CN111985642B - 一种美颜神经网络训练方法、装置、设备和存储介质 - Google Patents

一种美颜神经网络训练方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111985642B
CN111985642B CN202010825307.0A CN202010825307A CN111985642B CN 111985642 B CN111985642 B CN 111985642B CN 202010825307 A CN202010825307 A CN 202010825307A CN 111985642 B CN111985642 B CN 111985642B
Authority
CN
China
Prior art keywords
network
training
image
output
user 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.)
Active
Application number
CN202010825307.0A
Other languages
English (en)
Other versions
CN111985642A (zh
Inventor
吴善思源
龚秋棠
侯峰
林奇
吴方灿
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.)
Xiamen Zhenjing Technology Co ltd
Original Assignee
Xiamen Zhenjing 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 Xiamen Zhenjing Technology Co ltd filed Critical Xiamen Zhenjing Technology Co ltd
Priority to CN202010825307.0A priority Critical patent/CN111985642B/zh
Publication of CN111985642A publication Critical patent/CN111985642A/zh
Application granted granted Critical
Publication of CN111985642B publication Critical patent/CN111985642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种美颜神经网络训练方法、装置、设备和存储介质，其包括如下步骤：S1，训练一个人脸五官属性分类网络NetA；S2，训练一个人脸五官语义分割网络NetS；S3，训练一个普通用户人脸自编码网络，包括NetCe和NetCd；S4，训练一个高颜值用户人脸自编码网络，包括NetBe和NetBd；S5，训练隐空间编码转换网络NetT；S6，NetCe将普通用户人脸图像Cimage转换成隐空间编码Ccode；S7，NetBe将高颜值用户人脸图像Bimage转换成隐空间编码Bcode；S8，NetT将Ccode转换为C2Bcode，NetBd将C2Bcode还原为输出图像output；S9，使用Ccode＝NetCe(Cimage)；C2Bcode＝NetT(Ccode)；output＝NetBd(C2Bcode)；获得与用户本人身份特征一致的高颜值脸部图像output。通过半监督的训练方式，可以使用“非配对”数据进行无需设置或调整参数；且美颜处理的功能非常丰富，不限于磨皮、美白、祛斑等简单操作。

Description

一种美颜神经网络训练方法、装置、设备和存储介质
技术领域
本发明应用于美颜神经网络训练领域，具体是一种美颜神经网络训练方法、装置、设备和存储介质。
背景技术
在自拍需求日益强烈的今天，获得高颜值肖像成为很多社交活动中的刚需。传统的图像算法(如磨皮、美白提亮、祛斑等)可以很好地修缮自拍时的面部瑕疵，但是往往操作复杂，且功能有限，在一定的情况下可能提升非常有限，难以满足用户对肖像颜值提高的期望。
深度学习神经网络可以很好地替代传统的图像算法来对用户肖像进行美颜处理，但是全监督训练往往需要很多的匹配数据对(如用户美颜前原图，和用户美颜后效果图)。但是这类数据获取是异常困难的，而且数据规模也难以满足大分辨率图像生成网络大训练(通常训练更大分辨率的生成网络需要的训练数据是更多的，比如训练128x 128尺寸图像只需要一千张训练图，那么训练256x 256尺寸图像达到近似视觉效果则需要一万张训练图)。
常见的半监督图像生成式神经网络往往难以在“生成高颜值脸部图像”和“生成的脸部图像与原用户身份信息一致”(如CycleGAN等)，即生成的图像的面部特征很难让用户觉得像本人，仅是一个与自己无关(或仅姿态、表情类似)的高颜值陌生人。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种美颜神经网络训练方法、装置、设备和存储介质。
为解决上述技术问题，本发明的一种美颜神经网络训练方法，其包括如下步骤：
S1，训练一个人脸五官属性分类网络NetA；
S2，训练一个人脸五官语义分割网络NetS；
S3，训练一个普通用户人脸自编码网络，包括NetCe和NetCd；
S4，训练一个高颜值用户人脸自编码网络，包括NetBe和NetBd；
S5，训练隐空间编码转换网络NetT；
S6，NetCe将普通用户人脸图像Cimage转换成隐空间编码Ccode；
S7，NetBe将高颜值用户人脸图像Bimage转换成隐空间编码Bcode；
S8，NetT将Ccode转换为C2Bcode，NetBd将C2Bcode还原为输出图像output；
S9，使用Ccode＝NetCe(Cimage)；C2Bcode＝NetT(Ccode)；output＝NetBd(C2Bcode)；获得与用户本人身份特征一致的高颜值脸部图像output。
作为一种可能的实施方式，进一步的，所述步骤S8中的输出图像output受到三个约束：
(1)NetS(Cimage)对NetS(output)进行约束；
(2)NetA(Cimage)对NetA(output)进行约束；
(3)通过对抗生成网络GAN训练判别器NetD，使NetD(Bimage)对NetD(output)进行约束，即让判别网络认为生成结果output是一张高颜值用户图像。
作为一种可能的实施方式，进一步的，所述步骤S1中的人脸五官属性分类网络NetA的训练方法为向网络输入一张图像，输出N个判断标签，将判断标签与真实标签计算损失残差，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S2中的人脸五官语义分割网络NetS的训练方法为网络输入一张图像，输出一张语义分割mask，将输出的语义分割mask与真实的语义标签计算交叉熵，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S3中的NetCe和NetCd的训练方法为向网络输入一张普通用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S4中的NetBe和NetBd的训练方法为向网络输入一张高颜值用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
一种美颜神经网络训练装置，其特征在于：其包括：
训练单元，用于训练人脸五官属性分类网络NetA、人脸五官语义分割网络NetS、普通用户人脸自编码网络，包括NetCe和NetCd、高颜值用户人脸自编码网络，包括NetBe和NetBd和隐空间编码转换网络NetT；
图像获取单元，用于获取高颜值用户人脸图像Bimage和普通用户人脸图像Cimage；
约束单元，用于对输出图像output进行约束，包括NetS(Cimage)对NetS(output)约束、NetA(Cimage)对NetA(output)约束和通过对抗生成网络GAN训练判别器NetD，使NetD(Bimage)对NetD(output)约束，即让判别网络认为生成结果output是一张高颜值用户图像。
一种美颜神经网络训练设备，其特征在于：其包括：处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现美颜神经网络训练方法。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的美颜神经网络训练方法。
本发明采用以上技术方案，具有以下有益效果：本方案通过半监督的训练方式，可以使用“非配对”数据进行，解决了配对数据的繁琐，极大降低数据获取难度。通过对“人脸属性”约束，使得用户身份特征初步一致，通过“人脸空间”约束达到进一步保持用户面部身份特征，使得生成图像与用户身份特征高度相似，同时具有更高的颜值。同时本方法由神经网络生成结果，无需设置或调整参数；且美颜处理的功能非常丰富，不限于磨皮、美白、祛斑等简单操作。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的，对本发明实施方式中的技术方案进行清楚、完整地描述。
本发明提供了一种美颜神经网络训练方法，其包括如下步骤：
S1，训练一个人脸五官属性分类网络NetA，用于区分用户眉型、眼型、嘴形等五官属性；
S2，训练一个人脸五官语义分割网络NetS，用于给出不同五官在图像中的具体位置和形状；
S3，训练一个普通用户人脸自编码网络，包括NetCe和NetCd(即编码器和解码器)，NetCe用于将普通用户人脸图像Cimage转换成隐空间编码Ccode，NetCd用于将Ccode还原为普通用户人脸图像Cimage，该网络采用大量普通用户人脸图像进行训练；
S4，训练一个高颜值用户人脸自编码网络，包括NetBe和NetBd，NetBe用于将高颜值用户人脸图像Bimage转换成隐空间编码Bcode，NetBd用于将Bcode还原为高颜值用户人脸图像；
S5，训练隐空间编码转换网络NetT，用于将Ccode转换为C2Bcode，再由NetBd将C2Bcode还原为输出图像output；
S6，NetCe将普通用户人脸图像Cimage转换成隐空间编码Ccode；
S7，NetBe将高颜值用户人脸图像Bimage转换成隐空间编码Bcode；
S8，NetT将Ccode转换为C2Bcode，NetBd将C2Bcode还原为输出图像output；
S9，使用Ccode＝NetCe(Cimage)；C2Bcode＝NetT(Ccode)；output＝NetBd(C2Bcode)；获得与用户本人身份特征一致的高颜值脸部图像output。
作为一种可能的实施方式，进一步的，所述步骤S8中的输出图像output受到三个约束：
(1)NetS(Cimage)对NetS(output)进行约束，使得NetS(output)与NetS(Cimage)尽可能一致，即由损失函数计算其差异并通过梯度反向传播更新NetT的网络参数；
(2)NetA(Cimage)对NetA(output)进行约束，使得NetA(output)与NetA(Cimage)尽可能一致；
(3)通过对抗生成网络GAN训练判别器NetD，NetD(Bimage)对NetD(output)进行约束，使得NetD(output)判断结果与NetD(Bimage)结果尽可能一致，即让判别网络认为生成结果output是一张高颜值用户图像。
多个损失残差合并更新，包括重建损失，对抗损失。神经网络具有强大的拟合能力，设计的目标与损失函数会引导神经网络趋于设定的拟合目标，当网络收敛至一定程度时，就具备上述功能的泛化性。
作为一种可能的实施方式，进一步的，所述步骤S1中的人脸五官属性分类网络NetA的训练方法为向网络输入一张图像，输出N个判断标签，将判断标签与真实标签计算损失残差，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S2中的人脸五官语义分割网络NetS的训练方法为网络输入一张图像，输出一张语义分割mask，将输出的语义分割mask与真实的语义标签计算交叉熵，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S3中的NetCe和NetCd的训练方法为向网络输入一张普通用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
作为一种可能的实施方式，进一步的，所述步骤S4中的NetBe和NetBd的训练方法为向网络输入一张高颜值用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
一种美颜神经网络训练装置，其特征在于：其包括：
训练单元，用于训练人脸五官属性分类网络NetA、人脸五官语义分割网络NetS、普通用户人脸自编码网络，包括NetCe和NetCd、高颜值用户人脸自编码网络，包括NetBe和NetBd和隐空间编码转换网络NetT；
图像获取单元，用于获取高颜值用户人脸图像Bimage和普通用户人脸图像Cimage；
约束单元，用于对输出图像output进行约束，包括NetS(Cimage)对NetS(output)约束、NetA(Cimage)对NetA(output)约束和通过对抗生成网络GAN训练判别器NetD，使NetD(Bimage)对NetD(output)约束，即让判别网络认为生成结果output是一张高颜值用户图像。
一种美颜神经网络训练设备，其特征在于：其包括：处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现美颜神经网络训练方法。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的美颜神经网络训练方法。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在美颜神经网络训练设备中的执行过程。
所述美颜神经网络训练设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是美颜神经网络训练设备的示例，并不构成对美颜神经网络训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述美颜神经网络训练设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述美颜神经网络训练设备的控制中心，利用各种接口和线路连接整个美颜神经网络训练设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述美颜神经网络训练设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述美颜神经网络训练设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

Claims (8)

1.一种美颜神经网络训练方法，其特征在于：其包括如下步骤：
S1，训练一个人脸五官属性分类网络NetA，所述人脸五官属性分类网络NetA用于区分用户五官属性；
S2，训练一个人脸五官语义分割网络NetS，所述人脸五官语义分割网络NetS用于给出不同五官在图像中的具体位置和形状；
S3，训练一个普通用户人脸自编码网络，包括NetCe和NetCd；所述NetCe为编码器，用于将普通用户人脸图像Cimage转换成隐空间编码Ccode，所述NetCd为解码器，用于将Ccode还原为普通用户人脸图像Cimage；
S4，训练一个高颜值用户人脸自编码网络，包括NetBe和NetBd；所述NetBe用于将高颜值用户人脸图像Bimage转换成隐空间编码Bcode，所述NetBd用于将Bcode还原为高颜值用户人脸图像；
S5，训练隐空间编码转换网络NetT；
S6，通过NetCe将普通用户人脸图像Cimage转换成隐空间编码Ccode；
S7，通过NetBe将高颜值用户人脸图像Bimage转换成隐空间编码Bcode；
S8，通过NetT将Ccode转换为C2Bcode，并通过NetBd将C2Bcode还原为输出图像output；所述输出图像output为与用户本人身份特征一致的高颜值人脸图像；所述步骤S8中的输出图像output受到三个约束：
(1)NetS(Cimage)对NetS(output)进行约束，上述约束即由损失函数计算其差异并通过梯度反向传播更新NetT的网络参数；
(2)NetA(Cimage)对NetA(output)进行约束，上述约束即由损失函数计算其差异并通过梯度反向传播更新NetT的网络参数；
(3)通过对抗生成网络GAN训练判别器NetD，使NetD(Bimage)对NetD(output)进行约束，即让判别网络认为生成结果output是一张高颜值用户图像。
2.根据权利要求1所述的一种美颜神经网络训练方法，其特征在于：所述步骤S1中的人脸五官属性分类网络NetA的训练方法为向网络输入一张图像，输出N个判断标签，将判断标签与真实标签计算损失残差，通过梯度回传训练网络权重。
3.根据权利要求1所述的一种美颜神经网络训练方法，其特征在于：所述步骤S2中的人脸五官语义分割网络NetS的训练方法为网络输入一张图像，输出一张语义分割mask，将输出的语义分割mask与真实的语义标签计算交叉熵，通过梯度回传训练网络权重。
4.根据权利要求1所述的一种美颜神经网络训练方法，其特征在于：所述步骤S3中的NetCe和NetCd的训练方法为向网络输入一张普通用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
5.根据权利要求1所述的一种美颜神经网络训练方法，其特征在于：所述步骤S4中的NetBe和NetBd的训练方法为向网络输入一张高颜值用户人脸图像，网络输出一张图像，通过输出图像与输入图像计算重建损失残差，通过梯度回传训练网络权重。
6.一种美颜神经网络训练装置，其特征在于：其包括：
训练单元，用于训练人脸五官属性分类网络NetA、人脸五官语义分割网络NetS、普通用户人脸自编码网络，包括NetCe和NetCd、高颜值用户人脸自编码网络，包括NetBe和NetBd和隐空间编码转换网络NetT；所述人脸五官属性分类网络NetA用于区分用户五官属性，所述人脸五官语义分割网络NetS用于给出不同五官在图像中的具体位置和形状，所述NetCe为编码器，用于将普通用户人脸图像Cimage转换成隐空间编码Ccode，所述NetCd为解码器，用于将Ccode还原为普通用户人脸图像Cimage，所述NetBe用于将高颜值用户人脸图像Bimage转换成隐空间编码Bcode，所述NetBd用于将Bcode还原为高颜值用户人脸图像；
图像获取单元，用于获取高颜值用户人脸图像Bimage和普通用户人脸图像Cimage；
约束单元，用于对输出图像output进行约束，包括：(1)NetS(Cimage)对NetS(output)约束，上述约束即由损失函数计算其差异并通过梯度反向传播更新NetT的网络参数；(2)NetA(Cimage)对NetA(output)约束，上述约束即由损失函数计算其差异并通过梯度反向传播更新NetT的网络参数；(3)通过对抗生成网络GAN训练判别器NetD，使NetD(Bimage)对NetD(output)约束，即让判别网络认为生成结果output是一张高颜值用户图像。
7.一种美颜神经网络训练设备，其特征在于：其包括：处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1至5任意一项所述的美颜神经网络训练方法。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任意一项所述的美颜神经网络训练方法。
CN202010825307.0A 2020-08-17 2020-08-17 一种美颜神经网络训练方法、装置、设备和存储介质 Active CN111985642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010825307.0A CN111985642B (zh) 2020-08-17 2020-08-17 一种美颜神经网络训练方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010825307.0A CN111985642B (zh) 2020-08-17 2020-08-17 一种美颜神经网络训练方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111985642A CN111985642A (zh) 2020-11-24
CN111985642B true CN111985642B (zh) 2023-11-14

Family

ID=73434017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010825307.0A Active CN111985642B (zh) 2020-08-17 2020-08-17 一种美颜神经网络训练方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111985642B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776983A (zh) * 2018-05-31 2018-11-09 北京市商汤科技开发有限公司 基于重建网络的人脸重建方法和装置、设备、介质、产品
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
GB201906027D0 (en) * 2019-04-30 2019-06-12 Facesoft Ltd Facial localisation in images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776983A (zh) * 2018-05-31 2018-11-09 北京市商汤科技开发有限公司 基于重建网络的人脸重建方法和装置、设备、介质、产品
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
GB201906027D0 (en) * 2019-04-30 2019-06-12 Facesoft Ltd Facial localisation in images

Also Published As

Publication number Publication date
CN111985642A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN109166130B (zh) 一种图像处理方法及图像处理装置
Fan et al. Stacked latent attention for multimodal reasoning
CN109147890A (zh) 一种医学报告的生成方法及设备
Casamitjana et al. 3d convolutional networks for brain tumor segmentation
CN110728628A (zh) 一种基于条件生成对抗网络的人脸去遮挡方法
CN109657554A (zh) 一种基于微表情的图像识别方法、装置以及相关设备
CN108665408A (zh) 肤色调整方法、装置和电子设备
CN110781976B (zh) 训练图像的扩充方法、训练方法及相关装置
CN109902672A (zh) 图像标注方法及装置、存储介质、计算机设备
CN111292262B (zh) 图像处理方法、装置、电子设备以及存储介质
CN112149651B (zh) 一种基于深度学习的人脸表情识别方法、装置及设备
CN111695462A (zh) 一种人脸识别方法、装置、存储介质和服务器
CN111383232A (zh) 抠图方法、装置、终端设备及计算机可读存储介质
CN108734126B (zh) 一种美颜方法、美颜装置及终端设备
WO2024109374A1 (zh) 换脸模型的训练方法、装置、设备、存储介质和程序产品
CN110378203A (zh) 图像处理方法、装置、终端及存储介质
CN110245621A (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
WO2022259076A1 (en) Method for producing an image of expected results of medical cosmetic treatments on a human anatomical feature from an image of the anatomical feature prior to these medical cosmetic treatments
CN109242760A (zh) 人脸图像的处理方法、装置和电子设备
CN115914505A (zh) 基于语音驱动数字人模型的视频生成方法及系统
CN113327191A (zh) 人脸图像合成方法及装置
CN112862672B (zh) 刘海生成方法、装置、计算机设备和存储介质
CN111985642B (zh) 一种美颜神经网络训练方法、装置、设备和存储介质
JP7479507B2 (ja) 画像処理方法及び装置、コンピューター機器、並びにコンピュータープログラム
CN113160041B (zh) 一种模型训练方法及模型训练装置

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