CN113052962A - 模型训练、信息输出方法,装置,设备以及存储介质 - Google Patents
模型训练、信息输出方法,装置,设备以及存储介质 Download PDFInfo
- Publication number
- CN113052962A CN113052962A CN202110359314.0A CN202110359314A CN113052962A CN 113052962 A CN113052962 A CN 113052962A CN 202110359314 A CN202110359314 A CN 202110359314A CN 113052962 A CN113052962 A CN 113052962A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- face image
- pinching
- target
- 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
- 238000012549 training Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 96
- 239000013598 vector Substances 0.000 claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000009877 rendering Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 17
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供模型训练、信息输出方法,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:获取训练样本集合,训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像;利用训练样本集合训练目标模型中的第一子模型,第一子模型用于表征捏脸参数与二维人脸图像的对应关系;响应于确定第一子模型训练完成,根据训练样本集合以及训练完成的第一子模型,训练目标模型的第二子模型,第二子模型用于表征二维人脸图像与特征向量的对应关系。本实现方式可以对人脸图像进行半拟真重建。
Description
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、信息输出方法,装置,设备以及存储介质。
背景技术
3D人脸重建仅仅是创建了一个人脸白模,即由空间点云和蒙皮技术构成的基础人脸重建效果。而越来越多的实际应用需要个性化人脸重建效果,着眼于在一定程度的风格变换基础上进行真实细节的融入,实现重建形状和重建纹理共同的风格迁移,称之为半拟真风格重建。同时包含了美颜化的风格与真实人脸细节,这种效果同时体现在人脸形状和纹理上。
发明内容
提供了一种模型训练、信息输出方法,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:获取训练样本集合,训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像;利用训练样本集合训练目标模型中的第一子模型,第一子模型用于表征捏脸参数与二维人脸图像的对应关系;响应于确定第一子模型训练完成,根据训练样本集合以及训练完成的第一子模型,训练目标模型的第二子模型,第二子模型用于表征二维人脸图像与特征向量的对应关系。
根据第二方面,提供了一种信息输出方法,包括:获取目标二维人脸图像以及初始捏脸参数;根据目标二维人脸图像、初始捏脸参数以及预先训练的目标模型,确定目标二维人脸图像对应的目标捏脸参数,目标模型通过如第一方面所描述的模型训练方法训练得到;输出目标捏脸参数。
根据第三方面,提供了一种模型训练装置,包括:样本获取单元,被配置成获取训练样本集合,训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像;第一训练单元,被配置成利用训练样本集合训练目标模型中的第一子模型,第一子模型用于表征捏脸参数与二维人脸图像之间的对应关系;第二训练单元,被配置成响应于确定第一子模型训练完成,根据训练样本集合以及训练完成的第一子模型,训练目标模型的第二子模型,第二子模型用于表征二维人脸图像与特征向量之间的对应关系。
根据第四方面,提供了一种信息输出装置,包括:人脸图像获取单元,被配置成获取目标二维人脸图像以及初始捏脸参数;捏脸参数确定单元,被配置成根据目标二维人脸图像、初始捏脸参数以及预先训练的目标模型,确定目标二维人脸图像对应的目标捏脸参数,目标模型通过如第一方面所描述的模型训练方法训练得到;捏脸参数输出单元,被配置成输出目标捏脸参数。
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,提供了一种执行信息输出方法的电子设备,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。
根据本公开的技术能够对人脸图像进行半拟真风格重建。
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是根据本公开的模型训练方法的另一个实施例的流程图;
图4是根据本公开的信息输出方法的一个实施例的流程图;
图5是根据本公开的信息输出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、信息输出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是根据本公开的信息输出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、信息输出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、信息输出方法或模型训练装置、信息输出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,例如接收训练好的目标模型等。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处目标模型对二维人脸图像进行半拟真风格重建。
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上提供训练好的目标模型的后台服务器。后台服务器可以利用训练样本分别对第一子模型和第二子模型进行训练,得到训练好的目标模型,并将目标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信息输出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,信息输出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,其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,获取训练样本集合。
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)可以首先获取训练样本集合。训练样本集合可以包括多个训练样本,各训练样本包括样本捏脸参数以及对应的样本二维人脸图像。在图像处理领域,技术人员在创建虚拟角色的时候通常会增加捏脸功能。利用捏脸功能可以对虚拟角色的五官和脸型等进行调整,从而帮助用户自定义得到自身喜欢的游戏角色样貌。捏脸参数可以包括用于表征五官和脸型的多个参数。通过渲染上述捏脸参数可以得到二维人脸图像。对捏脸参数的渲染过程可以由本实施例的执行主体执行,也可以由其它电子设备执行。实施例中的样本二维人脸图像可以来自于公开数据集,或者样本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。
步骤202,利用训练样本集合训练目标模型中的第一子模型。
执行主体在获取到训练样本集合后,可以利用训练样本集合训练目标模型中的第一子模型。这里,目标模型可以是一个端到端的模型。目标模型可以包括第一子模型和第二子模型。第一子模型用于表征捏脸参数与二维人脸图像之间的对应关系。第二子模型可以用于表征二维人脸图像与特征向量之间的对应关系。第一子模型和第二子模型可以通过多种算法来实现,例如对抗神经网络、卷积神经网络等。在一些具体的应用中,第一子模型为对抗神经网络,第二子模型为卷积神经网络。
在训练时,执行主体可以将训练样本集合中各训练样本的样本捏脸参数作为输入,将对应的样本二维人脸图像作为期望输出,对第一子模型进行训练。
步骤203,响应于确定第一子模型训练完成,根据训练样本集合以及训练完成的第一子模型,训练目标模型的第二子模型。
本实施例中,执行主体首先可以训练第一子模型,在第一子模型训练完成后,可以对第二子模型进行训练。具体的,执行主体可以根据训练样本集合以及训练完成的第一子模型,训练第二子模型。
在训练时,执行主体可以将训练样本集合中各训练样本的样本捏脸参数作为第一子模型的输入,将第一子模型的输出作为第二子模型的输入,将样本捏脸参数对应的样本二维人脸图像的特征向量作为期望输出,对第二子模型进行训练。
本公开的上述实施例提供的模型训练方法,可以利用训练样本分别训练目标模型中的第一子模型和第二子模型,从而实现了端到端的图像处理。
继续参见图3,其示出了根据本公开的模型训练方法的另一个实施例的流程300。本实施例的模型训练方法,包括以下步骤:
步骤301,生成多个样本捏脸参数;对各样本捏脸参数进行渲染,确定与各样本捏脸参数对应的样本二维人脸图像,得到训练样本集合。
本实施例中,执行主体可以首先生成多个样本捏脸参数。具体的,执行主体可以通过动画制作应用随机生成多个样本捏脸参数。然后,分别对各样本捏脸参数进行渲染,得到与各样本捏脸参数对应的样本二维人脸图像。这里,捏脸参数的渲染可以利用现有的渲染引擎进行。执行主体可以将单个样本捏脸参数和对应的样本二维人脸图像作为单个训练样本,从而能够得到训练样本集合。
步骤302,将训练样本集合中各训练样本的样本捏脸参数作为第一子模型的输入,根据第一子模型的输出与所输入的样本捏脸参数对应的样本二维人脸图像之间的差异调整第一子模型的参数。
执行主体在得到训练样本集合后,可以将训练样本集合中各训练样本的样本捏脸参数作为第一子模型的输入,将与所输入的样本捏脸参数对应的样本二维人脸图像作为期望输出,训练第一子模型。具体的,执行主体可以根据第一子模型的输出与所输入的样本捏脸参数对应的样本二维人脸图像之间的差异作为损失函数,根据损失函数的值迭代调整第一子模型的参数,完成第一子模型的训练。
步骤303,根据训练样本集合中的各样本捏脸参数以及训练完成的第一子模型,确定参考二维人脸图像集合。
本实施例中,执行主体可以根据训练样本集合中的各样本捏脸参数以及训练完成的第一子模型,确定参考二维人脸图像集合。具体的,执行主体可以首先对训练样本集合中的各样本捏脸参数进行处理,例如在预设数值范围内调整各样本捏脸参数的值。然后,将调整后的各样本捏脸参数输入训练完成的第一子模型。再对第一子模型输出的图像进行一系列的处理(例如像素值调整等),得到的图像作为参考二维人脸图像。
在本实施例的一些可选的实现方式中,执行主体可以将训练样本集合中各训练样本的样本捏脸参数输入训练完成的第一子模型,将训练完成的第一子模型的输出作为输入的样本捏脸参数对应的参考二维人脸图像,得到参考二维人脸图像集合。
步骤304,根据训练样本集合中的各样本二维人脸图像以及参考二维人脸图像集合,训练目标模型的第二子模型。
在得到参考二维人脸图像集合后,可以结合训练样本集合中的各样本二维人脸图像,训练目标模型的第二子模型。具体的,执行主体可以将各参考二维人脸图像作为第二子模型的输入,将对应的样本二维人脸图像的特征向量作为期望输出,训练第二子模型。
在本实施例的一些可选的实现方式中,上述步骤304具体可以包括图3中未示出的以下步骤:将参考二维人脸图像集合中的各参考二维人脸图像输入第二子模型,得到各参考二维人脸图像对应的第一特征向量;将输入训练完成的第一子模型的样本捏脸参数对应的样本二维人脸图像输入第二子模型,得到各样本二维人脸图像对应的第二特征向量;根据各第一特征向量以及各第二特征向量迭代调整第二子模型的参数。
本实现方式中,执行主体可以将各参考二维人脸图像输入第二子模型中,得到各参考二维人脸图像对应的特征向量,记为第一特征向量。执行主体还可以将各样本二维人脸图像输入第二子模型,得到各样本二维人脸图像对应的特征向量,记为第二特征向量。需要说明的是,执行主体在输入时,需要同时输入参考二维人脸图像以及对应的样本二维人脸图像,那么第一特征向量与第二特征向量之间也存在对应关系。
执行主体可以根据输入的第一特征向量以及对应的第二特征向量之间的差异,迭代调整第二子模型的参数,完成第二子模型的训练。
本公开的上述实施例提供的模型训练方法,可以在第一子模型训练完成后,对第二子模型进行训练,从而能够实现一种端到端的网络结构,用于半拟真人脸重建。
参见图4,其示出了根据本公开的信息输出方法的一个实施例的流程400。本实施例中所使用的目标模型是通过图2或图3所示实施例所描述的模型训练方法训练得到的。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以及初始捏脸参数。
本实施例中,执行主体(例如图1所示的终端设备101、102、103或服务器105)可以通过各种方式获取目标二维人脸图像。这里,目标二维人脸图像是指用户想要处理的人脸图像。上述初始捏脸参数可以是执行主体随机生成的,也可以是上次目标模型输出的捏脸参数。需要说明的是,目标二维人脸图像是用户自拍得到的,或者通过其它已授权的方式获取得到。
步骤402,根据目标二维人脸图像、初始捏脸参数以及预先训练的目标模型,确定目标二维人脸图像对应的目标捏脸参数。
执行主体在得到上述目标二维人脸图像以及初始捏脸参数后,可以结合预先训练的目标模型,确定目标二维人脸图像对应的目标捏脸参数。具体的,执行主体可以将目标二维人脸图像以及初始捏脸参数输入上述目标模型,得到目标模型的输出。然后根据输出反馈调节初始捏脸参数,调节预设次数后得到目标捏脸参数。
步骤403,输出目标捏脸参数。
执行主体可以将目标捏脸参数输出,以供进一步渲染或调整。
本公开的上述实施例提供的信息输出方法,可以利用目标模型对人脸图像进行半拟真重建。
继续参见图5,其示出了根据本公开的信息输出方法的一个实施例的流程500。本实施例中所使用的目标模型是通过图2或图3所示实施例所描述的模型训练方法训练得到的。如图5所示,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以及初始捏脸参数。
步骤502,根据初始捏脸参数以及目标模型中的第一子模型,确定初始二维人脸图像。
本实施例中,执行主体可以吃将初始捏脸参数输入目标模型中的第一子模型。第一子模型的输出即为初始二维人脸图像。
步骤503,根据初始二维人脸图像、目标二维人脸图像以及目标模型中的第二子模型,调整初始捏脸参数,得到目标捏脸参数。
执行主体可以将初始二维人脸图像、目标二维人脸图像同时输入目标模型中的第二子模型。第二子模型可以分别得到初始二维人脸图像、目标二维人脸图像的特征向量,根据二者的特征向量计算二者的相似度,调整初始捏脸参数,得到目标捏脸参数。
在本实施例的一些可选的实现方式中,上述步骤503具体可以通过图5中未示出的以下步骤实现:将初始二维人脸图像输入第二子模型,得到第三特征向量;将目标二维人脸图像输入第二子模型,得到第四特征向量;根据第三特征向量以及第四特征向量,迭代调整初始捏脸参数,得到目标捏脸参数。
本实现方式中,执行主体可以将初始二维人脸图像输入第二子模型,得到第三特征向量。然后,将目标二维人脸图像输入第二子模型,得到第四特征向量。计算对应的第三特征向量以及第四特征向量之间的距离,如果距离大于预设阈值,则调整初始捏脸参数,直到距离小于预设阈值。
步骤504,输出目标捏脸参数。
步骤505,对目标捏脸参数进行渲染,重建目标二维人脸图像。
执行主体还可以对目标捏脸参数进行渲染,重建目标二维人脸图像,使得半拟真重建的人脸图像可视化。用户可以根据重建得到的人脸图像继续调整目标捏脸参数。
本公开的上述实施例提供的信息输出方法,可以输出目标捏脸参数,并进行可视化。
继续参见图6,其示出了根据本公开的模型训练方法、信息输出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通过训练样本集合训练对抗神经网络,将其作为目标模型的第一子模型。在对抗神经网络训练完成后,对多个卷积层进行训练,将其作为目标模型的第二子模型。将训练好的目标模型发送给终端设备602。使用终端设备602的用户在图像处理时,首先获取了目标二维人脸图像以及初始捏脸参数。利用训练好的目标模型对目标二维人脸图像以及初始捏脸参数进行处理,得到目标捏脸参数。在渲染引擎中对目标捏脸参数进行渲染,得到半拟真重建人脸图像。
进一步参考图7,作为对上述各图所示方法的实现,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:样本获取单元701、第一训练单元702和第二训练单元703。
样本获取单元701,被配置成获取训练样本集合。训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像。。
第一训练单元702,被配置成利用训练样本集合训练目标模型中的第一子模型。第一子模型用于表征捏脸参数与二维人脸图像之间的对应关系。
第二训练单元703,被配置成响应于确定第一子模型训练完成,根据训练样本集合以及训练完成的第一子模型,训练目标模型的第二子模型。第二子模型用于表征二维人脸图像与特征向量之间的对应关系。
在本实施例的一些可选的实现方式中,第二训练单元703可以进一步被配置成:根据训练样本集合中的各样本捏脸参数以及训练完成的第一子模型,确定参考二维人脸图像集合;根据训练样本集合中的各样本二维人脸图像以及参考二维人脸图像集合,训练目标模型的第二子模型。
在本实施例的一些可选的实现方式中,第二训练单元703可以进一步被配置成:将训练样本集合中各训练样本的样本捏脸参数输入训练完成的第一子模型,将训练完成的第一子模型的输出作为输入的样本捏脸参数对应的参考二维人脸图像,得到参考二维人脸图像集合。
在本实施例的一些可选的实现方式中,第二训练单元703可以进一步被配置成:将参考二维人脸图像集合中的各参考二维人脸图像输入第二子模型,得到各参考二维人脸图像对应的第一特征向量;将输入训练完成的第一子模型的样本捏脸参数对应的样本二维人脸图像输入第二子模型,得到各样本二维人脸图像对应的第二特征向量;根据各第一特征向量以及各第二特征向量迭代调整第二子模型的参数。
在本实施例的一些可选的实现方式中,样本获取单元701可以进一步被配置成:生成多个样本捏脸参数;对各样本捏脸参数进行渲染,确定与各样本捏脸参数对应的样本二维人脸图像,得到训练样本集合。
在本实施例的一些可选的实现方式中,第一训练单元702可以进一步被配置成:将训练样本集合中各训练样本的样本捏脸参数作为第一子模型的输入,根据第一子模型的输出与所输入的样本捏脸参数对应的样本二维人脸图像之间的差异调整第一子模型的参数。
应当理解,模型训练装置700中记载的单元701至单元703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,作为对上述各图所示方法的实现,本公开提供了一种信息输出装置的一个实施例,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8所示,本实施例的信息输出装置800包括:人脸图像获取单元801、捏脸参数确定单元802和捏脸参数输出单元803。
人脸图像获取单元801,被配置成获取目标二维人脸图像以及初始捏脸参数。
捏脸参数确定单元802,被配置成根据目标二维人脸图像、初始捏脸参数以及预先训练的目标模型,确定目标二维人脸图像对应的目标捏脸参数。目标模型通过图2或图3所描述的模型训练方法训练得到。
捏脸参数输出单元803,被配置成输出目标捏脸参数。
在本实施例的一些可选的实现方式中,捏脸参数确定单元802可以进一步被配置成:根据初始捏脸参数以及目标模型中的第一子模型,确定初始二维人脸图像;根据初始二维人脸图像、目标二维人脸图像以及目标模型中的第二子模型,调整初始捏脸参数,得到目标捏脸参数。
在本实施例的一些可选的实现方式中,捏脸参数确定单元802可以进一步被配置成:将初始二维人脸图像输入第二子模型,得到第三特征向量;将目标二维人脸图像输入第二子模型,得到第四特征向量;根据第三特征向量以及第四特征向量,迭代调整初始捏脸参数,得到目标捏脸参数。
在本实施例的一些可选的实现方式中,装置800还可以进一步包括图8中未示出的渲染单元,被配置成:对目标捏脸参数进行渲染,重建目标二维人脸图像。
应当理解,信息输出装置800中记载的单元801至单元803分别与参考图4中描述的方法中的各个步骤相对应。由此,上文针对信息输出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用于输出信息的方法的电子设备900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RAM 903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,例如用于输出信息的方法。例如,在一些实施例中,用于输出信息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用于输出信息的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)而被配置为执行用于输出信息的方法。
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。
用于实施本公开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 (24)
1.一种模型训练方法,包括:
获取训练样本集合,所述训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像;
利用所述训练样本集合训练目标模型中的第一子模型,所述第一子模型用于表征捏脸参数与二维人脸图像的对应关系;
响应于确定所述第一子模型训练完成,根据所述训练样本集合以及训练完成的第一子模型,训练所述目标模型的第二子模型,所述第二子模型用于表征二维人脸图像与特征向量的对应关系。
2.根据权利要求1所述的方法,其中,所述根据所述训练样本集合以及训练完成的第一子模型,训练所述目标模型的第二子模型,包括:
根据所述训练样本集合中的各样本捏脸参数以及所述训练完成的第一子模型,确定参考二维人脸图像集合;
根据所述训练样本集合中的各样本二维人脸图像以及所述参考二维人脸图像集合,训练所述目标模型的第二子模型。
3.根据权利要求2所述的方法,其中,所述根据所述训练样本集合中的各样本捏脸参数以及所述训练完成的第一子模型,确定参考二维人脸图像集合,包括:
将所述训练样本集合中各训练样本的样本捏脸参数输入训练完成的第一子模型,将训练完成的第一子模型的输出作为输入的样本捏脸参数对应的参考二维人脸图像,得到所述参考二维人脸图像集合。
4.根据权利要求2所述的方法,其中,所述根据所述训练样本集合中的各样本二维人脸图像以及所述参考二维人脸图像集合,训练所述目标模型的第二子模型,包括:
将所述参考二维人脸图像集合中的各参考二维人脸图像输入所述第二子模型,得到各参考二维人脸图像对应的第一特征向量;
将输入训练完成的第一子模型的样本捏脸参数对应的样本二维人脸图像输入所述第二子模型,得到各样本二维人脸图像对应的第二特征向量;
根据各第一特征向量以及各第二特征向量迭代调整所述第二子模型的参数。
5.根据权利要求1-4任一项所述的方法,其中,所述获取训练样本集合,包括:
生成多个样本捏脸参数;
对各样本捏脸参数进行渲染,确定与各样本捏脸参数对应的样本二维人脸图像,得到所述训练样本集合。
6.根据权利要求1-5任一项所述的方法,其中,所述利用所述训练样本集合训练目标模型中的第一子模型,包括:
将所述训练样本集合中各训练样本的样本捏脸参数作为所述第一子模型的输入,根据所述第一子模型的输入与所输入的样本捏脸参数对应的样本二维人脸图像之间的差异调整所述第一子模型的参数。
7.一种信息输出方法,包括:
获取目标二维人脸图像以及初始捏脸参数;
根据所述目标二维人脸图像、所述初始捏脸参数以及预先训练的目标模型,确定所述目标二维人脸图像对应的目标捏脸参数,所述目标模型通过权利要求1-6任一项所述的模型训练方法训练得到;
输出所述目标捏脸参数。
8.根据权利要求7所述的方法,其中,所述根据所述目标二维人脸图像、所述初始捏脸参数以及预先训练的目标模型,确定所述目标二维人脸图像对应的目标捏脸参数,包括:
根据所述初始捏脸参数以及所述目标模型中的第一子模型,确定初始二维人脸图像;
根据所述初始二维人脸图像、所述目标二维人脸图像以及所述目标模型中的第二子模型,调整所述初始捏脸参数,得到所述目标捏脸参数。
9.根据权利要求8所述的方法,其中,所述根据所述初始二维人脸图像、所述目标二维人脸图像以及所述目标模型中的第二子模型,调整所述初始捏脸参数,得到所述目标捏脸参数,包括:
将所述初始二维人脸图像输入所述第二子模型,得到第三特征向量;
将所述目标二维人脸图像输入所述第二子模型,得到第四特征向量;
根据所述第三特征向量以及所述第四特征向量,迭代调整所述初始捏脸参数,得到所述目标捏脸参数。
10.根据权利要求7-9任一项所述的方法,其中,所述方法还包括:
对所述目标捏脸参数进行渲染,重建所述目标二维人脸图像。
11.一种模型训练装置,包括:
样本获取单元,被配置成获取训练样本集合,所述训练样本集合包括样本捏脸参数以及对应的样本二维人脸图像;
第一训练单元,被配置成利用所述训练样本集合训练目标模型中的第一子模型,所述第一子模型用于表征捏脸参数与二维人脸图像之间的对应关系;
第二训练单元,被配置成响应于确定所述第一子模型训练完成,根据所述训练样本集合以及训练完成的第一子模型,训练所述目标模型的第二子模型,所述第二子模型用于表征二维人脸图像与特征向量之间的对应关系。
12.根据权利要求11所述的装置,其中,所述第二训练单元进一步被配置成:
根据所述训练样本集合中的各样本捏脸参数以及所述训练完成的第一子模型,确定参考二维人脸图像集合;
根据所述训练样本集合中的各样本二维人脸图像以及所述参考二维人脸图像集合,训练所述目标模型的第二子模型。
13.根据权利要求12所述的装置,其中,所述第二训练单元进一步被配置成:
将所述训练样本集合中各训练样本的样本捏脸参数输入训练完成的第一子模型,将训练完成的第一子模型的输出作为输入的样本捏脸参数对应的参考二维人脸图像,得到所述参考二维人脸图像集合。
14.根据权利要求12所述的装置,其中,所述第二训练单元进一步被配置成:
将所述参考二维人脸图像集合中的各参考二维人脸图像输入所述第二子模型,得到各参考二维人脸图像对应的第一特征向量;
将输入训练完成的第一子模型的样本捏脸参数对应的样本二维人脸图像输入所述第二子模型,得到各样本二维人脸图像对应的第二特征向量;
根据各第一特征向量以及各第二特征向量迭代调整所述第二子模型的参数。
15.根据权利要求11-14任一项所述的装置,其中,所述样本获取单元进一步被配置成:
生成多个样本捏脸参数;
对各样本捏脸参数进行渲染,确定与各样本捏脸参数对应的样本二维人脸图像,得到所述训练样本集合。
16.根据权利要求11-15任一项所述的装置,其中,所述第一训练单元进一步被配置成:
将所述训练样本集合中各训练样本的样本捏脸参数作为所述第一子模型的输入,根据所述第一子模型的输出与所输入的样本捏脸参数对应的样本二维人脸图像之间的差异调整所述第一子模型的参数。
17.一种信息输出装置,包括:
人脸图像获取单元,被配置成获取目标二维人脸图像以及初始捏脸参数;
捏脸参数确定单元,被配置成根据所述目标二维人脸图像、所述初始捏脸参数以及预先训练的目标模型,确定所述目标二维人脸图像对应的目标捏脸参数,所述目标模型通过权利要求1-6任一项所述的模型训练方法训练得到;
捏脸参数输出单元,被配置成输出所述目标捏脸参数。
18.根据权利要求17所述的装置,其中,所述捏脸参数确定单元进一步被配置成:
根据所述初始捏脸参数以及所述目标模型中的第一子模型,确定初始二维人脸图像;
根据所述初始二维人脸图像、所述目标二维人脸图像以及所述目标模型中的第二子模型,调整所述初始捏脸参数,得到所述目标捏脸参数。
19.根据权利要求17所述的装置,其中,所述捏脸参数确定单元进一步被配置成:
将所述初始二维人脸图像输入所述第二子模型,得到第三特征向量;
将所述目标二维人脸图像输入所述第二子模型,得到第四特征向量;
根据所述第三特征向量以及所述第四特征向量,迭代调整所述初始捏脸参数,得到所述目标捏脸参数。
20.根据权利要求17-19任一项所述的装置,其中,所述装置还包括渲染单元,被配置成:
对所述目标捏脸参数进行渲染,重建所述目标二维人脸图像。
21.一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1-6中任一项所述的方法。
22.一种执行信息输出方法的电子设备,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7-10中任一项所述的方法。
23.一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1-6中任一项所述的方法或执行权利要求7-10中任一项所述的方法。
24.一种计算机程序产品,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1-6中任一项所述的方法或执行权利要求7-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359314.0A CN113052962B (zh) | 2021-04-02 | 2021-04-02 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359314.0A CN113052962B (zh) | 2021-04-02 | 2021-04-02 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052962A true CN113052962A (zh) | 2021-06-29 |
CN113052962B CN113052962B (zh) | 2022-08-19 |
Family
ID=76517496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359314.0A Active CN113052962B (zh) | 2021-04-02 | 2021-04-02 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052962B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947147A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 目标地图模型的训练方法、定位方法及相关装置 |
WO2023160350A1 (zh) * | 2022-02-25 | 2023-08-31 | 北京字跳网络技术有限公司 | 一种脸部处理方法、装置、计算机设备及存储介质 |
CN117839222A (zh) * | 2023-12-28 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 三维角色的个性化脸部显示方法、装置、设备及存储介质 |
CN117839222B (zh) * | 2023-12-28 | 2024-07-09 | 腾讯科技(深圳)有限公司 | 三维角色的个性化脸部显示方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636886A (zh) * | 2018-12-19 | 2019-04-16 | 网易(杭州)网络有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN109902767A (zh) * | 2019-04-11 | 2019-06-18 | 网易(杭州)网络有限公司 | 模型训练方法、图像处理方法及装置、设备和介质 |
CN111009031A (zh) * | 2019-11-29 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 一种人脸模型生成的方法、模型生成的方法及装置 |
CN111389008A (zh) * | 2020-03-16 | 2020-07-10 | 网易(杭州)网络有限公司 | 虚拟角色的面部生成方法、自动捏脸方法及装置 |
CN111739155A (zh) * | 2020-06-24 | 2020-10-02 | 网易(杭州)网络有限公司 | 虚拟角色捏脸方法、装置和终端设备 |
CN112308949A (zh) * | 2020-06-29 | 2021-02-02 | 北京京东尚科信息技术有限公司 | 模型训练、人脸图像生成方法和装置以及存储介质 |
CN112802162A (zh) * | 2021-02-02 | 2021-05-14 | 网易(杭州)网络有限公司 | 虚拟角色的面部调整方法及装置、电子设备、存储介质 |
-
2021
- 2021-04-02 CN CN202110359314.0A patent/CN113052962B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636886A (zh) * | 2018-12-19 | 2019-04-16 | 网易(杭州)网络有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN109902767A (zh) * | 2019-04-11 | 2019-06-18 | 网易(杭州)网络有限公司 | 模型训练方法、图像处理方法及装置、设备和介质 |
CN111009031A (zh) * | 2019-11-29 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 一种人脸模型生成的方法、模型生成的方法及装置 |
CN111389008A (zh) * | 2020-03-16 | 2020-07-10 | 网易(杭州)网络有限公司 | 虚拟角色的面部生成方法、自动捏脸方法及装置 |
CN111739155A (zh) * | 2020-06-24 | 2020-10-02 | 网易(杭州)网络有限公司 | 虚拟角色捏脸方法、装置和终端设备 |
CN112308949A (zh) * | 2020-06-29 | 2021-02-02 | 北京京东尚科信息技术有限公司 | 模型训练、人脸图像生成方法和装置以及存储介质 |
CN112802162A (zh) * | 2021-02-02 | 2021-05-14 | 网易(杭州)网络有限公司 | 虚拟角色的面部调整方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
SHINJIN KANG: "Facial Feature Based Image-to-Image Translation Method", 《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》 * |
吴越: "基于深度学习的三维人脸重建算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947147A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 目标地图模型的训练方法、定位方法及相关装置 |
CN113947147B (zh) * | 2021-10-18 | 2023-04-18 | 北京百度网讯科技有限公司 | 目标地图模型的训练方法、定位方法及相关装置 |
WO2023160350A1 (zh) * | 2022-02-25 | 2023-08-31 | 北京字跳网络技术有限公司 | 一种脸部处理方法、装置、计算机设备及存储介质 |
CN117839222A (zh) * | 2023-12-28 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 三维角色的个性化脸部显示方法、装置、设备及存储介质 |
CN117839222B (zh) * | 2023-12-28 | 2024-07-09 | 腾讯科技(深圳)有限公司 | 三维角色的个性化脸部显示方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113052962B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140603B (zh) | 虚拟形象生成模型的训练方法和虚拟形象生成方法 | |
CN113327278B (zh) | 三维人脸重建方法、装置、设备以及存储介质 | |
CN113658309B (zh) | 三维重建方法、装置、设备以及存储介质 | |
CN115049799B (zh) | 3d模型和虚拟形象的生成方法和装置 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN113052962B (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN113902956B (zh) | 融合模型的训练方法、图像融合方法、装置、设备及介质 | |
CN114612290A (zh) | 图像编辑模型的训练方法和图像编辑方法 | |
CN112884889B (zh) | 模型训练、人头重建方法,装置,设备以及存储介质 | |
CN114092673B (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113380269B (zh) | 视频图像生成方法、装置、设备、介质和计算机程序产品 | |
CN113962845B (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
CN110874869B (zh) | 生成虚拟动画表情的方法和装置 | |
CN114266937A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
CN112862934A (zh) | 用于处理动画的方法、装置、设备、介质和产品 | |
CN115147547B (zh) | 人体重建方法和装置 | |
CN115311403B (zh) | 深度学习网络的训练方法、虚拟形象生成方法及装置 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN114529649A (zh) | 图像处理方法和装置 | |
CN114419182A (zh) | 图像处理方法和装置 |
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 |