CN114529649A - 图像处理方法和装置 - Google Patents

Abstract

本公开提供了图像处理方法和装置，涉及人脸图像处理、增强现实和深度学习等人工智能领域。具体实现方案为：获取人脸图像集；对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；将至少一个维度的第一渲染图转换成对应维度的目标风格图；将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。该实施方式能够不依赖美工师生成纹理基底，减少了人力成本，并且迁移开源的纹理基底的正交性到新的纹理基底中。

Description

图像处理方法和装置

技术领域

本公开涉及人脸图像处理、增强现实和深度学习等人工智能领域。

背景技术

随着图像处理技术的发展和人们对产品趣味性需求的不断提升，虚拟形象的应用越来越广泛。例如，在直播场景中由虚拟形象代替主播的真实形象进行视频直播。再例如，在人机交互场景中采用虚拟形象模拟真实人物与用户进行交互。

目前的技术中已经能够通过人脸重建生成虚拟形象。人脸重建过程所需的纹理基底通常是通过美工师手动设计出的，这种方式消耗人力、时间，且依赖美工师主观审美设计，使用时不一定能覆盖住实际测试样本的颜色。

发明内容

本公开提供了一种图像处理方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种图像处理方法，包括：获取人脸图像集；对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；将至少一个维度的第一渲染图转换成对应维度的目标风格图；将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

根据本公开的第二方面，提供了一种图像处理装置，包括：获取单元，被配置成获取人脸图像集；第一渲染单元，被配置成对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；转换单元，被配置成将至少一个维度的第一渲染图转换成对应维度的目标风格图；第二渲染单元，被配置成将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；训练单元，被配置成基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

根据本公开的第三方面，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第一方面所述的方法。

根据本公开的第四方面，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所述计算机执行第一方面所述的方法。

根据本公开的第五方面，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第一方面所述的方法。

本公开的实施例提供的图像处理方法和装置，不依赖美工师设计，简便快速生成具有正交性的纹理基底。降低了人力成本并提高了工作效率。

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的图像处理方法的一个实施例的流程图；

图3是根据本公开的图像处理方法的又一个实施例的流程图；

图4是根据本公开的图像处理方法的一个应用场景的示意图；

图5是根据本公开的图像处理装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

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。

图1示出了可以应用本公开的图像处理方法或图像处理装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、人脸动画类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持播放动画的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

终端设备101、102、103还可安装有摄像头，用于采集人脸图像。再根据采集的人脸图像由终端设备或服务器图像处理。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的动画提供支持的动画服务器。动画服务器可以对接收到的人脸图像进行分析等处理，并将处理结果(例如重建后的人脸)反馈给终端设备。服务器105还可将中间过程的相关数据(例如，生成的纹理基底)返回给终端设备，使得终端设备可以根据纹理基底进行人脸重建。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开的实施例所提供的图像处理方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，图像处理装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的图像处理方法的一个实施例的流程200。该图像处理方法，包括以下步骤：

步骤201，获取人脸图像集。

在本实施例中，图像处理方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行样本采集的终端接收人脸图像。执行主体还可从数据库中获取人脸图像集，可随机选取小批量实际人脸图像作为样本。

步骤202，对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图。

在本实施例中，分别使用开源的纹理基底的至少一个维度中的每个维度，渲染出这些样本的人脸图。即所有小批量样本，都各自生成一张对应每一个维度纹理基底的渲染图结果。例如，使用开源BFM(Basel Face Model，巴塞尔人脸模型)的纹理基底，BFM纹理基底具有正交性。对人脸图像的渲染可通过人脸图像和纹理基底线性求和的方式进行。

步骤203，将至少一个维度的第一渲染图转换成对应维度的目标风格图。

在本实施例中，可通过滤镜等图像处理方式转换至少一张第一渲染图的风格，目标风格可以是迪斯尼风格、油画风格等。

步骤204，将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图。

在本实施例中，这里的纹理基底张量可以是随机初始化的张量，本申请的目的是训练出一个可以使目标风格图和第二渲染图相似的张量。对于每个维度的第一渲染图，可通过原始的人脸图像的纹理系数与纹理基底张量线性求和，得到第二渲染图。可选地，还可通过第二渲染图的纹理系数与纹理基底张量线性求和，得到第二渲染图。纹理系数可通过拟合或神经网络模型的方法提取，例如，采用3DMM系数回归神经网络从目标人物图像中预测出三维人脸模型巴塞尔人脸模型(Basel Face Model,简称BFM)的形状和姿态系数，包括：身份、表情和纹理系数、人物脸部姿态和光照系数。

步骤205，基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

在本实施例中，对于至少一个维度中的每个维度，可将该维度的目标风格图作为监督信号进行有监督的训练，具体过程为调整该维度的纹理基底张量，使得根据更新后的纹理基底张量生成的第二渲染图不断接近目标风格图。可通过每个维度的目标风格图与对应维度的第二渲染图之间相同位置的像素点之间像素值的区别计算两图的差异。可使用一张人脸图像不断训练一个维度的纹理基底张量，也可使用多张人脸图像执行上述步骤训练一个维度的纹理基底张量。

人脸重建需要通过纹理基底和纹理系数得到纹理人脸图像。纹理系数可通过拟合或是深度学习网络预测获取，而最重要的纹理基底是通过美工师手动设计出的。但是设计出的纹理基底很难满足正交性，即纹理基底各维度之间不相关。

依赖美工师设计纹理基底这种方式消耗人力、时间，且依赖美工师主观审美设计，使用时不一定能覆盖住实际测试样本的颜色。算法工程师主观选取颜色生成纹理人脸图像会造成一定程度的颜色分布缺失，且很难满足颜色重要性分布。

本公开的上述实施例提供的方法，基于开源纹理基底生成当前风格人脸数据颜色分布的纹理基底，旨在迁移开源纹理基底的正交性到新的纹理基底中。

在本实施例的一些可选的实现方式中，将至少一个维度的第一渲染图转换成对应维度的目标风格图，包括：通过生成式对抗网络将至少一个维度的第一渲染图转换成对应维度的目标风格图。生成式对抗网络(GAN)包括生成式模型(generative model)和判别式模型(discriminative model)。生成式模型用于生成目标风格图，而判别式模型用来判断目标风格图的真假。最终生成了判别式模型无法识别出真假的目标风格图。通过生成式对抗网络可以快速、准确地生成不同风格的图，提高纹理基底张量的训练速度和准确性。

在本实施例的一些可选的实现方式中，将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图，包括：通过卷积神经网络从至少一个维度的第一渲染图中提取出至少一个维度的纹理系数；将至少一个维度的纹理系数和对应维度的纹理基底张量输入可微渲染器，得到对应维度的第二渲染图。通过卷积神经网络(CNN)可以提取纹理系数。对于每个维度，将该维度的纹理系数和该维度的纹理基底张量输入可微渲染器，进行渲染，相当于将纹理图像进行渲染，得到了每个维度的第二渲染图。采用CNN+可微渲染器的方式可以提高提取纹理系数的速度和渲染速度。

在本实施例的一些可选的实现方式中，基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量，包括：基于至少一个维度的第二渲染图和对应维度的目标风格图之间的差异计算至少一个维度的损失值；若至少一个维度的损失值大于预定阈值，则调整对应维度的纹理基底张量，直到损失值不大于预定阈值，确定对应维度的纹理基底张量训练完成。可通过预设的损失函数计算损失值，例如L1损失函数。根据两图中相同位置像素点之间像素值的差异计算两图的损失值。然后采用梯度下降反向传播的方法调整纹理基底张量。使得基于更新后的纹理基底张量计算出的损失值越来越收敛。当损失值小于预定阈值，或迭代次数达到预定次数之后，该维度的纹理基底张量训练完成，但其它维度的纹理基底张量训练不一定完成，仍需要继续其它维度的纹理基底张量训练。可选地，如果迭代达到预定次数之后，损失值仍比较大，则可更换其它的人脸图像，仍使用相同维度的纹理系数继续训练该维度的纹理基底张量。通过该训练方法可以加快训练速度，并提升纹理基底张量的准确性，从而使得使用纹理基底张量进行人脸重建时更加逼真。

在本实施例的一些可选的实现方式中，不同维度的预设纹理基底之间正交。这样可以将开源的预设纹理基底之间的正交性迁移到新生成的目标风格的纹理基底，使得生成的纹理基底之间相关，生成的纹理图像的颜色分布全面，满足颜色重要性分布。

进一步参考图3，其示出了图像处理方法的又一个实施例的流程300。该图像处理方法的流程300，包括以下步骤：

步骤301，获取人脸图像集。

步骤302，对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图。

步骤303，将至少一个维度的第一渲染图转换成对应维度的目标风格图；

步骤304，通过卷积神经网络从至少一个维度的第一渲染图中提取出至少一个维度的纹理系数，将至少一个维度的纹理系数和纹理基底张量输入可微渲染器，得到至少一个维度的第二渲染图。

步骤301-304与步骤201-204基本相同，因此不再赘述。

步骤305，基于至少一个维度的第二渲染图和对应维度的目标风格图之间的差异计算至少一个维度的损失值。

在本实施例中，可通过预设的损失函数计算损失值，例如L1损失函数。根据两图中相同位置像素点之间像素值的差异计算两图的损失值。

步骤306，若至少一个维度的损失值不大于预定阈值，则确定相应维度的纹理基底张量训练完成。

在本实施例中，当损失值小于等于预定阈值，或迭代次数达到预定次数之后，该维度的纹理基底张量训练完成，但其它维度的纹理基底张量训练不一定完成，仍需要继续其它维度的纹理基底张量的训练。直到所有维度的损失值均不大于预定阈值，则所有维度的预设纹理基底之间的正交性都会迁移到新生成的纹理基底张量之间。

可将训练完成的各维度的纹理基底张量组合起来，作为目标风格的纹理基底库。目标风格的纹理基底库用于在人脸重建时生成目标风格的3D人脸。可构建多种风格的纹理基底库，针对不同的应用场景下可生成相应风格的3D人脸动画。

步骤307，若至少一个维度的损失值大于预定阈值，则调整卷积神经网络的相关参数和纹理基底张量，继续执行步骤304-307。

在本实施例中，可采用梯度下降反向传播的方法调整纹理基底张量。使得基于更新后的纹理基底张量计算出的损失值越来越收敛。可选地，如果迭代达到预定次数之后，损失值仍比较大，则可更换人脸图像，继续进行训练。

从图3中可以看出，与图2对应的实施例相比，本实施例中的图像处理方法的流程300体现了训练用于提取纹理系数的卷积神经网络的步骤。由此，本实施例描述的方案可以在训练纹理基底张量的过程中更新纹理系数，既提高了纹理基底张量的准确性，又加快了纹理基底张量的收敛速度。

继续参见图4，图4是根据本实施例的图像处理方法的应用场景的一个示意图。在图4的应用场景中，具体过程如下:

1、随机选取小批量实际人脸样本，分别使用开源BFM纹理基底的每一个维度(开源BFM纹理基底具有正交性)，渲染出这些样本的人脸图。即所有小批量样本，都各自生成一张对应每一个维度纹理基底的渲染图结果。

2、锁定重建的目标风格，将第一步得到的这些渲染图作为输入转换为目标风格。例如通过开源BFM第一维纹理基底生成的小批量样本的渲染图，作为当前转目标风格的输入数据。而具体从原图像风格到目标风格的转换方法，要根据具体目标风格的生成方式决定，一般使用GAN网络，将2D实际人脸转为2D目标风格图。

3、将第一步产生的渲染图作为输入，对应生成的第二步中目标风格图作为输出。每一组第一步和第二步生成的图像，表示基于BFM中一个纹理基底维度生成的渲染图，与基于迁移到目标风格对应的纹理基底某一维度生成的渲染图。有了这种对应关系的图像，就可以代入一个基于可微渲染器的深度学习框架中进行端到端的训练每一个维度的纹理基底。组合起来就是具备正交性的基于当前目标风格的纹理基底了。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的图像处理装置500包括：获取单元501、第一渲染单元502、转换单元503、第二渲染单元504和训练单元505。其中，获取单元501，被配置成获取人脸图像集；第一渲染单元502，被配置成对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；转换单元503，被配置成将至少一个维度的第一渲染图转换成对应维度的目标风格图；第二渲染单元504，被配置成将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；训练单元505，被配置成基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

在本实施例中，图像处理装置500的获取单元501、第一渲染单元502、转换单元503、第二渲染单元504和训练单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，转换单元503进一步被配置成：通过生成式对抗网络将至少一个维度的第一渲染图转换成对应维度的目标风格图。

在本实施例的一些可选的实现方式中，第二渲染单元504进一步被配置成：通过卷积神经网络从至少一个维度的第一渲染图中提取出至少一个维度的纹理系数；将至少一个维度的纹理系数和至少一个维度的纹理基底张量输入可微渲染器，得到至少一个维度的第二渲染图。

在本实施例的一些可选的实现方式中，训练单元505进一步被配置成：基于至少一个维度的第二渲染图和对应维度的目标风格图之间的差异计算至少一个维度的损失值；若至少一个维度的损失值大于预定阈值，则调整对应维度的纹理基底张量，直到损失值不大于预定阈值，确定对应维度的纹理基底张量训练完成。

在本实施例的一些可选的实现方式中，训练单元505进一步被配置成：若至少一个维度的损失值大于预定阈值，则重复执行以下步骤直到对应维度的损失值不大于预定阈值：调整所述卷积神经网络的相关参数和纹理基底张量；基于更新后的卷积神经网络重新提取出对应维度的纹理系数；将重新提取出的对应维度的纹理系数和调整后的对应维度的纹理基底张量输入可微渲染器，得到更新后的对应维度的第二渲染图；基于更新后的对应维度的第二渲染图和目标风格图之间的差异重新计算对应维度的损失值。

在本实施例的一些可选的实现方式中，不同维度的预设纹理基底之间正交。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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。

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流程200或300所述的方法。

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流程200或300所述的方法。

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流程200或300所述的方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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 (15)

1.一种图像处理方法，包括：

获取人脸图像集；

对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；

将至少一个维度的第一渲染图转换成对应维度的目标风格图；

将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；

基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

2.根据权利要求1所述的方法，其中，所述将至少一个维度的第一渲染图转换成对应维度的目标风格图，包括：

通过生成式对抗网络将至少一个维度的第一渲染图转换成对应维度的目标风格图。

3.根据权利要求1所述的方法，其中，所述将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图，包括：

通过卷积神经网络从至少一个维度的第一渲染图中提取出至少一个维度的纹理系数；

将至少一个维度的纹理系数和对应维度的纹理基底张量输入可微渲染器，得到对应维度的第二渲染图。

4.根据权利要求3所述的方法，其中，所述基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量，包括：

基于至少一个维度的第二渲染图和对应维度的目标风格图之间的差异计算至少一个维度的损失值；

若至少一个维度的损失值大于预定阈值，则调整对应维度的纹理基底张量，直到损失值不大于预定阈值，确定对应维度的纹理基底张量训练完成。

5.根据权利要求4所述的方法，其中，所述方法还包括：

若至少一个维度的损失值大于预定阈值，则重复执行以下步骤直到对应维度的损失值不大于预定阈值：

调整所述卷积神经网络的相关参数和纹理基底张量；

基于更新后的卷积神经网络重新提取出对应维度的纹理系数；

将重新提取出的对应维度的纹理系数和调整后的对应维度的纹理基底张量输入可微渲染器，得到更新后的对应维度的第二渲染图；

基于更新后的对应维度的第二渲染图和目标风格图之间的差异重新计算对应维度的损失值。

6.根据权利要求1-5中任一项所述的方法，其中，不同维度的预设纹理基底之间正交。

7.一种图像处理装置，包括：

获取单元，被配置成获取人脸图像集；

第一渲染单元，被配置成对于至少一张人脸图像，使用一个维度的预设纹理基底进行渲染，得到至少一个维度的第一渲染图；

转换单元，被配置成将至少一个维度的第一渲染图转换成对应维度的目标风格图；

第二渲染单元，被配置成将至少一个维度的第一渲染图通过纹理基底张量渲染成对应维度的第二渲染图；

训练单元，被配置成基于至少一个维度的目标风格图与对应维度的第二渲染图的差异训练至少一个维度的纹理基底张量。

8.根据权利要求7所述的装置，其中，所述转换单元进一步被配置成：

通过生成式对抗网络将至少一个维度的第一渲染图转换成对应维度的目标风格图。

9.根据权利要求7所述的装置，其中，所述第二渲染单元进一步被配置成：

通过卷积神经网络从至少一个维度的第一渲染图中提取出至少一个维度的纹理系数；

将至少一个维度的纹理系数和对应维度的纹理基底张量输入可微渲染器，得到对应维度的第二渲染图。

10.根据权利要求9所述的装置，其中，所述训练单元进一步被配置成：

基于至少一个维度的第二渲染图和对应维度的目标风格图之间的差异计算至少一个维度的损失值；

若至少一个维度的损失值大于预定阈值，则调整对应维度的纹理基底张量，直到损失值不大于预定阈值，确定对应维度的纹理基底张量训练完成。

11.根据权利要求10所述的装置，其中，所述训练单元进一步被配置成：

若至少一个维度的损失值大于预定阈值，则重复执行以下步骤直到对应维度的损失值不大于预定阈值：

调整所述卷积神经网络的相关参数和纹理基底张量；

基于更新后的卷积神经网络重新提取出对应维度的纹理系数；

将重新提取出的对应维度的纹理系数和调整后的对应维度的纹理基底张量输入可微渲染器，得到更新后的对应维度的第二渲染图；

基于更新后的对应维度的第二渲染图和目标风格图之间的差异重新计算对应维度的损失值。

12.根据权利要求7-11中任一项所述的装置，其中，不同维度的预设纹理基底之间正交。

13.一种电子设备，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1-6中任一项所述的方法。

14.一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1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images