CN113536991B - 训练集生成、人脸图像处理方法、装置及电子设备 - Google Patents
训练集生成、人脸图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113536991B CN113536991B CN202110730128.3A CN202110730128A CN113536991B CN 113536991 B CN113536991 B CN 113536991B CN 202110730128 A CN202110730128 A CN 202110730128A CN 113536991 B CN113536991 B CN 113536991B
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- score
- image
- test
- 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 146
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 103
- 238000013441 quality evaluation Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 97
- 239000013598 vector Substances 0.000 claims description 53
- 238000010606 normalization Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开公开一种训练集生成、人脸图像处理方法、装置及电子设备，涉及领域人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域，可应用于人脸图像处理等场景。具体实现方案为：通过图像美学算法确定人脸图像数据集中每张人脸图像的美感得分；通过人脸质量评价算法确定人脸图像数据集中每张人脸图像的人脸质量得分；通过图像质量评估算法确定人脸图像数据集中每张人脸图像的自适应质量得分；确定每张人脸图像的综合得分；选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。可以生成高质量的训练集，提高人脸属性编辑模型编辑的人脸图像的美观度与自然度。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域，可应用于人脸图像处理等场景。
背景技术
目前人脸属性编辑功能可通过深度学习模型实现，为了训练能够准确进行人脸属性编辑的深度学习模型，需要大量高质量的样本图像。
发明内容
本公开提供了一种训练集生成、人脸图像处理方法、装置及电子设备。
根据本公开的第一方面，提供了一种训练集生成方法，包括：
获取人脸图像数据集；
通过图像美学算法确定所述人脸图像数据集中每张人脸图像的美感得分；
通过人脸质量评价算法确定所述人脸图像数据集中每张人脸图像的人脸质量得分；
通过图像质量评估算法确定所述人脸图像数据集中每张人脸图像的自适应质量得分；
分别根据所述人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；
按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。
根据本公开的第二方面，提供了一种人脸图像处理方法，包括：
获取待编辑的人脸图像；
将所述待编辑的人脸图像输入人脸属性编辑模型，所述人脸属性编辑模型基于训练集训练得到，所述训练集为基于上述第一方面所述的方法生成的训练集；
获取所述人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
根据本公开的第三方面，提供了一种训练集生成装置，包括：
获取模块，用于获取人脸图像数据集；
第一确定模块，用于通过图像美学算法确定所述人脸图像数据集中每张人脸图像的美感得分；
第二确定模块，用于通过人脸质量评价算法确定所述人脸图像数据集中每张人脸图像的人脸质量得分；
第三确定模块，用于通过图像质量评估算法确定所述人脸图像数据集中每张人脸图像的自适应质量得分；综合得分确定模块，用于分别根据所述人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；
生成模块，用于按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。
根据本公开的第四方面，提供了一种人脸图像处理装置，包括：
第一获取模块，用于获取待编辑的人脸图像；
输入模块，用于将所述待编辑的人脸图像输入人脸属性编辑模型，所述人脸属性编辑模型基于训练集训练得到，所述训练集为基于上述第三方面所述的装置生成的训练集；
第二获取模块，用于获取所述人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
根据本公开的第五方面，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上述第一方面或第二方面所述的方法。
根据本公开的第六方面，提供了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上述第一方面或第二方面所述方法。
根据本公开的第七方面，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上述第一方面或第二方面所述的方法。
采用上述技术方案，因本公开实施例可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。通过该训练集对人脸属性编辑模型进行训练，可以提高人脸属性编辑模型编辑的人脸图像的美观度与自然度。且上述过程无需人工参与，可见，采用本公开实施例可以在不消耗大量人力与时间的基础上，得到由高质量人脸图像组成的训练集。
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是本公开实施例提供的一种训练集生成方法的流程图；
图2是本公开实施例提供的一种NIMA模型的结构示意图；
图3是本公开实施例提供的一种SER-FIQ算法模型的结构示意图；
图4是本公开实施例提供的确定人脸图像综合得分的方法的示例性示意图；
图5是本公开实施例提供的一种获取预设权重参数的方法的流程图；
图6是本公开实施例提供的一种人脸图像处理方法的流程图；
图7a是通过低质量训练集训练得到的人脸属性编辑模型的编辑结果的示例性示意图；
图7b是通过本公开实施例生成的训练集训练得到的人脸属性编辑模型的编辑结果的示例性示意图；
图8是本公开实施例提供的一种训练集生成装置的结构示意图；
图9是本公开实施例提供的一种人脸图像处理装置的结构示意图
图10是用来实现本公开实施例的训练集生成方法或人脸图像处理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。
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。
人脸属性编辑技术是一种改变视频或者图像中的人脸属性的技术，比如通过人脸属性编辑技术可以将人脸图像中的人脸变老或变年轻等。人脸属性编辑技术可以被应用于短视频、电影制作、图片编辑等领域内。
目前，人脸编辑技术可以通过人脸属性编辑模型实现，训练人脸属性编辑模型时需要大量的样本图像。
因通过人脸属性编辑技术编辑得到的人脸图像需要兼具美感、图像整体清晰度和人脸特征清晰度，所以对于样本图像的质量要求较高，样本图像需要清晰、有一定的美感、且人脸特征清晰，如果样本图像的美感较低，将导致人脸属性编辑模型编辑得到的人脸图像不够好看，如果样本图像的人脸特征不够清晰，将导致人脸属性编辑模型编辑得到的人脸图像不够真实、自然，比如可能会存在输出的人脸图像的人脸器官模糊或者人脸器官变形的问题。
可见，为了训练人脸属性编辑模型，需要大量的高质量的样本图像，如果使用质量较低的样本图像，将会导致人脸属性编辑模型编辑到的人脸图像存在人工编辑痕迹(比如人脸器官变形)，不够美观、自然。
然而目前可收集到的人脸图像中的高质量的人脸图像数据较少，其中往往夹杂着大量的质量不达标的人脸图像，如果通过人工进行筛选，需要消耗大量的人力和时间。
为了解决上述问题，本公开实施例提供了一种训练集生成方法，包括：
获取人脸图像数据集；通过图像美学算法确定人脸图像数据集中每张人脸图像的美感得分；通过人脸质量评价算法确定人脸图像数据集中每张人脸图像的人脸质量得分；通过图像质量评估算法确定人脸图像数据集中每张人脸图像的自适应质量得分；分别根据人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。
因本公开实施例可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。通过该训练集对人脸属性编辑模型进行训练，可以提高人脸属性编辑模型编辑的人脸图像的美观度与自然度。且上述过程无需人工参与，可见，采用本公开实施例可以在不消耗大量人力与时间的基础上，得到由高质量人脸图像组成的训练集。
以下对本公开实施例提供的训练集生成方法进行详细描述。
本公开实施例提供一种训练集生成方法，该方法可以应用于电子设备，如图1所示，该方法包括：
S101、获取人脸图像数据集。
其中，人脸图像数据集中包括多种类型的人脸图像，能够涵盖全世界范围多种类型的人脸图像，使得本公开实施例的人脸属性编辑模型能够对世界各地的人脸图像进行人脸属性编辑。
具体而言，人脸图像数据集中可以包括多个地区、多种肤色、多种穿着、多个年龄段的人脸图像。例如，人脸图像数据集中可以包括儿童、青年人、中年人和老年人的人脸图像。人脸图像数据集中可以包括男生的人脸图像和女生的人脸图像。从而使得人脸属性编辑模型对不同地区、不同肤色、不同穿着、不同年龄段等各类型的人脸图像均具有较好的编辑效果，提高人脸属性编辑模型的泛化性能。
S102、通过图像美学算法确定人脸图像数据集中每张人脸图像的美感得分。
作为示例，图像美学算法可以为自然图像评估(Neural Image Assessment，NIMA)算法，NIMA模型为一种训练好的卷积神经网络模型，用于训练NIMA模型的训练集中包括人脸图像和对各人脸图像的人工标注，该人工标注用于表示人脸图像的美感程度。训练好的NIMA模型对图像的美感打分与人类主观对图像的美感打分较为接近，也就是说通过NIMA模型确定的人脸图像的美感得分，与人工对人脸图像的美感得分接近，NIMA模型对人脸图像的评价结果符合人的审美标准。
NIMA模型的结构如图2所示，NIMA模型包括CNN模块、全连接(fully connected，FC)模块和得分计算模块。其中，CNN模块可以为基线图像分类器网络(baseline imageclassifier network)，得分计算模块可以为softmax逻辑回归模块。
输入该NIMA模型的人脸图像需要被处理为尺寸为224×224的RGB图像，然后NIMA模型的CNN模块、FC模块、softmax模块对输入的人脸图像依次进行处理后，输出该人脸图像的美感得分。
本步骤中，可以分别将人脸图像数据集中的每张人脸图像输入NIMA模型，并获取NIMA模型对每张人脸图像输出的美感得分。
本公开实施例的图像美学算法还可以为其他用于对人脸图像的美感进行评价的算法，不限于上述NIMA算法。
S103、通过人脸质量评价算法确定人脸图像数据集中每张人脸图像的人脸质量得分。
作为示例，人脸质量评价算法可以为无监督的人脸质量评估(UnsupervisedEstimation of Face Image Quality，SER-FIQ)算法。SER-FIQ算法用于评价人脸图像是否适合用于人脸识别。
如图3所示，SER-FIQ算法模型包括一个人脸识别网络模型M(subnetworks ofmodel M)，人脸识别网络模型M通过Dropout策略训练得到，且人脸识别网络模型M中包括多个子网络，图3中示例性地示出了4个子网络。
例如，可以将人脸图像I的尺寸处理为112×112，然后输入人脸识别网络模型M。进而通过每个子网络将人脸图像I映射到同一空间中，得到不同的向量x(I)，即图3中的x1、x2、x3、x4。然后计算两两向量之间的距离，可以得到d(x1、x2)、d(x1、x3)、d(x1、x4)、d(x2、x3)、d(x2、x3)和d(x3、x4)。将上述距离相加可以得到一个总距离，总距离越大表示人脸图像I的质量越高；总距离越小表示人脸图像I的质量越低，所以可以将上述总质量取负值，作为人脸图像I的人脸质量得分。如此，可以使得人脸质量得分越高，表示人脸图像I的质量越高。并且，人脸质量得分越高，表示该人脸图像人脸特征的完整性越好，越适合用于进行人脸识别。
本公开实施例的人脸质量评价算法还可以为其他用于对人脸图像质量进行评价的算法，不限于上述SER-FIQ算法。
S104、通过图像质量评估算法确定人脸图像数据集中每张人脸图像的自适应质量得分。
作为示例，本公开实施例中的图像质量评估算法可以为图像质量评价(hyperImage Quality Assessment，hyperIQA)算法，hyperIQA算法可以自适应的对图像质量进行评估。hyperIQA算法模型包括主干网络、目标网络和超网络三个部分。该主干网络可以为残差网络(resnet)。
其中，主干网络用于提取图像的语义特征，主干网络提取图像的语义特征后，通过超网络自适应建立感知线索(即构建全连接层的模型参数)，然后目标网络基于感知线索和图像的语义特征输出图像的自适应质量分数。因hyperIQA算法模型包括超网络，可以自适应建立感知线索，所以对于不同类型的图片的评价标准可以自适应变化。在本公开实施例中，可以对人脸图像的肤色、穿着、年龄段等差异进行自适应评价，可以弥补图像美学算法与人脸质量评价算法对人脸图像评价标准缺失的部分。
本公开实施例中，输入hyperIQA算法模型的人脸图像尺寸可以为224x 224。
本公开实施例的图像质量评估算法还可以为其他用于对人脸图像质量进行自适应评价的算法，不限于上述hyperIQA算法。
S105、分别根据人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分。
S106、按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。
在本公开实施例中，每确定一张人脸图像的综合得分，可以根据该人脸图像的综合得分将该人脸图像加入人脸图像序列中。其中，人脸图像序列中包括的人脸图像按照综合得分大小排列，比如可以按照综合得分从大到小的顺序排列，则电子设备可以从人脸图像序列中选取前预设数量的人脸图像生成上述训练集。或者，可以按照综合得分从小到大的顺序排列，则电子设备可以从人脸图像序列中选取后预设数量的人脸图像生成上述训练集。或者，可以根据人脸图像序列中的综合得分排布情况，根据经验选择一个综合得分作为预设阈值，进而电子设备将人脸图像序列中综合得分大于该预设阈值的人脸图像生成上述训练集。如此，电子设备可以直接从人脸图像序列中选取前一部分人脸图像或者选取后一部分人脸图像生成训练集，就不必分别判断每张人脸图像的综合得分在人脸图像数据集包括的所有人脸图像中的排序，可以提高生成训练集的效率。
由上述技术方案可见，因本公开实施例可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。通过该训练集对人脸属性编辑模型进行训练，可以提高人脸属性编辑模型编辑的人脸图像的美观度与自然度。且上述过程无需人工参与，可见，采用本公开实施例可以在不消耗大量人力与时间的基础上，得到由高质量人脸图像组成的训练集。
在本公开另一实施例中，上述S105、分别根据人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分，包括：
针对每张人脸图像进行以下处理：
分别使用第一归一化参数、第二归一化参数、第三归一化参数对人脸图像的美感得分、人脸质量得分和自适应质量得分进行归一化；
将归一化后该人脸图像的美感得分、人脸质量得分和自适应质量得分通过预设权重参数进行加权求和，使用第四归一化参数对加权求和结果进行归一化，得到该人脸图像的综合得分。
作为示例，如图4所示，对于人脸图像数据集中的每张人脸图像，可以分别经NIMA算法、SER-FIQ算法和hyperIQA算法进行评价。将NIMA算法、SER-FIQ算法和hyperIQA算法对同一张人脸图像计算得到的得分分别计为X、Y、Z。然后分别将X、Y、Z进行归一化，得到取值范围在(0，1)之间的X1、Y1、Z1。
本公开实施例中，可基于上述三种算法的重要程度为上述三种算法设置权重参数，可以采用预设权重参数对上述X1、Y1、Z1进行加权求和。例如，预设权重参数为a、b、c，则加权求和结果为λ＝aX1+bY1+cZ1，通过第二归一化参数对λ进行归一化，得到人脸图像的综合得分λ1。也就是说，对人脸图像数据集中的每张人脸图像进行图4所示的处理，可以得到每张人脸图像的综合得分。
采用上述技术方案，因各算法对人脸图像的评价方式不同，所以同一人脸图像的美感得分、人脸质量得分和自适应质量得分之间没有可比性，通过归一化处理可以将上述得分处理到同一范围内，以便于计算人脸图像的综合得分。并且通过预设权重参数对归一化后的美感得分、人脸质量得分和自适应质量得分进行加权求和，可以灵活决定对各种得分的参考程度，使得人脸图像的综合得分更能反映人脸图像对训练人脸属性编辑模型的适应程度，从而得到更高质量的训练集。
在本公开实施例中，在通过上述S106生成的训练集训练得到人脸属性编辑模型之后，可以通过测试集对人脸属性编辑模型进行测试，以判断人脸属性编辑模型的编辑结果是否符合要求。
其中，测试集可中可以包括人工选取的一些人脸图像，将测试集包括的人脸图像输入人脸属性编辑模型后，可获取人脸属性编辑模型输出的编辑后的人脸图像，进而可以人工判断编辑后的人脸图像的美感和自然度。
若确定人脸属性编辑模型的泛化性能不够好，则可以进一步扩充训练集，通过扩充后的训练集对人脸属性编辑模型进行优化。
扩充训练集的方式为：获取更多的人脸图像作为新增人脸图像，对每张新增人脸图像按照上述S102-S105的方式计算综合得分，得到每张新增人脸图像的综合得分。
需要说明的是，针对每张新增人脸图像，在通过S102-S104确定该新增人脸图像的美感得分、人脸质量得分和自适应质量得分后，在上述S105中，仍分别使用第一归一化参数、第二归一化参数、第三归一化参数对新增人脸图像的美感得分、人脸质量得分和自适应质量得分进行归一化；并将归一化后该新增人脸图像的美感得分、人脸质量得分和自适应质量得分通过预设权重参数进行加权求和，使用第四归一化参数对加权求和结果进行归一化，得到该新增人脸图像的综合得分。
也就是说，计算新增人脸图像综合得分的时使用的各归一化参数，与上述实施例中计算人脸图像综合得分时使用的各归一化参数相同，以保证新增人脸图像的综合得分与其他人脸图像的综合得分通过相同的计算标准得到，具有可比性。
在得到各新增人脸图像的综合得分后，可以将综合得分大于预设阈值的新增人脸图像加入训练集，得到扩充后的训练集。
或者，可以根据各新增人脸图像的综合得分，将各新增人脸图像加入人脸图像序列中，进而按照综合得分从大到小的顺序，从人脸图像序列中选择预设数量+N的人脸图像，生成扩充后的训练集。其中，N为需要在原训练集基础上扩充的样本图像数量。
本公开实施例中，可以根据新增人脸图像的综合与人脸图像序列中其他人脸图像的综合得分之间的大小关系，将新增人脸图像加入到人脸图像序列中的相应位置，使得人脸图像序列中包括的各人脸图像依然按照综合得分大小的顺序排列。
在得到扩充后的训练集后，可以通过扩充后的训练集优化人脸属性编辑模型。
采用该方法，当需要对训练集进行扩充时，可以基于相同的计算方式计算新增人脸图像的综合得分，而无需重新对人脸图像数据集中的所有人脸图像重新计算综合得分，可以加快计算速度，且提高对训练集的扩充效率。
在本公开另一实施例中，如图5所示，上述预设权重参数可以通过以下方式获得：
S501、通过预设数量组权重参数分别对人脸图像数据集中包括的人脸图像计算综合得分，以生成预设数量个测试训练集。
其中，每组权重参数包括美感得分权重、人脸质量得分权重和自适应质量得分权重。
在本公开实施例中，可以预先设置预设数量组权重参数，分别使用每组权重参数执行图1所示的方法流程，进而，针对每组权重参数可以得到一个测试训练集。
例如，如果预先设置10组权重参数，在上述S105中，分别采用这10组权重参数计算人脸图像的综合得分，进而可以得到每组权重对应的人脸图像序列，即得到10组人脸图像序列。从每组人脸图像序列中选取预设数量的人脸图像，可以得到10个测试训练集。
S502、分别使用每个测试训练集对深度学习模型进行训练，得到每个测试训练集对应的测试模型。
延续上一步骤中的举例，通过10个测试训练集对深度学习模型进行训练，可以得到10个能够进行人脸属性编辑的测试模型。
S503、通过每个测试模型对相同的人脸图像进行人脸属性编辑，根据每个测试模型输出的人脸编辑图像确定每个测试模型的测试结果。
可以通过多张人脸图像对测试模型进行测试，可以人工对各测试模型输出的人脸编辑图像进行打分，以得到每个测试模型的测试结果。
S504、通过每个测试模型的测试结果确定预设权重参数。
采用本公开实施例，按照图1对应实施例中的方法采用多组权重得到多个测试训练集，进而基于多个测试训练集训练出多个测试模型，再基于多个测试模型对人脸图像的编辑效果来确定最终实际应用过程中的预设权重参数。通过上述测试过程，可以得到更适合生成训练集的预设权重参数，进而通过该预设权重参数可以得到更高质量的训练集，使得训练出的人脸属性编辑模型编辑的人脸图像的更加美观、自然。
在一种实施方式中，可以将测试结果最好的测试模型对应的一组权重参数作为上述预设权重参数。
在另一种实施方式中，S504、通过每个测试模型的测试结果确定预设权重参数，可以包括以下步骤：
步骤1、将测试模型分为第一类别和第二类别，第一类别的测试模型的测试结果优于第二类别的测试模型的测试结果。
步骤2、将第一类别的测试模型对应的权重参数进行按位求平均值，得到第一权重向量。
步骤3、将第二类别的测试模型对应的权重参数进行按位求平均值，得到第二权重向量。
步骤4、根据第一权重向量和第二权重向量确定方向向量。
可选地，方向向量可以为第一权重向量与第二权重向量的差。例如，第一权重向量为(a1，b1，c1)，第二权重向量为(a2，b2，c2)，则方向向量为(a1-a2，b1-b2，c1-c2)。
步骤5、根据方向向量对第一权重向量进行优化，得到预设权重参数。
例如，可以将第一权重向量加上方向向量与预设步长的乘积，如果得到的向量中存在一个元素的值为0，则将得到的向量包括的元素作为预设权重参数；如果得到的向量中所有元素均不为0，则在该得到的向量的基础上，累加方向向量与预设步长的乘积，直至累加后得到的向量中存在一个元素为0时，得到预设权重参数。
例如，第一权重向量为(a1，b1，c1)，则计算(a1，b1，c1)+m(a1-a2，b1-b2，c1-c2)，其中m为预设步长。如果计算得到向量中不存在0，则再计算(a1，b1，c1)+m(a1-a2，b1-b2，c1-c2)+m(a1-a2，b1-b2，c1-c2)，按照这种方式，每次按照方向向量将第一权重向量移动上述预设步长，直至得到的向量中存在一个元素为0时，得到最优的权重向量。
本公开实施例中，通过方向向量逐步对第一权重向量进行调整，可以使得第一权重向量持续被优化，从而得到更加适合生成训练集的预设权重参数，进而使得通过该预设权重参数能够生成质量更高的训练集，提高训练出的人脸属性编辑模型的编辑效果。
基于上述实施例中生成的训练集，本公开实施例还提供一种人脸图像处理方法，该方法应用于电子设备，如图6所示，该方法包括：
S601、获取待编辑的人脸图像。
其中，待编辑的人脸图像可以为用户通过短视频软件、图像编辑软件等具有人脸属性编辑功能的软件拍摄的人脸图像，或者为用户导入具有人脸属性编辑功能的软件的人脸图像。
作为示例，如果用户选择对人脸图像进行特效处理，比如选择“变大十岁”或“变成小孩”等特效，则电子设备将当前用户正在编辑的人脸图像作为待编辑的人脸图像，并执行后续步骤。
S602、将待编辑的人脸图像输入人脸属性编辑模型。其中，人脸属性编辑模型基于训练集训练得到，该训练集为基于上述实施例中的训练集生成方法生成的训练集。
S603、获取人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
例如，若用户选择的特效为“变大十岁”，则人脸属性编辑模型可以输出将待编辑的人脸图像变大十岁后得到的脸图像。
再例如，若用户选择的特效为“变成小孩”，则人脸属性编辑模型可以输出将待编辑的人脸图像编辑为小孩后的图像。
作为示例，如果采用低质量的训练集对人脸属性编辑模型进行训练，则人脸属性编辑模型对待编辑的人脸图像的编辑结果如图7a所示。从图7a中可以看出，编辑得到的人脸图像的鼻子处有明显的人工编辑痕迹，嘴巴有变形，且下巴线条不够流畅，显然不够清晰、美观和自然。
采用本公开实施例生成的训练集对人脸属性编辑模型进行训练后，人脸属性编辑模型对待编辑的人脸图像的编辑结果如图7b所示，与图7a相比，该编辑后的人脸图像的鼻子处、嘴巴和下巴均无变形，无人工编辑痕迹，更加清晰、美观和自然。
由上述技术方案可见，因本公开实施例中的人脸属性编辑模型通过上述实施例生成的训练集训练得到，在生成训练集时可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。进而，通过该训练集训练得到的人脸属性编辑模型对待编辑人脸图像的编辑结果更加美观和自然。
对应于方法实施例，本公开实施例还提供一种训练集生成装置，如图8所示，该装置包括：
获取模块801，用于获取人脸图像数据集；
第一确定模块802，用于通过图像美学算法确定人脸图像数据集中每张人脸图像的美感得分；
第二确定模块803，用于通过人脸质量评价算法确定人脸图像数据集中每张人脸图像的人脸质量得分；
第三确定模块804，用于通过图像质量评估算法确定人脸图像数据集中每张人脸图像的自适应质量得分；
综合得分确定模块805，用于分别根据人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；
生成模块806，用于按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集。
由上述技术方案可见，因本公开实施例可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。通过该训练集对人脸属性编辑模型进行训练，可以提高人脸属性编辑模型编辑的人脸图像的美观度与自然度。且上述过程无需人工参与，可见，采用本公开实施例可以在不消耗大量人力与时间的基础上，得到由高质量人脸图像组成的训练集。
在本公开另一实施例中，综合得分确定模块805，具体用于：
针对每张人脸图像进行以下处理：
分别使用第一归一化参数、第二归一化参数、第三归一化参数对人脸图像的美感得分、人脸质量得分和自适应质量得分进行归一化；
将归一化后的人脸图像的美感得分、人脸质量得分和自适应质量得分通过预设权重参数进行加权求和，使用第四归一化参数对加权求和结果进行归一化，得到该人脸图像的综合得分。
在本公开另一实施例中，该装置还包括：
生成模块，还用于通过预设数量组权重参数分别对人脸图像数据集中包括的人脸图像计算综合得分，以生成预设数量个测试训练集，其中，每组权重参数包括美感得分权重、人脸质量得分权重和自适应质量得分权重；
训练模块，用于分别使用每个测试训练集对深度学习模型进行训练，得到每个测试训练集对应的测试模型；
测试模块，用于通过每个测试模型对相同的人脸图像进行人脸属性编辑，根据每个测试模型输出的人脸编辑图像确定每个测试模型的测试结果；
第四确定模块，用于通过每个测试模型的测试结果确定预设权重参数。
在本公开另一实施例中，第四确定模块，具体用于：
将测试结果最好的测试模型对应的一组权重参数作为预设权重参数；或者，
将测试模型分为第一类别和第二类别，第一类别的测试模型的测试结果优于第二类别的测试模型的测试结果；
将第一类别的测试模型对应的权重参数进行按位求平均值，得到第一权重向量；
将第二类别的测试模型对应的权重参数进行按位求平均值，得到第二权重向量；
根据第一权重向量和第二权重向量确定方向向量；
根据方向向量对第一权重向量进行优化，得到预设权重参数。
在本公开另一实施例中，该装置还包括：
加入模块，用于每确定一张人脸图像的综合得分，根据该人脸图像的综合得分将该人脸图像加入人脸图像序列中，人脸图像序列包括的人脸图像按照综合得分大小排列。
对应于方法实施例，本公开实施例还提供一种人脸图像处理装置，如图9所示，该装置包括：
第一获取模块901，用于获取待编辑的人脸图像；
输入模块902，用于将所述待编辑的人脸图像输入人脸属性编辑模型，所述人脸属性编辑模型基于训练集训练得到，所述训练集为基于上述方法实施例中生成训练集的方法生成的训练集；
第二获取模块903，用于获取所述人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
由上述技术方案可见，因本公开实施例中的人脸属性编辑模型通过上述实施例生成的训练集训练得到，在生成训练集时可以通过图像美学算法、人脸质量评价算法与图像质量评估算法综合评估各人脸图像的质量，图像美学算法用于评价人脸图像的美感，人脸质量评价算法用于评价人脸图像包括的人脸特征的完整性，图像质量评估算法用于自适应对人脸图像进行评价。所以通过上述三种算法确定的人脸图像的综合得分兼顾了美感、人脸特征的完整性和自适应评价指标，进而选取综合得分较高的人脸图像生成训练集，使得训练集中包括的人脸图像均为高质量的人脸图像。进而，通过该训练集训练得到的人脸属性编辑模型对待编辑人脸图像的编辑结果更加美观和自然。
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10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如训练集生成方法或人脸图像处理方法。例如，在一些实施例中，训练集生成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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的训练集生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练集生成方法或人脸图像处理方法。
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。
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 (10)
1.一种训练集生成方法，包括：
获取人脸图像数据集；
通过图像美学算法确定所述人脸图像数据集中每张人脸图像的美感得分；
通过人脸质量评价算法确定所述人脸图像数据集中每张人脸图像的人脸质量得分，所述人脸质量得分用于表示人脸特征的完整性；
通过图像质量评估算法确定所述人脸图像数据集中每张人脸图像的自适应质量得分，所述自适应得分用于弥补所述图像美学算法与所述人脸质量评价算法对人脸图像评价标准缺失的部分；
分别根据所述人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；
按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集；
所述分别根据所述人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分，包括：
针对每张人脸图像进行以下处理：
分别使用第一归一化参数、第二归一化参数、第三归一化参数对人脸图像的美感得分、人脸质量得分和自适应质量得分进行归一化；
将归一化后的人脸图像的美感得分、人脸质量得分和自适应质量得分通过预设权重参数进行加权求和，使用第四归一化参数对加权求和结果进行归一化，得到该人脸图像的综合得分；
所述预设权重参数通过以下方式获得：
通过预设数量组权重参数分别对所述人脸图像数据集中包括的人脸图像计算综合得分，以生成预设数量个测试训练集，其中，每组权重参数包括美感得分权重、人脸质量得分权重和自适应质量得分权重；
分别使用每个测试训练集对深度学习模型进行训练，得到每个测试训练集对应的测试模型；
通过每个测试模型对相同的人脸图像进行人脸属性编辑，根据每个测试模型输出的人脸编辑图像确定每个测试模型的测试结果；
通过每个测试模型的测试结果确定所述预设权重参数。
2.根据权利要求1所述的方法，其中，所述通过每个测试模型的测试结果确定所述预设权重参数，包括：
将测试结果最好的测试模型对应的一组权重参数作为所述预设权重参数；或者，
将测试模型分为第一类别和第二类别，所述第一类别的测试模型的测试结果优于所述第二类别的测试模型的测试结果；
将所述第一类别的测试模型对应的权重参数进行按位求平均值，得到第一权重向量；
将所述第二类别的测试模型对应的权重参数进行按位求平均值，得到第二权重向量；
根据所述第一权重向量和所述第二权重向量确定方向向量；
根据所述方向向量对所述第一权重向量进行优化，得到所述预设权重参数。
3.根据权利要求1所述的方法，所述方法还包括：
每确定一张人脸图像的综合得分，根据该人脸图像的综合得分将该人脸图像加入人脸图像序列中，所述人脸图像序列包括的人脸图像按照综合得分大小排列。
4.一种人脸图像处理方法，包括：
获取待编辑的人脸图像；
将所述待编辑的人脸图像输入人脸属性编辑模型，所述人脸属性编辑模型基于训练集训练得到，所述训练集为基于权利要求1-3中任一项所述的方法生成的训练集；
获取所述人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
5.一种训练集生成装置，包括：
获取模块，用于获取人脸图像数据集；
第一确定模块，用于通过图像美学算法确定所述人脸图像数据集中每张人脸图像的美感得分；
第二确定模块，用于通过人脸质量评价算法确定所述人脸图像数据集中每张人脸图像的人脸质量得分，所述人脸质量得分用于表示人脸特征的完整性；
第三确定模块，用于通过图像质量评估算法确定所述人脸图像数据集中每张人脸图像的自适应质量得分，所述自适应得分用于弥补所述图像美学算法与所述人脸质量评价算法对人脸图像评价标准缺失的部分；
综合得分确定模块，用于分别根据所述人脸图像数据集中每张人脸图像的美感得分、人脸质量得分和自适应质量得分，确定每张人脸图像的综合得分；
生成模块，用于按照人脸图像的综合得分从大到小的顺序，选取预设数量的人脸图像，以生成用于训练人脸属性编辑模型的训练集；
所述综合得分确定模块，具体用于：
针对每张人脸图像进行以下处理：
分别使用第一归一化参数、第二归一化参数、第三归一化参数对人脸图像的美感得分、人脸质量得分和自适应质量得分进行归一化；
将归一化后的人脸图像的美感得分、人脸质量得分和自适应质量得分通过预设权重参数进行加权求和，使用第四归一化参数对加权求和结果进行归一化，得到该人脸图像的综合得分；
所述装置还包括：
所述生成模块，还用于通过预设数量组权重参数分别对所述人脸图像数据集中包括的人脸图像计算综合得分，以生成预设数量个测试训练集，其中，每组权重参数包括美感得分权重、人脸质量得分权重和自适应质量得分权重；
训练模块，用于分别使用每个测试训练集对深度学习模型进行训练，得到每个测试训练集对应的测试模型；
测试模块，用于通过每个测试模型对相同的人脸图像进行人脸属性编辑，根据每个测试模型输出的人脸编辑图像确定每个测试模型的测试结果；
第四确定模块，用于通过每个测试模型的测试结果确定所述预设权重参数。
6.根据权利要求5所述的装置，其中，所述第四确定模块，具体用于：
将测试结果最好的测试模型对应的一组权重参数作为所述预设权重参数；或者，
将测试模型分为第一类别和第二类别，所述第一类别的测试模型的测试结果优于所述第二类别的测试模型的测试结果；
将所述第一类别的测试模型对应的权重参数进行按位求平均值，得到第一权重向量；
将所述第二类别的测试模型对应的权重参数进行按位求平均值，得到第二权重向量；
根据所述第一权重向量和所述第二权重向量确定方向向量；
根据所述方向向量对所述第一权重向量进行优化，得到所述预设权重参数。
7.根据权利要求5所述的装置，所述装置还包括：
加入模块，用于每确定一张人脸图像的综合得分，根据该人脸图像的综合得分将该人脸图像加入人脸图像序列中，所述人脸图像序列包括的人脸图像按照综合得分大小排列。
8.一种人脸图像处理装置，包括：
第一获取模块，用于获取待编辑的人脸图像；
输入模块，用于将所述待编辑的人脸图像输入人脸属性编辑模型，所述人脸属性编辑模型基于训练集训练得到，所述训练集为基于权利要求5-7中任一项所述的装置生成的训练集；
第二获取模块，用于获取所述人脸属性编辑模型输出的进行人脸属性编辑后的人脸图像。
9.一种电子设备，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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110730128.3A CN113536991B (zh) | 2021-06-29 | 2021-06-29 | 训练集生成、人脸图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110730128.3A CN113536991B (zh) | 2021-06-29 | 2021-06-29 | 训练集生成、人脸图像处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113536991A CN113536991A (zh) | 2021-10-22 |
| CN113536991B true CN113536991B (zh) | 2023-06-23 |
Family
ID=78097186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110730128.3A Active CN113536991B (zh) | 2021-06-29 | 2021-06-29 | 训练集生成、人脸图像处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536991B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224921A (zh) * | 2015-09-17 | 2016-01-06 | 桂林远望智能通信科技有限公司 | 一种人脸图像择优系统和处理方法 |
| CN107123083A (zh) * | 2017-05-02 | 2017-09-01 | 中国科学技术大学 | 人脸编辑方法 |
| WO2018049952A1 (zh) * | 2016-09-14 | 2018-03-22 | 厦门幻世网络科技有限公司 | 一种照片获取方法及装置 |
| CN109670473A (zh) * | 2018-12-28 | 2019-04-23 | 深圳英飞拓智能技术有限公司 | 基于人脸抓图的优选方法及装置 |
| CN111199186A (zh) * | 2019-12-03 | 2020-05-26 | 恒大智慧科技有限公司 | 图像质量评分模型训练方法、装置、设备及存储介质 |
| CN111210402A (zh) * | 2019-12-03 | 2020-05-29 | 恒大智慧科技有限公司 | 人脸图像质量评分方法、装置、计算机设备及存储介质 |
| CN112183172A (zh) * | 2019-07-05 | 2021-01-05 | 广州虎牙科技有限公司 | 容貌评估模型的训练及其美颜参数的推送方法和相关装置 |
| CN112232281A (zh) * | 2020-11-04 | 2021-01-15 | 深圳大学 | 一种人脸属性编辑方法、装置、智能终端及存储介质 |
| WO2021031566A1 (zh) * | 2019-08-21 | 2021-02-25 | 五邑大学 | 一种基于多任务学习的人脸美丽预测方法 |
| CN112560758A (zh) * | 2020-12-24 | 2021-03-26 | 百果园技术(新加坡)有限公司 | 一种人脸属性编辑方法、系统、电子设备及存储介质 |
| CN112597909A (zh) * | 2020-12-25 | 2021-04-02 | 北京芯翌智能信息技术有限公司 | 一种用于人脸图片质量评价的方法与设备 |
-
2021
- 2021-06-29 CN CN202110730128.3A patent/CN113536991B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224921A (zh) * | 2015-09-17 | 2016-01-06 | 桂林远望智能通信科技有限公司 | 一种人脸图像择优系统和处理方法 |
| WO2018049952A1 (zh) * | 2016-09-14 | 2018-03-22 | 厦门幻世网络科技有限公司 | 一种照片获取方法及装置 |
| CN107123083A (zh) * | 2017-05-02 | 2017-09-01 | 中国科学技术大学 | 人脸编辑方法 |
| CN109670473A (zh) * | 2018-12-28 | 2019-04-23 | 深圳英飞拓智能技术有限公司 | 基于人脸抓图的优选方法及装置 |
| CN112183172A (zh) * | 2019-07-05 | 2021-01-05 | 广州虎牙科技有限公司 | 容貌评估模型的训练及其美颜参数的推送方法和相关装置 |
| WO2021031566A1 (zh) * | 2019-08-21 | 2021-02-25 | 五邑大学 | 一种基于多任务学习的人脸美丽预测方法 |
| CN111199186A (zh) * | 2019-12-03 | 2020-05-26 | 恒大智慧科技有限公司 | 图像质量评分模型训练方法、装置、设备及存储介质 |
| CN111210402A (zh) * | 2019-12-03 | 2020-05-29 | 恒大智慧科技有限公司 | 人脸图像质量评分方法、装置、计算机设备及存储介质 |
| CN112232281A (zh) * | 2020-11-04 | 2021-01-15 | 深圳大学 | 一种人脸属性编辑方法、装置、智能终端及存储介质 |
| CN112560758A (zh) * | 2020-12-24 | 2021-03-26 | 百果园技术(新加坡)有限公司 | 一种人脸属性编辑方法、系统、电子设备及存储介质 |
| CN112597909A (zh) * | 2020-12-25 | 2021-04-02 | 北京芯翌智能信息技术有限公司 | 一种用于人脸图片质量评价的方法与设备 |
Non-Patent Citations (2)
| Title |
|---|
| CPEF:一种用于人脸识别的图像择优方法;王迪;陈岳林;蔡晓东;甘凯今;;电视技术(第07期);113-117 * |
| 基于HodgeRank的人脸美貌度预测;蒋婷;朱明;;计算机系统应用(第04期);29-35 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113536991A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9449256B1 (en) | Providing image candidates based on diverse adjustments to an image | |
| US8692830B2 (en) | Automatic avatar creation | |
| JP7429101B2 (ja) | 意味的情報に基づいてフォトリアリスティックな合成画像を生成するためのシステムおよび方法 | |
| KR102694722B1 (ko) | 영화 성공-지수의 예측 | |
| CN112465935A (zh) | 虚拟形象合成方法、装置、电子设备和存储介质 | |
| CN113240778B (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
| CN116363261B (zh) | 图像编辑模型的训练方法、图像编辑方法和装置 | |
| CN112365876A (zh) | 语音合成模型的训练方法、装置、设备以及存储介质 | |
| CN113657466B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN114429767A (zh) | 视频生成方法、装置、电子设备以及存储介质 | |
| CN110782448A (zh) | 渲染图像的评价方法及装置 | |
| US20210283505A1 (en) | Video Game Content Provision System and Method | |
| CN111679829B (zh) | 用户界面设计的确定方法和装置 | |
| CN111159279B (zh) | 一种模型可视化方法、设备及存储介质 | |
| CN113962845B (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
| CN117474669A (zh) | 一种贷款逾期预测方法、装置、设备及存储介质 | |
| CN113536991B (zh) | 训练集生成、人脸图像处理方法、装置及电子设备 | |
| CN112686381A (zh) | 神经网络模型、方法、电子设备及可读介质 | |
| CN116433920A (zh) | 一种基于深度特征引导的图像生成方法、装置及存储介质 | |
| CN114638919A (zh) | 虚拟形象的生成方法、电子设备、程序产品及用户终端 | |
| JP2022148878A (ja) | プログラム、情報処理装置、及び方法 | |
| CN115269901A (zh) | 拓展图像生成方法、装置和设备 | |
| CN112714362B (zh) | 确定属性的方法、装置、电子设备和介质 | |
| TWI779784B (zh) | 特徵解析系統、方法及其電腦可讀媒介 | |
| CN113220997B (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 |