CN114882196A - 三维图像生成方法、装置、设备及存储介质 - Google Patents
三维图像生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114882196A CN114882196A CN202210510893.9A CN202210510893A CN114882196A CN 114882196 A CN114882196 A CN 114882196A CN 202210510893 A CN202210510893 A CN 202210510893A CN 114882196 A CN114882196 A CN 114882196A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- face
- source image
- data source
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能,提供一种三维图像生成方法、装置、设备及存储介质。该方法获取数据源图像及脸型源图像,对数据源图像及脸型源图像进行处理,得到生成图像,计算脸型源图像的第一三维形变系数及生成图像的第二三维形变系数,基于第一三维形变系数及第二三维形变系数计算距离损失值,计算生成图像与数据源图像的特征损失值及真实度损失值,根据距离损失值、特征损失值及真实度损失值调整预设网络,得到脸型迁移模型,将二维待转换图像输入至脸型迁移模型,得到初始图像,基于容貌迁移模型对初始图像进行处理,得到目标三维图像,提高图像质量。此外,本发明还涉及区块链技术,所述目标三维图像可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种三维图像生成方法、装置、设备及存储介质。
背景技术
在目前的3D人脸图像生成方式中,通常是直接利用预设形象对待处理图像进行人脸替换,然而,这种方式由于预设形象的数量有限,导致无法个性化地满足用户的个性化需求。为了满足用户的个性化需求,用户可以通过选择并调整预设脸型以达到用户的个性化需求,然而这种方式由于脸部的可调整骨骼较少,导致用户手动调整生成的人脸图像无法表达出相应的情感,造成生成的人脸图像的质量低下。
发明内容
鉴于以上内容,有必要提供一种三维图像生成方法、装置、设备及存储介质,能够提高三维图像的生成质量。
一方面,本发明提出一种三维图像生成方法,所述三维图像生成方法包括:
获取训练图像,所述训练图像包括数据源图像及脸型源图像;
获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
根据本发明优选实施例,所述生成对抗网络包括生成器及判别器,所述基于生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像包括:
提取所述脸型源图像的脸型特征;
基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像;
对所述第一图像进行标识,得到第一训练标签,并对所述数据源图像进行标识,得到第二训练标签;
基于所述判别器对所述第一图像进行判别,得到所述第一图像的第一预测标签,并基于所述判别器对所述数据源图像进行判别,得到所述数据源图像的第二预测标签;
若所述第一预测标签与所述第一训练标签相同,及所述第二预测标签与所述第二训练标签相同,则将所述第一图像确定为所述生成图像。
根据本发明优选实施例,所述三维形变网络包括卷积层、池化层及全连接层,所述基于三维形变模型计算所述脸型源图像的第一三维形变系数包括:
基于所述卷积层对所述脸型源图像进行特征提取,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到低维特征;
基于所述全连接层中的预设脸型参数对所述低维特征进行处理,得到第一脸型形变系数,并基于所述全连接层中的预设表情参数对所述低维特征进行处理,得到第一表情形变系数;
将所述第一脸型形变系数及所述第一表情形变系数确定为所述第一三维形变系数。
根据本发明优选实施例,所述第二三维形变系数包括第二脸型形变系数及第二表情形变系数,所述距离损失值的计算公式为:
其中,S1表示所述距离损失值,n表示所述第一三维形变系数与所述第二三维形变系数中的最大维度值,Xi表示所述第一脸型形变系数中第i个维度对应的值,Yi表示所述第二脸型形变系数中第i个维度对应的值,Ai表示所述第一表情形变系数中第i个维度对应的值,Bi表示所述第二表情形变系数中第i个维度对应的值。
根据本发明优选实施例,所述计算所述生成图像与所述数据源图像的真实度损失值包括:
从所述判别器中获取所述数据源图像对所述第一预测标签的第一预测概率,并从所述判别器中获取所述生成图像对所述第二预测标签的第二预测概率;
根据所述第一预测概率及所述第二预测概率生成所述真实度损失值。
根据本发明优选实施例,所述真实度损失值的计算公式为:
其中,k表示预设值,p1表示所述第一预测概率,p2表示所述第二预测概率。
根据本发明优选实施例,所述脸型迁移模型中包括与所述生成对抗网络对应的图像迁移模型、及与所述三维形变网络对应的三维图像构建模型,所述将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像包括:
基于所述图像迁移模型对所述二维待转换图像进行迁移处理,得到第二图像;
基于所述三维图像构建模型计算所述第二图像的第三三维形变系数;
从所述三维图像构建模型中获取人脸关键点基准矩阵、脸型形变模板矩阵及表情形变模板矩阵;
根据所述第三三维形变系数、所述人脸关键点基准矩阵、所述脸型形变模板矩阵及所述表情形变模板矩阵生成特征编码;
对所述特征编码进行映射处理,得到所述初始图像。
另一方面,本发明还提出一种三维图像生成装置,所述三维图像生成装置包括:
获取单元,用于获取训练图像,所述训练图像包括数据源图像及脸型源图像;
所述获取单元,还用于获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
处理单元,用于基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
计算单元,用于基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
所述计算单元,还用于基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
所述计算单元,还用于计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
调整单元,用于根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
输入单元,用于获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
所述处理单元,还用于基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述三维图像生成方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述三维图像生成方法。
由以上技术方案可以看出,本申请通过所述第一三维形变系数及所述第二三维形变系数能够准确的量化出所述生成图像与所述数据源图像在三维形变维度上的量化损失,通过计算所述生成图像与所述数据源图像的真实度损失值能够准确的量化出所述生成对抗网络对所述数据源图像及所述脸型源图像的损失,通过计算所述生成图像与所述数据源图像的特征损失值能够准确的量化出所述数据源图像转化为所述生成图像时所产生的损失,进而结合所述距离损失值、所述特征损失值及所述真实度损失值能够准确的对所述预设网络进行调整,提高所述脸型迁移模型的训练准确性,从而提高所述目标三维图像的图像准确性,此外,由于所述初始图像是经过包括脸型形变系数及表情形变系数的第三三维形变系数所构建出的,因此,所述目标三维图像中包含有所述二维待转换图像中的表情特征,提高了图像质量,通过容貌迁移模型对所述初始图像进一步进行处理,进一步提高所述目标三维图像的质量。
附图说明
图1是本发明三维图像生成方法的较佳实施例的流程图。
图2是本发明三维图像生成装置的较佳实施例的功能模块图。
图3是本发明实现三维图像生成方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明三维图像生成方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述三维图像生成方法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。
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。
所述三维图像生成方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取训练图像,所述训练图像包括数据源图像及脸型源图像。
在本发明的至少一个实施例中,所述数据源图像与所述脸型源图像不为同一人的人脸图像。
在本发明的至少一个实施例中,所述电子设备从预设人脸数据集中获取所述训练图像,所述数据源图像及所述脸型源图像为所述预设人脸数据集中任意图像。
S11,获取预设网络,所述预设网络包括生成对抗网络及三维形变网络。
S12,基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像。
在本发明的至少一个实施例中,所述生成图像中包含所述数据源图像中除脸型之外的特征、及所述脸型源图像中的脸型特征。
在本发明的至少一个实施例中,所述生成对抗网络包括生成器及判别器,所述基于生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像包括:
提取所述脸型源图像的脸型特征;
基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像;
对所述第一图像进行标识,得到第一训练标签,并对所述数据源图像进行标识,得到第二训练标签;
基于所述判别器对所述第一图像进行判别,得到所述第一图像的第一预测标签,并基于所述判别器对所述数据源图像进行判别,得到所述数据源图像的第二预测标签;
若所述第一预测标签与所述第一训练标签相同,及所述第二预测标签与所述第二训练标签相同,则将所述第一图像确定为所述生成图像。
通过所述判别器对所述第一图像及所述数据源图像进行判别,能够确保所述生成器的生成能力,从而提高所述生成图像的准确性。
具体地,所述电子设备基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像包括:
识别出所述数据源图像的脸型信息;
将所述数据源图像中的所述脸型信息替换为所述脸型特征,得到所述第一图像。
在其他实施例中,若所述第一预测标签与所述第一训练标签不相同,或者所述第二预测标签与所述第二训练标签不相同,则调整所述生成器中的生成参数。
通过调整所述生成参数,能够提高所述生成器的生成能力。
S13,基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数。
在本发明的至少一个实施例中,所述三维形变网络包括卷积层、池化层及全连接层,所述电子设备基于三维形变模型计算所述脸型源图像的第一三维形变系数包括:
基于所述卷积层对所述脸型源图像进行特征提取,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到低维特征;
基于所述全连接层中的预设脸型参数对所述低维特征进行处理,得到第一脸型形变系数,并基于所述全连接层中的预设表情参数对所述低维特征进行处理,得到第一表情形变系数;
将所述第一脸型形变系数及所述第一表情形变系数确定为所述第一三维形变系数。
其中,所述预设脸型参数及所述预设表情参数是指所述基于三维形变模型中的预设参数。
在本发明的至少一个实施例中,所述电子设备基于所述三维形变网络计算所述生成图像的第二三维形变系数与所述电子设备基于三维形变模型计算所述脸型源图像的第一三维形变系数的方式相似,本发明对此不再赘述。
S14,基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值。
在本发明的至少一个实施例中,所述距离损失值是指所述生成图像与所述数据源图像在三维形变维度上的量化损失。
在本发明的至少一个实施例中,所述第二三维形变系数包括第二脸型形变系数及第二表情形变系数,所述距离损失值的计算公式为:
其中,S1表示所述距离损失值,n表示所述第一三维形变系数与所述第二三维形变系数中的最大维度值,Xi表示所述第一脸型形变系数中第i个维度对应的值,Yi表示所述第二脸型形变系数中第i个维度对应的值,Ai表示所述第一表情形变系数中第i个维度对应的值,Bi表示所述第二表情形变系数中第i个维度对应的值。
通过上述实施方式,能够准确的量化出所述生成图像与所述数据源图像在三维形变维度上的损失。
S15,计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值。
在本发明的至少一个实施例中,所述特征损失值是指所述数据源图像转化为所述生成图像时所产生的损失。
所述真实度损失值是指所述生成对抗网络对所述数据源图像及所述脸型源图像的损失。
在本发明的至少一个实施例中,所述特征损失值是基于imagenet预训练算法中的VGG损失函数所计算生成的,其中,所述VGG损失函数属于现有技术本发明对此不再赘述。
在本发明的至少一个实施例中,所述电子设备计算所述生成图像与所述数据源图像的真实度损失值包括:
从所述判别器中获取所述数据源图像对所述第一预测标签的第一预测概率,并从所述判别器中获取所述生成图像对所述第二预测标签的第二预测概率;
根据所述第一预测概率及所述第二预测概率生成所述真实度损失值。
具体地,所述真实度损失值的计算公式为:
其中,k表示预设值,p1表示所述第一预测概率,p2表示所述第二预测概率。
其中,所述预设值可以是所述判别器所能输出的最大概率值,例如,所述预设值可以是1。
通过所述判别器所输出的预测概率能够准确的量化出所述真实度损失值。
S16,根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型。
在本发明的至少一个实施例中,所述脸型迁移模型是指将所述预设网络训练至收敛后所得到的模型,所述脸型迁移模型用于构建出三维图像。
在本发明的至少一个实施例中,所述电子设备根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型包括:
计算所述距离损失值、所述特征损失值与所述真实度损失值的总和,得到总损失值;
基于所述总损失值对所述预设网络进行调整,直至所述总损失值不再降低,得到所述脸型迁移模型。
S17,获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像。
在本发明的至少一个实施例中,所述二维待转换图像是指任意需要进行构建三维图像的二维图像,所述二维待转换图像可以是人脸图像,也可以是包括人体姿态的图像。
所述初始图像是指所述脸型迁移模型对所述二维待转换图像所重构出的三维图像。
在本发明的至少一个实施例中,所述脸型迁移模型中包括与所述生成对抗网络对应的图像迁移模型、及与所述三维形变网络对应的三维图像构建模型,所述电子设备将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像包括:
基于所述图像迁移模型对所述二维待转换图像进行迁移处理,得到第二图像;
基于所述三维图像构建模型计算所述第二图像的第三三维形变系数;
从所述三维图像构建模型中获取人脸关键点基准矩阵、脸型形变模板矩阵及表情形变模板矩阵;
根据所述第三三维形变系数、所述人脸关键点基准矩阵、所述脸型形变模板矩阵及所述表情形变模板矩阵生成特征编码;
对所述特征编码进行映射处理,得到所述初始图像。
其中,所述特征编码中包括多个坐标点及每个坐标点的颜色信息。
具体地,所述特征编码的生成公式为:S=Sbase+Bidα+Bexpβ,其中,S表示所述特征编码,Sbase表示所述人脸关键点基准矩阵,Bid表示所述脸型形变模板矩阵,Bexp表示所述表情形变模板矩阵,α表示所述第三三维形变系数中的第三脸型形变系数,β表示所述第三三维形变系数中的第三表情形变系数。
S18,基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
需要强调的是,为进一步保证上述目标三维图像的私密和安全性,上述目标三维图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述预先训练好的容貌迁移模型根据DeepFake算法训练生成的。
在本发明的至少一个实施例中,所述电子设备基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像包括:
基于所述预先训练好的容貌迁移模型提取所述二维待转换图像的妆容特征;
根据所述妆容特征及所述初始图像生成所述目标三维图像。
通过上述实施方式,能够使得所述目标三维图像还原了所述二维待转换图像的妆容特征,提高所述目标三维图像的真实性。
由以上技术方案可以看出,本申请通过所述第一三维形变系数及所述第二三维形变系数能够准确的量化出所述生成图像与所述数据源图像在三维形变维度上的量化损失,通过计算所述生成图像与所述数据源图像的真实度损失值能够准确的量化出所述生成对抗网络对所述数据源图像及所述脸型源图像的损失,通过计算所述生成图像与所述数据源图像的特征损失值能够准确的量化出所述数据源图像转化为所述生成图像时所产生的损失,进而结合所述距离损失值、所述特征损失值及所述真实度损失值能够准确的对所述预设网络进行调整,提高所述脸型迁移模型的训练准确性,从而提高所述目标三维图像的图像准确性,此外,由于所述初始图像是经过包括脸型形变系数及表情形变系数的第三三维形变系数所构建出的,因此,所述目标三维图像中包含有所述二维待转换图像中的表情特征,提高了图像质量,通过容貌迁移模型对所述初始图像进一步进行处理,进一步提高所述目标三维图像的质量。
如图2所示,是本发明三维图像生成装置的较佳实施例的功能模块图。所述三维图像生成装置11包括获取单元110、处理单元111、计算单元112、调整单元113及输入单元114。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取训练图像,所述训练图像包括数据源图像及脸型源图像。
在本发明的至少一个实施例中,所述数据源图像与所述脸型源图像不为同一人的人脸图像。
在本发明的至少一个实施例中,所述获取单元110从预设人脸数据集中获取所述训练图像,所述数据源图像及所述脸型源图像为所述预设人脸数据集中任意图像。
所述获取单元110获取预设网络,所述预设网络包括生成对抗网络及三维形变网络。
处理单元111基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像。
在本发明的至少一个实施例中,所述生成图像中包含所述数据源图像中除脸型之外的特征、及所述脸型源图像中的脸型特征。
在本发明的至少一个实施例中,所述生成对抗网络包括生成器及判别器,所述处理单元111基于生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像包括:
提取所述脸型源图像的脸型特征;
基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像;
对所述第一图像进行标识,得到第一训练标签,并对所述数据源图像进行标识,得到第二训练标签;
基于所述判别器对所述第一图像进行判别,得到所述第一图像的第一预测标签,并基于所述判别器对所述数据源图像进行判别,得到所述数据源图像的第二预测标签;
若所述第一预测标签与所述第一训练标签相同,及所述第二预测标签与所述第二训练标签相同,则将所述第一图像确定为所述生成图像。
通过所述判别器对所述第一图像及所述数据源图像进行判别,能够确保所述生成器的生成能力,从而提高所述生成图像的准确性。
具体地,所述处理单元111基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像包括:
识别出所述数据源图像的脸型信息;
将所述数据源图像中的所述脸型信息替换为所述脸型特征,得到所述第一图像。
在其他实施例中,若所述第一预测标签与所述第一训练标签不相同,或者所述第二预测标签与所述第二训练标签不相同,则调整所述生成器中的生成参数。
通过调整所述生成参数,能够提高所述生成器的生成能力。
计算单元112基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数。
在本发明的至少一个实施例中,所述三维形变网络包括卷积层、池化层及全连接层,所述计算单元112基于三维形变模型计算所述脸型源图像的第一三维形变系数包括:
基于所述卷积层对所述脸型源图像进行特征提取,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到低维特征;
基于所述全连接层中的预设脸型参数对所述低维特征进行处理,得到第一脸型形变系数,并基于所述全连接层中的预设表情参数对所述低维特征进行处理,得到第一表情形变系数;
将所述第一脸型形变系数及所述第一表情形变系数确定为所述第一三维形变系数。
其中,所述预设脸型参数及所述预设表情参数是指所述基于三维形变模型中的预设参数。
在本发明的至少一个实施例中,所述电子设备基于所述三维形变网络计算所述生成图像的第二三维形变系数与所述电子设备基于三维形变模型计算所述脸型源图像的第一三维形变系数的方式相似,本发明对此不再赘述。
所述计算单元112基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值。
在本发明的至少一个实施例中,所述距离损失值是指所述生成图像与所述数据源图像在三维形变维度上的量化损失。
在本发明的至少一个实施例中,所述第二三维形变系数包括第二脸型形变系数及第二表情形变系数,所述距离损失值的计算公式为:
其中,S1表示所述距离损失值,n表示所述第一三维形变系数与所述第二三维形变系数中的最大维度值,Xi表示所述第一脸型形变系数中第i个维度对应的值,Yi表示所述第二脸型形变系数中第i个维度对应的值,Ai表示所述第一表情形变系数中第i个维度对应的值,Bi表示所述第二表情形变系数中第i个维度对应的值。
通过上述实施方式,能够准确的量化出所述生成图像与所述数据源图像在三维形变维度上的损失。
所述计算单元112计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值。
在本发明的至少一个实施例中,所述特征损失值是指所述数据源图像转化为所述生成图像时所产生的损失。
所述真实度损失值是指所述生成对抗网络对所述数据源图像及所述脸型源图像的损失。
在本发明的至少一个实施例中,所述特征损失值是基于imagenet预训练算法中的VGG损失函数所计算生成的,其中,所述VGG损失函数属于现有技术本发明对此不再赘述。
在本发明的至少一个实施例中,所述计算单元112计算所述生成图像与所述数据源图像的真实度损失值包括:
从所述判别器中获取所述数据源图像对所述第一预测标签的第一预测概率,并从所述判别器中获取所述生成图像对所述第二预测标签的第二预测概率;
根据所述第一预测概率及所述第二预测概率生成所述真实度损失值。
具体地,所述真实度损失值的计算公式为:
其中,k表示预设值,p1表示所述第一预测概率,p2表示所述第二预测概率。
其中,所述预设值可以是所述判别器所能输出的最大概率值,例如,所述预设值可以是1。
通过所述判别器所输出的预测概率能够准确的量化出所述真实度损失值。
调整单元113根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型。
在本发明的至少一个实施例中,所述脸型迁移模型是指将所述预设网络训练至收敛后所得到的模型,所述脸型迁移模型用于构建出三维图像。
在本发明的至少一个实施例中,所述调整单元113根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型包括:
计算所述距离损失值、所述特征损失值与所述真实度损失值的总和,得到总损失值;
基于所述总损失值对所述预设网络进行调整,直至所述总损失值不再降低,得到所述脸型迁移模型。
输入单元114获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像。
在本发明的至少一个实施例中,所述二维待转换图像是指任意需要进行构建三维图像的二维图像,所述二维待转换图像可以是人脸图像,也可以是包括人体姿态的图像。
所述初始图像是指所述脸型迁移模型对所述二维待转换图像所重构出的三维图像。
在本发明的至少一个实施例中,所述脸型迁移模型中包括与所述生成对抗网络对应的图像迁移模型、及与所述三维形变网络对应的三维图像构建模型,所述输入单元114将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像包括:
基于所述图像迁移模型对所述二维待转换图像进行迁移处理,得到第二图像;
基于所述三维图像构建模型计算所述第二图像的第三三维形变系数;
从所述三维图像构建模型中获取人脸关键点基准矩阵、脸型形变模板矩阵及表情形变模板矩阵;
根据所述第三三维形变系数、所述人脸关键点基准矩阵、所述脸型形变模板矩阵及所述表情形变模板矩阵生成特征编码;
对所述特征编码进行映射处理,得到所述初始图像。
其中,所述特征编码中包括多个坐标点及每个坐标点的颜色信息。
具体地,所述特征编码的生成公式为:S=Sbase+Bidα+Bexpβ,其中,S表示所述特征编码,Sbase表示所述人脸关键点基准矩阵,Bid表示所述脸型形变模板矩阵,Bexp表示所述表情形变模板矩阵,α表示所述第三三维形变系数中的第三脸型形变系数,β表示所述第三三维形变系数中的第三表情形变系数。
所述处理单元111基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
需要强调的是,为进一步保证上述目标三维图像的私密和安全性,上述目标三维图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述预先训练好的容貌迁移模型根据DeepFake算法训练生成的。
在本发明的至少一个实施例中,所述处理单元111基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像包括:
基于所述预先训练好的容貌迁移模型提取所述二维待转换图像的妆容特征;
根据所述妆容特征及所述初始图像生成所述目标三维图像。
通过上述实施方式,能够使得所述目标三维图像还原了所述二维待转换图像的妆容特征,提高所述目标三维图像的真实性。
由以上技术方案可以看出,本申请通过所述第一三维形变系数及所述第二三维形变系数能够准确的量化出所述生成图像与所述数据源图像在三维形变维度上的量化损失,通过计算所述生成图像与所述数据源图像的真实度损失值能够准确的量化出所述生成对抗网络对所述数据源图像及所述脸型源图像的损失,通过计算所述生成图像与所述数据源图像的特征损失值能够准确的量化出所述数据源图像转化为所述生成图像时所产生的损失,进而结合所述距离损失值、所述特征损失值及所述真实度损失值能够准确的对所述预设网络进行调整,提高所述脸型迁移模型的训练准确性,从而提高所述目标三维图像的图像准确性,此外,由于所述初始图像是经过包括脸型形变系数及表情形变系数的第三三维形变系数所构建出的,因此,所述目标三维图像中包含有所述二维待转换图像中的表情特征,提高了图像质量,通过容貌迁移模型对所述初始图像进一步进行处理,进一步提高所述目标三维图像的质量。
如图3所示,是本发明实现三维图像生成方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如三维图像生成程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、处理单元111、计算单元112、调整单元113及输入单元114。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式三维图像生成、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种三维图像生成方法,所述处理器13可执行所述计算机可读指令从而实现:
获取训练图像,所述训练图像包括数据源图像及脸型源图像;
获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,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,所述模块的划分,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取训练图像,所述训练图像包括数据源图像及脸型源图像;
获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种三维图像生成方法,其特征在于,所述三维图像生成方法包括:
获取训练图像,所述训练图像包括数据源图像及脸型源图像;
获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
2.如权利要求1所述的三维图像生成方法,其特征在于,所述生成对抗网络包括生成器及判别器,所述基于生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像包括:
提取所述脸型源图像的脸型特征;
基于所述生成器对所述数据源图像及所述脸型特征进行融合处理,得到第一图像;
对所述第一图像进行标识,得到第一训练标签,并对所述数据源图像进行标识,得到第二训练标签;
基于所述判别器对所述第一图像进行判别,得到所述第一图像的第一预测标签,并基于所述判别器对所述数据源图像进行判别,得到所述数据源图像的第二预测标签;
若所述第一预测标签与所述第一训练标签相同,及所述第二预测标签与所述第二训练标签相同,则将所述第一图像确定为所述生成图像。
3.如权利要求1所述的三维图像生成方法,其特征在于,所述三维形变网络包括卷积层、池化层及全连接层,所述基于三维形变模型计算所述脸型源图像的第一三维形变系数包括:
基于所述卷积层对所述脸型源图像进行特征提取,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到低维特征;
基于所述全连接层中的预设脸型参数对所述低维特征进行处理,得到第一脸型形变系数,并基于所述全连接层中的预设表情参数对所述低维特征进行处理,得到第一表情形变系数;
将所述第一脸型形变系数及所述第一表情形变系数确定为所述第一三维形变系数。
5.如权利要求2所述的三维图像生成方法,其特征在于,所述计算所述生成图像与所述数据源图像的真实度损失值包括:
从所述判别器中获取所述数据源图像对所述第一预测标签的第一预测概率,并从所述判别器中获取所述生成图像对所述第二预测标签的第二预测概率;
根据所述第一预测概率及所述第二预测概率生成所述真实度损失值。
7.如权利要求1所述的三维图像生成方法,其特征在于,所述脸型迁移模型中包括与所述生成对抗网络对应的图像迁移模型、及与所述三维形变网络对应的三维图像构建模型,所述将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像包括:
基于所述图像迁移模型对所述二维待转换图像进行迁移处理,得到第二图像;
基于所述三维图像构建模型计算所述第二图像的第三三维形变系数;
从所述三维图像构建模型中获取人脸关键点基准矩阵、脸型形变模板矩阵及表情形变模板矩阵;
根据所述第三三维形变系数、所述人脸关键点基准矩阵、所述脸型形变模板矩阵及所述表情形变模板矩阵生成特征编码;
对所述特征编码进行映射处理,得到所述初始图像。
8.一种三维图像生成装置,其特征在于,所述三维图像生成装置包括:
获取单元,用于获取训练图像,所述训练图像包括数据源图像及脸型源图像;
所述获取单元,还用于获取预设网络,所述预设网络包括生成对抗网络及三维形变网络;
处理单元,用于基于所述生成对抗网络对所述数据源图像及所述脸型源图像进行处理,得到所述数据源图像的生成图像;
计算单元,用于基于所述三维形变网络计算所述脸型源图像的第一三维形变系数,并基于所述三维形变网络计算所述生成图像的第二三维形变系数;
所述计算单元,还用于基于所述第一三维形变系数及所述第二三维形变系数计算所述数据源图像与所述生成图像的距离损失值;
所述计算单元,还用于计算所述生成图像与所述数据源图像的特征损失值,并计算所述生成图像与所述数据源图像的真实度损失值;
调整单元,用于根据所述距离损失值、所述特征损失值及所述真实度损失值调整所述预设网络,得到脸型迁移模型;
输入单元,用于获取二维待转换图像,并将所述二维待转换图像输入至所述脸型迁移模型,得到初始图像;
所述处理单元,还用于基于预先训练好的容貌迁移模型对所述初始图像进行处理,得到所述二维待转换图像的目标三维图像。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的三维图像生成方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的三维图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510893.9A CN114882196A (zh) | 2022-05-11 | 2022-05-11 | 三维图像生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510893.9A CN114882196A (zh) | 2022-05-11 | 2022-05-11 | 三维图像生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882196A true CN114882196A (zh) | 2022-08-09 |
Family
ID=82675534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210510893.9A Pending CN114882196A (zh) | 2022-05-11 | 2022-05-11 | 三维图像生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882196A (zh) |
-
2022
- 2022-05-11 CN CN202210510893.9A patent/CN114882196A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717977A (zh) | 游戏角色脸部处理的方法、装置、计算机设备及存储介质 | |
CN109147890A (zh) | 一种医学报告的生成方法及设备 | |
CN113570684A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN110909680A (zh) | 人脸图像的表情识别方法、装置、电子设备及存储介质 | |
CN111696029A (zh) | 虚拟形象视频生成方法、装置、计算机设备及存储介质 | |
CN115565238B (zh) | 换脸模型的训练方法、装置、设备、存储介质和程序产品 | |
Elmahmudi et al. | A framework for facial age progression and regression using exemplar face templates | |
CN112508190A (zh) | 结构化稀疏参数的处理方法、装置、设备及存储介质 | |
CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN114973349A (zh) | 面部图像处理方法和面部图像处理模型的训练方法 | |
CN113096001A (zh) | 图像处理方法、电子设备及可读存储介质 | |
CN111860484A (zh) | 一种区域标注方法、装置、设备及存储介质 | |
CN117078790B (zh) | 图像生成方法、装置、计算机设备和存储介质 | |
CN113470672A (zh) | 语音增强方法、装置、设备及存储介质 | |
CN113570391A (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN109829857B (zh) | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 | |
CN116775836A (zh) | 基于多层次注意力的教科书文本问答方法及系统 | |
CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
CN116205723A (zh) | 基于人工智能的面签风险检测方法及相关设备 | |
CN114882196A (zh) | 三维图像生成方法、装置、设备及存储介质 | |
Zhang et al. | Visual knowledge guided intelligent generation of Chinese seal carving | |
Khajavi et al. | Human face aging based on active appearance model using proper feature set | |
CN113486680A (zh) | 文本翻译方法、装置、设备及存储介质 | |
CN113223103A (zh) | 素描画生成的方法、装置、电子设备及介质 |
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 |