CN114241558A - 模型的训练方法、视频生成方法和装置、设备、介质 - Google Patents
模型的训练方法、视频生成方法和装置、设备、介质 Download PDFInfo
- Publication number
- CN114241558A CN114241558A CN202111539016.6A CN202111539016A CN114241558A CN 114241558 A CN114241558 A CN 114241558A CN 202111539016 A CN202111539016 A CN 202111539016A CN 114241558 A CN114241558 A CN 114241558A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- feature
- processing
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 230000015654 memory Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 11
- 238000009877 rendering Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本实施例提供一种模型的训练方法、视频生成方法和装置、设备、介质，属于人工智能技术领域。包括：对真实人脸数据进行初步处理，得到初步人脸图像，通过第一神经网络模型对初步人脸图像进行特征提取处理，得到第一特征图像和第一特征数据，将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，得到第二特征图像，能够训练出不同类型的虚拟人脸，满足用户的个性化需求，通过第二神经网络模型和联合特征数据，对第一特征图像进行解码处理，得到第二特征图像，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，得到人脸图像生成模型，通过多次对图像的进行特征提取处理，能够提高虚拟人脸的渲染效果，提高虚拟人脸的真实度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种模型的训练方法、视频生成方法和装置、设备、介质。
背景技术
随着互联网技术的发展，基于人脸驱动虚拟对象的方法在很多领域中被广泛应用。例如，在电影、动画以及视频制作中经常使用一些捕捉设备来跟踪真实人脸的变化，并且将其映射到一个虚拟形象上，进而使用虚拟形象在视频中与用户进行交互。目前，虚拟人脸生成主要是通过使用人脸对齐数据集来驱动RGB图像生成说话人的形象，但是当人脸对齐数据集与RGB图像差异较大时，例如某一人脸数据集的嘴巴部分处张开状态，且RGB图像的嘴巴部分处于闭合状态，会影响虚拟人脸的生成效果，导致生成的虚拟人脸真实度低。
发明内容
本公开实施例的主要目的在于提出一种模型的训练方法、视频生成方法和装置、设备、介质，能够方便地建立和使用人脸图像生成模型，提高虚拟人脸的真实度。
为实现上述目的，本公开实施例的第一方面提出了一种模型的训练方法，用于训练虚拟人脸的图像生成模型，包括：
获取真实人脸数据；
对所述真实人脸数据进行初步处理，得到初步人脸图像；
将所述初步人脸图像输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据；
将所述第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据；
通过第二神经网络模型和所述联合特征数据，对所述第一特征图像进行解码处理，以得到第二特征图像；
根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型；其中，所述人脸图像生成模型用于提高虚拟人脸的真实度。
在一些实施例，所述真实人脸数据包括真实人脸视频，对所述真实人脸数据进行初步处理，得到初步人脸图像，包括：
提取所述真实人脸视频中每一帧对应的初始帧图像；
对所述初始帧图像进行预处理，以得到多个重建帧图像；
将每一所述重建帧图像对应的下半脸区域贴到对应的初始帧图像中，得到所述初步人脸图像。
在一些实施例，所述对所述初始帧图像进行预处理，以得到多个重建帧图像，包括：
提取每一所述初始帧图像对应的人脸关键点；
对所述人脸关键点进行连接处理，以得到人脸检测区域；
对每一所述初始帧图像对应的所述人脸检测区域进行3DMM重建处理，以得到所述多个重建帧图像。
在一些实施例，所述根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型，包括：
通过所述第二神经网络模型对所述第二特征图像进行特征提取处理，以得到第三特征图像；
根据所述第一特征图像和所述第三特征图像计算第一损失值，根据所述第二特征图像和所述初始帧图像计算第二损失值，根据所述第二特征图像计算第三损失值；
根据所述第一损失值、所述第二损失值和所述第三损失值对所述第二神经网络模型进行训练处理，以得到所述人脸图像生成模型。
在一些实施例，在所述根据所述第一损失值、所述第二损失值和所述第三损失值对所述第二神经网络模型进行训练处理，以得到所述人脸图像生成模型之后，所述根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型，还包括：
对所述初步人脸图像和对应的所述初始帧图像进行图像拼接处理，以得到第一拼接图像；
对所述初步人脸图像和对应的所述第二特征图像进行图像拼接处理，以得到第二拼接图像；
根据所述第一拼接图像和所述第二拼接图像计算所述第二特征图像的图像真实值；
根据所述图像真实值对所述人脸图像生成模型进行训练处理，以更新所述人脸图像生成模型。
本公开实施例的第二方面提出了一种视频生成方法，用于生成虚拟人脸视频，包括：
获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
将所述文本数据和所述虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述人脸图像生成模型根据如本申请第一方面实施例任一项所述的方法训练得到；
对所述多个连续帧说话图像进行图像拼接处理，以得到初始视频；
根据所述文本数据对所述初始人脸虚拟说话视频进行处理，以得到目标视频。
在一些实施例，所述根据所述文本数据对所述初始人脸虚拟说话视频进行处理，以得到目标视频，包括：
对所述文本数据进行语音转换处理，以得到目标语音；
根据所述目标语音对所述初始人脸虚拟说话视频进行语音合成处理，以得到所述目标视频。
本公开实施例的第三方面提出了一种模型的训练装置，用于训练虚拟人脸的图像生成模型，包括：
第一获取模块：用于获取真实人脸数据；
第一处理模块：用于对所述真实人脸数据进行初步处理，得到初步人脸图像；
第一特征提取模块：用于将所述初步人脸图像输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据；
特征融合模块：用于将所述第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据；
第二特征提取模块：用于通过所述第二神经网络模型和所述联合特征数据，对所述第一特征图像进行解码处理，以得到第二特征图像；
训练模块：用于根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型；其中，所述人脸图像生成模型用于提高虚拟人脸的真实度。
本公开实施例的第四方面提出了一种视频生成装置，用于生成虚拟人脸视频，包括：
第二获取模块：用于获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
第二处理模块：用于将所述文本数据和所述虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述人脸图像生成模型根据如本申请第一方面实施例所述的方法训练得到；
图像拼接模块：用于对所述多个连续帧说话图像进行图像拼接处理，以得到初始视频；
视频生成模块：用于根据所述文本数据对所述初始人脸虚拟说话视频进行处理，以得到目标视频。
本公开实施例的第五方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法或如本申请第二方面实施例任一项所述的方法。
本公开实施例的第六方面提出了一种存储介质，该存储介质为计算机可读存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本申请第一方面实施例任一项所述的方法或如本申请第二方面实施例任一项所述的方法。
本公开实施例提出的模型训练的方法、视频生成方法和装置、设备、介质，通过获取真实人脸数据，对人脸数据进行初步处理，得到初步人脸图像，将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据，通过将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到第二特征图像，能够保证训练出不同类型的虚拟人脸，满足用户的个性化需求，接着通过第二神经网络模型和联合特征数据，对第一特征图像进行特征提取处理，以得到第二特征图像，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型，通过第二神经网络模型多次对图像的进行特征提取处理，能够提高第二特征图像，即虚拟人脸的渲染效果，提高虚拟人脸的真实度，从而提高基于人脸图像生成模型所生成的人脸虚拟说话视频中虚拟人脸的真实度。
附图说明
图1是本公开实施例提供的模型的训练方法的流程图；
图2是图1中的步骤S120的流程图；
图3是图2中的步骤S122的流程图；
图4是图1中的步骤S160的第一流程图；
图5是图1中的步骤S160的第二流程图；
图6是本公开实施例提供的视频生成方法的流程图；
图7是图6中的步骤S240的流程图；
图8为本公开实施例提供的模型的训练装置的模块结构框图；
图9为本公开实施例提供的视频生成装置的模块结构框图；
图10是本公开实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
虚拟现实(Virtual Reality，VR)，即虚拟和现实相互结合，是一种可以创建和体验虚拟世界的计算机仿真系统，它利用计算机生成一种模拟环境，使用户沉浸到该环境中。虚拟现实技术就是利用现实生活中的数据，通过计算机技术产生的电子信号，将其与各种输出设备结合使其转化为能够让人们感受到的现象，通过三维模型表现出来。
虚拟主播(Virtual YouTuber)：虚拟主播以原创的虚拟人格设定，是基于语音、NLP、视觉等领先科技，使用虚拟形象在视频中与用户进行交互的主播或者客服。
自注意力机制(Attention Mechanism)：注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力，选择特定的输入，可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。
感兴趣区域(region of interest，ROI)：机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。
可变性人脸模型(3D Morphable Face Model，3DMM)：3DMM是一种人脸形状和外观的统计模型，首先利用高精度仪器扫描多组人脸3D数据，并进行对齐，之后利用PCA从这些三维形状和颜色数据中得到更低维的子空间，可变性体现在可以在这些PCA子空间进行组合变形，将一个人脸的特性转移到另外一个人脸，或者生成新的人脸。
主成分分析技术(principal components analysis，PCA)：旨在利用降维的思想，把多指标转化为少数几个综合指标。
Unet网络：是一种图像语义分割网络，图像语义分割网络让计算机根据图像的语义来进行分割，从而输出指定分割的图片。
基准线(baseline)：相当于以基础模型为基准来比较训练模型的改进是否有效，用来评估新的训练模型的效果。
编码器－解码器(Encoder-Decoder)：是深度学习中常见的模型框架，很多常见的应用都是利用编码－解码框架设计的，Encoder和Decoder部分可以是任意文字、语音、图像和视频数据等，基于Encoder-Decoder可以设计出各种各样的模型。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的模型的训练方法、视频生成方法均可以应用于人工智能之中。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着互联网技术及自媒体的发展，能够生成基于人脸驱动虚拟对象，进而使用虚拟形象在视频中与用户进行交互。目前，虚拟人脸生成主要是通过使用人脸对齐数据集来驱动RGB图像生成说话人的形象，但是当人脸对齐数据集与RGB图像差异较大时，例如某一人脸数据集的嘴巴部分处张开状态，且RGB图像的嘴巴部分处于闭合状态，会影响虚拟人脸的生成效果，导致生成的虚拟人脸真实度低。
基于此，本公开实施例的主要目的在于提出一种模型的训练方法、视频生成方法和装置、设备、介质，能够方便地建立和使用人脸图像生成模型，提高虚拟人脸的真实度。
本公开实施例提供的模型的训练方法、视频生成方法，除了涉及人工智能技术领域，还涉及虚拟现实技术领域。本公开实施例提供的模型的训练方法和视频生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。
本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本公开实施例提供模型的训练方法、视频生成方法和装置、设备、介质，具体通过如下实施例进行说明，首先描述本公开实施例中的模型的训练方法，用于训练虚拟人脸的图像生成模型。
参照图1，根据本公开实施例第一方面实施例的模型的训练方法，包括但不限于步骤S110至步骤S160。
S110，获取真实人脸数据；
S120，对真实人脸数据进行初步处理，得到初步人脸图像；
S130，将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据；
S140，将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据；
S150，通过第二神经网络模型和联合特征数据，对第一特征图像进行解码处理，以得到第二特征图像；
S160，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型。
在步骤S110中，获取真实人脸数据，其中真实人脸数据是指富含脸部特征或信息的一些数据，其脸部数据的形式是多样的，包括真实人脸的照片、视频等。需要说明的是，真实人脸的脸部图像可以是多张的，每一张脸部图像的拍摄角度、光照、颜色、说话口型和表情等皆可不同。
在步骤S120中，真实人脸数据进行初步处理，得到初步人脸图像，由于获取到的真实人脸数据是多样的，所以在训练人脸图像生成模型之前，需要对人脸真实数据进行初步处理，得到符合条件的初步人脸图像。
在一些实施例中，真实人脸数据包括真实人脸视频，如图2所示，步骤S120具体包括步骤：
S121，提取真实人脸视频中每一帧对应的初始帧图像；
S122，对初始帧图像进行预处理，以得到多个重建帧图像；
S123，将每一重建帧图像对应的下半脸区域贴到对应的初始帧图像中，得到初步人脸图像。
在步骤S121至步骤S122中，提取真实人脸视频中的每一帧所对应的初始帧图像，分别对每个初始帧图像进行预处理，例如人脸建模处理等，得到多个重建帧图像。
在一些实施例中，如图3所示，步骤S122具体包括步骤：
S1221，提取每一初始帧图像对应的人脸关键点；
S1222，对人脸关键点进行连接处理，以得到人脸检测区域；
S1223，对每一初始帧图像对应的人脸检测区域进行3DMM重建处理，以得到多个重建帧图像。
在步骤S1221中，提取每一初始帧图像对应的人脸关键点，在实际应用中，人脸关键点主要包括人脸轮廓、眼睛、鼻子和嘴巴的内外边界点等，人脸关键点能够反映人脸各个部位的脸部特征。需要说明的是，本领域技术人员能够根据实际的训练需求，设置不同的人脸关键点，在此不再赘述。
在步骤S1222中，对人脸关键点进行连接处理，以得到人脸检测区域，人脸检测区域为在虚拟人脸生成过程中，需要重点处理的区域，在实际应用中，还可以直接将每个初始帧图像取外接矩形，并截取对应的人脸ROI，即人脸检测区域。
在步骤S1223中，对每一初始帧图像对应的人脸检测区域进行3DMM重建处理，以得到多个重建帧图像，具体地：3DMM，即三维可变形人脸模型，是一个通用的三维人脸模型，用固定的点数来表示人脸。它的核心思想就是人脸可以在三维空间中进行一一匹配，并且可以由其他许多幅人脸正交基加权线性相加而来。采用3DMM能够将一个人脸的特性转移到另外一个人脸，或者生成新的人脸，在本申请实施例中，采用3DMM就能对每一个初始帧图像的人脸进行重新建模，得到经过人脸重建后的重建帧图像，采用3DMM可以通过同一张真实人脸的多张图片来准确估计3D人脸，从而提高虚拟人脸生成的效果。
在步骤S123中，将每一重建帧图像对应的下半脸区域贴到对应的初始帧图像中，得到初步人脸图像，在实际应用中，为了更好地渲染虚拟人脸的下半脸及口型变化，可以将每一个重建帧图像的下半脸贴到每一个初始帧图像的下半脸，得到初步人脸图像，通过预设的第二神经网络模型对初步人脸图像进行训练，得到虚拟人脸，其包括渲染重建的口型、牙齿、皮肤的纹理细节等方面。
需要说明的是，在本申请实施例中预设的第二神经网络模型指图像分割模型，并且主要运用图像分割模型的Encoder-Decoder的结构，对初步人脸图像进行特征提取处理。
在步骤S130中，将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据，具体地，以Unet网络为基准线，使初步人脸图像经过第一神经网络模型的Encoder部分，提取初步人脸图像不同尺寸的特征，以得到不同尺寸下的第一特征图像和对应的第一特征数据，其中，第一特征数据包括第一特征图像的颜色特征、纹理特征、形状特征、空间关系特征以及人脸关键点特征等。在实际应用中，假设初步人脸图像的尺寸为224x224，且经过4次特征提取处理后，例如下采样，就会变成112x112、56x56、28x28、14x14四个不同尺寸的第一特征图，以及第一特征数据。
在步骤S140中，将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据，其中虚拟人脸特征数据可以指虚拟人脸的ID通过自然语言处理技术，例如通Embedding进行特征提取后得到，这样能够使每个虚拟人脸的ID唯一，且能够用较少的特征表示较多的ID，在实际应用中，可以通过第二神经网络模型的全连接层对第一特征数据和虚拟人脸特征数据的特征进行拼接，以得到联合特征数据。
在步骤S150中，通过第二神经网络模型和联合特征数据，对第一特征图像进行解码处理，以得到第二特征图像，具体为：通过联合特征数据将第一特征图像进行特征处理后，调整至与初步人脸图像尺寸相同的第二特征图像。在实际应用中，假设初步人脸图像的尺寸为224x224，且经过4次特征提取处理后，就会变成112x112、56x56、28x28、14x14四个不同尺寸的第一特征图，以及第一特征数据，接着对14x14的第一特征图进行特征提取处理，例如上采样或者反卷积，得到28x28的特征图，将该28x28的特征图与步骤S130的28x28的特征图进行拼接处理，再对拼接之后的特征图做卷积和上采样，以得到56x56的特征图，再与步骤S130的56x56的特征图进行拼接处理，再对拼接之后的特征图做卷积和上采样，经过四次上采样可以得到一个与初步人脸图像尺寸相同的224x224的第二特征图像。
在步骤S160中，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型，使通过人脸图像生成模型生成的图像达到真实和自然的效果。
在一些实施例中，如图4所示，步骤S160具体包括步骤：
S161，通过第二神经网络模型对第二特征图像进行特征提取处理，以得到第三特征图像；
S162，根据第一特征图像和第三特征图像计算第一损失值，根据第二特征图像和初始帧图像计算第二损失值，根据第二特征图像计算第三损失值；
S163，根据第一损失值、第二损失值和第三损失值对第二神经网络模型进行训练处理，以得到人脸图像生成模型。
在步骤S161中，通过第二神经网络模型对第二特征图像进行特征提取处理，以得到第三特征图像，具体为，通过图像分割模型的Encoder部分对第二特征图像进行特征提取处理，处理后得到第三特征图像。
在步骤S162中，根据第一特征图像和第三特征图像计算第一损失值，根据第二特征图像和初始帧图像计算第二损失值，根据第二特征图像计算第三损失值，具体为，在需要判断经过Encoder编码的图像与人脸图像生成模型初步训练得到的生成图像，即第二特征图像之间的相似度时，可以根据constant损失函数、第一特征图像和第二特征图像计算得到第一损失值，根据第一损失值以判断生成图像的真实程度。在需要判断人脸图像生成模型初步训练得到的生成图像与初始帧图像之间的相似度时，可以根据L1损失函数或者L2损失函数、第二特征图像和初始帧图像计算得到第二损失值，根据第二损失值以判断生成图像的真实程度。在需要对人脸图像生成模型初步训练得到的生成图像进行降噪处理时，可根据TV损失函数对第二特征图像进行降噪处理，以得到第三损失值。
在步骤S163中，根据第一损失值、第二损失值和第三损失值对第二神经网络模型进行训练处理，以使第二神经网络模型根据第一损失值、第二损失值和第三损失值不断训练优化，直到损失值达到目标损失值为止，使人脸图像生成模型的生成图像和目标图像的大致内容和细节更相似，从而提高生成图像真实、自然的效果，并使得到重建帧图像的虚拟人脸更接近真人效果。
在一些实施例中，在Encoder和Decoder中，可以在每个卷积层之间加入自注意力层，用于学习图像需要关注的部分，例如下半脸的渲染和口齿生成部分，或者减少学习图像不变的部分，例如背景、头发、脸部轮廓和上半脸不变的部分，从而降低迭代次数，减少训练时间。
在一些实施例中，如图5所示，步骤S160具体还包括步骤：
S164，对初步人脸图像和对应的初始帧图像进行图像拼接处理，以得到第一拼接图像；
S165，对初步人脸图像和对应的第二特征图像进行图像拼接处理，以得到第二拼接图像；
S166，根据第一拼接图像和第二拼接图像计算第二特征图像的图像真实值；
S167，根据图像真实值对人脸图像生成模型进行训练处理，以更新人脸图像生成模型。
执行完步骤S163之后，执行步骤S164，具体地，通过第二神经网络模型的concate层，对初步人脸图像和对应的初始帧图像进行图像拼接处理，得到第一拼接图像。
在步骤S165中，通过第二神经网络模型的concate层，对初步人脸图像和对应的第二特征图像进行图像拼接处理，得到第二拼接图像。
在步骤S166和步骤S167中，根据第一拼接图像和第二拼接图像计算第二特征图像的图像真实值，具体为：将第一拼接图像和第二拼接图像输入至判别器中，用于判断经过判别器输入的图像是真实图像还是图像生成模型生成的图像，具体可以通过T/F损失函数或category损失函数、第一拼接图像和第三拼接图像计算第二特征图像的图像真实值，根据图像真实值对人脸图像生成模型进行训练处理，以更新人脸图像生成模型，直到获得的损失值达到目标损失值为止，使人脸图像生成模型的生成图像更为真实、自然。
本公开实施例提出的一种模型的训练方法，通过获取真实人脸数据，对人脸数据进行初步处理，得到初步人脸图像，将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据，通过将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到第二特征图像，能够保证训练出不同类型的虚拟人脸，满足用户的个性化需求，接着通过第二神经网络模型和联合特征数据，对第一特征图像进行解码处理，以得到第二特征图像，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型，通过第二神经网络模型多次对图像的进行特征提取处理，能够提高第二特征图像，即虚拟人脸的渲染效果，使训练的人脸图像更为真实。
参照图6，本公开实施例还提供一种视频生成方法，用于生成虚拟人脸视频，包括但不限于步骤S210至步骤S240。
S210，获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
S220，将文本数据和虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；
S230，对多个连续帧说话图像进行图像拼接处理，以得到初始视频；
S240，根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标视频。
在步骤S210中，获取文本数据和目标虚拟人脸的虚拟人脸特征数据，其中文本数据指目标虚拟人脸所需要说话的文本内容，虚拟人脸特征数据为标识不同虚拟人脸的数据，例如人脸ID和序列号等。
在步骤S220中，将文本数据和虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，就得到多个与目标虚拟人脸对应形象的连续帧说话图像，连续帧说话图像表示目标虚拟人脸在不同情况下，例如说话时的口型以及表情等的状态。
在步骤S230和步骤S240中，对多个连续帧说话图像进行图像拼接处理，以得到初始视频，其中初始视频为虚拟人脸根据文本数据的内容进行说话但没有声音的视频。根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标视频，其中目标视频为目标虚拟人脸根据文本数据的内容进行说话并且包含声音的视频。
在一些实施例中，如图7所示，步骤S240具体包括步骤：
S241，对文本数据进行语音转换处理，以得到目标语音；
S242，根据目标语音对初始人脸虚拟说话视频进行语音合成处理，以得到目标视频。
在步骤S241和步骤S242中，对文本数据进行语音转换处理，例如使用TTS技术将文本数据转换成语音，以得到目标语音，将目标语音和初始人脸虚拟说话视频合成在一起，以得到目标视频。
本公开实施例提出的视频生成方法，通过获取文本数据和目标虚拟人脸的人脸特征数据，将文本数据和虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，以得到多个连续帧说话图像，本公开实施例通过人脸图像生成模型生成对应虚拟说话人的连续帧说话图像，能够提高连续帧说话图像中虚拟人脸的真实度，接着对多个连续说话图像进行图像拼接处理，以得到初始视频，最后根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标视频，本公开实施例能够根据目标虚拟人脸的人脸特征数据和文本数据，通过模型生成目标虚拟人脸所对应形象的连续帧说话图像，还能将根据文本数据生成对应的语音，将语音与初始人脸虚拟说话视频进行语音合成处理，得到目标人脸基于文本数据说话的视频，满足用户的个性化需求，进而提升用户体验。
本公开实施例还提供一种模型的训练装置，用于训练虚拟人脸的图像生成模型，如图8所示，可以实现上述模型的训练方法，该装置包括：第一获取模块310、第一处理模块320、第一特征提取模块330、特征融合模块340、第二特征提取模块350和训练模块360，其中第一获取模块310用于获取真实人脸数据；第一处理模块320用于对真实人脸数据进行初步处理，得到初步人脸图像；第一特征提取模块330用于将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据；特征融合模块340用于将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据；第二特征提取模块350用于通过第二神经网络模型和联合特征数据，对第一特征图像进行特征提取处理，以得到第二特征图像；训练模块360用于根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型。本公开实施例的模型的训练装置用于执行上述实施例中的模型的训练方法，其具体处理过程与上述实施例中的模型的训练方法相同，此处不再一一赘述。
本公开实施例提出的模型的训练装置，通过实现上述的模型的训练方法，能够获取真实人脸数据，对人脸数据进行初步处理，得到初步人脸图像，将初步人脸图像输入至预设的第一神经网络模型，通过第一神经网络模型对初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据，通过将第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到第二特征图像，能够保证训练出不同类型的虚拟人脸，满足用户的个性化需求，接着通过第二神经网络模型和联合特征数据，对第一特征图像进行特征提取处理，以得到第二特征图像，根据第一特征图像和第二特征图像对第二神经网络模型进行训练处理，以得到人脸图像生成模型，通过第二神经网络模型多次对图像的进行特征提取处理，能够提高第二特征图像，即虚拟人脸的渲染效果，使训练的人脸图像更为真实。
本公开实施例还提供一种视频生成装置，如图9所示，可以实现上述的虚拟说话人的视频生成方法，该装置包括：第二获取模块410、第二处理模块420、图形拼接模块430和视频生成模块440，其中第二获取模块410用于获取文本数据和目标虚拟人脸的虚拟人脸特征数据；第二处理模块420用于将文本数据和虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；图形拼接模块430用于对多个连续帧说话图像进行图像拼接处理，以得到初始视频；视频生成模块440用于根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标视频。本公开实施例的视频生成装置用于执行上述实施例中的视频生成方法，其具体处理过程与上述实施例中的视频生成方法相同，此处不再一一赘述。
本公开实施例提出的视频生成装置，用于生成虚拟人脸视频，通过实现上述视频生成方法，能够获取文本数据和目标虚拟人脸的人脸特征数据，将文本数据和虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，以得到多个连续帧说话图像，本公开实施例通过人脸图像生成模型生成对应虚拟说话人的连续帧说话图像，能够提高连续帧说话图像中虚拟人脸的真实度，接着对多个连续说话图像进行图像拼接处理，以得到初始视频，最后根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标视频，本公开实施例能够根据目标虚拟人脸的人脸特征数据和文本数据，通过模型生成目标虚拟人脸所对应形象的连续帧说话图像，还能将根据文本数据生成对应的语音，将语音与初始人脸虚拟说话视频进行语音合成处理，得到目标人脸基于文本数据说话的视频，满足用户的个性化需求，进而提升用户体验。
本公开实施例还提供了一种计算机设备，包括：
至少一个处理器，以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如本申请第一方面实施例或如本申请第二方面实施例中任一项的方法。
下面结合图10对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器501、存储器502、输入/输出接口503、通信接口504和总线505。
处理器501，可以采用通用的CPU(Central Processin Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器502，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器502可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器502中，并由处理器501来调用执行本公开实施例的模型的训练方法或者执行本公开实施例的视频生成方法；
输入/输出接口503，用于实现信息输入及输出；
通信接口504，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线505，在设备的各个组件(例如处理器501、存储器502、输入/输出接口503和通信接口504)之间传输信息；
其中处理器501、存储器502、输入/输出接口503和通信接口504通过总线505实现彼此之间在设备内部的通信连接。
本公开实施例还提供一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行本公开实施例的模型的训练方法或者执行本公开实施例的视频生成方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图7中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。
Claims (10)
1.一种模型的训练方法，其特征在于，用于训练虚拟人脸的图像生成模型，包括：
获取真实人脸数据；
对所述真实人脸数据进行初步处理，得到初步人脸图像；
将所述初步人脸图像输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述初步人脸图像进行特征提取处理，得到第一特征图像和第一特征数据；
将所述第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征数据；
通过第二神经网络模型和所述联合特征数据，对所述第一特征图像进行解码处理，以得到第二特征图像；
根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型；其中，所述人脸图像生成模型用于提高虚拟人脸的真实度。
2.根据权利要求1所述的方法，其特征在于，所述真实人脸数据包括真实人脸视频，所述对所述真实人脸数据进行初步处理，得到初步人脸图像，包括：
提取所述真实人脸视频中每一帧对应的初始帧图像；
检测每一所述初始帧对应的人脸检测区域；
对每一所述初始帧图像对应的所述人脸检测区域进行3DMM重建处理，得到多个重建帧图像；
将每一所述重建帧图像对应的下半脸区域贴到对应的初始帧图像中，得到所述初步人脸图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型，包括：
通过所述第二神经网络模型对所述第二特征图像进行特征提取处理，以得到第三特征图像；
根据所述第一特征图像和所述第三特征图像计算第一损失值，根据所述第二特征图像和所述初始帧图像计算第二损失值，根据所述第二特征图像计算第三损失值；
模型训练步骤：根据所述第一损失值、所述第二损失值和所述第三损失值对所述第二神经网络模型进行训练处理，以得到所述人脸图像生成模型。
4.根据权利要求3所述的方法，其特征在于，在所述模型训练步骤之后，所述根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型，还包括：
对所述初步人脸图像和对应的所述初始帧图像进行图像拼接处理，以得到第一拼接图像；
对所述初步人脸图像和对应的所述第二特征图像进行图像拼接处理，以得到第二拼接图像；
根据所述第一拼接图像和所述第二拼接图像计算所述第二特征图像的图像真实值；
根据所述图像真实值对所述人脸图像生成模型进行训练处理，以更新所述人脸图像生成模型。
5.一种视频生成方法，其特征在于，用于生成虚拟人脸视频，包括：
获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
将所述文本数据和所述虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述人脸图像生成模型根据如权利要求1至4任一项所述的方法训练得到；
对所述多个连续帧说话图像进行图像拼接处理，以得到初始视频；
根据所述文本数据对所述初始视频进行处理，以得到目标视频。
6.根据权利要求5所述的方法，其特征在于，所述根据所述文本数据对所述初始视频进行处理，以得到目标视频，包括：
对所述文本数据进行语音转换处理，以得到目标语音；
根据所述目标语音对所述初始视频进行语音合成处理，以得到所述目标视频。
7.一种模型的训练装置，其特征在于，用于训练虚拟人脸的图像生成模型，包括：
第一获取模块：用于获取真实人脸数据；
第一处理模块：用于对所述真实人脸数据进行初步处理，得到初步人脸图像；
第一特征提取模块：用于将所述初步人脸图像输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述初步人脸图像进行特征提取处理，以得到第一特征图像和第一特征数据；
特征融合模块：用于将所述第一特征数据与预设的虚拟人脸特征数据进行特征拼接处理，以得到联合特征数据；
第二特征提取模块：用于通过第二神经网络模型和所述联合特征数据，对所述第一特征图像进行解码处理，以得到第二特征图像；
训练模块：用于根据所述第一特征图像和所述第二特征图像对所述第二神经网络模型进行训练处理，以得到人脸图像生成模型；其中，所述人脸图像生成模型用于提高虚拟人脸的真实度。
8.一种视频生成装置，其特征在于，用于生成虚拟人脸视频，包括：
第二获取模块：用于获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
第二处理模块：用于将所述文本数据和所述虚拟人脸特征数据输入至人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述人脸图像生成模型根据如权利要求1至4任一项所述的方法训练得到；
图像拼接模块：用于对所述多个连续帧说话图像进行图像拼接处理，以得到初始视频；
视频生成模块：用于根据所述文本数据对所述初始人脸虚拟说话视频进行处理，以得到目标视频。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行：
如权利要求1至4中任一项所述的方法；或
如权利要求5至6中任一项所述的方法。
10.一种存储介质，所述存储介质为计算机可读存储介质，其特征在于，所述计算机可读存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行：
如权利要求1至4中任一项所述的方法；或
如权利要求5至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539016.6A CN114241558B (zh) | 2021-12-15 | 2021-12-15 | 模型的训练方法、视频生成方法和装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539016.6A CN114241558B (zh) | 2021-12-15 | 2021-12-15 | 模型的训练方法、视频生成方法和装置、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114241558A true CN114241558A (zh) | 2022-03-25 |
| CN114241558B CN114241558B (zh) | 2024-06-28 |
Family
ID=80756705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111539016.6A Active CN114241558B (zh) | 2021-12-15 | 2021-12-15 | 模型的训练方法、视频生成方法和装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241558B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526772A (zh) * | 2022-06-28 | 2022-12-27 | 北京瑞莱智慧科技有限公司 | 视频处理方法、装置、设备和存储介质 |
| WO2023193491A1 (zh) * | 2022-04-08 | 2023-10-12 | 马上消费金融股份有限公司 | 信息处理方法、装置、计算机设备及存储介质 |
| CN117593442A (zh) * | 2023-11-28 | 2024-02-23 | 拓元(广州)智慧科技有限公司 | 一种基于多阶段细粒度渲染的人像生成方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354079A (zh) * | 2020-03-11 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 三维人脸重建网络训练及虚拟人脸形象生成方法和装置 |
| CN111523413A (zh) * | 2020-04-10 | 2020-08-11 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
| CN113067953A (zh) * | 2021-03-22 | 2021-07-02 | 平安科技（深圳）有限公司 | 客户服务方法、系统、装置、服务器及存储介质 |
| CN113469292A (zh) * | 2021-09-02 | 2021-10-01 | 北京世纪好未来教育科技有限公司 | 视频合成模型的训练方法、合成方法、装置、介质和设备 |
| WO2021232878A1 (zh) * | 2020-05-18 | 2021-11-25 | 北京搜狗科技发展有限公司 | 虚拟主播换脸方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-15 CN CN202111539016.6A patent/CN114241558B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354079A (zh) * | 2020-03-11 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 三维人脸重建网络训练及虚拟人脸形象生成方法和装置 |
| CN111523413A (zh) * | 2020-04-10 | 2020-08-11 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
| WO2021232878A1 (zh) * | 2020-05-18 | 2021-11-25 | 北京搜狗科技发展有限公司 | 虚拟主播换脸方法、装置、电子设备及存储介质 |
| CN113067953A (zh) * | 2021-03-22 | 2021-07-02 | 平安科技（深圳）有限公司 | 客户服务方法、系统、装置、服务器及存储介质 |
| CN113469292A (zh) * | 2021-09-02 | 2021-10-01 | 北京世纪好未来教育科技有限公司 | 视频合成模型的训练方法、合成方法、装置、介质和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 高翔等: "3DMM与GAN结合的实时人脸表情迁移方法", 计算机应用与软件, no. 04, 12 April 2020 (2020-04-12), pages 119 - 126 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023193491A1 (zh) * | 2022-04-08 | 2023-10-12 | 马上消费金融股份有限公司 | 信息处理方法、装置、计算机设备及存储介质 |
| CN115526772A (zh) * | 2022-06-28 | 2022-12-27 | 北京瑞莱智慧科技有限公司 | 视频处理方法、装置、设备和存储介质 |
| CN115526772B (zh) * | 2022-06-28 | 2023-09-15 | 北京生数科技有限公司 | 视频处理方法、装置、设备和存储介质 |
| CN117593442A (zh) * | 2023-11-28 | 2024-02-23 | 拓元(广州)智慧科技有限公司 | 一种基于多阶段细粒度渲染的人像生成方法 |
| CN117593442B (zh) * | 2023-11-28 | 2024-05-03 | 拓元(广州)智慧科技有限公司 | 一种基于多阶段细粒度渲染的人像生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114241558B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390704B (zh) | 图像处理方法、装置、终端设备及存储介质 | |
| CN108205803B (zh) | 图像处理方法、神经网络模型的训练方法及装置 | |
| CN114241558B (zh) | 模型的训练方法、视频生成方法和装置、设备、介质 | |
| WO2024051445A9 (zh) | 图像生成方法以及相关设备 | |
| CN111901598B (zh) | 视频解码与编码的方法、装置、介质及电子设备 | |
| CN109377544A (zh) | 一种人脸三维图像生成方法、装置和可读介质 | |
| CN110796593A (zh) | 基于人工智能的图像处理方法、装置、介质及电子设备 | |
| CN108900788B (zh) | 视频生成方法、视频生成装置、电子装置及存储介质 | |
| CN116824278A (zh) | 图像内容分析方法、装置、设备和介质 | |
| CN114529785B (zh) | 模型的训练方法、视频生成方法和装置、设备、介质 | |
| WO2023184817A1 (zh) | 图像处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 | |
| CN116863003A (zh) | 视频生成方法、训练视频生成模型的方法及装置 | |
| CN114821004A (zh) | 虚拟空间构建方法、虚拟空间构建装置、设备及存储介质 | |
| CN115049016A (zh) | 基于情绪识别的模型驱动方法及设备 | |
| CN116703797A (zh) | 图像融合方法、图像融合系统、计算机设备及存储介质 | |
| CN117252947A (zh) | 图像处理方法、装置、计算机、存储介质及程序产品 | |
| CN115424013A (zh) | 模型的训练方法、图像处理方法和设备、介质 | |
| CN117557689B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| WO2024066549A1 (zh) | 一种数据处理方法及相关设备 | |
| CN115631285B (zh) | 基于统一驱动的人脸渲染方法、装置、设备及存储介质 | |
| JP7479507B2 (ja) | 画像処理方法及び装置、コンピューター機器、並びにコンピュータープログラム | |
| CN116469147A (zh) | 人脸表情迁移方法和表情迁移装置、电子设备及存储介质 | |
| CN117034133A (zh) | 一种数据处理方法、装置、设备和介质 | |
| CN114913104A (zh) | 图像处理方法、图像处理装置、电子设备及存储介质 | |
| CN117011449A (zh) | 三维面部模型的重构方法和装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |