CN113344776B - 图像处理方法、模型训练方法、装置、电子设备及介质 - Google Patents
图像处理方法、模型训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113344776B CN113344776B CN202110737811.XA CN202110737811A CN113344776B CN 113344776 B CN113344776 B CN 113344776B CN 202110737811 A CN202110737811 A CN 202110737811A CN 113344776 B CN113344776 B CN 113344776B
- Authority
- CN
- China
- Prior art keywords
- image
- special effect
- generator
- image processing
- training
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003672 processing method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 330
- 238000012545 processing Methods 0.000 claims abstract description 153
- 230000008485 antagonism Effects 0.000 claims abstract description 6
- 238000009877 rendering Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 241000255789 Bombyx mori Species 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 210000000744 eyelid Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像处理方法、模型训练方法、装置、电子设备及介质,其中图像处理方法包括:响应于特效触发指令,将待处理图像输入图像处理模型;通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像;其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。由于图像处理模型,基于生成对抗网络中的生成器,以及可调整的目标对象生成的图像进行训练,基于该图像处理器输出的目标图像,其处理结果真实性较佳、且美化效果好。
Description
技术领域
本公开实施例涉及图像处理领域,尤其涉及一种图像处理方法、模型训练方法、装置、电子设备及介质。
背景技术
随着科技的发展,越来越多的应用软件(Application,App)走进了用户的生活。目前,一些App可支持人脸图像美化的特效玩法,深受用户喜爱。
现有技术中,App进行人脸图像美化时,通常基于选取的特效,从特效库中提取相应特效数据,并将其作用于人脸图像相应位置。
现有技术的不足之处,至少包括:将特效数据作用于人脸图像,得到的特效图像真实性较差,美化效果得不到保证。
发明内容
本公开实施例提供了一种图像处理方法、模型训练方法、装置、电子设备及介质,能够得到真实性较佳的特效图像,且美化效果好。
第一方面,本公开实施例提供了一种图像处理方法,包括:
响应于特效触发指令,将待处理图像输入图像处理模型;
通过所述图像处理模型,输出包含特效对象,且去除与所述特效对象对应的冲突对象的目标图像;
其中,所述图像处理模型,基于叠加目标对象的去除所述冲突对象的图像训练而成;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;所述去除所述冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
第二方面,本公开实施例提供了一种模型训练方法,包括:
将原始图像输入第一生成器,通过所述第一生成器,生成去除与特效对象对应的冲突对象的第一图像;
将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;
根据所述原始图像和所述第三图像,对所述图像处理模型进行训练;
其中,所述第一生成器和所述第二生成器随生成对抗网络进行训练。
第三方面,本公开实施例还提供了一种图像处理装置,包括:
输入模块,用以响应于特效触发指令,将待处理图像输入图像处理模型;
输出模块,用以通过所述图像处理模型,输出包含特效对象,且去除与所述特效对象对应的冲突对象的目标图像;
其中,所述图像处理模型,基于叠加目标对象的去除所述冲突对象的图像训练而成;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;所述去除所述冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
第四方面,本公开实施例还提供了一种模型训练装置,包括:
第一图像生成模块,用以将原始图像输入第一生成器,通过所述第一生成器,生成去除与特效对象对应的冲突对象的第一图像;
第二图像生成模块,用以将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
第三图像生成模块,用以基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;
训练模块,用以根据所述原始图像和所述第三图像,对所述图像处理模型进行训练;
其中,所述第一生成器和所述第二生成器随生成对抗网络进行训练。
第五方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例任一所述的图像处理方法,或实现如本公开实施例任一所述的模型训练方法。
第六方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像处理方法,或实现如本公开实施例任一所述的模型训练方法。
本公开实施例提供的图像处理方法、模型训练方法、装置、电子设备及介质,其中图像处理方法包括:响应于特效触发指令,将待处理图像输入图像处理模型;通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像;其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
通过将可调节的与特效对象具备相同呈现效果的目标对象,叠加到基于生成对抗网络训练得到的生成器所生成的去除冲突对象的图像上,能够得到用于进行图像处理模型训练的图像。由于目标对象可以为预先调节的、呈现特效对象的效果较佳的对象,且基于生成对抗网络训练得到的生成器所生成的图像的真实性更佳,通过基于特效蒙版和生成器生成的图像,来进行图像处理模型训练,能够使得基于训练完成的图像处理模型处理的图像,真实性较佳、且美化效果好。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种图像处理方法的流程示意图;
图2为本公开实施例二所提供的一种图像处理方法的流程示意图;
图3为本公开实施例三所提供的一种模型训练方法的流程示意图;
图4为本公开实施例四所提供的一种图像处理装置的结构示意图;
图5为本公开实施例五所提供的一种模型训练装置的结构示意图;
图6为本公开实施例六所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种图像处理方法的流程示意图。本公开实施例适用于图像处理的情形,例如适用于对人脸图像进行美化的情形。该方法可以由图像处理装置来执行,该装置可以通过软件和/或硬件的形式实现,该装置可集成于应用软件,且可随应用软件安装到电子设备中,例如安装到手机、电脑等电子设备中。
如图1所示,本实施例提供的图像处理方法,包括:
S110、响应于特效触发指令,将待处理图像输入图像处理模型。
执行本公开实施例提供的图像处理方法的装置,可集成于支持图像处理功能的应用软件中,且可随应用软件安装于手机、电脑等电子设备中。其中,应用软件可以为涉及图像/视频的多媒体类应用软件,例如图像/视频采集类软件、图像/视频处理类软件、多媒体分享类软件和多媒体通信类软件等,在此不做穷举。
当电子设备运行该些应用软件时,可通过应用软件提供的用户界面接收特效触发指令。并且,应用软件在接收到特效触发指令后,可以调用图像处理装置执行图像处理方法。其中,特效触发指令,可以认为是用于触发对图像/视频执行特效的指令。其中,特效触发指令中可以携带有特效的特效标识,每种特效标识可以唯一表征对应的特效。其中,特效可以包括但不限于,添加虚拟对象和/或去除图像中真实对象的特殊效果。示例性的,当应用软件为人脸图像美化的应用时,特效可以包括但不限于添加卧蚕特效、添加双眼皮特效、添加酒窝特效、去除眼纹特效和去除法令纹特效等。
其中,待处理图像可以为通过应用软件采集的图像,也可以为应用软件读取的电子设备存储空间中的图像。当应用软件获取到待处理图像,并接收到特效触发指令时,可以将获取的待处理图像作为调用参数,调用图像处理装置,以使图像处理装置对待处理图像执行特效。
其中,图像处理模型可以为预先训练的机器学习模型,例如,可以为应用软件的服务器预先训练的机器学习模型。并且,服务器可于训练完毕后下发至应用软件,以供图像处理使用。其中,针对每种特效,服务器可以对相应的图像处理模型进行预先训练,即应用软件可以接收到多种图像处理模型。并且,图像处理装置响应于应用软件接收到图像处理模型,可以记录特效的特效标识和图像处理模型的模型标识之间的对应关系。
相应的,当应用软件获取到待处理图像,并接收到特效触发指令时,还可以将特效处理指令中携带的特效标识作为调用参数,调用图像处理装置。图像处理装置可以首先根据记录的特效标识和模型标识的关系,确定与接收的特效标识对应的目标模型标识;然后可以选用目标模型标识对应的图像处理模型,来对待处理图像执行特效。
S120、通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像。
其中,特效对象可以认为是添加的虚拟对象;冲突对象可以认为是待处理图像中的真实对象。其中,冲突对象可以认为是,降低特效对象呈现效果的对象。例如,特效对象为虚拟的双眼皮时,待处理图像中真实的双眼皮将影响特效的呈现效果,因此可将真实的双眼皮作为与特效对象对应的冲突对象。
其中,图像处理模型可以在训练阶段,通过训练学习到特效对象和冲突对象的对应关系。从而,基于训练完成的图像处理模型执行特效时,即可在待处理图像中生成特效对象,并去除冲突对象,以生成执行特效后的目标图像。
其中,图像处理模型在进行预先训练时,可以基于叠加目标对象的去除冲突对象的图像训练而成。例如可以是,基于原始图像,与原始图像经去除冲突对象并叠加目标对象后的图像,进行图像处理模型训练。
其中,目标对象可以包括与特效对象具备相同呈现效果,且具备调节性的对象。例如,目标对象可以基于呈现效果较佳的特效对象生成。并且,包含特效对象的图像,可以基于生成对抗网络训练得到的生成器生成。其中,去除冲突对象的图像,也可以由基于生成对抗网络训练得到的生成器生成。由于生成对抗网络训练过程中,生成器和判别器之间互相博弈学习。通过基于生成对抗网络训练得到的生成器,所生成的图像能够真实性更高、效果更好。
由于目标对象可以为预先调节的、呈现特效对象的效果较佳的对象,且基于生成对抗网络训练得到的生成器所生成的图像的真实性更佳,通过基于目标对象和生成器生成的图像,来进行图像处理模型训练,能够使得基于训练完成的图像处理模型处理的图像,真实性较佳、且美化效果好。
在一些可选的实现方式中,图像处理方法可应用于人脸图像美化应用;其中,特效对象包括基于图像处理模型生成的第一人脸组织对象;冲突对象包括待处理图像中包含的第二人脸组织对象。
其中,当应用软件为人脸图像美化应用时,特效对象可以为基于图像处理模型生成的虚拟的第一人脸组织对象,冲突对象可以为待处理图像中包含的真实的第二人脸组织对象。例如,若特效对象包括卧蚕,则冲突对象可以包括真实的卧蚕、泪沟和/或眼袋;若特效对象包括双眼皮,则冲突对象包括真实的双眼皮。
传统方案中,通过将特效数据作用于人脸图像,得到的特效仅覆盖在人脸区域特定位置上,使特效呈现得非常虚假。并且,由于覆盖位置的不精准,还容易出现特效并未产生预期美化效果的情况,从而用户体验较差。
而在这些可选的实现方式中,通过图像处理装置执行特效时,不仅可以生成特效对象,还可以去除影响特效对象呈现的冲突对象。并且,图像处理装置在训练过程中,可以通过基于目标对象和生成器生成的图像来进行训练,能够使得基于训练完成的图像处理模型生成的特效对象,真实性更加佳、且美化效果更好,从而可以提高用户体验。
值得注意的是,上述实施例中公开了图像处理方法可以由安装于应用软件的图像处理装置执行,图像处理模型的训练过程可以由应用软件的服务器执行。但是,理论上图像处理方法和图像处理模型的训练过程,可以皆由应用软件执行,也可以皆由服务器执行。因此,上述公开的图像处理方法和图像处理模型的训练过程的执行主体,并不能成为图像处理方法和图像处理模型的训练过程的执行主体的限制。
本公开实施例提供的图像处理方法,响应于特效触发指令,将待处理图像输入图像处理模型;通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像;其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
通过将可调节的与特效对象具备相同呈现效果的目标对象,叠加到基于生成对抗网络训练得到的生成器所生成的去除冲突对象的图像上,能够得到用于进行图像处理模型训练的图像。由于目标对象可以为预先调节的、呈现特效对象的效果较佳的对象,且基于生成对抗网络训练得到的生成器所生成的图像的真实性更佳,通过基于特效蒙版和生成器生成的图像,来进行图像处理模型训练,能够使得基于训练完成的图像处理模型处理的图像,真实性较佳、且美化效果好。
实施例二
本公开实施例与上述实施例中所提供的图像处理方法中各个可选方案可以结合。本实施例所提供的图像处理方法,对图像处理模型的训练过程进行了详细描述。通过先对原始图像去除冲突对象,再在此基础上生成特效对象,可在一定程度上提高特效对象的生成效果,能够使生成的目标对象(例如特效蒙版)呈现效果变好。进而,通过将特效蒙版等目标对象调整至最佳的呈现效果,并将调整后的目标对象叠加至去除冲突对象的图像,能够生成质量较高的、用于进行图像处理模型训练的图像。并且,基于可调整的目标对象来生成用于模型训练的图像,与反复训练生成器以得到效果较佳的训练图像相比,能够在保证训练图像效果佳的基础上,缩短训练图像的生成时间,从而可提高图像处理模型的训练效率。
图2为本公开实施例二所提供的一种图像处理方法的流程示意图。如图2所示,本实施例提供的图像处理方法,包括:
S210、将原始图像输入第一生成器,通过第一生成器,生成去除冲突对象的第一图像。
本实施例中,原始图像可以认为是随机的样本图像。其中,原始图像可以通过采集得到、虚拟渲染生成或者网络生成,在此不做穷举。示例性的,假设图像处理方法应用于人脸图像美化应用,那么原始图像可以为在不同角度/光线下的随机的人脸图像。
其中,第一生成器在训练过程中可以包含于第一生成对抗网络,且可以随第一生成对抗网络基于随机的第一样本图像,和未包含冲突对象的第二样本图像进行训练。
其中,第一样本图像也为随机的样本图像,且可以与原始图像的样本集合相同。其中,第二样本图像可以认为是,没有包含冲突对象的样本图像。其中,第一样本图像和第二样本图像,也同样可以通过采集得到、虚拟渲染生成或者网络生成。示例性的,假设原始图像为在不同角度/光线下的随机的人脸图像,特效对象为卧蚕,冲突对象为眼袋。那么,第一样本图像也可以为在不同角度/光线下的随机的人脸图像,第二样本图像可以为在不同角度/光线下没有包含眼袋的人脸图像。
其中,第一生成器随第一生成网络的训练过程,可以包括:首先,将第一样本图像输入第一生成器,以使第一生成器生成未包含冲突对象的第一输出图像;接着,将第二样本图像和第一输出图像,输入第一生成网络中的第一判别器,以使第一判别器判别两类图像的真假,其中标准判别结果为第二样本图像为真,第一输出图像为假;最后,以第一判别器可准确判别两类图像真假为目标训练第一判别器,且以第一生成器生成的输出图像,难以另第一判别器准确判别真假为目标训练第一生成器,通过第一生成器和第一判别器的博弈学习,使第一生成器具有较好的去除冲突对象的图像处理效果。
并且,针对不同应用场景,在利用第一样本图像和第二样本图像进行训练之前,还可以对第一样本图像和第二样本图像进行预处理。其中,预处理可以包括但不限于裁剪、旋转等处理。示例性的,假设特效对象为卧蚕,冲突对象为眼袋。那么,在获取第一样本图像和第二样本图像后,可以根据图像中的人脸关键点,确定出眼部区域,并将眼部区域进行裁剪处理。通过利用裁剪处理的后的图像进行生成对抗网络训练,能够使训练集中学习重要的眼部区域,忽略其他区域,有助于提高训练效果和效率。
通过将原始图像输入训练完毕的第一生成器,能够通过第一生成器对原始图像中的冲突对象进行去除,生成去除冲突对象的第一图像。
S220、将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像。
本实施例中,第二生成器在训练过程中可以包含于第二生成对抗网络,且可以随第二生成对抗网络基于第一样本图像,和包含特效对象的第三样本图像进行训练。
其中,第三样本图像可以认为是,包含特效对象的样本图像。其中,第三样本图像,也同样可以通过采集得到、虚拟渲染生成或者网络生成。示例性的,假设特效对象为卧蚕,冲突对象为眼袋。那么,第三样本图像可以为在不同角度/光线下包含卧蚕的人脸图像。
其中,第二生成器随第二生成网络的训练过程,可以包括:首先,将第一样本图像输入第二生成器,以使第二生成器生成包含特效对象的第二输出图像;接着,将第三样本图像和第二输出图像,输入第二生成网络中的第二判别器,以使第二判别器判别两类图像的真假,其中标准判别结果为第三样本图像为真,第二输出图像为假;最后,以第二判别器可准确判别两类图像真假为目标训练第二判别器,且以第二生成器生成的输出图像,难以另第二判别器准确判别真假为目标训练第二生成器,通过第二生成器和第二判别器的博弈学习,使第二生成器具有较好的生成特效对象的图像处理效果。
并且,在对第一样本图像和第二样本图像进行了预处理的情况下,第三样本图像可采用同样的预处理方式进行图像处理,从而可以提高第二生成对抗网络的训练效果和效率。
通过先对原始图像去除冲突对象生成第一图像,再将第一图像输入训练完毕的第二生成器,能够生成包含特效对象的第二图像。并且,通过先去除冲突对象,再在此基础上生成特效对象,可在一定程度上提高特效对象的生成效果。
S230、基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像。
本实施例中,可以通过提取第二图像中的特效对象,来生成与特效对象呈现相同效果的,且具备可调节性的对象。其中,通过将目标对象与第一图像叠加,能够得到既去除冲突对象,又包含特效对象的第三图像。
在一些可选的实现的方式中,目标对象包括特效蒙版;基于第二图像中的特效对象生成目标对象,可以包括:获取第二图像中特效对象的关键点,并根据关键点生成特效蒙版。
在这些可选的实现方式中,特效蒙版(可称为mask)可以认为是与特效对象呈现相同效果的覆盖层。其中,可以通过基于主动形状模型(Active Shape Model,ASM)算法、主动外观模型(Active Appearance Model,AAM)算法、级联形状回归(Cascaded poseregression,CPR)或深度学习方法等方式,提取出第二图像中特效对象的关键点。进而,可以通过关键点之间的连线区域,确定蒙版的形状(例如矩形、三角形或不规则的多边形等)、像素灰度等属性,以生成与特效对象呈现相同效果的特效蒙版。在一些进一步的可选方式中,在根据关键点生成特效蒙版之后,还可以包括:基于调整指令对特效蒙版进行调整;相应的,将目标对象与第一图像进行叠加,可以包括:将调整后的特效蒙版与第一图像进行叠加。
在这些进一步的可选方式中,对特效蒙版进行调节,可以是对蒙版的形状、大小、强弱等属性进行调节。其中,蒙版的强弱属性可以理解为蒙版的透明度属性。通过基于调整指令对特效蒙版的各属性进行进一步调整,能够将特效蒙版调整至最佳的呈现效果。基于呈现效果最佳的特效蒙版来生成用于进行模型训练的第三图像,能够使得基于训练完成的图像处理模型处理的图像后,图像的美化效果更好。同理,除特效蒙版外的目标对象,也可以在进行调整后叠加到第一图像上,得到第三图像,从而使得目标对象能够呈现最佳效果。
S240、根据原始图像和第三图像,对图像处理模型进行训练。
其中,根据原始图像和第三图像,对图像处理模型进行训练,可以包括:将原始图像输入图像处理模型,以使图像处理模型生成第三输出图像;以第三输出图像和第三图像之间的偏差小于预设偏差为目标,对图像处理模型进行训练。以实现基于图像处理模型,能够输出与基于生成器和特效蒙版生成的图像呈现相同效果的图像。
此外,基于生成器生成的第二图像同样也可用于进行图像处理模型训练。但是,与基于生成器和目标对象生成的第三图像相比,由于目标对象可灵活调节呈现效果,不需要反复训练生成器以得到较佳效果的训练图像,故可以减少训练耗时,提高模型训练效率。
示例性的,假设原始图像记为A,第一生成器记为G1,第二生成器记为G2。那么,进行图像模型训练的过程,可以概述为:首先,基于第一生成器G1,根据原始图像A,可以生成去除冲突对象的第一图像G1(A);其次,基于第二生成器G2,根据第一图像G1(A),生成包含特效对象的第二图像G2(G1(A));再次,根据第二图像G2(G1(A))的关键点,制作特效对象区域的特效蒙版mask;接着,通过调整mask,可控制特效对象呈现效果最佳;然后,可以将调整后的mask与第一图像G1(A)叠加,生成目标图像mask(G1(A));最后,可以利用目标图像mask(G1(A))和原始图像A,对图像处理模型进行训练。
S250、响应于特效触发指令,将待处理图像输入图像处理模型。
S260、通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像。
其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
示例性的,假设图像处理方法应用于人脸图像美化应用,那么在图像处理模型训练完毕后,还可以将图像处理模型安装于人脸图像美化应用中,以供应用软件线上处理人脸图像。此外,还可以将训练完成的第一生成器和第二生成器,应用于人脸图像美化应用。然而,与利用生成器美化图像相比,图像处理模型更加小巧,通过将图像处理模型应用于线上应用软件,能够节省软件耗费的计算资源,加快处理速度。
本公开实施例的技术方案,对图像处理模型的训练过程进行了详细描述。通过先对原始图像去除冲突对象,再在此基础上生成特效对象,可在一定程度上提高特效对象的生成效果,能够使生成的目标对象(例如特效蒙版)呈现效果变好。进而,通过将特效蒙版等目标对象调整至最佳的呈现效果,并将调整后的目标对象叠加至去除冲突对象的图像,能够生成质量较高的、用于进行图像处理模型训练的图像。并且,基于可调整的目标对象来生成用于模型训练的图像,与反复训练生成器以得到效果较佳的训练图像相比,能够在保证训练图像效果佳的基础上,缩短训练图像的生成时间,从而可提高图像处理模型的训练效率。
此外,本公开实施例提供的图像处理方法与上述实施例提供的图像处理方法属于同一公开构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例三
图3为本公开实施例三所提供的一种模型训练方法的流程示意图。本公开实施例适用于训练图像处理模型的情形,例如适用于训练对人脸图像进行美化的图像处理模型的情形。该方法可以由模型训练装置来执行,该装置可以通过软件和/或硬件的形式实现,该装置可配置于电子设备中,例如配置于服务器中。
如图3所示,本实施例提供的模型训练方法,包括:
S310、将原始图像输入第一生成器,通过第一生成器,生成去除与特效对象对应的冲突对象的第一图像。
S320、将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像。
其中,第一生成器和第二生成器随生成对抗网络进行训练。
其中,第一生成器在训练过程中包含于第一生成对抗网络,且随第一生成对抗网络基于随机的第一样本图像,和未包含冲突对象的第二样本图像进行训练;第二生成器在训练过程中包含于第二生成对抗网络,且随第二生成对抗网络基于第一样本图像,和包含特效对象的第三样本图像进行训练。
S330、基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象。
其中,目标对象可以包括特效蒙版;基于第二图像中的特效对象生成目标对象,可以包括:获取第二图像中特效对象的关键点,并根据关键点生成特效蒙版。并且,在根据关键点生成特效蒙版之后,还可以包括:基于调整指令对特效蒙版进行调整;相应的,将目标对象与第一图像进行叠加,包括:将调整后的特效蒙版与第一图像进行叠加。
S340、根据原始图像和第三图像,对图像处理模型进行训练。
由于目标对象可以为预先调节的、呈现特效对象的效果较佳的对象,且基于生成对抗网络训练得到的生成器所生成的图像的真实性更佳,通过基于目标对象和生成器生成的图像,来进行图像处理模型训练,能够使得基于训练完成的图像处理模型处理的图像,真实性较佳、且美化效果好。
此外,在图像处理模型训练完毕后,还可应用图像处理模型,执行上述实施例公开的图像处理方法,以得到去除冲突对象且包含特效对象的目标图像。
其中,训练完毕的图像处理模型可以应用于人脸图像美化应用;其中,特效对象包括基于图像处理模型生成的第一人脸组织对象;冲突对象包括待处理图像中包含的第二人脸组织对象。例如,若特效对象包括卧蚕,则冲突对象可以包括真实的卧蚕、泪沟和/或眼袋;若特效对象包括双眼皮,则冲突对象包括真实的双眼皮。
本公开实施例的模型训练方法,将原始图像输入第一生成器,通过第一生成器,生成去除与特效对象对应的冲突对象的第一图像;将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像;基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像;根据原始图像和第三图像,对图像处理模型进行训练;其中,第一生成器和第二生成器随生成对抗网络进行训练。
通过先对原始图像去除冲突对象,再在此基础上生成特效对象,可在一定程度上提高特效对象的生成效果,能够使生成的目标对象呈现效果变好。其中,目标对象可以为特效蒙版,通过将特效蒙版等目标对象调整至最佳的呈现效果,并将目标对象叠加至去除冲突对象的图像,能够生成质量较高的、用于进行图像处理模型训练的图像。并且,基于可调整的目标对象来生成用于模型训练的图像,与反复训练生成器以得到效果较佳的训练图像相比,能够在保证训练图像效果佳的基础上,缩短训练图像的生成时间,从而可提高图像处理模型的训练效率。
此外,本公开实施例提供的模型训练方法与上述实施例提供的图像处理方法属于同一公开构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例四
图4为本公开实施例四所提供的一种图像处理装置的结构示意图。本实施例提供的图像处理装置适用于图像处理的情形,例如适用于对人脸图像进行美化的情形。
如图4所示,本实施例提供图像处理装置,包括:
输入模块410,用以响应于特效触发指令,将待处理图像输入图像处理模型;
输出模块420,用以通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像;
其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
在一些可选的实现方式中,图像处理装置,还可以包括:
预训练模块,用于基于下述步骤训练图像处理模型:
将原始图像输入第一生成器,通过第一生成器,生成去除冲突对象的第一图像;将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像;基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像;根据原始图像和第三图像,对图像处理模型进行训练。
在一些可选的实现方式中,第一生成器在训练过程中包含于第一生成对抗网络,且随第一生成对抗网络基于随机的第一样本图像,和未包含冲突对象的第二样本图像进行训练;第二生成器在训练过程中包含于第二生成对抗网络,且随第二生成对抗网络基于第一样本图像,和包含特效对象的第三样本图像进行训练。
在一些可选的实现方式中,目标对象包括特效蒙版;预训练模块,可具体用于:获取第二图像中特效对象的关键点,并根据关键点生成特效蒙版。
在一些可选的实现方式中,预训练模块,还可具体用于:在根据关键点生成特效蒙版之后,基于调整指令对特效蒙版进行调整;将调整后的特效蒙版与第一图像进行叠加。
在一些可选的实现方式中,图像处理装置,可以应用于人脸图像美化应用;其中,特效对象包括基于图像处理模型生成的第一人脸组织对象;冲突对象包括待处理图像中包含的第二人脸组织对象。
本公开实施例所提供的图像处理装置,可执行本公开任意实施例所提供的图像处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
实施例五
图5为本公开实施例五所提供的一种模型训练装置结构示意图。本实施例提供的模型训练装置适用于训练图像处理模型的情形,例如适用于训练对人脸图像进行美化的图像处理模型的情形。
如图5所示,本实施例提供的模型训练装置,包括:
第一图像生成模块510,用以将原始图像输入第一生成器,通过第一生成器,生成去除与特效对象对应的冲突对象的第一图像;
第二图像生成模块520,用以将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像;
第三图像生成模块530,用以基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;
训练模块540,用以根据原始图像和第三图像,对图像处理模型进行训练;
其中,第一生成器和第二生成器随生成对抗网络进行训练。
在一些可选的实现方式中,第一生成器在训练过程中包含于第一生成对抗网络,且随第一生成对抗网络基于随机的第一样本图像,和未包含冲突对象的第二样本图像进行训练;第二生成器在训练过程中包含于第二生成对抗网络,且随第二生成对抗网络基于第一样本图像,和包含特效对象的第三样本图像进行训练。
在一些可选的实现方式中,目标对象包括特效蒙版;第三图像生成模块,可具体用于:获取第二图像中特效对象的关键点,并根据关键点生成特效蒙版。
在一些可选的实现方式中,第三图像生成模块,还可具体用于:在根据关键点生成特效蒙版之后,基于调整指令对特效蒙版进行调整;将调整后的特效蒙版与第一图像进行叠加。
在一些可选的实现方式中,模型训练装置,还可以包括:
图像处理模块,用以在图像处理模型训练完成后,响应于特效触发指令,将待处理图像输入图像处理模型;通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像。
在一些可选的实现方式中,图像处理模块可应用于人脸图像美化应用;其中,特效对象包括基于图像处理模型生成的第一人脸组织对象;冲突对象包括待处理图像中包含的第二人脸组织对象。
本公开实施例所提供的模型训练装置,可执行本公开任意实施例所提供的模型训练方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
实施例六
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(Read-Only Memory,ROM)602中的程序或者从存储装置606加载到随机访问存储器(Random Access Memory,RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置606被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的图像处理方法中限定的上述功能,或执行本公开实施例的模型训练方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法,以及模型训练方法属于同一公开构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例七
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的图像处理方法,或实现上述实施例所提供的模型训练方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
响应于特效触发指令,将待处理图像输入图像处理模型;通过图像处理模型,输出包含特效对象,且去除与特效对象对应的冲突对象的目标图像;其中,图像处理模型,基于叠加目标对象的去除冲突对象的图像训练而成;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;去除冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
将原始图像输入第一生成器,通过第一生成器,生成去除与特效对象对应的冲突对象的第一图像;将第一图像输入第二生成器,通过第二生成器,生成包含特效对象的第二图像;基于第二图像中的特效对象生成目标对象,并将目标对象与第一图像进行叠加,得到第三图像;其中,目标对象包括与特效对象具备相同呈现效果,且具备调节性的对象;根据原始图像和第三图像,对图像处理模型进行训练;其中,第一生成器和第二生成器随生成对抗网络进行训练。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定,例如,输入模块还可以被描述为“图像输入模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用标准产品(Application Specific Standard Parts,ASSP)、片上系统(System on Chip,SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,【示例一】提供了一种图像处理方法,该方法包括:
响应于特效触发指令,将待处理图像输入图像处理模型;
通过所述图像处理模型,输出包含特效对象,且去除与所述特效对象对应的冲突对象的目标图像;
其中,所述图像处理模型,基于叠加目标对象的去除所述冲突对象的图像训练而成;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;所述去除所述冲突对象的图像,由基于生成对抗网络训练得到的生成器生成。
根据本公开的一个或多个实施例,【示例二】提供了一种图像处理方法,还包括:
在一些可选的实现方式中,所述图像处理模型基于下述步骤训练:
将原始图像输入第一生成器,通过所述第一生成器,生成去除所述冲突对象的第一图像;
将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;
根据所述原始图像和所述第三图像,对所述图像处理模型进行训练。
根据本公开的一个或多个实施例,【示例三】提供了一种图像处理方法,还包括:
在一些可选的实现方式中,所述第一生成器在训练过程中包含于第一生成对抗网络,且随所述第一生成对抗网络基于随机的第一样本图像,和未包含所述冲突对象的第二样本图像进行训练;
所述第二生成器在训练过程中包含于第二生成对抗网络,且随所述第二生成对抗网络基于所述第一样本图像,和包含所述特效对象的第三样本图像进行训练。
根据本公开的一个或多个实施例,【示例四】提供了一种图像处理方法,还包括:
所述目标对象包括特效蒙版;所述基于所述第二图像中的特效对象生成目标对象,包括:
获取第二图像中特效对象的关键点,并根据所述关键点生成特效蒙版。
根据本公开的一个或多个实施例,【示例五】提供了一种图像处理方法,还包括:
在一些可选的实现方式中,在所述根据所述关键点生成特效蒙版之后,还包括:基于调整指令对所述特效蒙版进行调整;
所述将所述目标对象与所述第一图像进行叠加,包括:将调整后的特效蒙版与所述第一图像进行叠加。
根据本公开的一个或多个实施例,【示例六】提供了一种图像处理方法,还包括:
在一些可选的实现方式中,应用于人脸图像美化应用;
其中,所述特效对象包括基于图像处理模型生成的第一人脸组织对象;所述冲突对象包括所述待处理图像中包含的第二人脸组织对象。
根据本公开的一个或多个实施例,【示例七】提供了一种模型训练方法,包括:
将原始图像输入第一生成器,通过所述第一生成器,生成去除与特效对象对应的冲突对象的第一图像;
将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;
根据所述原始图像和所述第三图像,对所述图像处理模型进行训练;
其中,所述第一生成器和所述第二生成器随生成对抗网络进行训练。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
响应于特效触发指令,将待处理图像输入图像处理模型;
通过所述图像处理模型,输出包含特效对象,且去除与所述特效对象对应的冲突对象的目标图像;
其中,所述图像处理模型,基于原始图像和叠加目标对象的去除所述冲突对象的图像训练而成;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;所述去除所述冲突对象的图像,由基于生成对抗网络训练得到的生成器生成;所述冲突对象是降低所述特效对象呈现效果的对象。
2.根据权利要求1所述的方法,其特征在于,所述图像处理模型基于下述步骤训练:
将原始图像输入第一生成器,通过所述第一生成器,生成去除所述冲突对象的第一图像;
将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;
根据所述原始图像和所述第三图像,对所述图像处理模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述第一生成器在训练过程中包含于第一生成对抗网络,且随所述第一生成对抗网络基于随机的第一样本图像,和未包含所述冲突对象的第二样本图像进行训练;
所述第二生成器在训练过程中包含于第二生成对抗网络,且随所述第二生成对抗网络基于所述第一样本图像,和包含所述特效对象的第三样本图像进行训练。
4.根据权利要求2所述的方法,其特征在于,所述目标对象包括特效蒙版;所述基于所述第二图像中的特效对象生成目标对象,包括:
获取第二图像中特效对象的关键点,并根据所述关键点生成特效蒙版。
5.根据权利要求4所述的方法,其特征在于,在所述根据所述关键点生成特效蒙版之后,还包括:基于调整指令对所述特效蒙版进行调整;
所述将所述目标对象与所述第一图像进行叠加,包括:将调整后的特效蒙版与所述第一图像进行叠加。
6.根据权利要求1-5中任一所述的方法,其特征在于,应用于人脸图像美化应用;
其中,所述特效对象包括基于图像处理模型生成的第一人脸组织对象;所述冲突对象包括所述待处理图像中包含的第二人脸组织对象。
7.一种模型训练方法,其特征在于,包括:
将原始图像输入第一生成器,通过所述第一生成器,生成去除与特效对象对应的冲突对象的第一图像;所述冲突对象是降低所述特效对象呈现效果的对象;
将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
基于所述第二图像中的特效对象生成目标对象,并将所述目标对象与所述第一图像进行叠加,得到第三图像;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;
根据所述原始图像和所述第三图像,对图像处理模型进行训练;
其中,所述第一生成器和所述第二生成器随生成对抗网络进行训练。
8.一种图像处理装置,其特征在于,包括:
输入模块,用以响应于特效触发指令,将待处理图像输入图像处理模型;
输出模块,用以通过所述图像处理模型,输出包含特效对象,且去除与所述特效对象对应的冲突对象的目标图像;
其中,所述图像处理模型,基于原始图像和叠加目标对象的去除所述冲突对象的图像训练而成;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;所述去除所述冲突对象的图像,由基于生成对抗网络训练得到的生成器生成;所述冲突对象是降低所述特效对象呈现效果的对象。
9.一种模型训练装置,其特征在于,包括:
第一图像生成模块,用以将原始图像输入第一生成器,通过所述第一生成器,生成去除与特效对象对应的冲突对象的第一图像;所述冲突对象是降低所述特效对象呈现效果的对象;
第二图像生成模块,用以将所述第一图像输入第二生成器,通过所述第二生成器,生成包含所述特效对象的第二图像;
第三图像生成模块,用以基于所述第二图像中的特效对象生成目标对象, 并将所述目标对象与所述第一图像进行叠加,得到第三图像;其中,所述目标对象包括与所述特效对象具备相同呈现效果,且具备调节性的对象;
训练模块,用以根据所述原始图像和所述第三图像,对图像处理模型进行训练;
其中,所述第一生成器和所述第二生成器随生成对抗网络进行训练。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像处理方法,或实现如权利要求7中所述的模型训练方法。
11.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的图像处理方法,或实现如权利要求7中所述的模型训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737811.XA CN113344776B (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
PCT/CN2022/094586 WO2023273697A1 (zh) | 2021-06-30 | 2022-05-24 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737811.XA CN113344776B (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344776A CN113344776A (zh) | 2021-09-03 |
CN113344776B true CN113344776B (zh) | 2023-06-27 |
Family
ID=77481891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110737811.XA Active CN113344776B (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113344776B (zh) |
WO (1) | WO2023273697A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344776B (zh) * | 2021-06-30 | 2023-06-27 | 北京字跳网络技术有限公司 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
CN113989103B (zh) * | 2021-10-25 | 2024-04-26 | 北京字节跳动网络技术有限公司 | 模型训练方法、图像处理方法、装置、电子设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381717A (zh) * | 2020-11-18 | 2021-02-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、介质及设备 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945188A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的人物装扮方法及装置、计算设备 |
CN108898546B (zh) * | 2018-06-15 | 2022-08-16 | 北京小米移动软件有限公司 | 人脸图像处理方法、装置及设备、可读存储介质 |
CN109727320A (zh) * | 2018-12-29 | 2019-05-07 | 三星电子(中国)研发中心 | 一种虚拟化身的生成方法和设备 |
CN110136054B (zh) * | 2019-05-17 | 2024-01-09 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN110457994B (zh) * | 2019-06-26 | 2024-05-10 | 平安科技(深圳)有限公司 | 人脸图像生成方法及装置、存储介质、计算机设备 |
CN110288523B (zh) * | 2019-07-02 | 2023-10-13 | 北京字节跳动网络技术有限公司 | 图像生成方法和装置 |
CN112330526B (zh) * | 2019-08-05 | 2024-02-09 | 深圳Tcl新技术有限公司 | 一种人脸转换模型的训练方法、存储介质及终端设备 |
US11189104B2 (en) * | 2019-08-28 | 2021-11-30 | Snap Inc. | Generating 3D data in a messaging system |
CN110913205B (zh) * | 2019-11-27 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 视频特效的校验方法及装置 |
CN111325657A (zh) * | 2020-02-18 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN111563855B (zh) * | 2020-04-29 | 2023-08-01 | 百度在线网络技术(北京)有限公司 | 图像处理的方法及装置 |
CN111833461B (zh) * | 2020-07-10 | 2022-07-01 | 北京字节跳动网络技术有限公司 | 一种图像特效的实现方法、装置、电子设备及存储介质 |
CN112489169B (zh) * | 2020-12-17 | 2024-02-13 | 脸萌有限公司 | 人像图像处理方法及装置 |
CN113344776B (zh) * | 2021-06-30 | 2023-06-27 | 北京字跳网络技术有限公司 | 图像处理方法、模型训练方法、装置、电子设备及介质 |
-
2021
- 2021-06-30 CN CN202110737811.XA patent/CN113344776B/zh active Active
-
2022
- 2022-05-24 WO PCT/CN2022/094586 patent/WO2023273697A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381717A (zh) * | 2020-11-18 | 2021-02-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023273697A1 (zh) | 2023-01-05 |
CN113344776A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3968223A1 (en) | Method and apparatus for acquiring positions of target, and computer device and storage medium | |
CN113344776B (zh) | 图像处理方法、模型训练方法、装置、电子设备及介质 | |
US20230421716A1 (en) | Video processing method and apparatus, electronic device and storage medium | |
US20220241689A1 (en) | Game Character Rendering Method And Apparatus, Electronic Device, And Computer-Readable Medium | |
CN111489378A (zh) | 视频帧特征提取方法、装置、计算机设备及存储介质 | |
US20220392130A1 (en) | Image special effect processing method and apparatus | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN112581358B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
US20220358662A1 (en) | Image generation method and device | |
WO2022171024A1 (zh) | 图像显示方法、装置、设备及介质 | |
US20230131399A1 (en) | Data processing method and apparatus, and readable medium and electronic device | |
CN110288532B (zh) | 生成全身图像的方法、装置、设备及计算机可读存储介质 | |
CN111833242A (zh) | 人脸变换方法、装置、电子设备和计算机可读介质 | |
CN111583102B (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN112133319A (zh) | 音频生成的方法、装置、设备及存储介质 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN114422698B (zh) | 视频生成方法、装置、设备及存储介质 | |
CN110717467A (zh) | 头部姿势的估计方法、装置、设备及存储介质 | |
CN116527993A (zh) | 视频的处理方法、装置、电子设备、存储介质和程序产品 | |
CN115760553A (zh) | 特效处理方法、装置、设备及存储介质 | |
CN114022931A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN110807728B (zh) | 对象的显示方法、装置、电子设备及计算机可读存储介质 | |
CN113850716A (zh) | 模型训练方法、图像处理方法、装置、电子设备及介质 |
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 |