CN113850212A - 图像生成方法、装置、设备及存储介质 - Google Patents
图像生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113850212A CN113850212A CN202111151607.6A CN202111151607A CN113850212A CN 113850212 A CN113850212 A CN 113850212A CN 202111151607 A CN202111151607 A CN 202111151607A CN 113850212 A CN113850212 A CN 113850212A
- Authority
- CN
- China
- Prior art keywords
- image
- human body
- clothes
- segmentation
- key point
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开实施例公开了一种图像生成方法、装置、设备及存储介质。包括:获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;将所述第二衣物图像、第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。本发明实施例提供的图像生成方法,可以提高生成图像的真实度。
Description
技术领域
本公开实施例涉及图像处理技术领域,尤其涉及一种图像生成方法、装置、设备及存储介质。
背景技术
随着科技的发展,越来越多的应用软件走进了用户的生活,逐渐丰富了用户的业余生活,例如短视频APP等。用户可以采用视频、照片等方式记录生活,并上传到短视频APP上。
短视频APP上有许多基于图像算法与渲染技术的特效玩法。其中,虚拟换装是指应用图像融合技术,将用户的人体图像和包含目标衣物的衣物图像进行融合,得到用户穿戴该目标衣物后的图像,从而在用户无需真正试穿目标衣物的情况下,就能够了解到目标衣物的穿戴效果。
目前,在虚拟换装过程中,通常应用图像融合模型,分别对人体图像和衣物图像进行特征提取,基于提取到的两个图像特征生成新的图像,即用户穿戴目标衣物的图像。但是,在上述过程中,由于图像融合模型所提取的是粗略的图像特征,在生成图像时容易导致新生成的图像缺失细节信息,进而导致图像生成效果失真,虚拟换装的效果较差。
发明内容
本公开实施例提供一种图像生成方法、装置、设备及存储介质,可以提高生成图像的真实度。
第一方面,本公开实施例提供了一种图像生成方法,包括:
获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
第二方面,本公开实施例还提供了一种图像生成装置,包括:
人体图像获取模块,用于获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
分割图获取模块,用于对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
第二衣物图像获取模块,用于将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
第二人体图像获取模块,用于将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理装置;
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装置执行,使得所述一个或多个处理装置实现如本公开实施例所述的图像生成方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现如本发明实施例所述的图像生成方法。
本公开实施例公开了一种图像生成方法、装置、设备及存储介质。获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;对第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;将关键点特征图、人像分割图、人体部位分割图及第一衣物图像输入形变模型中,获得变形后的第二衣物图像;将第二衣物图像、第一人体图像、关键点特征图、人像分割图及人体部位分割图输入混合模型,获得第二人体图像;其中,第二人体图像中的目标人体穿戴目标衣物。本发明实施例提供的图像生成方法,通过形变模型对第一衣物图像中的目标衣物进行变形处理,获得变形后的第二衣物图像,通过混合模型将变形后的目标衣物与目标人体混合,获得穿戴目标衣物的第二人体图像,可以提高生成图像的真实度。
附图说明
图1是本公开实施例中的一种图像生成方法的流程图;
图2是本公开实施例中的人体图像及衣物图像的示意图;
图3a是本公开实施例中的人体关键点提取的示例图;
图3b是本公开实施例中的人像分割的示例图;
图3c是本公开实施例中的人体部位分割的示例图;
图3d是本公开实施例中的调整第一人体图像的示例图;
图4是本公开实施例中的对目标衣物进行形变处理的示例图;
图5是本公开实施例中的获取换装后的人体图像的示例图;
图6是本公开实施例中的一种图像生成装置的结构示意图;
图7是本公开实施例中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”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例提供的一种图像生成方法的流程图,本实施例可适用于对人体图像中的目标人物进行换装的情况,该方法可以由图像生成装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有图像生成功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
步骤110,获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像。
其中,目标人体可以是以一定的姿态展示的人像,目标衣物可以是以平铺图展示的衣物。示例性的,图2为人体图像及衣物图像的示意图,如图2所示,左侧为包含有目标衣物的第一衣物图像,右侧为包含目标人体的第一人体图像。在图2中,目标衣物以平铺图的形式展示。
步骤120,对第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图。
其中,人体关键点提取可以理解为人体姿态估计,人体关键点可以包含17个关节点,分别是鼻子,左右眼,左右耳,左右肩,左右肘,左右腕,左右臀,左右膝,左右脚踝。本实施例中,可以采用任意的人体关键点检测算法对第一人体图像进行人体关键点检测(此处不作限定),或者将第一人体图像输入关键点提取模型中,获得关键点特征图。示例性的,图3a为人体关键点提取的示例图,如图3a所示,左侧图为获取到的包含有目标人体的第一人体图像,右侧为关键点特征图。各关键点间的相对位置关系可以表征人体的姿态信息。
其中,人像分割图可以理解为将人像与背景分割开的图像。本实施例中,可以采用任意的人像分割技术进行人像分割(此处不作限定),或者将第一人体图像输入人像分割模型中,获得关人像分割图。示例性的,图3b为人像分割的示例图,如图3b所示,左侧图为获取到的包含有目标人体的第一人体图像,右侧为人像分割图。从图3b可以看出,人像分割图为将人像与背景分割开的图像。
其中,人体部位分割图可以理解为将人体各个部位分割开的图像,例如:将脸部、头发、胳膊、上半身、腿部等分割开的图像。本实施例中,可以采用任意的人体部位分割算法对第一人体图像进行人体部位分割(此处不作限定),或者将第一人体图像输入人体部位分割模型中,获得人体部位分割图。示例性的,图3c为人体部位分割的示例图,如图3c所示,左侧图为获取到的包含有目标人体的第一人体图像,右侧为对应的人体部位分割图。
本实施例中,通过关键点特征图可以获取人体的姿态信息,通过人像分割图可以获得人体的尺寸信息,通过人体部位分割图可以获得衣物所在的区域。从而可以根据关键点特征图对衣物图进行姿态调整,根据人像分割图对衣物图进行尺寸调整,根据人体部位分割图对衣物图进行裁剪。对平铺的衣物图进行姿态调整、尺寸调整及裁剪后,就可以获得变形后的衣物图,可以保变形后的衣物图与当前的人体更贴合。
可选的,在对第一人体图像分别进行关键点提取之后,人像分割之前,还包括如下步骤:获取基准关键点分布信息;基于基准关键点分布信息对第一人体图像的关键点进行调整,获得调整后的第一人体图像。
其中,基准关键点分布信息可以理解为在基准图像中各人体关键点的分布信息。本实施例中,在对第一人体图像分别进行关键点提取之后,将提取的关键点与基准关键点对齐,从而达到调整图片尺寸以及人像在图像中的占比的目的。示例图的,图3d为本实施例中调整第一人体图像的示例图。参见如图3d,(1)图中人体在图中所占的比例以及图片的尺寸与基准图像不符合,此时对(1)中的人体进行关键点提取,获得(2)图,然后将(2)图中的关键点与基准关键点对齐,获得调整后的(3)图。
相应的,对第一人体图像分别进行人像分割及人体部位分割的方式可以是:对调整后的第一人体图像分别进行人像分割及人体部位分割。
步骤130,将关键点特征图、人像分割图、人体部位分割图及第一衣物图像输入形变模型中,获得变形后的第二衣物图像。
其中,形变模型可以是基于人体样本图像及衣物样本图像对设定神经网络训练获得的。其中,设定神经网络可以是卷积神经网络等。
具体的,在获得关键点特征图、人像分割图、人体部位分割图及第一衣物图像后,将关键点特征图、人像分割图、人体部位分割图及第一衣物图像输入形变模型中,获得变形后的第二衣物图像。示例性的,图4是本实施例中对目标衣物进行形变处理的示例图。
可选的,将关键点特征图、人像分割图、人体部位分割图及第一衣物图像输入形变模型中,获得变形后的第二衣物图像的过程可以是:形变模型根据关键点特征图对第一衣物图像进行姿态调整;根据人体分割图对姿态调整后的衣物图像进行尺寸调整;根据人体部位分割图中的衣物区域对尺寸调整后的衣物图像进行裁剪,获得变形后的第二衣物图像。
根据关键点特征图、人像分割图、人体部位分割图对第一衣物图像依次进行姿态调整、尺寸调整及裁剪后,就可以获得变形后的第二衣物图,可以保证形变后的第二衣物图与当前的人体更贴合。
本实施例中,形变模型的训练方式为:获取人体样本图像及衣物样本图像;其中,人体样本图像中的人体穿戴衣物样本图像中的衣物;对人体样本图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征样本图、人像分割样本图及人体部位分割样本图;将关键点特征样本图、人像分割样本图、人体部位分割样本图及衣物样本图像输入初始模型中,获得第一变形衣物图;根据第一变形衣物图及人体样本图像计算损失函数;根据损失函数训练初始模型,获得形变模型。
其中,对人体样本图像分别进行关键点提取、人像分割及人体部位分割的方式同样可以是:将人体样本图像分别输入关键点提取模型、人像分割模型及人体部位分割模型,获得关键点特征样本图、人像分割样本图及人体部位分割样本图。
步骤140,将第二衣物图像、所述第一人体图像、关键点特征图、人像分割图及人体部位分割图输入混合模型,获得第二人体图像。
其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。混合模型可以是基于人体样本图像及衣物样本图像对生成对抗网络中的生成模型训练获得的。具体的,将第二衣物图像、关键点特征图、人像分割图及人体部位分割图输入混合模型,获得第二人体图像。示例性的,图5是本发明实施例中获取换装后的人体图像的示例图。
可选的,将第二衣物图像、第一人体图像、关键点特征图、人像分割图及人体部位分割图输入混合模型,获得第二人体图像的过程可以是:混合模型将第二衣服图像和第一人体图像进行融合,获得初始图像;根据关键点特征图对初始图像中的衣物姿态进行优化,根据人像分割图对初始图像中的衣物尺寸进行优化,根据述人体部位分割图对初始图像中的衣物进行优化裁剪,获得第二人体图像。
本实施例中,将第二衣服图像和第一人体图像融合后的初始图像中衣物和人体的贴合度较差,因此需要对初始图像进行优化。根据关键点特征图、人像分割图、人体部位分割图对初始图像依次进行姿态优化、尺寸优化及裁剪优化后,使得获取到的第二人体图像中的衣物和人体更贴合,更接近于真实效果。
本实施例中,混合模型的训练方式为:将关键点特征样本图、人像分割样本图、人体部位分割样本图及衣物样本图像输入形变模型,获得第二变形衣物图;将第二变形衣物图、人体样本图像、关键点特征样本图、人像分割样本图、人体部位分割样本图及衣物样本图像输入生成模型,获得生成人体图像;将生成人体图像输入判别模型,获得判别结果;根据判别结果对生成模型进行训练,获得混合模型。
其中,混合模型是基于形变模型进行训练的。具体的,生成模型与判别模型进行对抗训练,可以提高最终混合模型的精度。
本实施例的技术方案,获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;对第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;将关键点特征图、人像分割图、人体部位分割图及第一衣物图像输入形变模型中,获得变形后的第二衣物图像;将第二衣物图像、第一人体图像、关键点特征图、人像分割图及人体部位分割图输入混合模型,获得第二人体图像;其中,第二人体图像中的目标人体穿戴目标衣物。本发明实施例提供的图像生成方法,通过形变模型对第一衣物图像中的目标衣物进行变形处理,获得变形后的第二衣物图像,通过混合模型将变形后的目标衣物与目标人体混合,获得穿戴目标衣物的第二人体图像,可以提高生成图像的真实度。
图6是本公开实施例提供的一种图像生成装置的结构示意图。如图6所示,该装置包括:
人体图像获取模块210,用于获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
分割图获取模块220,用于对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
第二衣物图像获取模块230,用于将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
第二人体图像获取模块240,用于将所述第二衣物图像、第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
可选的,分割图获取模块220,还用于:
将所述第一人体图像分别输入关键点提取模型、人像分割模型及人体部位分割模型,获得关键点特征图、人像分割图及人体部位分割图。
可选的,第二衣物图像获取模块230,还用于:
所述形变模型根据所述关键点特征图对所述第一衣物图像进行姿态调整;
根据所述人体分割图对姿态调整后的衣物图像进行尺寸调整;
根据所述人体部位分割图中的衣物区域对尺寸调整后的衣物图像进行裁剪,获得变形后的第二衣物图像。
可选的,第二人体图像获取模块240,还用于:
所述混合模型将所述第二衣服图像和所述第一人体图像进行融合,初始图像;
根据所述关键点特征图对所述初始图像中的衣物姿态进行优化,根据所述人像分割图对所述初始图像中的衣物尺寸进行优化,根据所述述人体部位分割图对所述初始图像中的衣物进行优化裁剪,获得第二人体图像。
可选的,还包括:第一人体图像调整模块,用于:
获取基准关键点分布信息;
基于所述基准关键点分布信息对所述第一人体图像的关键点进行调整,获得调整后的第一人体图像。
可选的,分割图获取模块220,还用于::
对调整后的第一人体图像分别进行人像分割及人体部位分割。
可选的,还包括:形变模型训练模块,用于:
获取人体样本图像及衣物样本图像;其中,所述人体样本图像中的人体穿戴所述衣物样本图像中的衣物;
对所述人体样本图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征样本图、人像分割样本图及人体部位分割样本图;
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入初始模型中,获得第一变形衣物图;
根据所述第一变形衣物图及所述人体样本图像计算损失函数;
根据所述损失函数训练所述初始模型,获得形变模型。
可选的,还包括:混合模型训练模块,用于:
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入形变模型,获得第二变形衣物图;
将所述第二变形衣物图、所述人体样本图像、所述关键点特征样本图、所述人像分割样本图、人体部位分割样本图及所述衣物样本图像输入生成模型,获得生成人体图像;
将所述生成人体图像输入判别模型,获得判别结果;
根据所述判别结果对所述生成模型进行训练,获得混合模型。
可选的,所述衣物图像为衣物平铺图。
上述装置可执行本公开前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开前述所有实施例所提供的方法。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子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,或者各种形式的服务器,如独立服务器或者服务器集群。图7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7所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备300,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词语的推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置305被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
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(EPROM或闪存)、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(HyperText 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:获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
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,单元的名称在某种情况下并不构成对该单元本身的限定。
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(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(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。
根据本公开实施例的一个或多个实施例,本公开实施例公开了一种图像生成方法,包括:
获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
将所述第二衣物图像、第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
进一步地,对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图,包括:
将所述第一人体图像分别输入关键点提取模型、人像分割模型及人体部位分割模型,获得关键点特征图、人像分割图及人体部位分割图。
进一步地,将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像,包括:
所述形变模型根据所述关键点特征图对所述第一衣物图像进行姿态调整;
根据所述人体分割图对姿态调整后的衣物图像进行尺寸调整;
根据所述人体部位分割图中的衣物区域对尺寸调整后的衣物图像进行裁剪,获得变形后的第二衣物图像。
进一步地,将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像,包括:
所述混合模型将所述第二衣服图像和所述第一人体图像进行融合,初始图像;
根据所述关键点特征图对所述初始图像中的衣物姿态进行优化,根据所述人像分割图对所述初始图像中的衣物尺寸进行优化,根据所述述人体部位分割图对所述初始图像中的衣物进行优化裁剪,获得第二人体图像。
进一步地,在对所述第一人体图像分别进行关键点提取之后,人像分割之前,还包括:
获取基准关键点分布信息;
基于所述基准关键点分布信息对所述第一人体图像的关键点进行调整,获得调整后的第一人体图像。
进一步地,对所述第一人体图像分别进行人像分割及人体部位分割,包括:
对调整后的第一人体图像分别进行人像分割及人体部位分割。
进一步地,所述形变模型的训练方式为:
获取人体样本图像及衣物样本图像;其中,所述人体样本图像中的人体穿戴所述衣物样本图像中的衣物;
对所述人体样本图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征样本图、人像分割样本图及人体部位分割样本图;
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入初始模型中,获得第一变形衣物图;
根据所述第一变形衣物图及所述人体样本图像计算损失函数;
根据所述损失函数训练所述初始模型,获得形变模型。
进一步地,混合模型的训练方式为:
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入形变模型,获得第二变形衣物图;
将所述第二变形衣物图、所述人体样本图像、所述关键点特征样本图、所述人像分割样本图、人体部位分割样本图及所述衣物样本图像输入生成模型,获得生成人体图像;
将所述生成人体图像输入判别模型,获得判别结果;
根据所述判别结果对所述生成模型进行训练,获得混合模型。
进一步地,所述衣物图像为衣物平铺图。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解,本公开不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (12)
1.一种图像生成方法,其特征在于,包括:
获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
2.根据权利要求1所述的方法,其特征在于,对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图,包括:
将所述第一人体图像分别输入关键点提取模型、人像分割模型及人体部位分割模型,获得关键点特征图、人像分割图及人体部位分割图。
3.根据权利要求1所述的方法,其特征在于,将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像,包括:
所述形变模型根据所述关键点特征图对所述第一衣物图像进行姿态调整;
根据所述人体分割图对姿态调整后的衣物图像进行尺寸调整;
根据所述人体部位分割图中的衣物区域对尺寸调整后的衣物图像进行裁剪,获得变形后的第二衣物图像。
4.根据权利要求1所述的方法,其特征在于,将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像,包括:
所述混合模型将所述第二衣服图像和所述第一人体图像进行融合,获得初始图像;
根据所述关键点特征图对所述初始图像中的衣物姿态进行优化,根据所述人像分割图对所述初始图像中的衣物尺寸进行优化,根据所述述人体部位分割图对所述初始图像中的衣物进行优化裁剪,获得第二人体图像。
5.根据权利要求1所述的方法,其特征在于,在对所述第一人体图像分别进行关键点提取之后,人像分割之前,还包括:
获取基准关键点分布信息;
基于所述基准关键点分布信息对所述第一人体图像的关键点进行调整,获得调整后的第一人体图像。
6.根据权利要求5所述的方法,其特征在于,对所述第一人体图像分别进行人像分割及人体部位分割,包括:
对调整后的第一人体图像分别进行人像分割及人体部位分割。
7.根据权利要求1所述的方法,其特征在于,所述形变模型的训练方式为:
获取人体样本图像及衣物样本图像;其中,所述人体样本图像中的人体穿戴所述衣物样本图像中的衣物;
对所述人体样本图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征样本图、人像分割样本图及人体部位分割样本图;
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入初始模型中,获得第一变形衣物图;
根据所述第一变形衣物图及所述人体样本图像计算损失函数;
根据所述损失函数训练所述初始模型,获得形变模型。
8.根据权利要求7所述的方法,其特征在于,混合模型的训练方式为:
将所述关键点特征样本图、所述人像分割样本图、所述人体部位分割样本图及所述衣物样本图像输入形变模型,获得第二变形衣物图;
将所述第二变形衣物图、所述人体样本图像、所述关键点特征样本图、所述人像分割样本图、人体部位分割样本图及所述衣物样本图像输入生成模型,获得生成人体图像;
将所述生成人体图像输入判别模型,获得判别结果;
根据所述判别结果对所述生成模型进行训练,获得混合模型。
9.根据权利要求1-8任一所述的方法,其特征在于,所述衣物图像为衣物平铺图。
10.一种图像生成装置,其特征在于,包括:
人体图像获取模块,用于获取包含目标人体的第一人体图像及包含目标衣物的第一衣物图像;
分割图获取模块,用于对所述第一人体图像分别进行关键点提取、人像分割及人体部位分割,获得关键点特征图、人像分割图及人体部位分割图;
第二衣物图像获取模块,用于将所述关键点特征图、所述人像分割图、所述人体部位分割图及所述第一衣物图像输入形变模型中,获得变形后的第二衣物图像;
第二人体图像获取模块,用于将所述第二衣物图像、所述第一人体图像、所述关键点特征图、所述人像分割图及所述人体部位分割图输入混合模型,获得第二人体图像;其中,所述第二人体图像中的所述目标人体穿戴所述目标衣物。
11.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理装置;
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装置执行,使得所述一个或多个处理装置实现如权利要求1-9中任一所述的图像生成方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-9中任一所述的图像生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151607.6A CN113850212A (zh) | 2021-09-29 | 2021-09-29 | 图像生成方法、装置、设备及存储介质 |
PCT/CN2022/118670 WO2023051244A1 (zh) | 2021-09-29 | 2022-09-14 | 图像生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151607.6A CN113850212A (zh) | 2021-09-29 | 2021-09-29 | 图像生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850212A true CN113850212A (zh) | 2021-12-28 |
Family
ID=78976935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111151607.6A Pending CN113850212A (zh) | 2021-09-29 | 2021-09-29 | 图像生成方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113850212A (zh) |
WO (1) | WO2023051244A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023051244A1 (zh) * | 2021-09-29 | 2023-04-06 | 北京字跳网络技术有限公司 | 图像生成方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115926B (zh) * | 2023-10-25 | 2024-02-06 | 天津大树智能科技有限公司 | 一种基于实时图像处理的人体动作标准判定方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427007B (zh) * | 2018-09-17 | 2022-03-18 | 叠境数字科技(上海)有限公司 | 基于多视角的虚拟试衣方法 |
US11080817B2 (en) * | 2019-11-04 | 2021-08-03 | Adobe Inc. | Cloth warping using multi-scale patch adversarial loss |
KR102341763B1 (ko) * | 2020-02-04 | 2021-12-22 | 엔에이치엔 주식회사 | 딥러닝 기반의 의류 가상 착용 서비스 방법 및 그 장치 |
CN111784845B (zh) * | 2020-06-12 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 基于人工智能的虚拟试穿方法、装置、服务器及存储介质 |
CN112330580B (zh) * | 2020-10-30 | 2024-08-13 | 厦门窝赚科技有限公司 | 生成人体衣物融合图像的方法、装置、计算设备、介质 |
CN113850212A (zh) * | 2021-09-29 | 2021-12-28 | 北京字跳网络技术有限公司 | 图像生成方法、装置、设备及存储介质 |
-
2021
- 2021-09-29 CN CN202111151607.6A patent/CN113850212A/zh active Pending
-
2022
- 2022-09-14 WO PCT/CN2022/118670 patent/WO2023051244A1/zh active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023051244A1 (zh) * | 2021-09-29 | 2023-04-06 | 北京字跳网络技术有限公司 | 图像生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023051244A1 (zh) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517214B (zh) | 用于生成图像的方法和装置 | |
CN113850212A (zh) | 图像生成方法、装置、设备及存储介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN114187177A (zh) | 特效视频的生成方法、装置、设备及存储介质 | |
CN111340865B (zh) | 用于生成图像的方法和装置 | |
CN114004905A (zh) | 人物风格形象图的生成方法、装置、设备及存储介质 | |
CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
CN110717467A (zh) | 头部姿势的估计方法、装置、设备及存储介质 | |
CN114170342A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114422698A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
CN111583102B (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
WO2024056030A1 (zh) | 一种图像深度估计方法、装置、电子设备及存储介质 | |
CN111104827A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
CN112714263A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN110189364B (zh) | 用于生成信息的方法和装置,以及目标跟踪方法和装置 | |
CN111402159A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110619602A (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
WO2023140787A2 (zh) | 视频的处理方法、装置、电子设备、存储介质和程序产品 | |
EP4397024A1 (en) | Per participant end-to-end encrypted metadata | |
CN115757933A (zh) | 推荐信息生成方法、装置、设备、介质和程序产品 | |
CN115272145A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114996515A (zh) | 视频特征提取模型的训练方法、文本生成方法及装置 | |
CN113362243A (zh) | 模型训练方法、图像处理方法及装置、介质和电子设备 |
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 |