zh) * | 2021-09-24 | 2021-12-24 | 重庆中科云从科技有限公司 | 人脸图像合成方法、装置以及计算机可读存储介质 |
| CN113888399A (zh) * | 2021-10-25 | 2022-01-04 | 河北工业大学 | 一种基于风格融合与域选结构的人脸年龄合成方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
| CN109308450A (zh) * | 2018-08-08 | 2019-02-05 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
| CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
-
2019
- 2019-09-26 CN CN201910920174.2A patent/CN110852935A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
| CN109308450A (zh) * | 2018-08-08 | 2019-02-05 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
| CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
Non-Patent Citations (3)
| Title |
|---|
| XUEXIANG ZHANG，ETC: "Face Age Transformation with Progressive Residual Adversarial Autoencoder", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| 翟中华: "基于生成对抗网络的自监督表示学习研究及应用", 《中国博士学位论文全文数据库》 * |
| 鲍建敏: "基于生成对抗网络的图像合成", 《中国博士学位论文全文数据库》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN111402179A (zh) * | 2020-03-12 | 2020-07-10 | 南昌航空大学 | 结合对抗自编码器和生成对抗网络的图像合成方法及系统 |
| CN111402179B (zh) * | 2020-03-12 | 2022-08-09 | 南昌航空大学 | 结合对抗自编码器和生成对抗网络的图像合成方法及系统 |
| CN111401216B (zh) * | 2020-03-12 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN112766143A (zh) * | 2021-01-15 | 2021-05-07 | 湖南大学 | 一种基于多情绪的人脸老化处理方法和系统 |
| CN112766143B (zh) * | 2021-01-15 | 2023-08-25 | 湖南大学 | 一种基于多情绪的人脸老化处理方法和系统 |
| CN113392791A (zh) * | 2021-06-24 | 2021-09-14 | 厦门美图之家科技有限公司 | 一种皮肤预测处理方法、装置、设备及存储介质 |
| CN113837930A (zh) * | 2021-09-24 | 2021-12-24 | 重庆中科云从科技有限公司 | 人脸图像合成方法、装置以及计算机可读存储介质 |
| CN113837930B (zh) * | 2021-09-24 | 2024-02-02 | 重庆中科云从科技有限公司 | 人脸图像合成方法、装置以及计算机可读存储介质 |
| CN113888399A (zh) * | 2021-10-25 | 2022-01-04 | 河北工业大学 | 一种基于风格融合与域选结构的人脸年龄合成方法 |
| CN113888399B (zh) * | 2021-10-25 | 2024-04-16 | 河北工业大学 | 一种基于风格融合与域选结构的人脸年龄合成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852935A (zh) | 一种人脸图像随年龄变化的图像处理方法 | |
| CN110503598B (zh) | 基于条件循环一致性生成对抗网络的字体风格迁移方法 | |
| CN109508669B (zh) | 一种基于生成式对抗网络的人脸表情识别方法 | |
| CN111798369B (zh) | 一种基于循环条件生成对抗网络的人脸衰老图像合成方法 | |
| CN112001960B (zh) | 基于多尺度残差金字塔注意力网络模型的单目图像深度估计方法 | |
| CN109410261B (zh) | 基于金字塔池化模块的单目图像深度估计方法 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN111242841B (zh) | 一种基于语义分割和深度学习的图片背景风格迁移方法 | |
| CN109886881B (zh) | 人脸妆容去除方法 | |
| CN110097609B (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
| CN112580782B (zh) | 基于通道增强的双注意力生成对抗网络及图像生成方法 | |
| CN108520503A (zh) | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 | |
| CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
| CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
| CN113095149A (zh) | 一种基于单张人脸图像的全头部纹理网络结构及生成方法 | |
| CN111861945A (zh) | 一种文本引导的图像修复方法和系统 | |
| CN114581356B (zh) | 基于风格迁移数据增广的图像增强模型泛化方法 | |
| CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
| CN114581560A (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
| CN112686817A (zh) | 一种基于不确定性估计的图像补全方法 | |
| CN110097615B (zh) | 一种联合风格化和去风格化的艺术字编辑方法和系统 | |
| CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
| CN113111906A (zh) | 一种基于单对图像训练的条件生成对抗网络模型的方法 | |
| CN116258632A (zh) | 一种基于文本辅助的文本图像超分辨率重建方法 | |
| CN114943646A (zh) | 基于纹理导向的梯度权重损失和注意力机制超分辨方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |
|
| RJ01 | Rejection of invention patent application after publication |