CN113421335B - 图像处理方法、图像处理装置、电子设备和存储介质 - Google Patents

图像处理方法、图像处理装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113421335B
CN113421335B CN202110827883.3A CN202110827883A CN113421335B CN 113421335 B CN113421335 B CN 113421335B CN 202110827883 A CN202110827883 A CN 202110827883A CN 113421335 B CN113421335 B CN 113421335B
Authority
CN
China
Prior art keywords
shape
reconstruction
coarse
texture
parameter
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
Application number
CN202110827883.3A
Other languages
English (en)
Other versions
CN113421335A (zh
Inventor
王迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110827883.3A priority Critical patent/CN113421335B/zh
Publication of CN113421335A publication Critical patent/CN113421335A/zh
Application granted granted Critical
Publication of CN113421335B publication Critical patent/CN113421335B/zh
Priority to US17/864,898 priority patent/US20220351455A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/04Texture mapping
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/005General purpose rendering architectures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/529Depth or shape recovery from texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00Indexing scheme for image data processing or generation, in general
    • G06T2200/04Indexing scheme for image data processing or generation, in general involving 3D image data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00Indexing scheme for image generation or computer graphics
    • G06T2210/36Level of detail

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Generation (AREA)

Abstract

本公开公开了一种图像处理方法、图像处理装置、电子设备和存储介质,涉及增强现实、深度学习和图像处理等人工智能技术领域,尤其涉及人脸重建领域。具体实现方案为:基于输入图像,确定关于对象的形状参数、纹理参数和静态皱纹参数;使用形状参数重建关于对象的粗重建形状,并使用纹理参数计算关于对象的粗重建纹理图;基于静态皱纹参数、形状参数和纹理参数,确定精重建形状和精重建纹理图;以及基于粗重建形状、粗重建纹理图、精重建形状和精重建纹理图执行渲染处理,得到针对输入图像的粗重建图像和精重建图像。

Description

图像处理方法、图像处理装置、电子设备和存储介质
技术领域
本公开涉及增强现实、深度学习和图像处理等人工智能技术领域,尤其涉及人脸重建领域,具体涉及一种用于人脸重建的图像处理方法、图像处理装置、电子设备和存储介质。
背景技术
常见的经3D重建的人脸表面很光滑,不能反映人脸细节信息。这是因为一般的重建方式(比如Blendshape)采用线性模型进行人脸重建。然而,实际上,人脸是非线性模型,并且人脸表面会凹凸不平,但是这种细节信息不能通过纹理图反应,而是从形状上体现出细节的不平整。或者,采用基于骨骼驱动的方式,该方式需要预先建立骨骼点与局部3D点之间的连接关系,并通过驱动骨骼点实现人脸从平均脸变形以重建新的人脸。
发明内容
本公开提供了一种用于人脸重建的图像处理方法、图像处理装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:基于输入图像,确定关于对象的形状参数、纹理参数和静态皱纹参数;
使用所述形状参数重建关于所述对象的粗重建形状,并使用所述纹理参数计算关于所述对象的粗重建纹理图;
基于所述静态皱纹参数、所述形状参数和所述纹理参数,确定精重建形状和精重建纹理图;以及
基于所述粗重建形状、所述粗重建纹理图、所述精重建形状和所述精重建纹理图执行渲染处理,得到针对所述输入图像的粗重建图像和精重建图像。
根据本公开的另一方面,提供了一种图像处理装置,包括:参数确定模块,用于基于输入图像确定关于对象的形状参数、纹理参数和静态皱纹参数;
粗重建模块,用于使用所述形状参数重建关于所述对象的粗重建形状,并使用所述纹理参数计算关于所述对象的粗重建纹理图;
精重建模块,用于基于所述静态皱纹参数、所述形状参数和所述纹理参数确定精重建形状和精重建纹理图;以及
渲染模块,用于基于所述粗重建形状、所述粗重建纹理图、所述精重建形状和所述精重建纹理图执行渲染处理,得到针对所述输入图像的粗重建图像和精重建图像。
根据本公开的另一方面,提供了一种电子设备,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本公开中所述的图像处理方法。
根据本公开的另一方面,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,所述计算机指令用于使计算机执行本公开中所述的图像处理方法。
根据本公开的另一方面,提供了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本公开中所述的图像处理方法。
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1A是根据本公开的示例性实施例的用于人脸重建的图像处理方法的示意性流程图;
图1B是根据本公开的示例性实施例的用于人脸重建的图像处理方法的示例的示意图;
图2是根据本公开的另一示例性实施例的用于人脸重建的图像处理方法的示意性流程图;
图3是根据本公开的示例性实施例的图像处理装置的示意性框图;
图4是根据本公开的示例性实施例的粗重建结果和精重建结果的效果示意图;以及
图5是根据本公开的示例性实施例的电子设备的示意性框图。
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。
本公开的示例性实施例通过考虑人脸的皱纹特征实现人脸细节重建,具体地包括粗重建和精重建。根据本公开的示例性实施例,粗重建可以通过使用多层神经网络(例如,卷积神经网络(CNN))作为编码器来预测人脸的形状参数和纹理参数。形状参数可以包括例如关于人脸的位姿和表情的参数,用于重建人脸的粗重建形状。纹理参数可以包括例如光照参数、反照率参数和图像采集装置(例如,相机)参数,用于计算人脸的粗重建纹理图。另外,根据本公开的示例性实施例,精重建可以通过使用另一CNN作为编码器来预测关于人脸的静态皱纹参数,并且基于静态皱纹参数以及通过粗重建预测出的形状参数和纹理参数来预测包含皱纹信息的纹理图(即,精重建纹理图)和形状(即,精重建形状)。然后,可以基于粗重建形状和纹理图以及精重建形状和纹理图执行渲染处理以获得粗重建结果和精重建结果。
因此,根据本公开的示例性实施例的人脸重建可以实现端到端的包括重建和渲染的网络结构,同时输出粗重建结果和包含皱纹细节信息的精重建结果,并且通过渲染得到逼真的人脸,实现更好的重建效果。
需要说明的是,本公开实施例中的人脸重建不是针对某一特定用户的人脸模型,并不能反映出某一特定用户的个人信息。
下面将参考附图对根据本公开的示例性实施例的用于人脸重建的图像处理方法和图像处理装置进行详细描述。下文中所描述的对象表示人脸。此外,贯穿附图,用相同或相似的附图标记表示相同或相似的元件或操作。
图1A是根据本公开的示例性实施例的用于人脸重建的图像处理方法的示意性流程图。
需要说明的是,在本公开实施例中,人脸重建方法的执行主体可以通过各种公开、合法合规的方式获取目标二维(2D)人脸图像。例如,目标2D人脸图像可以是从公开数据集获取的,或者是在经过用户授权后从用户处获取的。
如图1A所示,根据本公开的示例性实施例的用于人脸重建的图像处理方法100可以包括以下步骤。
在步骤S110,基于输入图像,确定关于对象的形状参数、纹理参数和静态皱纹参数。
在步骤S120,使用形状参数重建关于所述对象的粗重建形状,并使用纹理参数计算关于对象的粗重建纹理图。
在步骤S130,基于静态皱纹参数、形状参数和纹理参数,确定精重建形状和精重建纹理图。
在步骤S140,基于粗重建形状、粗重建纹理图、精重建形状和精重建纹理图执行渲染处理,得到针对输入图像的粗重建图像和精重建图像。
图1B示出了根据本公开的示例性实施例的用于人脸重建的图像处理方法的示例的示意图。接下来将参考图1B详细描述根据本公开实施例的用于人脸重建的图像处理方法101。
如图1B所示,左侧的分支表示粗重建处理,右侧的分支表示精重建处理。
在步骤S110,可以基于输入图像Img确定关于对象(即,人脸)的形状参数、纹理参数和静态皱纹参数。根据本公开的示例性实施例,输入图像Img可以是包含人脸的单张2D图像。本实施例中的2D人脸图像可以来自于公开数据集,或者2D人脸图像的获取经过了人脸图像对应的用户的授权。
根据本公开的示例性实施例,步骤S110可以包括子步骤S111和S112。在子步骤S111,可以使用第一CNN处理输入图像Img以得到形状参数和纹理参数。根据本公开的示例性实施例,形状参数可以包括关于对象的位姿参数(Pose)和表情参数(Exp),并且纹理参数可以包括光照参数(Illuminate)、反照率参数(Albedo)和图像采集装置(例如,相机)参数。
另外,在子步骤S112,可以使用第二CNN处理输入图像Img以得到静态皱纹参数。根据本公开的示例性实施例,静态皱纹参数可以表示基于静态特征的皱纹(即,对象固有的皱纹),例如,随着年龄增长而出现的皱纹。此外,可以将由于位姿或表情而产生的皱纹描述为基于动态特征的皱纹。基于静态特征的皱纹和基于动态特征的皱纹相结合可以作为对象的完整皱纹特征。
在步骤S120,可以使用形状参数重建关于对象的粗重建形状,并且可以使用纹理参数计算关于对象的粗重建纹理图。
根据本公开的示例性实施例,可以通过将包括位姿参数和表情参数的形状参数输入预定重建模型来得到粗重建形状。预定重建模型可以包括例如Flame重建模型或者3DMM重建模型,但是本公开不限于此。
另外,根据本公开的示例性实施例,可以通过法线贴图(Normal Mapping)来根据包括光照参数、反照率参数和图像采集装置参数的纹理参数得到粗重建纹理图。然而,本公开不限于此。
在步骤S130,可以基于静态皱纹参数、形状参数和纹理参数来确定精重建形状和精重建纹理图。
根据本公开的示例性实施例,可以根据静态皱纹参数和形状参数确定关于粗重建纹理图的偏移图,并且根据该偏移图和粗重建纹理图确定精重建纹理图。偏移图可以表示纹理图的像素偏移量,并且可以具有与纹理图相同的尺寸。作为示例,可以将偏移图与粗重建纹理图合并来获得包含皱纹的精重建纹理图。
另外,根据本公开的示例性实施例,可以通过对粗重建形状进行插值处理并将所获得的精重建纹理图与经插值处理的粗重建形状相结合来获得精重建形状。粗重建形状和精重建形状可以是网格(例如,3D-mesh)形式。作为示例,可以通过以插值方式扩充粗重建mesh的3D点来获得包含更多3D点的精重建mesh,并且然后,可以通过将包含皱纹的精重建纹理图与精重建mesh相结合(例如,执行贴图或映射处理)来获得精重建形状,以实现更好的重建效果,获得逼真的人脸图像。
在步骤S140,可以基于粗重建形状、粗重建纹理图、精重建形状和精重建纹理图执行渲染处理,以得到针对输入图像Img的粗重建图像Rc和精重建图像Rf。根据本公开的示例性实施例,粗重建图像Rc和精重建图像Rf可以分别是经重建和渲染的2D人脸图像。
根据本公开的示例性实施例,可以通过将粗重建形状和粗重建纹理图以及精重建形状和精重建纹理图输入预定渲染器中来执行渲染处理,以输出粗重建图像Rc和精重建图像Rf。预定渲染器可以是可微渲染器,例如pytorch3d渲染器。然而,本公开不限于此。
需要说明的是,根据本公开实施例得到的人脸重建图像(粗重建图像和精重建图像)包含了输入2D人脸图像所指示的用户的人脸信息,但是该人脸图像的重建是在经用户授权后执行的,其重建过程符合相关法律法规。
图2是根据本公开的另一示例性实施例的用于人脸重建的图像处理方法的示意性框图。以上参考图1A和图1B进行的描述也适用于图2,因此为了简洁,将省略重复描述。
如图2所示,根据本公开的另一示例性实施例的用于人脸重建的图像处理方法200可以包括以下描述的步骤,其中左侧的分支表示粗重建处理,右侧的分支表示精重建处理。由于步骤S210(包括子步骤S211和S212)至步骤S240与图1B所示的步骤S110至S140相同,因此这里将省略对它们的描述,并且将主要描述图2所示实施例与图1B所示实施例的不同之处。
在图2中,根据本公开的示例性实施例,可以在步骤S250基于输入图像Img和粗重建图像Rc计算粗重建损失Lc,并且可以在步骤S260基于输入图像Img和精重建图像Rf计算精重建损失Lf。作为示例,粗重建损失Lc和精重建损失Lf可以是L1范数损失(L1 Loss)或平均绝对误差(MAE)。然而,本公开不限于此。
根据本公开的示例性实施例,可以针对输入图像Img和粗重建图像Rc中的人脸区域计算粗重建损失Lc,并且可以针对输入图像Img和精重建图像Rf中的人脸区域计算精重建损失Lf。作为示例,可以通过应用掩模(mask)来获得人脸区域。
根据本公开的示例性实施例,可以使用粗重建损失Lc和精重建损失Lf来对第一CNN和第二CNN进行迭代优化(例如,训练或调参),以获得更准确的形状参数、纹理参数和静态皱纹参数,从而执行更准确的粗重建和精重建并获得更好的重建效果。
根据本公开的示例性实施例的图像处理方法还可以包括对输入图像执行预处理操作。例如,可以在确定形状参数、纹理参数和静态皱纹参数之前对输入图像Img执行预处理。根据一个示例,预处理可以包括人脸识别和图像配准中的至少一个。之后,可以将经预处理的输入图像分别输入第一CNN和第二CNN以获得关于人脸的形状参数和纹理参数以及静态皱纹参数,并执行后续处理。
图3是根据本公开的示例性实施例的图像处理装置的示意性框图。以上参考图1A、图1B和图2进行的描述也适用于图3,因此为了简洁起见,将省略重复描述。特别地,根据本公开的示例性实施例,图3所示的图像处理装置300可以被配置为执行图1A、图1B或图2所示的图像处理方法100、101或200以进行人脸重建。
如图3所示,根据本公开的示例性实施例的图像处理装置300可以包括参数确定模块310、粗重建模块320、精重建模块330和渲染模块340。
在本公开的示例性实施例中,参数确定模块310可以用于基于输入图像确定关于对象的形状参数、纹理参数和静态皱纹参数。粗重建模块320可以用于使用形状参数重建关于对象的粗重建形状,并使用纹理参数计算关于对象的粗重建纹理图。精重建模块330可以用于基于静态皱纹参数、形状参数和纹理参数确定精重建形状和精重建纹理图。渲染模块340可以用于基于粗重建形状、粗重建纹理图、精重建形状和精重建纹理图执行渲染处理,以得到针对输入图像的粗重建图像和精重建图像。
根据本公开的示例性实施例,精重建模块330可以包括:偏移图确定单元,用于根据静态皱纹参数和形状参数确定关于粗重建纹理图的偏移图;精重建纹理图确定单元,用于根据偏移图和粗重建纹理图确定精重建纹理图;以及精重建形状获得单元,用于通过对粗重建形状进行插值处理并将精重建纹理图与经插值处理的粗重建形状结合来获得精重建形状。
另外,根据本公开的示例性实施例,参数确定模块310可以包括:形状和纹理参数确定单元,用于使用第一卷积神经网络处理输入图像以确定形状参数和纹理参数;以及静态皱纹参数确定单元,用于使用第二卷积神经网络处理输入图像以确定静态皱纹参数。
另外,根据本公开的示例性实施例,粗重建模块320可以包括:粗重建形状获得单元,用于将形状参数输入预定重建模型以获得粗重建形状;以及粗重建纹理图获得单元,用于通过法线贴图来根据纹理参数获得粗重建纹理图。
此外,在本公开的示例性实施例中,图像处理装置300还可以包括预处理模块,该预处理模块用于在确定形状参数和纹理参数以及静态皱纹参数之前,对输入图像执行对象识别和图像配准中的至少一个。
图4是根据本公开的示例性实施例的粗重建结果和精重建结果的效果示意图。
如图4所示,401表示粗重建图像Rc,并且402表示精重建图像Rf。可以看出,相比于粗重建图像Rc 401,精重建图像Rf402包含更多的人脸皱纹细节,重建效果更佳。
另外,根据本公开的示例性实施例,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。
图5示出了可以用来实施本公开的示例性实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如由上述装置300执行的方法和处理。例如,在一些实施例中,这些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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法100、101或200的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法。
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。客户端和服务器远离彼此并且可以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。
在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。
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 (13)

1.一种图像处理方法,包括:
基于输入图像,确定关于对象的形状参数、纹理参数和静态皱纹参数;
使用所述形状参数重建关于所述对象的粗重建形状,并使用所述纹理参数计算关于所述对象的粗重建纹理图;
基于所述静态皱纹参数、所述形状参数和所述纹理参数,确定精重建形状和精重建纹理图;以及
基于所述粗重建形状、所述粗重建纹理图、所述精重建形状和所述精重建纹理图执行渲染处理,得到针对所述输入图像的粗重建图像和精重建图像,
其中,所述确定精重建形状和精重建纹理图包括:
根据所述静态皱纹参数和所述形状参数,确定关于所述粗重建纹理图的偏移图;
根据所述偏移图和所述粗重建纹理图确定所述精重建纹理图;以及
通过对所述粗重建形状进行插值处理并将所述精重建纹理图与经插值处理的粗重建形状相结合来获得所述精重建形状。
2.根据权利要求1所述的方法,其中,所述形状参数包括位姿参数和表情参数,并且所述纹理参数包括光照参数、反照率参数和图像采集装置参数。
3.根据权利要求1所述的方法,其中,所述确定关于对象的形状参数、纹理参数和静态皱纹参数包括:
使用第一卷积神经网络处理所述输入图像以确定所述形状参数和所述纹理参数。
4.根据权利要求3所述的方法,其中,所述确定关于对象的形状参数、纹理参数和静态皱纹参数还包括:
使用第二卷积神经网络处理所述输入图像以确定所述静态皱纹参数。
5.根据权利要求1所述的方法,还包括:在确定所述形状参数和所述纹理参数以及所述静态皱纹参数之前,对所述输入图像执行以下处理中的至少一个:对象识别和图像配准。
6.根据权利要求1所述的方法,其中,所述使用所述形状参数重建关于所述对象的粗重建形状包括:
将所述形状参数输入预定重建模型以获得所述粗重建形状。
7.根据权利要求1所述的方法,其中,所述使用所述纹理参数计算关于所述对象的粗重建纹理图包括:
通过法线贴图来根据所述纹理参数获得所述粗重建纹理图。
8.一种图像处理装置,包括:
参数确定模块,用于基于输入图像确定关于对象的形状参数、纹理参数和静态皱纹参数;
粗重建模块,用于使用所述形状参数重建关于所述对象的粗重建形状,并使用所述纹理参数计算关于所述对象的粗重建纹理图;
精重建模块,用于基于所述静态皱纹参数、所述形状参数和所述纹理参数确定精重建形状和精重建纹理图;以及
渲染模块,用于基于所述粗重建形状、所述粗重建纹理图、所述精重建形状和所述精重建纹理图执行渲染处理,得到针对所述输入图像的粗重建图像和精重建图像,
其中,所述精重建模块包括:
偏移图确定单元,用于根据所述静态皱纹参数和所述形状参数,确定关于所述粗重建纹理图的偏移图;
精重建纹理图确定单元,用于根据所述偏移图和所述粗重建纹理图确定所述精重建纹理图;以及
精重建形状获得单元,用于通过对所述粗重建形状进行插值处理并将所述精重建纹理图与经插值处理的粗重建形状相结合来获得所述精重建形状。
9.根据权利要求8所述的装置,其中,所述参数确定模块包括:
形状和纹理参数确定单元,用于使用第一卷积神经网络处理所述输入图像以确定所述形状参数和所述纹理参数;以及
静态皱纹参数确定单元,用于使用第二卷积神经网络处理所述输入图像以确定所述静态皱纹参数。
10.根据权利要求8所述的装置,其中,所述粗重建模块包括:
粗重建形状获得单元,用于将所述形状参数输入预定重建模型以获得所述粗重建形状;以及
粗重建纹理图获得单元,用于通过法线贴图来根据所述纹理参数获得所述粗重建纹理图。
11.根据权利要求8所述的装置,还包括:预处理模块,用于在确定所述形状参数和所述纹理参数以及所述静态皱纹参数之前,对所述输入图像执行对象识别和图像配准中的至少一个。
12.一种电子设备,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根据权利要求1-7中任一项所述的方法。
13.一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计算机执行根据权利要求1-7中任一项所述的方法。
CN202110827883.3A 2021-07-21 2021-07-21 图像处理方法、图像处理装置、电子设备和存储介质 Active CN113421335B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110827883.3A CN113421335B (zh) 2021-07-21 2021-07-21 图像处理方法、图像处理装置、电子设备和存储介质
US17/864,898 US20220351455A1 (en) 2021-07-21 2022-07-14 Method of processing image, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827883.3A CN113421335B (zh) 2021-07-21 2021-07-21 图像处理方法、图像处理装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113421335A CN113421335A (zh) 2021-09-21
CN113421335B true CN113421335B (zh) 2022-04-26

Family

ID=77718056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827883.3A Active CN113421335B (zh) 2021-07-21 2021-07-21 图像处理方法、图像处理装置、电子设备和存储介质

Country Status (2)

Country Link
US (1) US20220351455A1 (zh)
CN (1) CN113421335B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11961188B2 (en) 2022-06-08 2024-04-16 Adobe Inc. Neural networks to generate appearance-responsive material map sets in digital graphical environments
CN118379434B (zh) * 2024-06-21 2024-08-16 山东理工大学 一种基于深度学习算法生成人脸3d图像的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102462A (zh) * 2020-09-27 2020-12-18 北京百度网讯科技有限公司 图像的渲染方法、装置
CN112669431A (zh) * 2020-12-30 2021-04-16 北京百度网讯科技有限公司 图像处理方法、装置、设备、存储介质以及程序产品

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8384714B2 (en) * 2008-05-13 2013-02-26 The Board Of Trustees Of The Leland Stanford Junior University Systems, methods and devices for motion capture using video imaging
US10463720B2 (en) * 2014-12-31 2019-11-05 Huons Co., Ltd. Composition, containing RGD motif-containing peptide or fragment thereof, for treating burns and glaucoma, alleviating skin wrinkles, and promoting hair growth
US20170103563A1 (en) * 2015-10-07 2017-04-13 Victor Erukhimov Method of creating an animated realistic 3d model of a person
KR101856426B1 (ko) * 2017-11-27 2018-06-20 세종대학교산학협력단 3차원 기하 증강 방법 및 그 장치
CN111882643A (zh) * 2020-08-10 2020-11-03 网易(杭州)网络有限公司 三维人脸构建方法、装置和电子设备
CN112002014B (zh) * 2020-08-31 2023-12-15 中国科学院自动化研究所 面向精细结构的三维人脸重建方法、系统、装置
CN112734910B (zh) * 2021-01-05 2024-07-26 厦门美图之家科技有限公司 基于rgb单图实时人脸三维图像重建方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102462A (zh) * 2020-09-27 2020-12-18 北京百度网讯科技有限公司 图像的渲染方法、装置
CN112669431A (zh) * 2020-12-30 2021-04-16 北京百度网讯科技有限公司 图像处理方法、装置、设备、存储介质以及程序产品

Also Published As

Publication number Publication date
CN113421335A (zh) 2021-09-21
US20220351455A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
CN115345980B (zh) 个性化纹理贴图的生成方法及装置
CN112785674A (zh) 纹理贴图的生成方法、渲染方法、装置、设备及存储介质
CN114842123B (zh) 三维人脸重建模型训练和三维人脸形象生成方法及装置
CN115409933B (zh) 多风格纹理贴图生成方法及其装置
CN113963110B (zh) 纹理图生成方法、装置、电子设备及存储介质
CN113421335B (zh) 图像处理方法、图像处理装置、电子设备和存储介质
CN113409430B (zh) 可驱动三维人物生成方法、装置、电子设备及存储介质
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
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
CN112967381A (zh) 三维重建方法、设备和介质
CN114612600B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN114708374A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN113393468A (zh) 图像处理方法、模型训练方法、装置和电子设备
CN114092673B (zh) 图像处理的方法、装置、电子设备和存储介质
CN115222879A (zh) 一种模型减面处理方法、装置、电子设备及存储介质
CN114078097A (zh) 图像去雾模型的获取方法、装置和电子设备
CN113240789A (zh) 虚拟对象构建方法及装置
US20220392251A1 (en) Method and apparatus for generating object model, electronic device and storage medium
US20220058779A1 (en) Inpainting method and apparatus for human image, and electronic device
CN115409951A (zh) 图像处理方法、装置、电子设备及存储介质
CN115311403A (zh) 深度学习网络的训练方法、虚拟形象生成方法及装置
CN115147306A (zh) 图像处理方法、装置、电子设备和存储介质
CN115082624A (zh) 一种人体模型构建方法、装置、电子设备及存储介质
CN114463409A (zh) 图像深度信息的确定方法、装置、电子设备和介质

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