CN112884889B - 模型训练、人头重建方法，装置，设备以及存储介质 - Google Patents

Abstract

本公开提供了模型训练、人头重建方法，装置，设备以及存储介质，涉及图像处理领域，具体涉及计算机视觉、增强现实、深度学习技术领域。具体实现方案为：获取对预先制作的人头模型进行展开得到的展开纹理图像；获取多张样本二维人脸图像；根据多张样本二维人脸图像以及展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像；将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。本实现方式可以生成整头的纹理图像，从而使得人头模型更真实。

Description

模型训练、人头重建方法，装置，设备以及存储介质

技术领域

本公开涉及图像处理领域，具体涉及计算机视觉、增强现实、深度学习技术领域，尤其涉及模型训练、人头重建方法，装置，设备以及存储介质。

背景技术

通过二维人脸图重建三维人脸是目前成本最低的三维重建方式，越来越多的研究人员使用这一方法进行人物真实效果重建工作。但是单张二维人脸图只能表现出前脸区域信息，并没有人头完整信息，缺失了人头两侧、后侧、顶部的信息。所以很多开源算法仅仅能提供人的前脸重建效果，并不是整头的重建。

发明内容

提供了一种模型训练、人头重建方法，装置，设备以及存储介质。

根据第一方面，提供了一种模型训练方法，包括：获取对预先制作的人头模型进行展开得到的展开纹理图像；获取多张样本二维人脸图像；根据多张样本二维人脸图像以及展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像；将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。

根据第二方面，提供了一种人头重建方法，包括：获取目标二维人脸图像；获取与目标二维人脸图像对应的白模三维人头模型；基于目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，整头纹理图像生成模型通过如第一方面所描述的模型训练方法训练得到；根据目标整头纹理图像以及白模三维人头模型，确定目标三维人头模型。

根据第三方面，提供了一种模型训练装置，包括：第一获取单元，被配置成获取对预先制作的人头模型进行展开得到的展开纹理图像；第二获取单元，被配置成获取多张样本二维人脸图像；图像处理单元，被配置成根据多张样本二维人脸图像以及展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像；模型训练单元，被配置成将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。

根据第四方面，提供了一种人头重建装置，包括：第三获取单元，被配置成获取目标二维人脸图像；第四获取单元，被配置成获取与目标二维人脸图像对应的白模三维人头模型；图像生成单元，被配置成基于目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，整头纹理图像生成模型通过如第一方面所描述的模型训练方法训练得到；人头重建单元，被配置成根据目标整头纹理图像以及白模三维人头模型，确定目标三维人头模型。

根据第五方面，提供了一种执行模型训练方法的电子设备，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。

根据第六方面，提供了一种执行人头重建方法的电子设备，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二方面所描述的方法。

根据第七方面，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或如第二方面所描述的方法。

根据第八方面，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或如第二方面所描述的方法。

根据本公开的技术可以生成整头的纹理图像，从而使得人头模型更真实。

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，不构成对本公开的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的模型训练方法的一个实施例的流程图；

图3是图2所示实施例中各人脸图像的示意图；

图4是根据本公开的人头重建方法的一个实施例的流程图；

图5是根据本公开的人头重建方法的另一个实施例的流程图；

图6是根据本公开的模型训练方法、人头重建方法的一个应用场景的示意图；

图7是根据本公开的模型训练装置的一个实施例的结构示意图；

图8是根据本公开的人头重建装置的一个实施例的结构示意图；

图9是用来实现本公开实施例的模型训练方法、人头重建方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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，本公开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公开。

图1示出了可以应用本公开的模型训练方法、人头重建方法或模型训练装置、人头重建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，例如接收整头纹理图像生成模型等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、社交平台类应用等。用户可以通过图像处理类应用以及从服务器105处接收的整头纹理图像生成模型对二维人脸图像进行三维重建，得到三维人头模型。

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、电子书阅读器、车载电脑、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上提供整头纹理图像生成模型的后台服务器。后台服务器可以利用训练样本对初始整头纹理图像生成模型进行训练，得到训练好的整头纹理图像生成模型，并将目标语言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，本公开实施例所提供的模型训练方法一般由服务器105执行，本公开实施例所提供的人头重建方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，模型训练装置一般设置于服务器105中，人头重建装置可以设置于终端设备101、102、103中，也可以设置于服务器105。

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，示出了根据本公开的模型训练方法的一个实施例的流程200。本实施例的模型训练方法，包括以下步骤：

步骤201，获取对预先制作的人头模型进行展开得到的展开纹理图像。

本实施例中，模型训练方法的执行主体(例如图1所示的服务器105)可以首先获取预先制作的人头模型。上述人头模型可以是技术人员根据实际应用场景手动制作，并储存在云端或其它可获取的电子设备处。或者，上述人头模型是其它电子设备根据大量的人脸图像进行三维重建得到的。上述人头模型可以包括纹理，执行主体可以对上述人头模型进行展开，得到展开纹理图像。需要说明的是，本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。

步骤202，获取多张样本二维人脸图像。

执行主体还可以获取多张样本二维人脸图像。需要说明的是，本实施例中的二维人脸图像可以来自于公开数据集，或者二维人脸图像的获取是经过了人脸图像对应的用户的授权。上述样本二维人脸图像中可以包括人脸的信息，例如包括五官、额头、下巴等信息。

步骤203，根据多张样本二维人脸图像以及展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像。

执行主体在获取到多张样本二维人脸图像以及展开纹理图像后，可以通过多种方式确定各样本二维人脸图像对应的整头纹理图像。例如，执行主体可以将各样本二维人脸图像置入展开纹理图像的前脸区域，得到对应的整头纹理图像。或者，执行主体可以分别提取各样本二维人脸图像的特征信息以及展开纹理图像的特征信息。然后，将二者的特征信息进行匹配，根据匹配结果将各样本二维人脸图像与展开纹理图像进行融合，得到对应的整头纹理图像。又或者，根据样本二维人脸图像中的各像素的深度信息以及展开纹理图像的各像素的深度信息，将各样本二维人脸图像与展开纹理图像进行融合，得到对应的整头纹理图像。

执行主体可以将单个样本二维人脸图像与其对应的整头纹理图像作为一个训练样本，这样可以得到训练样本集合。执行主体还可以将上述训练样本集合存储在云端，以供后续使用。

结合图3进行理解，标号301所示的图像为样本二维人脸图像，标号302所示的图像为展开纹理图像，将样本二维人脸图像301和展开纹理图像302输入生成对抗网络GAN 303。生成对抗网络GAN 303的输出即为整头纹理图像304。

步骤204，将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。

执行主体可以利用各样本二维人脸图像以及对应的整头纹理图像训练模型。具体的，执行主体可以将将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。

在一些具体的应用中，上述整头纹理图像生成模型可以是各种深度学习算法，例如可以是生成对抗网络GAN。

本公开的上述实施例提供的模型训练方法，可以首先根据公开的样本二维人脸图像以及预先制作的人头模型，生成与各样本二维人脸图像对应的整头纹理图像。进一步利用各样本二维人脸图像以及对应的整头纹理图像对模型进行训练。一方面降低了训练样本的获取难度，另一方面使得得到的整头纹理图像生成模型生成的整头纹理图像更准确。

在本实施例的一些可选的实现方式中，上述步骤203具体可以通过图2中未示出的以下步骤来实现：将各样本二维人脸图像融合在展开纹理图像的人脸区域；对人脸区域进行边缘模糊处理，得到各样本二维人脸图像对应的整头纹理图像。

本实现方式中，执行主体可以首先确定展开纹理图像的人脸区域。上述人脸区域可以是技术人员根据经验对展开纹理图像进行划定后发送给执行主体的，也可以是执行主体根据展开纹理图像的特征确定出来的。执行主体可以将各样本二维人脸图像融合在上述人脸区域。为了避免人脸区域与展开纹理图像的其它部分的肤色差异，执行主体还可以对人脸区域进行边缘模糊处理，这样能够实现人脸区域与展开纹理图像的其它部分的过渡融合，提高真实性和美观性。

继续参见图4，其示出了根据本申请的人头重建方法的一个实施例的流程400。本实施例中所采用的整头纹理图像生成模型可以是通过图2所示实施例所描述的方法训练得到的。本实施例的执行主体可以与图2所示实施例的执行主体相同，也可以不同。当二者的执行主体不同时，图2所示实施例的执行主体在训练完成整头纹理图像生成模型后，可以将其通过各种方式提供给本实施例的执行主体。

如图4所示，本实施例的方法可以包括以下步骤：

步骤401，获取目标二维人脸图像。

本实施例中，人头重建方法的执行主体可以通过各种公开、合法合规的方式获取目标二维人脸图像，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。上述目标二维人脸图像中可以包括人脸的无关、额头、下巴等信息。

步骤402，获取与目标二维人脸图像对应的白模三维人头模型。

本实施例中，执行主体还可以获取与目标二维人脸图像对应的白模三维人头模型。白模三维人头模型是指没有纹理的三维人头模型。执行主体可以通过各种方式获取上述白模三维人头模型，例如，可以从预先存储上述白模三维人头模型的电子设备处获取。或者，可以对大量二维人脸图像进行三维重建得到上述白模三维人头模型。或者，对目标二维人脸图像进行三维重建得到上述白模三维人头模型。

步骤403，基于目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像。

执行主体可以进一步结合目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像。具体的，执行主体可以直接将目标二维人脸图像输入上述整头纹理图像生成模型，整头纹理图像生成模型的输出即为目标整头纹理图像。或者，执行主体可以首先对目标二维人脸图像进行一系列处理，然后将处理后的图像输入整头纹理图像生成模型。上述处理例如可以为对目标二维人脸图像进行扩展处理，得到的扩展图像的尺寸与人头模型的展开图像的尺寸相同。或者，对人脸图像进行去噪处理，或者平滑处理等等。

步骤404，根据目标整头纹理图像以及白模三维人头模型，确定目标三维人头模型。

执行主体在可以将得到的目标整头纹理图像与白模三维人头模型进行融合，得到目标三维人头模型。具体的，执行主体可以首先确定目标整头纹理图像中的各像素与白模三维人头模型的各像素的映射关系。然后，根据上述映射关系，将目标整头纹理图像的各像素的像素值赋给白模三维人头模型的各像素。然后对各像素构成的三角面片进行填充，得到目标三维人头模型。

本公开的上述实施例提供的人头重建方法，可以构建出与目标二维人脸图像对应的逼真三维人头，提高了人头模型的真实性。

继续参见图5，其示出了根据本公开的人头重建方法的另一个实施例的流程500。本实施例的方法可以包括以下步骤：

步骤501，获取目标二维人脸图像。

步骤502，获取与目标二维人脸图像对应的白模三维人头模型。

本实施例中，上述步骤502具体可以通过步骤5021或者步骤5021’来实现：

步骤5021，根据目标二维人脸图像，进行三维重建，得到白模三维人头模型。

本实施例中，执行主体可以利用现有的三维重建算法对目标二维人脸图像，进行三维重建，得到白模三维人头模型。这样，生成的白模三维人头模型具有针对性。需要说明的是，通过本步骤得到的白模三维人头模型包含了目标二维人脸图像指示的用户的人脸信息，但该白模三维人头模型的构建是在经用户授权后执行的，其构建过程符合相关法律法规。

步骤5021’，确定预先建立的通用白模三维人头模型为与目标二维人脸图像对应的白模三维人头模型。

本实施例中，执行主体还可以获取预先建立的通用白模三维人头模型。这里，通用白模三维人头模型可以是执行主体或者其它电子设备对大量二维人脸图像进行三维重建后得到的。具体的，执行主体可以分别对各二维人脸图像进行三维重建，得到多个三维人头模型。然后，对多个三维人头模型进行平均，得到通用白模三维人头模型。

步骤503，将目标二维人脸图像融合在白模三维人头模型的展开图像中的人脸区域，得到融合图像。

本实施例中，执行主体可以将上述白模三维人头模型进行展开，得到展开图像。然后，确定上述展开图像中的人脸区域。并将目标二维人脸图像融合在上述人脸区域中，得到融合图像。上述人脸区域可以是技术人员根据经验对展开纹理图像进行划定后发送给执行主体的，也可以是执行主体根据展开纹理图像的特征确定出来的。

步骤504，根据融合图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像。

执行主体可以将融合图像输入预先训练的整头纹理图像生成模型，得到目标整头纹理图像。

在本实施例的一些可选的实现方式中，执行主体在将融合图像输入预先训练的整头纹理图像生成模型后，可以对整头纹理图像生成模型输出的中间整头纹理图像进行进一步处理，以使得整头纹理图像的肤色过渡自然。具体的，执行主体可以对中间整头纹理图像的人脸区域进行边缘模糊处理，得到目标整头纹理图像。这里的边缘模糊处理可以是执行主体利用现有的模糊算法实现的。

步骤505，根据目标整头纹理图像以及白模三维人头模型，确定目标三维人头模型。

本公开的上述实施例提供的人头重建方法，所构建的人头模型整体肤色平滑，无明显分界线，肤色过渡自然，最大限度提高了三维头重建逼真度。

继续参见图6，其示出了根据本公开的模型训练方法、人头重建方法的一个应用场景的示意图。在图6的应用场景中，服务器601通过对大量样本二维人脸图像进行处理，得到与各样本二维人脸图像对应的整头纹理图像。然后，利用其训练初始对抗生成网络，将训练好的对抗生成网络发送给终端设备602。使用终端设备602的用户在动画制作时，首先获取了动画人物对应的二维人脸图像以及对应的白模三维人头模型。利用训练好的对抗生成网络对二维人脸图像进行处理，得到整头纹理图像。并将整头纹理图像融合到白模三维人头模型，得到动画人物的人头。

进一步参考图7，作为对图2所示方法的实现，本公开提供了一种模型训练装置的一个实施例，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7所示，本实施例的模型训练装置700包括：第一获取单元701、第二获取单元702、图像处理单元703和模型训练单元704。

第一获取单元701，被配置成获取对预先制作的人头模型进行展开得到展开纹理图像。

第二获取单元702，被配置成获取多张样本二维人脸图像。

图像处理单元703，被配置成根据多张样本二维人脸图像以及展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像。

模型训练单元704，被配置成将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型。

在本实施例的一些可选的实现方式中，图像处理单元703可以进一步被配置成：将各样本二维人脸图像融合在展开纹理图像的人脸区域；对人脸区域进行边缘模糊处理，得到各样本二维人脸图像对应的整头纹理图像。

应当理解，模型训练装置700中记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对模型训练方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。

进一步参考图8，作为对图4所示方法的实现，本公开提供了一种人头重建装置的一个实施例，该装置实施例与图4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8所示，本实施例的人头重建装置800包括：第三获取单元801、第四获取单元802、图像生成单元803和人头重建单元804。

第三获取单元801，被配置成获取目标二维人脸图像。

第四获取单元802，被配置成获取与目标二维人脸图像对应的白模三维人头模型。。

图像生成单元803，被配置成基于目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，整头纹理图像生成模型通过图2所示实施例所描述的模型训练方法训练得到。

人头重建单元804，被配置成根据目标整头纹理图像以及白模三维人头模型，确定目标三维人头模型。

在本实施例的一些可选的实现方式中，第四获取单元802可以进一步被配置成：根据目标二维人脸图像，进行三维重建，得到白模三维人头模型。

在本实施例的一些可选的实现方式中，第四获取单元802可以进一步被配置成：确定预先建立的通用白模三维人头模型为与目标二维人脸图像对应的白模三维人头模型。

在本实施例的一些可选的实现方式中，图像生成单元803可以进一步被配置成：将目标二维人脸图像融合在白模三维人头模型的展开图像中的人脸区域，得到融合图像；根据融合图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像。

在本实施例的一些可选的实现方式中，图像生成单元803可以进一步被配置成：将融合图像输入预先训练的整头纹理图像生成模型，得到中间整头纹理图像；对中间整头纹理图像的人脸区域进行边缘模糊处理，得到目标整头纹理图像。

应当理解，人头重建装置800中记载的单元801至单元804分别与参考图4中描述的方法中的各个步骤相对应。由此，上文针对人头重建方法描述的操作和特征同样适用于装置800及其中包含的单元，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开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9示出了根据本公开实施例的执行模型训练方法、人头重建方法的电子设备900的框图。电子设备900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900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，并且不意在限制本公开中描述的和/或者要求的本公开的实现。

如图9所示，电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储器908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。I/O接口(输入/输出接口)905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储器908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如模型训练方法、人头重建方法。例如，在一些实施例中，模型训练方法、人头重建方法可分别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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由处理器901执行时，可以执行上文描述的模型训练方法、人头重建方法的一个或多个步骤。备选地，在其他实施例中，处理器901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法、人头重建方法。

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。

用于实施本公开的模型训练方法、人头重建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901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。

在本公开的上下文中，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。服务器也可以是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，本公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开的保护范围之内。

Claims (16)

1.一种模型训练方法，包括：

获取对预先制作的人头模型进行展开得到的展开纹理图像；

获取多张样本二维人脸图像；

根据所述多张样本二维人脸图像以及所述展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像；

将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型；

所述根据所述多张样本二维人脸图像融合以及所述展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像，包括：

根据所述展开纹理图像的特征确定所述展开纹理图像的人脸区域；

将各样本二维人脸图像融合在所述展开纹理图像的人脸区域；

对人脸区域进行边缘模糊处理，得到各样本二维人脸图像对应的整头纹理图像。

2.一种人头重建方法，包括：

获取目标二维人脸图像；

获取与所述目标二维人脸图像对应的白模三维人头模型；

基于所述目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，所述整头纹理图像生成模型通过权利要求1所述的模型训练方法训练得到；

根据所述目标整头纹理图像以及所述白模三维人头模型，确定目标三维人头模型。

3.根据权利要求2所述的方法，其中，所述获取与所述目标二维人脸图像对应的白模三维人头模型，包括：

根据所述目标二维人脸图像，进行三维重建，得到所述白模三维人头模型。

4.根据权利要求2所述的方法，其中，所述获取与所述目标二维人脸图像对应的白模三维人头模型，包括：

确定预先建立的通用白模三维人头模型为与所述目标二维人脸图像对应的白模三维人头模型。

5.根据权利要求2所述的方法，其中，所述基于所述目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，包括：

将所述目标二维人脸图像融合在所述白模三维人头模型的展开图像中的人脸区域，得到融合图像；

根据所述融合图像以及所述预先训练的整头纹理图像生成模型，确定目标整头纹理图像。

6.根据权利要求5所述的方法，其中，所述根据所述融合图像以及所述预先训练的整头纹理图像生成模型，确定目标整头纹理图像，包括：

将所述融合图像输入所述预先训练的整头纹理图像生成模型，得到中间整头纹理图像；

对所述中间整头纹理图像的人脸区域进行边缘模糊处理，得到所述目标整头纹理图像。

7.一种模型训练装置，包括：

第一获取单元，被配置成获取对预先制作的人头模型进行展开得到的展开纹理图像；

第二获取单元，被配置成获取多张样本二维人脸图像；

图像处理单元，被配置成根据所述多张样本二维人脸图像以及所述展开纹理图像，确定各样本二维人脸图像对应的整头纹理图像；

模型训练单元，被配置成将各样本二维人脸图像作为输入，将与所输入的样本二维人脸图像对应的整头纹理图像作为期望输出，训练得到整头纹理图像生成模型；

所述图像处理单元进一步被配置成：

根据所述展开纹理图像的特征确定所述展开纹理图像的人脸区域；

将各样本二维人脸图像融合在所述展开纹理图像的人脸区域；

对人脸区域进行边缘模糊处理，得到各样本二维人脸图像对应的整头纹理图像。

8.一种人头重建装置，包括：

第三获取单元，被配置成获取目标二维人脸图像；

第四获取单元，被配置成获取与所述目标二维人脸图像对应的白模三维人头模型；

图像生成单元，被配置成基于所述目标二维人脸图像以及预先训练的整头纹理图像生成模型，确定目标整头纹理图像，所述整头纹理图像生成模型通过权利要求1所述的模型训练方法训练得到；

人头重建单元，被配置成根据所述目标整头纹理图像以及所述白模三维人头模型，确定目标三维人头模型。

9.根据权利要求8所述的装置，其中，所述第四获取单元进一步被配置成：

根据所述目标二维人脸图像，进行三维重建，得到所述白模三维人头模型。

10.根据权利要求8所述的装置，其中，所述第四获取单元进一步被配置成：

确定预先建立的通用白模三维人头模型为与所述目标二维人脸图像对应的白模三维人头模型。

11.根据权利要求8所述的装置，其中，所述图像生成单元进一步被配置成：

将所述目标二维人脸图像融合在所述白模三维人头模型的展开图像中的人脸区域，得到融合图像；

根据所述融合图像以及所述预先训练的整头纹理图像生成模型，确定目标整头纹理图像。

12.根据权利要求11所述的装置，其中，所述图像生成单元进一步被配置成：

将所述融合图像输入所述预先训练的整头纹理图像生成模型，得到中间整头纹理图像；

对所述中间整头纹理图像的人脸区域进行边缘模糊处理，得到所述目标整头纹理图像。

13.一种执行模型训练方法的电子设备，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所述的方法。

14.一种执行人头重建方法的电子设备，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2-6中任一项所述的方法。

15.一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所述的方法或执行权利要求2-6中任一项所述的方法。

16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1所述的方法或执行权利要求2-6中任一项所述的方法。

Images