CN113313631A - 图像渲染方法和装置 - Google Patents

Abstract

本公开提供了图像渲染方法和装置，涉及图像处理增强现实和深度学习等人工智能领域。具体实现方案为：获取人脸图像；基于人脸图像进行人脸建模，生成原始模型；将人脸图像转换成分辨率提高预定倍数的目标图像；将原始模型放大预定倍数，生成目标模型；基于目标图像对目标模型进行渲染。该实施方式使得经渲染得到的图像更加清晰、自然。

Description

图像渲染方法和装置

技术领域

本公开涉及图像处理增强现实和深度学习等人工智能领域，具体为图像渲染方法和装置。

背景技术

相关技术中直接基于原始关键帧进行采样生成UV map(UV坐标纹理贴图)的技术方案具有明显的缺点，需要强烈依赖高性能相机设备采集，并且需要人工进行图像后续处理。关键帧的摄影和选取在于动画制作者的艺术创造性，需要很强的专业知识。直接使用人脸UV map进行纹理渲染，人脸局部细节会变模糊。这是由于采用插值渲染算法时，人脸网格三角片上三条边的线面积过大，渲染时候三条边上纹理的采样密度过高。这会使得一些细节部位，比如眼部以及鼻翼部分模糊和过度不自然。

此外，相关技术方案是面向特定人像的，即便是对于不同的虚拟人像也需要重新去拍摄关键帧和相应的后续处理。相关技术方案只能使用高性能设备做补充以及作为后处理手段，无法满足实时性要求。

发明内容

本公开提供了一种图像渲染方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种图像渲染方法，包括：获取人脸图像；基于人脸图像进行人脸建模，生成原始模型；将人脸图像转换成分辨率提高预定倍数的目标图像；将原始模型放大预定倍数，生成目标模型；基于目标图像对目标模型进行渲染。

根据本公开的第二方面，提供了一种图像渲染装置，包括：获取单元，被配置成获取人脸图像；重建单元，被配置成基于人脸图像进行人脸建模，生成原始模型；转换单元，被配置成将人脸图像转换成分辨率提高预定倍数的目标图像；放大单元，被配置成将原始模型放大预定倍数，生成目标模型；渲染单元，被配置成基于目标图像对目标模型进行渲染。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与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，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第一方面的方法。

根据本公开的第四方面，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，其中，计算机指令用于使计算机执行第一方面的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现第一方面的方法。

本公开的实施例提供的图像渲染方法和装置，将低清图片转换成高清图片，同时对建立的原始模型放大预定倍数得到目标模型。通过高清图片对目标模型进行渲染，可以使目标模型更加清晰自然，特别是眼部以及鼻翼等部位。

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是根据本公开的图像渲染方法的一个实施例的流程图；

图3a-3c是根据本公开的图像渲染方法的一个应用场景的示意图；

图4是根据本公开的图像渲染方法的又一个实施例的流程图；

图5是根据本公开的图像渲染装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的图像渲染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。

图1示出了可以应用本公开的图像渲染方法或图像渲染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，例如人脸动画类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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，可以是具有显示屏并且支持播放动画的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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。

终端设备101、102、103还可安装有摄像头，用于采集人脸图像。再根据采集的人脸图像由终端设备或服务器进行图像渲染。

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上显示的动画提供支持的动画服务器。动画服务器可以对接收到的人脸图像进行分析等处理，并将处理结果(例如渲染的人脸动画)反馈给终端设备。服务器105还可将中间过程的相关数据(例如，高清人脸图像、模型)返回给终端设备，使得终端设备可以离线进行图像渲染。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的多个软件或软件模块)，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。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开的实施例所提供的图像渲染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，图像渲染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中。在此不做具体限定。

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图像渲染方法的一个实施例的流程200。该图像渲染方法，包括以下步骤：

步骤201，获取人脸图像。

在本实施例中，图像渲染方法的执行主体(例如终端设备或服务器)可接收图像渲染请求，该请求可包括人脸图像，人脸图像可以是一张图像，也可以是一段视频中的每一帧图像。

步骤202，基于人脸图像进行人脸建模，生成原始模型。

在本实施例中，可采用基于模型的人脸建模方法，可以是二维人脸模型或者三维人脸模型等。优选的，可以是3DMM(3D Morphable Models，三维形变模型)。模型主要用三角网格或点云来表示。对于一张给定的人脸照片，需要将模型与人脸图像进行配准，然后对模型的参数进行调整，使其与照片中的人脸差异值达到最小。可选的，不断依据模型与输入的人脸图像进行比对，不断进行迭代，使两者之间的比对误差达到最小，这个时候，可以近似认为该模型即为对应输入的人脸图像的模型。

步骤203，将人脸图像转换成分辨率提高预定倍数的目标图像。

在本实施例中，可通过卷积神经网络提高人脸图像的分辨率。卷积神经网络可以是普通的多层卷积神经网络，还可以是超分辨率模型。通过卷积神经网络的特征提取层提取人脸图像特征，再通过几层反卷积就可以输出高分辨率的图像。可根据需求设计卷积层的数量，从而控制分辨率提到了预定倍数。例如，可将分辨率提高4倍，即将图像扩大4倍。

步骤204，将原始模型放大预定倍数，生成目标模型。

在本实施例中，可按步骤203的预定倍数对原始模型放大。放大后的模型为需要进行渲染的目标模型。可将点云数据之间的间距增大，或增大人脸网格中三角片的面积。使得单位面积上的边的数量变得稀疏。

步骤205，基于目标图像对目标模型进行渲染。

在本实施例中，从目标图像中采样得到颜色信息，给目标模型着色，生成人脸动画。

本公开的上述实施例提供的方法，通过建模图像在不同尺寸下的纹理变化关系将低清图片呈现为高清。结合人脸mesh(网格)对应的尺寸变化进行重采样，生成清晰和一致UV map纹理。

三维人脸上的点经过弱透视投影，可以找到图像上的位置，而UV map的纹理越清晰和一致，渲染后的细节效果越好。因此本公开的上述实施例提供的方法通过提高UV map的纹理的清晰度和一致性，能够使得渲染出的图像体现出更多的细节，更加细腻、逼真。

在本实施例的一些可选的实现方式中，将人脸图像转换成分辨率提高预定倍数的目标图像，包括：通过超分辨率模型将人脸图像转换成分辨率提高预定倍数的目标图像。超分辨率技术(Super-Resolution,SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。超分辨率模型可采用SRCNN(Super-Resolution Convolutional Neural Networks，超分辨率卷积神经网络)、VDSR(Very Deep Super-Resolution，极深超分辨率)等网络结构。通过超分辨率模型能够快速、准确地得到高清的人脸图像，减少了图像处理时间。

在本实施例的一些可选的实现方式中，将原始模型放大预定倍数，生成目标模型，包括：将所述原始模型的点云之间的距离增加预定倍数；在增加了距离的点云之间插入新的点云。实现了对原始模型的点云执行放大预定倍数的操作，结合插值算法使得在人脸网格中三角片上三条边的线面积变稀疏。可将点云之间的距离增加预定倍数，为了保证模型的表面光滑，还可插入新的点云，但最终结果是人脸网格中三角片上三条边的线面积变稀疏。这样可以使得在渲染时候三条边上纹理的采样密度变低，会使得一些细节部位，比如眼部以及鼻翼部分清晰和自然。

在本实施例的一些可选的实现方式中，基于目标图像对目标模型进行渲染，包括：从目标图像中提取颜色信息，生成纹理贴图；将纹理贴图中每个点的颜色对应到目标模型的表面，在点与点之间的间隙位置进行图像光滑插值处理。可从目标图像中采样出一些像素点的颜色，生成纹理贴图(UV map)。U，V是指纹理贴图坐标的简称。它定义了图片上每个点的位置的信息。这些点与模型是相互联系的,以决定表面纹理贴图的位置。UV map本质就是一张RGB图，UV map的(i，j)点处的RGB分别代表三维空间中的颜色信息，对应三维人脸上的一个点，而有了UV map就有了三维人脸渲染的模版。模型的展开平面要比UV map大，因此，模型上的一些区域在UV map找不到对应的点(点与点之间的间隙位置)，此时需要根据UV map上已知颜色的点对点与点之间的间隙位置进行图像光滑插值处理，给点与点之间的间隙位置着色。从而使得某些突出的部位例如眼部、鼻翼等更加清晰自然。

在本实施例的一些可选的实现方式中，获取人脸图像，包括：获取人脸视频帧集合；从人脸视频帧集合中检测出人脸表情为中性的人脸视频帧作为人脸图像。可以获取一段视频，对视频中的每个人脸视频帧进行人脸关键点检测，重点检测嘴角部位。通过关键点检测可确定出人脸表情。中性表情实际是没有情绪的表情，既不喜也不悲。可检出嘴角是上扬(喜)、下耷(悲)、平的(中性)。另外，还需要挑选出正面人脸图像，舍弃侧面人脸图像。只需要挑选出一帧正面的中性人脸图像即可停止对其它帧的检测。将正面的中性人脸图像作为关键帧，此时的人脸的每个部位都是最清晰的，可以作为人脸动画的初始表情。在此基础上再根据需求生成不同情绪的表情。

继续参见图3a-3c，图3a-3c是根据本实施例的图像渲染方法的应用场景的一个示意图。在图3a-3c的应用场景中，首先提取正面的中性人脸图像作为关键帧，然后对关键帧进行人脸建模，产出对应脸部的3D mesh。如图3b所示，通过超分处理将低清图片呈现为高清，这个过程网络会学习图片不同尺寸下的纹理变化关系，将低清图片呈现为高清。如图3c所示通过对低清图片做超分处理，同时对原始空间的点云做对应的尺度操作，结合插值算法可以使得在人脸3D mesh中三角片上三条边的线面积尽可能的稀疏。线面积的降低会相应降低对应三角片三条边上的点相对于原始关键帧的采样密度，进而提高产出的UV map上纹理的一致性。使用此时生成的UV map进行渲染，将图像上每一个点精确对应到人脸模型的表面。在点与点之间的间隙位置由软件进行图像光滑插值处理可以使眼部以及鼻翼部分更加清晰自然。

进一步参考图4，其示出了图像渲染方法的又一个实施例的流程400。该图像渲染方法的流程400，包括以下步骤：

步骤401，获取人脸图像。

步骤402，基于人脸图像进行人脸建模，生成原始模型。

步骤403，将人脸图像转换成分辨率提高预定倍数的目标图像。

步骤404，将原始模型放大预定倍数，生成目标模型。

步骤405，基于目标图像对目标模型进行渲染。

步骤401-405与步骤201-205基本相同，因此不再赘述。

步骤406，将目标图像和目标模型存储到本地。

在本实施例中，可将服务器离线计算的目标图像和目标模型存储到终端设备。也可以存储到服务器本地。使用时直接调用，而不需要再重新计算。

步骤407，响应于接收到表情参数，根据表情参数调整目标模型的关键点，得到调整后的目标模型。

在本实施例中，为了生成不同的动画表情，可输入不同的表情参数。每一帧图像对应一组表情参数。人像的面部驱动(包括口型)是由一些动画引擎预定义的一组BlenderShape(BS，表情参数)参数控制的。BS参数是一个向量，每一个维度取值范围为[0,1],代表一个特定的面部运动。例如jaw_open这个维度控制着下巴的张合程度，数值越大表示张合越大。类似的，控制虚拟人面部各个肌肉维度的总共370个BS，共同控制虚拟人的面部运动，让其拥有表达各种表情的能力。

步骤408，基于目标图像对调整后的目标模型进行渲染，生成人脸动画。

在本实施例中，可使用相关技术常用的渲染方法，基于表情参数进行渲染，得到动画，从而完成虚拟形象的驱动。

从图4中可以看出，与图2对应的实施例相比，本实施例中的图像渲染方法的流程400体现了将超分离线处理的步骤，而动画驱动是在线实时处理。不会增加渲染耗时，并且能够在渲染时候增加更多的细节和平滑效果。因此对硬件的需求不高，可以在终端设备上进行人脸驱动。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像渲染装置的一个实施例，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。

本公开还提供了一种图像渲染装置，用于执行上述步骤201-205所述的图像渲染方法。

如图5所示，本实施例的图像渲染装置500包括：获取单元501、重建单元502、转换单元503、放大单元504、渲染单元505。其中，获取单元501，被配置成获取人脸图像。重建单元502，被配置成基于人脸图像进行人脸建模，生成原始模型。转换单元503，被配置成将人脸图像转换成分辨率提高预定倍数的目标图像。放大单元504，被配置成将原始模型放大预定倍数，生成目标模型。渲染单元505，被配置成基于目标图像对目标模型进行渲染。

在本实施例中，图像渲染装置500的获取单元501、重建单元502、转换单元503、放大单元504、渲染单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，转换单元503进一步被配置成：通过超分辨率模型将人脸图像转换成分辨率提高预定倍数的目标图像。

在本实施例的一些可选的实现方式中，放大单元504进一步被配置成：将所述原始模型的点云之间的距离增加预定倍数；在增加了距离的点云之间插入新的点云。

在本实施例的一些可选的实现方式中，渲染单元505进一步被配置成：从目标图像中提取颜色信息，生成纹理贴图。将纹理贴图中每个点的颜色对应到目标模型的表面，在点与点之间的间隙位置进行图像光滑插值处理。

在本实施例的一些可选的实现方式中，获取单元501进一步被配置成：获取人脸视频帧集合。从人脸视频帧集合中检测出人脸表情为中性的人脸视频帧作为人脸图像。

在本实施例的一些可选的实现方式中，装置500还包括驱动单元(附图中未示出)，被配置成：将目标图像和目标模型存储到本地。响应于接收到表情参数，根据表情参数调整目标模型的关键点，得到调整后的目标模型。基于目标图像对调整后的目标模型进行渲染。

需要说明的是，本实施例中涉及的操作并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。

本实施例中的人脸图像可以来自于公开数据集，或者人脸图像的获取是经过了人脸图像对应的用户的授权。

本实施例中，图像渲染方法的执行主体可以通过各种公开、合法合规的方式获取人脸图像，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。

需要说明的是，通过本步骤得到的动画包含了人脸图像指示的用户的人脸信息，但该动画的生成是在经用户授权后执行的，其生成过程符合相关法律法规。

根据本公开的实施例，本公开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。

一种电子设备，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流程200或400所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或400所述的方法。

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流程200或400所述的方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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6所示，设备600包括计算单元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单元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。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)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；存储单元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。

计算单元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。计算单元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计算单元、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。计算单元601执行上文所描述的各个方法和处理，例如进行图像渲染。例如，在一些实施例中，图像渲染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介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像渲染方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像渲染方法。

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。这些程序代码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或控制器执行时使流程图和/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。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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)、光学储存设备、磁储存设备、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。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器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。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

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，本发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，均应包含在本公开保护范围之内。

Claims (15)

1.一种图像渲染方法，包括：

获取人脸图像；

基于所述人脸图像进行人脸建模，生成原始模型；

将所述人脸图像转换成分辨率提高预定倍数的目标图像；

将所述原始模型放大所述预定倍数，生成目标模型；

基于所述目标图像对所述目标模型进行渲染。

2.根据权利要求1所述的方法，其中，所述将所述人脸图像转换成分辨率提高预定倍数的目标图像，包括：

通过超分辨率模型将所述人脸图像转换成分辨率提高预定倍数的目标图像。

3.根据权利要求1所述的方法，其中，所述将所述原始模型放大所述预定倍数，生成目标模型，包括：

将所述原始模型的点云之间的距离增加至预定倍数；

在距离增加至所述预定倍数的点云之间插入新的点云，以生成所述目标模型。

4.根据权利要求1所述的方法，其中，所述基于所述目标图像对所述目标模型进行渲染，包括：

从所述目标图像中提取颜色信息，生成纹理贴图；

将所述纹理贴图中每个点的颜色对应到所述目标模型的表面，在点与点之间的间隙位置进行图像光滑插值处理。

5.根据权利要求1所述的方法，其中，所述获取人脸图像，包括：

获取人脸视频帧集合；

从所述人脸视频帧集合中检测出人脸表情为中性的人脸视频帧作为所述人脸图像。

6.根据权利要求1-5中任一项所述的方法，其中，所述方法还包括：

将所述目标图像和所述目标模型存储到本地；

响应于接收到表情参数，根据所述表情参数调整所述目标模型的关键点，得到调整后的目标模型；

基于所述目标图像对所述调整后的目标模型进行渲染。

7.一种图像渲染装置，包括：

获取单元，被配置成获取人脸图像；

重建单元，被配置成基于所述人脸图像进行人脸建模，生成原始模型；

转换单元，被配置成将所述人脸图像转换成分辨率提高预定倍数的目标图像；

放大单元，被配置成将所述原始模型放大所述预定倍数，生成目标模型；

渲染单元，被配置成基于所述目标图像对所述目标模型进行渲染。

8.根据权利要求7所述的装置，其中，所述转换单元进一步被配置成：

通过超分辨率模型将所述人脸图像转换成分辨率提高预定倍数的目标图像。

9.根据权利要求7所述的装置，其中，所述放大单元进一步被配置成：

将所述原始模型的点云之间的距离增加至预定倍数；

在距离增加至所述预定倍数的点云之间插入新的点云，以生成所述目标模型。

10.根据权利要求7所述的装置，其中，所述渲染单元进一步被配置成：

从所述目标图像中提取颜色信息，生成纹理贴图；

将所述纹理贴图中每个点的颜色对应到所述目标模型的表面，在点与点之间的间隙位置进行图像光滑插值处理。

11.根据权利要求7所述的装置，其中，所述获取单元进一步被配置成：

获取人脸视频帧集合；

从所述人脸视频帧集合中检测出人脸表情为中性的人脸视频帧作为所述人脸图像。

12.根据权利要求7-11中任一项所述的装置，其中，所述装置还包括驱动单元，被配置成：

将所述目标图像和所述目标模型存储到本地；

响应于接收到表情参数，根据所述表情参数调整所述目标模型的关键点，得到调整后的目标模型；

基于所述目标图像对所述调整后的目标模型进行渲染。

13.一种电子设备，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。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，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。

Images