CN112990123A - 图像处理方法、装置、计算机设备和介质 - Google Patents
图像处理方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN112990123A CN112990123A CN202110450649.3A CN202110450649A CN112990123A CN 112990123 A CN112990123 A CN 112990123A CN 202110450649 A CN202110450649 A CN 202110450649A CN 112990123 A CN112990123 A CN 112990123A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic information
- prior
- sampling rate
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 187
- 230000004927 fusion Effects 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 230000002860 competitive effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008921 facial expression Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像处理方法、装置、计算机设备和介质,其中,图像处理方法包括:根据第一图像和第二图像,得到先验图像;将第一图像、第二图像和先验图像输入换脸网络模型中,得到换脸目标图像,其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息。即,通过先验处理模块对身份特征信息、属性特征信息和先验特征信息进行竞争学习,使得换脸目标图像更好地融合了第一图像的身份特征和第二图像的属性特征,提高了换脸目标图像的真实性和自然性,从而,提升了换脸效果。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、计算机设备和介质。
背景技术
随着人工智能和计算机技术的发展,换脸逐渐成为用户社交娱乐的热点。换脸是指将第一图像的身份特征替换到第二图像中得到换脸后的换脸目标图像,使得换脸目标图像既具有第一图像的身份特征,又兼具第二图像的人脸表情、姿势等属性特征。
目前,常用的换脸方法包括:利用三维(3-Dimension,3D)建模技术对第一图像和第二图像进行三维面部重建,得到新的人脸三维模型,生成换脸目标图像;或者,针对指定的换脸对象,获取大量的包含换脸对象的人脸图像,对神经网络模型进行训练,利用训练得到的模型进行换脸。
然而,采用现有技术的方法,得到的换脸目标图像不够真实自然,换脸效果较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种图像处理方法、装置、计算机设备和介质。
第一方面,本公开提供一种图像处理方法,包括:
根据第一图像和第二图像,得到先验图像;
将所述第一图像、所述第二图像和所述先验图像输入换脸网络模型中,得到换脸目标图像,其中,所述换脸网络模型中包括:多个先验处理模块,所述先验处理模块的输入包括:第一融合特征信息、所述第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
可选的,所述将所述第一图像、所述第二图像和所述先验图像输入换脸网络模型中,得到换脸目标图像,包括:
获取所述第一图像的第一身份特征信息;
获取所述第二图像的不同采样率的第一属性特征信息;
获取所述先验图像的不同采样率的第一先验特征信息;
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息;
根据所述目标融合特征信息,得到换脸目标图像。
可选的,所述根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息,包括:
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息;
根据所述第一融合特征信息,得到注意力掩膜;
根据所述第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数;
根据所述注意力掩膜、所述身份特征权重参数、所述第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。
可选的,所述根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,包括:
根据所述第一身份特征信息,得到所述第一身份特征信息对应的第一身份特征偏移参数;
根据对应采样率的第一属性特征信息,得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数;
根据对应采样率的第一先验特征信息,得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数;
根据所述第一融合特征信息、所述第一身份特征偏移参数、所述第一属性特征偏移参数和第一先验特征偏移参数,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
可选的,所述根据所述注意力掩膜、所述身份特征权重参数、所述第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息,包括:
可选的,所述根据第一图像和第二图像,得到先验图像,包括:
将所述第一图像输入三维形变模型,得到所述第一图像的身份参数;
将所述第二图像输入所述三维形变模型,得到第二图像的属性参数,其中,所述属性参数包括:表情参数、旋转参数和平移参数;
根据第一图像的身份参数和第二图像的属性参数,得到融合图像的参数,所述融合图像的参数包括:所述第一图像的身份参数和所述第二图像的属性参数;
根据所述融合图像的参数,得到所述先验图像。
可选的,所述根据第一图像和第二图像,得到先验图像之前,还包括:
对第一原始图像进行人脸检测,获取所述第一原始图像对应的第一人脸关键点;
根据所述第一原始图像对应的第一人脸关键点和预设的标准人脸进行人脸对齐,得到第一图像;
对第二原始图像进行人脸检测,获取所述第二原始图像对应的第二人脸关键点;
根据所述第二原始图像对应的第二人脸关键点和预设的标准人脸进行人脸对齐,得到第二图像。
第二方面,本公开提供一种图像处理装置,包括:
获取模块,用于根据第一图像和第二图像,得到先验图像;
换脸网络模型,用于根据所述第一图像、所述第二图像和所述先验图像,得到换脸目标图像,其中,所述换脸网络模型中包括:多个先验处理模块,所述先验处理模块的输入包括:第一融合特征信息、所述第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
可选的,所述换脸网络模型,具体用于:
获取所述第一图像的第一身份特征信息;
获取所述第二图像的不同采样率的第一属性特征信息;
获取所述先验图像的不同采样率的第一先验特征信息;
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息;
根据所述目标融合特征信息,得到换脸目标图像。
可选的,所述换脸网络模型,具体用于:
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息;
根据所述第一融合特征信息,得到注意力掩膜;
根据所述第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数;
根据所述注意力掩膜、所述身份特征权重参数、所述第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。
可选的,所述换脸网络模型,具体用于:
根据所述第一身份特征信息,得到所述第一身份特征信息对应的第一身份特征偏移参数;
根据对应采样率的第一属性特征信息,得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数;
根据对应采样率的第一先验特征信息,得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数;
根据所述第一融合特征信息、所述第一身份特征偏移参数、所述第一属性特征偏移参数和第一先验特征偏移参数,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
可选的,所述换脸网络模型,具体用于:
可选的,所述获取模块,具体用于:
将所述第一图像输入三维形变模型,得到所述第一图像的身份参数;
将所述第二图像输入所述三维形变模型,得到第二图像的属性参数,其中,所述属性参数包括:表情参数、旋转参数和平移参数;
根据第一图像的身份参数和第二图像的属性参数,得到融合图像的参数,所述融合图像的参数包括:所述第一图像的身份参数和所述第二图像的属性参数;
根据所述融合图像的参数,得到所述先验图像。
可选的,所述获取模块,还用于:
对第一原始图像进行人脸检测,获取所述第一原始图像对应的第一人脸关键点;
根据所述第一原始图像对应的第一人脸关键点和预设的标准人脸进行人脸对齐,得到第一图像;
对第二原始图像进行人脸检测,获取所述第二原始图像对应的第二人脸关键点;
根据所述第二原始图像对应的第二人脸关键点和预设的标准人脸进行人脸对齐,得到第二图像。
第三方面,本公开提供一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面任一项所述方法的步骤。
第四方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
根据第一图像和第二图像,得到先验图像;将第一图像、第二图像和先验图像输入换脸网络模型中,得到换脸目标图像,其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。由于先验特征信息可以提供较多的身份特征信息和属性特征信息,通过先验处理模块对身份特征信息、属性特征信息和先验特征信息进行竞争学习,使得换脸目标图像更好地融合了第一图像的身份特征和第二图像的属性特征,提高了换脸目标图像的真实性和自然性,从而,提升了换脸效果。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开提供的一种图像处理方法实施例的流程示意图;
图2为本公开提供的一种换脸网络模型的结构示意图;
图3为本公开提供的另一种图像处理方法实施例的流程示意图;
图4为本公开提供的再一种图像处理方法实施例的流程示意图;
图5为本公开提供的又一种图像处理方法实施例的流程示意图;
图6为本公开提供的一种图像处理方法实施例的换脸效果图;
图7为本公开提供的一种图像处理方法装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
现有技术中,对第一图像和第二图像进行换脸得到的换脸目标图像,经常出现换脸目标图像的人脸脸型与第一图像的人脸脸型不匹配、换脸目标图像的人脸表情不自然等情况,尤其是在第一图像与第二图像的人脸脸型、表情和姿势差异较大的情况下,换脸目标图像所呈现的换脸效果较差。
本公开提供一种图像处理方法,根据第一图像和第二图像,得到先验图像;将第一图像、第二图像和先验图像输入换脸网络模型中,得到换脸目标图像,其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。由于先验特征信息可以提供较多的身份特征信息和属性特征信息,通过先验处理模块对身份特征信息、属性特征信息和先验特征信息进行竞争学习,使得换脸网络模型能够更好地融合第一图像的身份特征和第二图像的属性特征,提高了换脸目标图像的真实性和自然性,从而,提升了换脸效果。
下面以几个具体的实施例对本公开的技术方案进行描述,对于相同或者类似的概念,可以相互参考,不再每处一一赘述。
图1为本公开实施例提供的一种图像处理方法实施例的流程示意图,如图1所示,本实施例的方法包括:
S101:根据第一图像和第二图像,得到先验图像。
其中,第一图像和第二图像均为包括人脸的图像,第二图像是需要更换人脸的图像,第一图像是用来对第二图像进行换脸的图像。将第一图像中人脸的五官、轮廓形状和纹理等替换到第二图像中,得到先验图像。先验图像具有第一图像中人脸的五官、轮廓形状和纹理等身份特征,兼具第二图像中的人脸表情和姿势等属性特征。
一种可能的实现方式为:
S1011:将第一图像输入三维形变模型,得到第一图像的身份参数。
将第一图像输入三维形变模型(3D Morphable Models,3DMM),提取第一图像对应的人脸三维参数,从人脸三维参数中获取身份参数。其中,三维参数包括身份参数和属性参数。身份参数用于表示人脸的脸部特征,例如:人脸的轮廓形状、人脸的纹理、颜色、眼睛、鼻子、嘴巴的位置信息以及对应的特征信息等。
S1012:将第二图像输入三维形变模型,得到第二图像的属性参数。
其中,属性参数包括:表情参数、旋转参数和平移参数。
将第二图像输入3DMM,提取第二图像对应的人脸三维参数,从人脸三维参数中获取属性参数。其中,属性参数包括:表情参数、旋转参数和平移参数。表情参数用于表示人脸五官的动作,例如:微笑、眨眼等脸部表情;旋转参数和平移参数用于表示人脸的投影角度,例如:扭头、低头等脸部姿势。
S1013:根据第一图像的身份参数和第二图像的属性参数,得到融合图像的参数。
其中,融合图像的参数包括:第一图像的身份参数和第二图像的属性参数。
将第二图像对应的人脸三维参数中的身份参数替换为第一图像的身份参数,得到融合图像的参数。
S1014:根据融合图像的参数,得到先验图像。
根据融合图像的参数进行纹理渲染,得到三维人脸模型,对三维人脸模型进行二维投影,得到先验图像。
S102:将第一图像、第二图像和先验图像输入换脸网络模型中,得到换脸目标图像。
其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
可选的,图2示出了一种换脸网络模型的结构,包括:人脸识别网络、属性提取网络、3D编码器和多个先验处理模块。
基于图2所示的换脸网络模型,一种可能的实现方式为:如图3所示,
S1021:获取第一图像的第一身份特征信息。
将第一图像输入人脸识别网络,获取第一图像的第一身份特征信息。人脸识别网络可以是基于深度人脸识别的加性角度间隔损失(Additive Angular Margin Loss forDeep Face Recognition,ArcFace)函数训练得到的网络。
S1022:获取第二图像的不同采样率的第一属性特征信息。
将第二图像输入属性提取网络,获取第二图像的不同采样率的第一属性特征信息。如图2所示,属性提取网络可以采用U型网络(U-Net)结构,包括:多个下采样层和多个上采样层。下采样层通过不同的采样率对第二图像进行卷积操作和池化处理,输出对应采样率的下采样属性特征信息。每个下采样层的输出作为下一个下采样层的输入。最后一个下采样层输出的下采样属性特征信息作为第一个上采样层的输入。针对每个上采样层,确定上采样层对应的下采样层,获取对应的下采样层输出的下采样属性特征信息,根据下采样属性特征信息和前一个上采样层输出的上采样属性特征信息,输出上采样属性特征信息。每个上采样层的输出结果作为下一个上采样层的输入。第二图像的不同采样率的第一属性特征信息包括:最后一个下采样层输出的下采样属性特征信息和多个上采样层输出的上采样属性特征信息。
S1023:获取先验图像的不同采样率的第一先验特征信息。
将先验图像输入3D编码器,获取先验图像的不同采样率的第一先验特征信息。如图2所示,3D编码器包括:多个下采样层。下采样层通过不同的采样率对先验图像进行卷积操作和池化处理,输出对应采样率的第一先验特征信息。每个下采样层的输出作为下一个下采样层的输入。
S1024:根据第一融合特征信息、第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息。
可选的,将第一融合特征信息、第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息输入对应的先验处理模块。先验处理模块通过注意力机制获取注意力掩膜以区分第一融合特征信息中的身份特征信息和属性特征信息,对第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息进行竞争学习,得到目标融合特征信息。如图2所示,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
S1025:根据目标融合特征信息,得到换脸目标图像。
可选的,换脸网络模型还可以包括:解码器。将目标融合特征信息输入解码器,得到换脸目标图像。
本实施例,根据第一图像和第二图像,得到先验图像;将第一图像、第二图像和先验图像输入换脸网络模型中,得到换脸目标图像,其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。由于先验特征信息可以提供较多的身份特征信息和属性特征信息,通过先验处理模块对身份特征信息、属性特征信息和先验特征信息进行竞争学习,使得换脸网络模型能够更好地融合第一图像的身份特征和第二图像的属性特征,提高了换脸目标图像的真实性和自然性,从而,提升了换脸效果。
图4为本公开实施例提供的再一种图像处理方法实施例的流程示意图,图4是在图3所示实施例的基础上,S1024的一种可能的实现方式的描述,如图4所示,
S10241:根据第一融合特征信息、第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
一种可能的实现方式为:
S102411:根据第一身份特征信息,得到第一身份特征信息对应的第一身份特征偏移参数。
可选的,第个先验处理模块根据第一身份特征信息,基于自适应实例归一
化(Adaptive Instance Normalization, AdaIN)学习得到第一身份特征信息对应的第一
身份特征偏移参数,其中,第一身份特征偏移参数包括:第一身份特征缩放参数和第一
身份特征平移参数,为大于等于1的整数。
S102412:根据对应采样率的第一属性特征信息,得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数。
可选的,第个先验处理模块根据对应采样率的第一属性特征信息,基于
AdaIN学习得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数,其中,第一
属性特征偏移参数包括:第一属性特征缩放参数和第一属性特征平移参数,
为大于等于1的整数。
S102413:根据对应采样率的第一先验特征信息,得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数。
可选的,第个先验处理模块根据对应采样率的第一先验特征信息,基于
AdaIN学习得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数,其中,第一
先验特征偏移参数包括:第一先验特征缩放参数和第一先验特征平移参数,
为大于等于1的整数。
S102414:根据第一融合特征信息、第一身份特征偏移参数、第一属性特征偏移参数和第一先验特征偏移参数,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
S10242:根据第一融合特征信息,得到注意力掩膜。
S10243:根据第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数。
可选的,由于第一身份特征信息和对应采样率的第二先验特征信息都包含较多的
身份特征信息,第个先验处理模块根据第一身份特征信息和对应采样率的第二先验特征
信息,利用Softmax函数得到身份特征权重参数和。
S10244:根据注意力掩膜、身份特征权重参数、第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。
本实施例,根据第一融合特征信息、第一身份特征信息、第一融合特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息;根据第一融合特征信息,得到注意力掩膜;根据第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数;根据注意力掩膜、身份特征权重参数、第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。即,先验处理模块基于注意力机制通过对身份特征信息、属性特征信息和先验特征信息的竞争学习,更好地融合了第一图像的身份特征和第二图像的属性特征,提高了换脸目标图像的真实性和自然性,从而,提升了换脸效果。
图5为本公开实施例提供的又一种图像处理方法实施例的流程示意图,图5是在图1-图4任一所示实施例的基础上,S101之前还可以包括:如图5所示,
S201:对第一原始图像进行人脸检测,获取第一原始图像对应的第一人脸关键点。
利用人脸检测算法或人脸关键点检测网络对第一原始图像进行人脸检测,获取第一原始图像对应的第一人脸关键点。
S202:根据第一原始图像对应的第一人脸关键点和预设的标准人脸进行人脸对齐,得到第一图像。
根据第一原始图像对应的第一人脸关键点,得到第一原始图像中的人脸角度,通过相似变换与预设的标准人脸进行人脸对齐,得到第一图像。
S203:对第二原始图像进行人脸检测,获取第二原始图像对应的第二人脸关键点。
利用人脸检测算法或人脸关键点检测网络对第二原始图像进行人脸检测,获取第二原始图像对应的第二人脸关键点。
S204:根据第二原始图像对应的第二人脸关键点和预设的标准人脸进行人脸对齐,得到第二图像。
根据第二原始图像对应的第二人脸关键点,得到第二原始图像中的人脸角度,通过相似变换与预设的标准人脸进行人脸对齐,得到第二图像。
本实施例,在根据第一图像和第二图像,得到先验图像之前,分别对第一原始图像和第二原始图像进行人脸检测和人脸对齐,分别得到第一图像和第二图像。由于第一图像和第二图像都是人脸对齐后的图像,提高了换脸网络模型对人脸平面旋转的鲁棒性,提升了换脸效果。
图6示出了采用本公开实施例提供的图像处理方法对第一图像和第二图像进行换脸得到的换脸目标图像,其中,第一列图像为第一图像,第二列图像为第二图像,第三列图像为换脸目标图像。其中,换脸目标图像真实自然,较好地融合了第一图像的身份特征和第二图像的人脸表情、姿势等属性特征。
可选的,在S201之前,还包括:通过生成对抗网络(Generative AdversarialNetwork,GAN)模型来训练换脸网络模型,将换脸网络模型作为生成对抗网络模型中的生成器模型,将换脸网络模型输出的换脸目标图像和真实的图像样本输入生成判别器模型,输出换脸目标图像的判定值,判定值是换脸目标对象属于真实图像的概率。
其中,换脸网络模型的训练方法,包括:
S301:获取训练图像集。
训练图像集包括:多个第一图像样本和多个第二图像样本。
其中,第一图像样本和第二图像样本可以是基于爬虫技术从网页中获取的人脸图像。
S302:根据第一图像样本和第二图像样本,得到先验图像样本。
S303:将第一图像样本、第二图像样本和先验图像样本输入换脸网络模型,得到换脸目标图像样本。
S304:根据换脸目标图像样本、第一图像样本和第二图像样本,得到身份一致损失函数的值、属性一致损失函数的值和重建损失函数的值。
若第一图像的身份特征和第二图像的身份特征属于同一个换脸对象,根据,得到重建损失函数的值。其中,为重建损失函数,为换脸目
标图像样本,为第一图像样本。若第一图像的身份特征和第二图像的身份特征不属于同
一个换脸对象,重建损失函数。
S305:将换脸目标图像样本和第一图像样本输入判别器模型,得到换脸目标图像样本的判定值和对抗损失函数的值。
可选的,判别器模型可以使用多尺度判别器,将换脸目标图像样本和第一图像样
本以不同的分辨率进行下采样,得到不同分辨率对应的换脸目标图像样本和第一图像样
本,将对应分辨率的换脸目标图像样本和第一图像样本输入判别器模型,得到换脸目标图
像样本的判定值和对抗损失函数的值。例如:对换脸目标图像样本和第一图像样本以
256x256、128x128和64x64的分辨率进行3次下采样,将分辨率为256x256的换脸目标图像样
本和第一图像样本、分辨率为128x128的换脸目标图像样本和第一图像样本、分辨率为
64x64的换脸目标图像样本和第一图像样本输入判别器模型中,得到换脸目标图像样本的
判定值,根据,得到对抗损失函数的值。其中,为第次下采样得到换脸目标图像样本和第一图像样本的对
抗损失函数。
可选的,还可以将换脸目标图像样本和第二图像样本输入判别器模型,得到换脸目标图像样本的判定值和对抗损失函数的值。
S306:根据对抗损失函数的值、身份一致损失函数的值、属性一致损失函数的值和重建损失函数的值,更新换脸网络模型的参数和判别器模型的参数,直到判别器模型输出的换脸目标图像样本的判定值满足预设条件,停止训练,得到换脸网络模型。其中,预设条件可以为换脸目标图像样本的判定值大于第一预设阈值,第一预设阈值可以是0.99、0.98或其它趋近于1的数值等。
图7为本公开实施例提供的一种图像处理装置的结构示意图,本实施例的装置包括:获取模块701和换脸网络模型702。
其中,获取模块701,用于根据第一图像和第二图像,得到先验图像;
换脸网络模型702,用于根据第一图像、第二图像和先验图像,得到换脸目标图像,其中,换脸网络模型中包括:多个先验处理模块,先验处理模块的输入包括:第一融合特征信息、第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
可选的,换脸网络模型702,具体用于:
获取第一图像的第一身份特征信息;
获取第二图像的不同采样率的第一属性特征信息;
获取先验图像的不同采样率的第一先验特征信息;
根据第一融合特征信息、第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息;
根据目标融合特征信息,得到换脸目标图像。
可选的,换脸网络模型702,具体用于:
根据第一融合特征信息、第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息;
根据第一融合特征信息,得到注意力掩膜;
根据第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数;
根据注意力掩膜、身份特征权重参数、第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。
可选的,换脸网络模型702,具体用于:
根据第一身份特征信息,得到第一身份特征信息对应的第一身份特征偏移参数;
根据对应采样率的第一属性特征信息,得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数;
根据对应采样率的第一先验特征信息,得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数;
根据第一融合特征信息、第一身份特征偏移参数、第一属性特征偏移参数和第一先验特征偏移参数,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
可选的,换脸网络模型702,具体用于:
可选的,获取模块701,具体用于:
将第一图像输入三维形变模型,得到第一图像的身份参数;
将第二图像输入三维形变模型,得到第二图像的属性参数,其中,属性参数包括:表情参数、旋转参数和平移参数;
根据第一图像的身份参数和第二图像的属性参数,得到融合图像的参数,融合图像的参数包括:第一图像的身份参数和第二图像的属性参数;
根据融合图像的参数,得到先验图像。
可选的,获取模块701,还用于:
对第一原始图像进行人脸检测,获取第一原始图像对应的第一人脸关键点;
根据第一原始图像对应的第一人脸关键点和预设的标准人脸进行人脸对齐,得到第一图像;
对第二原始图像进行人脸检测,获取第二原始图像对应的第二人脸关键点;
根据第二原始图像对应的第二人脸关键点和预设的标准人脸进行人脸对齐,得到第二图像。
本实施例的装置对应的可用于执行上述图1到图6任一所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本公开实施例提供了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时可以实现图1到图6任一所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现图1到图6任一所示方法实施例的技术方案。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
根据第一图像和第二图像,得到先验图像;
将所述第一图像、所述第二图像和所述先验图像输入换脸网络模型中,得到换脸目标图像,其中,所述换脸网络模型中包括:多个先验处理模块,所述先验处理模块的输入包括:第一融合特征信息、所述第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一图像、所述第二图像和所述先验图像输入换脸网络模型中,得到换脸目标图像,包括:
获取所述第一图像的第一身份特征信息;
获取所述第二图像的不同采样率的第一属性特征信息;
获取所述先验图像的不同采样率的第一先验特征信息;
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息;
根据所述目标融合特征信息,得到换脸目标图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到目标融合特征信息,包括:
根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息;
根据所述第一融合特征信息,得到注意力掩膜;
根据所述第一身份特征信息和对应采样率的第二先验特征信息,得到身份特征权重参数;
根据所述注意力掩膜、所述身份特征权重参数、所述第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,得到目标融合特征信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一融合特征信息、所述第一身份特征信息、对应采样率的第一属性特征信息和对应采样率的第一先验特征信息,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息,包括:
根据所述第一身份特征信息,得到所述第一身份特征信息对应的第一身份特征偏移参数;
根据对应采样率的第一属性特征信息,得到对应采样率的第一属性特征信息对应的第一属性特征偏移参数;
根据对应采样率的第一先验特征信息,得到对应采样率的第一先验特征信息对应的第一先验特征偏移参数;
根据所述第一融合特征信息、所述第一身份特征偏移参数、所述第一属性特征偏移参数和第一先验特征偏移参数,得到第二身份特征信息、对应采样率的第二属性特征信息和对应采样率的第二先验特征信息。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据第一图像和第二图像,得到先验图像,包括:
将所述第一图像输入三维形变模型,得到所述第一图像的身份参数;
将所述第二图像输入所述三维形变模型,得到第二图像的属性参数,其中,所述属性参数包括:表情参数、旋转参数和平移参数;
根据第一图像的身份参数和第二图像的属性参数,得到融合图像的参数,所述融合图像的参数包括:所述第一图像的身份参数和所述第二图像的属性参数;
根据所述融合图像的参数,得到所述先验图像。
7.根据权利要求6所述的方法,其特征在于,所述根据第一图像和第二图像,得到先验图像之前,还包括:
对第一原始图像进行人脸检测,获取所述第一原始图像对应的第一人脸关键点;
根据所述第一原始图像对应的第一人脸关键点和预设的标准人脸进行人脸对齐,得到第一图像;
对第二原始图像进行人脸检测,获取所述第二原始图像对应的第二人脸关键点;
根据所述第二原始图像对应的第二人脸关键点和预设的标准人脸进行人脸对齐,得到第二图像。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于根据第一图像和第二图像,得到先验图像;
换脸网络模型,用于根据所述第一图像、所述第二图像和所述先验图像,得到换脸目标图像,其中,所述换脸网络模型中包括:多个先验处理模块,所述先验处理模块的输入包括:第一融合特征信息、所述第一图像的第一身份特征信息、对应采样率的第二图像的第一属性特征信息、对应采样率的先验图像的第一先验特征信息,第一个先验处理模块输入的第一融合特征信息为对应采样率的先验图像的第一先验特征信息,其余先验处理模块输入的第一融合特征信息为前一个先验处理模块输出的目标融合特征信息。
9.一种计算机设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450649.3A CN112990123B (zh) | 2021-04-26 | 2021-04-26 | 图像处理方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450649.3A CN112990123B (zh) | 2021-04-26 | 2021-04-26 | 图像处理方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990123A true CN112990123A (zh) | 2021-06-18 |
CN112990123B CN112990123B (zh) | 2021-08-13 |
Family
ID=76340162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450649.3A Active CN112990123B (zh) | 2021-04-26 | 2021-04-26 | 图像处理方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990123B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486944A (zh) * | 2021-07-01 | 2021-10-08 | 深圳市英威诺科技有限公司 | 人脸融合方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110305404A1 (en) * | 2010-06-14 | 2011-12-15 | Chia-Wen Lin | Method And System For Example-Based Face Hallucination |
CN104123749A (zh) * | 2014-07-23 | 2014-10-29 | 邢小月 | 一种图像处理方法及系统 |
CN107507216A (zh) * | 2017-08-17 | 2017-12-22 | 北京觅己科技有限公司 | 图像中局部区域的替换方法、装置及存储介质 |
CN107564080A (zh) * | 2017-08-17 | 2018-01-09 | 北京觅己科技有限公司 | 一种人脸图像的替换系统 |
CN109741338A (zh) * | 2018-12-13 | 2019-05-10 | 北京爱奇艺科技有限公司 | 一种人脸分割方法、装置及设备 |
-
2021
- 2021-04-26 CN CN202110450649.3A patent/CN112990123B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110305404A1 (en) * | 2010-06-14 | 2011-12-15 | Chia-Wen Lin | Method And System For Example-Based Face Hallucination |
CN104123749A (zh) * | 2014-07-23 | 2014-10-29 | 邢小月 | 一种图像处理方法及系统 |
CN107507216A (zh) * | 2017-08-17 | 2017-12-22 | 北京觅己科技有限公司 | 图像中局部区域的替换方法、装置及存储介质 |
CN107564080A (zh) * | 2017-08-17 | 2018-01-09 | 北京觅己科技有限公司 | 一种人脸图像的替换系统 |
CN109741338A (zh) * | 2018-12-13 | 2019-05-10 | 北京爱奇艺科技有限公司 | 一种人脸分割方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486944A (zh) * | 2021-07-01 | 2021-10-08 | 深圳市英威诺科技有限公司 | 人脸融合方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112990123B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409222B (zh) | 一种基于移动端的多视角人脸表情识别方法 | |
Shi et al. | Warpgan: Automatic caricature generation | |
CN110348330B (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
CN111489287B (zh) | 图像转换方法、装置、计算机设备和存储介质 | |
CN110222668B (zh) | 基于生成对抗网络的多姿态面部表情识别方法 | |
US11276231B2 (en) | Semantic deep face models | |
CN111243050B (zh) | 肖像简笔画生成方法、系统及绘画机器人 | |
CN110738153B (zh) | 异质人脸图像转换方法、装置、电子设备及存储介质 | |
WO2022052530A1 (zh) | 人脸矫正模型的训练方法、装置、电子设备及存储介质 | |
CN111598051B (zh) | 一种脸部验证方法、装置、设备及可读存储介质 | |
CN111680550B (zh) | 情感信息识别方法、装置、存储介质及计算机设备 | |
CN112949707B (zh) | 一种基于多尺度语义信息监督的跨模态人脸图像生成方法 | |
CN110909680A (zh) | 人脸图像的表情识别方法、装置、电子设备及存储介质 | |
CN113239834B (zh) | 一种可预训练手模型感知表征的手语识别系统 | |
CN112990123B (zh) | 图像处理方法、装置、计算机设备和介质 | |
CN117237542B (zh) | 基于文本的三维人体模型生成方法和装置 | |
CN115631285B (zh) | 基于统一驱动的人脸渲染方法、装置、设备及存储介质 | |
Zhao et al. | ChildPredictor: A child face prediction framework with disentangled learning | |
Liu et al. | A3GAN: An attribute-aware attentive generative adversarial network for face aging | |
CN116758212A (zh) | 基于自适应去噪算法的3d重建方法、装置、设备及介质 | |
CN111325252A (zh) | 图像处理方法、装置、设备、介质 | |
Kakkar | Facial expression recognition with LDPP & LTP using deep belief network | |
Teng et al. | Unimodal face classification with multimodal training | |
CN114612991A (zh) | 攻击人脸图片的转换方法及装置、电子设备及存储介质 | |
CN114862716A (zh) | 人脸图像的图像增强方法、装置、设备及存储介质 |
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 |