CN112862933B - 用于优化模型的方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了用于优化模型的方法、装置、设备以及存储介质，涉及增强现实、深度学习、动画技术领域。具体实现方案为：获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标；生成针对目标骨骼求解模型的多个参数向量；基于各参数向量，多次执行以下迭代操作：基于各参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数；基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值；基于各损失函数值，对目标骨骼求解模型的参数向量进行优化。本实现方式能够提供一种轻量化模型，提高计算效率。

Description

用于优化模型的方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及增强现实、深度学习、动画技术领域，尤其涉及用于优化模型的方法、装置、设备以及存储介质。

背景技术

随着技术的不断发展，增强现实技术应运而生，可以通过驱动虚拟形象来模拟真实形象的表情或姿态等，增加了用户的使用乐趣。典型的技术为Photo-To-Avatar，为基于用户图片生成个性化三维动画形象。现有的Photo-To-Avatar技术从在大量数据冗余，导致实际应用中存在网络流量过大，难以在移动端部署等问题。出于轻量化的目的，需要利用蒙皮骨骼模型实现模型变形。

发明内容

提供了一种用于优化模型的方法、装置、设备以及存储介质。

根据第一方面，提供了一种用于优化模型的方法，包括：获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标；生成针对目标骨骼求解模型的多个参数向量；基于各参数向量，多次执行以下迭代操作：对于每个参数向量，基于该参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数；基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值；基于各损失函数值，对目标骨骼求解模型的参数向量进行优化。

根据第二方面，提供了一种用于优化模型的装置，包括：坐标获取单元，被配置成获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标；向量生成单元，被配置成生成针对目标骨骼求解模型的多个参数向量；基于各参数向量，多次执行迭代操作的以下单元：系数确定单元，被配置成对于每个参数向量，基于该参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数；损失值确定单元，被配置成基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值；参数优化单元，被配置成基于各损失函数值，对目标骨骼求解模型的参数向量进行优化。

根据第三方面，提供了一种用于优化模型的电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。

根据本申请的技术提供了一种模型优化方法，通过对模型参数的优化，从而能够提供一种轻量化模型，提高计算效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于优化模型的方法的一个实施例的流程图；

图3是根据本申请的用于优化模型的方法的一个应用场景的示意图；

图4是根据本申请的用于优化模型的方法的另一个实施例的流程图；

图5是根据本申请的用于优化模型的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于优化模型的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的用于优化模型的方法或用于优化模型的装置的实施例的示例性系统架构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。

用户可以使用终端设备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，例如动画编辑类应用、动画浏览类应用等。

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)，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，例如对终端设备101、102、103上提供生成动画所需的支持的后台服务器。后台服务器可以对骨骼求解模型的参数进行优化，并将优化后的骨骼求解模型反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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)，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，本申请实施例所提供的用于优化模型的方法一般由服务器105执行。相应地，用于优化模型的装置一般设置于服务器105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，示出了根据本申请的用于优化模型的方法的一个实施例的流程200。本实施例的用于优化模型的方法，包括以下步骤：

步骤201，获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标。

技术人员在在构建虚拟形象时，通过需要蒙皮骨骼模型设计模型结构。这里的虚拟形象可以包括基于虚拟人物、虚拟动物或虚拟职务等所构建的卡通形象。每个模型结构可以唯一表征对应的虚拟形象。蒙皮骨骼模型可以包括骨骼(bone)节点和蒙皮(skinnedmesh)两部分。其中，各骨骼节点可以根据节点之间的关联关系构建骨骼节点数，便于进行骨骼节点的查找或使用。蒙皮中包括至少一个蒙皮顶点，附着在骨骼上，每个蒙皮顶点可以被多个骨骼节点所控制，每个骨骼节点也可以控制多个蒙皮顶点。

可以通过蒙皮骨骼模型对各骨骼节点进行驱动，通过骨骼节点的骨骼驱动系数变换得到蒙皮顶点的坐标，进而得到虚拟形象的不同变换形象。骨骼驱动系数可以包括旋转(Rotation)、平移(Translate)和缩放(Scale)等变换中的至少一种。因此，骨骼驱动系数可以简写为TRS，分别以xyz的3轴平移值，3个欧拉角旋转值、3个缩放值共9个数值表示。骨骼驱动系数可以转换成局部位姿矩阵，局部位姿矩阵可根据父骨骼节点计算成为全局位姿矩阵。局部位姿矩阵可以表示一个三维状态，骨骼驱动系数与局部位姿矩阵可以互相无损转换。三维状态可以通过变换矩阵变换到另外一个三维状态。

本实施例中，用于优化模型的方法的执行主体可以首先获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的坐标。具体的，执行主体可以从蒙皮骨骼模型中获取各蒙皮顶点的坐标。

步骤202，生成针对目标骨骼求解模型的多个参数向量。

执行主体还可以获取目标骨骼求解模型。这里，执行主体可以获取到至少一个目标骨骼求解模型，即可以优化一个骨骼求解模型的参数，也可以同时优化多个骨骼求解模型的参数。这里，目标骨骼求解模型是指实现由蒙皮顶点坐标到骨骼节点的骨骼驱动系数的计算过程的算法，即目标骨骼求解模型用于标识蒙皮顶点坐标与骨骼驱动系数之间的对应关系。目标骨骼求解模型可以包括多个参数，这些参数以向量形式表示。这些参数可以包括如迭代变换步长、变换深度权重、父级回传系数、过滤蒙皮阈值、顶点误差系数等等。通过将蒙皮顶点坐标输入至目标骨骼求解模型中，可以得到骨骼驱动系数。执行主体在生成这些参数时，可以随机生成，也可以由技术人员给定的先验知识生成。

执行主体在生成多个参数向量后，可以多次执行步骤203～205的迭代操作：

步骤203，基于各参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数。

执行主体可以将每个参数向量加载至目标骨骼求解模型中，并运行上述目标骨骼求解模型。然后，将各蒙皮顶点的坐标输入上述目标骨骼求解模型中，得到控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数。

步骤204，基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值。

执行主体可以基于上述各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值。具体的，执行主体可以将每个骨骼驱动系数代入用于损失函数中，得到每个骨骼驱动系数对应的损失函数值。

步骤205，基于各损失函数值，对目标骨骼求解模型的参数向量进行优化。

执行主体在得到损失函数值后，可以对目标骨骼求解模型的参数向量进行优化。由于每个参数向量对应一个骨骼驱动系数，每个骨骼驱动系数对应一个损失函数值，则参数向量与损失函数值之间也存在对应关系。具体的，执行主体可以将损失函数值对应的参数向量作为本次优化的最优向量，进行下一次的迭代。或者，执行主体可以基于损失函数值对应的参数向量再次生成多个参数向量，进行下一次的迭代。这样，可以保证下次迭代时的是向量继承了优化参数，提高准确度。

继续参见图3，其示出了根据本申请的用于优化模型的方法的一个应用场景的示意图。在图3的应用场景中，服务器301从终端302显示的虚拟形象的蒙皮骨骼模型中，获取虚拟形象的各蒙皮顶点的坐标。然后随机生成目标骨骼求解模型的多个参数向量。将每个参数向量加载至目标骨骼求解模型中，运行上述目标骨骼求解模型。然后，将各蒙皮顶点的坐标输入上述目标骨骼求解模型中，得到骨骼节点的骨骼驱动系数。将骨骼驱动系数代入损失函数中，计算该骨骼驱动系数对应的损失函数值。将损失函数值对应的参数向量作为待继承参数向量，用于生成下次迭代的多个参数向量，进行下次优化，最终得到目标骨骼求解模型的优化参数向量。

在一些具体的应用中，服务器还可以对外提供接口，用于打包输出上述优化参数向量，以供其它电子设备调用。

本申请的上述实施例提供的用于优化模型的方法，可以通过对骨骼求解模型的参数进行优化，提高骨骼求解模型的准确率，实现模型的轻量化。

继续参见图4，其示出了根据本申请的用于优化模型的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：

步骤401，获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标。

步骤402，根据参数的取值范围以及参数之间的先验约束条件，生成多个参数向量。

在本实施例中，在首次迭代之前，执行主体可以根据参数的取值范围以及参数之间的先验约束条件，生成多个参数向量。上述取值范围可以归一化在[0,1]之间。上述先验约束条件可以包括有些参数求和为1最恰当，有些参数随迭代递增效果更好。举例来说，为了便于对不同骨骼节点对同一蒙皮顶点的控制程度加以区分，在蒙皮骨骼模型构建时，还需要设置不同骨骼节点对所控制蒙皮顶点的蒙皮权重。可以理解的是，对同一蒙皮顶点具备控制作用的各骨骼节点对应的蒙皮权重的和为1。执行主体可以在上述范围内随机波动生成上述各参数。

基于各参数向量，多次执行步骤403～步骤406的迭代操作：

步骤403，基于各参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数。

步骤404，对于每个骨骼驱动系数，根据各骨骼节点的骨骼驱动系数以及蒙皮骨骼模型，确定各蒙皮顶点的第一坐标；根据各第一坐标以及拓扑面片模型，确定与各蒙皮顶点位于同一拓扑面片中的各顶点的第二坐标；根据各第一坐标、各第二坐标以及预设的损失函数，确定该骨骼驱动系数对应的损失函数值。

本实施例中，执行主体可以将各骨骼节点的骨骼驱动系数以及蒙皮骨骼模型，确定各蒙皮顶点的第一坐标。具体的，执行主体可以首先将骨骼驱动系数转换为骨骼节点的全局位姿矩阵。然后，将上述全局位姿矩阵输入上述蒙皮骨骼模型中，得到各蒙皮顶点的第一坐标。蒙皮骨骼模型的原理可以为：骨骼节点的骨骼驱动系数→骨骼节点的局部位姿矩阵→骨骼节点的全局位姿矩阵→骨骼节点的全局变换矩阵→蒙皮顶点的第一坐标。其中，骨骼节点j的骨骼驱动系数可以记为localTRS_(j)。首先，将骨骼驱动系数变换为局部位姿矩阵，记为matTRS_(j)。需要说明的是，骨骼驱动系数与局部位姿矩阵之间的变换可以通过现有技术得到。然后，可以计算骨骼节点j的全局位姿矩阵，记为currentNode_(j)Global。如果骨骼节点j为根节点，则currentNode_(j)Global＝matTRS_(j)。如果骨骼节点j不是为根节点，则currentNode_(j)Global＝parentNode_(j)Global*matTRS_(j)。

在制作蒙皮骨骼模型时，骨骼节点j的全局位姿矩阵可以记为initNode_jGlobal。其余时候，骨骼节点j的全局位姿矩阵，记为currentNode_(j)Global。则骨骼节点j的全局变换矩阵Derform_j＝currentNode_(j)Global*initNode_jGlobal^-1。

蒙皮顶点的第一坐标为VertexA_i’＝∑α_(i,j)*Derform_j*VertexA_i。其中，VertexA_i为蒙皮顶点的初始坐标。

执行主体在得到蒙皮顶点的第一坐标后，可以根据各第一坐标以及拓扑面片模型，确定与各蒙皮顶点位于同一拓扑面片中的各蒙皮顶点的第二坐标。这里，拓扑面片模型可以为三角面片模型，其广泛应用于可视化应用中。具体的，执行主体可以执行上述骨骼驱动系数到第一坐标的逆运算，得到蒙皮顶点的第二坐标，记为VertexB_i。

执行主体可以将各第一坐标和各第二坐标，代入预设的损失函数中，得到损失函数值。上述损失函数可以为：

其中，n为蒙皮顶点的个数，VertexA_i’为蒙皮顶点的第一坐标，VertexB_i为蒙皮顶点的第二坐标。

步骤405，根据各损失值，从各参数向量中确定出目标参数向量；基于目标参数向量，对目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量；根据优化方向以及所述中间向量，确定优化向量。

执行主体在得到各损失函数值后，可以从各参数向量中确定出目标参数向量。具体的，执行主体可以将各损失函数值中的最小值对应的参数向量作为目标参数向量。或者，将小于预设阈值的损失函数值对应的参数向量作为目标参数向量。

然后，执行主体可以基于上述目标参数向量，对目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量。具体的，执行主体可以通过梯度下降法，确定损失函数值下降最快的方向作为优化方向。还可以根据目标参数向量，生成中间向量。例如，通过目标参数向量，生成中间向量的一部分参数。

最后，执行主体可以根据上述优化方向以及中间向量，确定优化向量。具体的，执行主体可以将上述优化方向增加到中间向量中，得到优化向量。

在本实施例的一些可选的实现方式中，上述步骤405具体可以通过图4中未示出的以下步骤来实现：根据目标参数向量、参数的取值范围以及参数之间的先验约束条件，对目标骨骼求解模型的参数向量进行优化，得到中间向量；根据参数向量与损失函数值之间的对应关系，确定优化方向。

本实现方式中，执行主体可以据目标参数向量、参数的取值范围以及参数之间的先验约束条件，对目标骨骼求解模型的参数向量进行优化，得到中间向量。具体的，执行主体可以根据目标参数向量，生成中间向量中的一部分参数，在取值范围内随机生成一部分参数，根据参数之间的先验约束条件生成另一部分参数。

执行主体还可以建立参数向量与损失函数值之间的多元函数，使用海森矩阵和牛顿迭代法确定优化方向。

在本实施例的一些可选的实现方式中，上述步骤405具体可以通过图4中未示出的以下步骤来实现：根据目标参数向量，生成中间向量的第一预设比例的参数；根据取值范围，生成中间向量的第二预设比例的参数；根据参数之间的先验约束条件，生成中间向量的第三预设比例的参数。

本实现方式中，执行主体可以据目标参数向量生成中间向量的30％的参数。剩余的70％的参数中，其中的30％，在取值范围内随机生成；其中的40％可以根据参数之间的先验约束条件生成；最后的30％可以根据目标参数向量中5％的参数进行随机步长t的波动生成。t的值可以根据实际应用场景进行设定。可以理解的是，上述第一预设比例、第二预设比例和第三预设比例可以根据实际应用场景进行设定。

在本实施例的一些可选的实现方式中，上述步骤405具体可以通过图4中未示出的以下步骤来实现：基于优化方向，确定中间向量的增量；根据增量以及中间向量，确定优化向量。

本实现方式中，执行主体可以基于优化方向，确定中间向量的增量。具体的，如果目标骨骼求解模型的数量为1，则直接将优化方向的数值作为中间向量的增量。如果目标骨骼求解模型的数量为多个，则将各模型的优化方向计算均值，并将均值作为中间向量的增量。然后，执行主体可以将上述增量增加到中间向量中，得到优化向量。举例来说，目标参数向量在[10,5,6,3]，在模型1上求得的优化方向为[0.1,-0.1,0.2,0.5]，在模型2上求求得的优化方向为[0.3,0.1,-0.2,0.1]。那么本次迭代后最优参数向量是[10+(0.1+0.3)/2,5+(-0.1+0.1)/2,6+(0.2-0.2)/2,3+(0.5+0.1)/2]，即[10.2,5,6,3.3]。

在一些具体的应用中，执行主体可以在多次对参数向量优化后，再基于优化方向，确定中间向量的增量；根据增量以及中间向量，确定优化向量。

在本实施例的一些可选的实现方式中，如果迭代停止条件满足，则停止迭代。

本申请的上述实施例提供的用于优化模型的方法，可以通过目标骨骼求解模型得到的骨骼节点的骨骼驱动系数，计算各蒙皮顶点的第一坐标以及同拓扑的蒙皮顶点的第二坐标，使得第一坐标与第二坐标相近，从而实现目标骨骼求解模型的准确度提高。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于优化模型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，本实施例的用于优化模型装置500包括：坐标获取单元501、向量生成单元502、系数确定单元503、损失值确定单元504和参数优化单元505。

坐标获取单元501，被配置成获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标。

向量生成单元502，被配置成生成针对目标骨骼求解模型的多个参数向量。

以及基于向量生成单元502生成的各参数向量，多次执行迭代操作的以下单元：

系数确定单元503，被配置成基于各参数向量、目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数。

损失值确定单元504，被配置成基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值。

参数优化单元505，被配置成基于各损失函数值，对目标骨骼求解模型的参数向量进行优化。

在本实施例的一些可选的实现方式中，向量生成单元502可以进一步被配置成：根据参数的取值范围以及参数之间的先验约束条件，生成多个参数向量。

在本实施例的一些可选的实现方式中，损失值确定单元504可以进一步被配置成：对于每个骨骼驱动系数，根据各骨骼节点的骨骼驱动系数以及蒙皮骨骼模型，确定各蒙皮顶点的第一坐标；根据各第一坐标以及拓扑面片模型，确定与各蒙皮顶点位于同一拓扑面片中的各蒙皮顶点的第二坐标；根据各第一坐标、各第二坐标以及预设的损失函数，确定该骨骼驱动系数对应的损失函数值。

在本实施例的一些可选的实现方式中，参数优化单元505可以进一步被配置成：根据各损失函数值，从各参数向量中确定出目标参数向量；基于目标参数向量，对目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量；根据优化方向以及中间向量，确定优化向量。

在本实施例的一些可选的实现方式中，参数优化单元505可以进一步被配置成：根据目标参数向量、参数的取值范围以及参数之间的先验约束条件，对目标骨骼求解模型的参数向量进行优化，得到中间向量；根据参数向量与损失函数值之间的对应关系，确定优化方向。

在本实施例的一些可选的实现方式中，参数优化单元505可以进一步被配置成：根据目标参数向量，生成中间向量的第一预设比例的参数；根据取值范围，生成中间向量的第二预设比例的参数；根据参数之间的先验约束条件，生成中间向量的第三预设比例的参数。

在本实施例的一些可选的实现方式中，参数优化单元505可以进一步被配置成：基于优化方向，确定中间向量的增量；根据增量以及中间向量，确定优化向量。

应当理解，用于优化模型的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于优化模型的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了根据本申请实施例的执行用于优化模型的方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储器608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理，例如用于优化模型的方法。例如，在一些实施例中，用于优化模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由处理器601执行时，可以执行上文描述的用于优化模型的方法的一个或多个步骤。备选地，在其他实施例中，处理器601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于优化模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器601执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于优化模型的方法，包括：

获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标；

生成针对目标骨骼求解模型的多个参数向量；

基于各参数向量，多次执行以下迭代操作：

基于各参数向量、所述目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数；

基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值，包括：对于每个骨骼驱动系数，根据各骨骼节点的骨骼驱动系数以及所述蒙皮骨骼模型，确定各蒙皮顶点的第一坐标；根据各第一坐标以及拓扑面片模型，确定与各蒙皮顶点位于同一拓扑面片中的各蒙皮顶点的第二坐标；以及根据各第一坐标、各第二坐标以及预设的损失函数，确定该骨骼驱动系数对应的损失函数值；

基于各损失函数值，对所述目标骨骼求解模型的参数向量进行优化，包括：根据各损失函数值，从各参数向量中确定出目标参数向量；基于所述目标参数向量，对所述目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量；以及根据所述优化方向以及所述中间向量，确定优化向量；

其中，基于所述目标参数向量，对所述目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量，包括：根据所述目标参数向量、参数的取值范围以及参数之间的先验约束条件，对所述目标骨骼求解模型的参数向量进行优化，得到中间向量；根据参数向量与损失函数值之间的对应关系，确定优化方向。

2.根据权利要求1所述的方法，其中，所述生成针对目标骨骼求解模型的多个参数向量，包括：

根据参数的取值范围以及参数之间的先验约束条件，生成多个参数向量。

3.根据权利要求1所述的方法，其中，所述根据所述目标参数向量、参数的取值范围以及参数之间的先验约束条件，对所述目标骨骼求解模型的参数向量进行优化，得到中间向量，包括：

根据所述目标参数向量，生成中间向量的第一预设比例的参数；

根据所述取值范围，生成中间向量的第二预设比例的参数；

根据所述参数之间的先验约束条件，生成中间向量的第三预设比例的参数。

4.根据权利要求1所述的方法，其中，所述根据所述优化方向以及所述中间向量，确定优化向量，包括：

基于所述优化方向，确定所述中间向量的增量；

根据所述增量以及所述中间向量，确定优化向量。

5.一种用于优化模型的装置，包括：

坐标获取单元，被配置成获取虚拟形象的蒙皮骨骼模型中各蒙皮顶点的初始坐标；

向量生成单元，被配置成生成针对目标骨骼求解模型的多个参数向量；

基于各参数向量，多次执行迭代操作的以下单元：

系数确定单元，被配置成对于每个参数向量，基于该参数向量、所述目标骨骼求解模型以及各蒙皮顶点的初始坐标，确定控制各蒙皮顶点的多个骨骼节点的骨骼驱动系数；

损失值确定单元，被配置成基于各骨骼驱动系数以及预设的损失函数，确定各骨骼驱动系数对应的损失函数值；

参数优化单元，被配置成基于各损失函数值，对所述目标骨骼求解模型的参数向量进行优化；

所述损失值确定单元进一步被配置成：对于每个骨骼驱动系数，根据各骨骼节点的骨骼驱动系数以及所述蒙皮骨骼模型，确定各蒙皮顶点的第一坐标；根据各第一坐标以及拓扑面片模型，确定与各蒙皮顶点位于同一拓扑面片中的各蒙皮顶点的第二坐标；以及根据各第一坐标、各第二坐标以及预设的损失函数，确定该骨骼驱动系数对应的损失函数值；

所述参数优化单元进一步被配置成：根据各损失函数值，从各参数向量中确定出目标参数向量；基于所述目标参数向量，对所述目标骨骼求解模型的参数向量进行优化，确定优化方向以及中间向量；根据所述优化方向以及所述中间向量，确定优化向量；

所述参数优化单元进一步被配置成：根据所述目标参数向量、参数的取值范围以及参数之间的先验约束条件，对所述目标骨骼求解模型的参数向量进行优化，得到中间向量；根据参数向量与损失函数值之间的对应关系，确定优化方向。

6.根据权利要求5所述的装置，其中，所述向量生成单元进一步被配置成：

根据参数的取值范围以及参数之间的先验约束条件，生成多个参数向量。

7.根据权利要求5所述的装置，其中，所述参数优化单元进一步被配置成：

根据所述目标参数向量，生成中间向量的第一预设比例的参数；

根据所述取值范围，生成中间向量的第二预设比例的参数；

根据所述参数之间的先验约束条件，生成中间向量的第三预设比例的参数。

8.根据权利要求5所述的装置，其中，所述参数优化单元进一步被配置成：

基于所述优化方向，确定所述中间向量的增量；

根据所述增量以及所述中间向量，确定优化向量。

9.一种执行用于优化模型的方法的电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。

Images