CN115147681B - 服饰生成模型的训练、生成服饰图像的方法和装置 - Google Patents
服饰生成模型的训练、生成服饰图像的方法和装置 Download PDFInfo
- Publication number
- CN115147681B CN115147681B CN202210770030.5A CN202210770030A CN115147681B CN 115147681 B CN115147681 B CN 115147681B CN 202210770030 A CN202210770030 A CN 202210770030A CN 115147681 B CN115147681 B CN 115147681B
- Authority
- CN
- China
- Prior art keywords
- image
- clothing
- shape
- sample
- texture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design 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
- 230000009466 transformation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 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
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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 Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了服饰生成模型的训练、生成服饰图像的方法和装置,涉及人工智能技术领域,具体为增强现实AR、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙等场景。具体实现方案为:获取服饰的样本图像集。将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和虚拟服饰图像组成负样本,并将所选取的样本图像的形状掩码图像和纹理图像组成正样本;将正样本和负样本分别输入判别器,计算判别损失;根据判别损失调整服饰生成模型的相关参数和判别器的相关参数。通过该实施方式能够得到一种可以生成指定形状和纹理的服饰图像的模型。
Description
技术领域
本公开涉及人工智能技术领域,具体为增强现实AR、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙等场景,具体为一种服饰生成模型的训练、生成服饰图像的方法和装置。
背景技术
近年来,随着计算机技术的迅速发展,图像处理技术应用于各方面。例如,卡通虚拟形象服饰个性化重建。需要根据拍摄的真人照片生成2D(二维)卡通虚拟形象服饰部件,要求生成的服饰满足给定模板形状,并且和原照片服饰保持较高相似度。
相关技术生成的服饰图像形状和纹理不受控制,无法实现特定款式形状和纹理的服饰图像高相似度重建。
发明内容
本公开提供了一种服饰生成模型的训练、生成服饰图像的方法、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,提供了一种训练服饰生成模型的方法,包括:获取服饰图像的样本集,其中,所述样本集中的样本包括形状掩码图像和纹理图像;从所述样本集中选取样本,并执行如下训练步骤:将所选取的样本输入初始的服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和所述虚拟服饰图像组成负样本,并将所选取的样本图像的形状掩码图像和纹理图像组成正样本;将所述正样本和所述负样本分别输入判别器,计算判别损失;基于所述判别损失调整所述服饰生成模型的相关参数,生成目标服饰生成模型。
根据本公开的第二方面,提供了一种生成服饰图像的方法,包括:获取指定款式的服饰的形状图像和纹理图像;将所述形状图像和所述纹理图像输入采用如第一方面所述的方法生成的服饰生成模型中,生成指定款式的服饰图像。
根据本公开的第三方面,提供了一种服饰生成模型的训练装置,包括:获取单元,被配置成获取服饰的样本图像集,其中,所述样本图像集中的样本图像包括形状掩码图像和纹理图像;训练单元,被配置成从所述样本图像集中选取样本图像,并执行如下训练步骤:将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和所述虚拟服饰图像组成负样本,并将所选取的样本图像的形状掩码图像和纹理图像组成正样本;将所述正样本和所述负样本分别输入判别器,计算判别损失;基于所述判别损失调整所述服饰生成模型的相关参数,生成目标服饰生成模型。
根据本公开的第四方面,提供了一种生成服饰图像的装置,包括:获取单元,被配置成获取指定款式的服饰的形状图像和纹理图像;生成单元,被配置成将所述形状图像和所述纹理图像输入采用如第三方面所述的装置生成的服饰生成模型中,生成指定款式的服饰图像。
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第一方面和第二方面所述的方法。
根据本公开的第六方面,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和第二方面所述的方法。
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第一方面和第二方面所述的方法。
本申请提出了一种无监督的服饰图像生成技术。该技术主要包括两个模块,分别是生成器模块和判别器模块。整体方案是没有真值服饰标签的,通过GAN进行无监督判别训练。判别器部分分别对真实掩码图-真实服饰、真实掩码图-生成服饰进行条件判别训练。本申请的设计思想是纹理图像像素颜色复制再填充,不引入纹理图像之外的像素值,这样一方面降低了服饰生成难度(颜色空间有限),并且保证了和纹理输入相似度。另外,由于缺少服饰真值标签进行有监督的训练,为了保证生成的服饰图像是正常合理的服饰,提出了通过有掩码图条件的无监督对抗方法来对生成服饰真实性和合理性进行约束。
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是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的服饰生成模型的训练方法的一个实施例的流程图;
图3a-3b是根据本申请的服饰生成模型的训练方法的应用场景的示意图;
图4是根据本申请的生成服饰图像的方法的一个实施例的流程图;
图5是根据本申请的服饰生成模型的训练装置的一个实施例的结构示意图;
图6是根据本申请的生成服饰图像的装置的一个实施例的结构示意图;
图7是根据本申请实施例的服饰生成模型的训练和生成服饰图像的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。
图1示出了可以应用本申请实施例的服饰生成模型的训练方法、服饰生成模型的训练装置、生成服饰图像的方法或生成服饰图像的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、服饰图像编辑类应用、虚拟试衣类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,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)、膝上型便携计算机和台式计算机等等。当终端101、102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。
当终端101、102为硬件时,其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备,如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备,来采集一些服饰图像。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括原始图像、形状掩码图像和纹理图像。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对初始模型进行训练,并可以将训练结果(如生成的服饰生成模型)发送给终端101、102。这样,用户可以应用生成的服饰生成模型进行服饰设计,生成指定形状和纹理的服饰图像。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,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。当它们为软件时,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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的服饰生成模型的训练方法或生成服饰图像的方法一般由服务器105执行。相应地,服饰生成模型的训练装置或生成服饰图像的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本申请的服饰生成模型的训练方法的一个实施例的流程200。该服饰生成模型的训练方法可以包括以下步骤:
步骤201,获取服饰的样本图像集。
在本实施例中,服饰生成模型的训练方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取样本图像集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本图像集。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本图像。这样,执行主体可以接收终端所收集的样本图像,并将这些样本图像存储在本地,从而生成样本图像集。
在这里,样本图像集中可以包括至少一个样本图像。其中,样本图像集中的样本图像包括形状掩码图像和纹理图像。本申请采用的是无监督的训练,因此样本图像中没有原始图像。形状掩码图像是服饰轮廓的黑白图像,也称作形状mask。可通过图像语义分割等算法从服饰图像中提取服饰形状mask。纹理图像是包括服饰纹理和颜色的彩色服饰图像,例如白底蓝花的纹理图像。纹理图像的形状可以是任意的形状。例如,形状图像可以是长袖,而纹理图像是短袖。
步骤202,从样本图像集中选取样本图像。
在本实施例中,从样本图像集中选取样本图像,执行步骤202-207,其中,样本图像的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本图像,也可以是从中选取清晰度较好(即像素较高)的样本图像。
步骤203,将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像。
在本实施例中,服饰生成模型是GAN的生成器,例如,StyleGAN。服饰生成模型可以从所选取的样本图像的形状掩码图像和虚拟服饰图像中提取特征,然后生成与形状掩码图像的形状相同,与纹理图像的纹理相同的虚拟服饰图像。
步骤204,将所选取的样本图像的形状掩码图像和虚拟服饰图像组成负样本,并将所选取的样本图像的形状掩码图像和纹理图像组成正样本。
在本实施例中,由于缺少GT(Ground Truth,真值)服饰标签图像作为监督,本文提出了一种基于Mask(掩码)条件的无监督技术架构进行服饰图像生成训练。判别器输入有两种,一种是真实Mask-真实服饰(纹理图像)组成的配对数据(这种情况判别为“真”,即正样本),另一种是真实Mask-生成服饰(虚拟服饰图像)组成的配对数据(这种情况判别为“假”,即负样本),并和生成器进行交替训练。
步骤205,将正样本和负样本分别输入判别器,计算判别损失。
在本实施例中,判别器与服饰生成模型组成了完整的GAN。通过对正样本和负样本图像的判别,可计算出判别损失。判别损失的计算过程为现有技术,因此不再赘述。
步骤206,若判别损失小于预定值,则输出训练完成的目标服饰生成模型。
在本实施例中,预定值可以是接近于0的数,例如,0.001等。若判别损失小于预定值,表明服饰生成模型训练完成,命名为目标服饰生成模型。
步骤207,若判别损失大于等于预定值,则调整服饰生成模型的相关参数和判别器的相关参数,重新选取样本图像继续执行步骤203-207。
在本实施例中,若训练未完成,则调整服饰生成模型的相关参数和判别器的相关参数,可同时调整,也可交替调整。重新选取样本图像(可选择未使用过的,也可重复选择已使用过的)重复执行步骤203-207,直到判别损失小于预定值。
本申请提供的实施例,解决了指定形状和纹理的2D高精服饰图像生成的技术问题。可以基于单张照片输入生成2D高质量卡通虚拟形象服饰部件,还可以实现2D服饰数字资产批量生产创作。而且本文提出的技术可以用于2D虚拟试衣解决方案中,具有广泛的应用场景。
在本实施例的一些可选的实现方式中,服饰生成模型包括特征提取模块和回归模块;以及所述将所选取的样本输入初始的服饰生成模型,得到虚拟服饰图像,包括:将所述纹理图像进行图像语义分割,得到纹理掩码图像;将所述样本图像的纹理掩码图像和形状掩码图像分别输入特征提取模块,得到纹理特征和形状特征;计算纹理特征和形状特征的空间对应关系;将所述空间对应关系输入回归模块,得到变形转换系数;通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像。图像语义分割(SemanticSegmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环,也是AI领域中一个重要的分支。语义分割即是对图像中每一个像素点进行分类,确定每个点的类别(如属于背景、人或车等),从而进行区域划分。可通过现有技术常见的语义分割模型对纹理图像进行图像语义分割,得到的纹理掩码图中可显示出服饰的轮廓,但显示不了颜色、纹理。
特征提取模块可包括两个非共享参数的孪生卷积神经网,用于从掩码图中提取特征。两个用于特征提取的神经元网络具有相同的结构,例如,孪生卷积神经网络中均包含四个步长为2的下采样卷积层和两个步长为1的卷积层。提取到两个特征后通过相关性计算模块(例如矩阵乘法)可计算两个特征之间的空间对应关系。将空间对应关系传入到回归模块(例如,包含两个步长为2的下采用卷积层、两个步长为1的卷积层、一个全连接层)中,最后使用tanh激活函数激活得到变形转换系数。以此使用该变形转换系数对纹理图像的像素进行扭曲得到像素扭曲服饰图,即为虚拟服饰图像。从而可以生成更加自然逼真的扭曲服饰形状和纹理。
在本实施例的一些可选的实现方式中,回归模块包括粗粒度回归模块和细粒度回归模块;以及所述将所述空间对应关系输入回归模块,得到变形转换系数,包括:将所述空间对应关系输入粗粒度回归模块,得到粗粒度变形转换系数;将所述空间对应关系输入细粒度回归模块,得到细粒度变形转换系数;所述通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像,包括:通过所述粗粒度变形转换系数对所述纹理图像进行薄板样条变形后得到粗略服饰图像;通过所述细粒度变形转换系数对所述粗略服饰图像进行稠密变形后得到虚拟服饰图像。
可将提取的特征通过矩阵乘法合起来传入到2个回归模块,一个回归模块用于提取粗粒度变形转换系数,因此命名为粗粒度回归模块。一个回归模块用于提取细粒度变形转换系数,因此命名为细粒度回归模块。粗粒度回归模块和细粒度回归模块可以具有不同的网络结构,也可以是相同的网络结构但参数不共享。TPS(Thin Plate Spline,薄板样条变形)属于一种非刚性形变,该变形算法的输入为两张图像中多组相同部位的匹配点对,输出为两张图像的相同部位的坐标映射,是稀疏变形。稠密变形是基于像素级的精细变形。首先通过TPS进行稀疏关键点拉伸变形得到一个较为粗糙服饰图像,然后再通过可学习的像素级变形得到一个更为精细的服饰图像。多级变形扭曲技术方案可以进一步提高虚拟服饰的逼真度,更接近于指定的形状和纹理。
在本实施例的一些可选的实现方式中,所述方法还包括:将所述虚拟服饰图像进行图像语义分割,得到分割掩码图像;计算所述分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。除了判别损失之外,还引入了形状损失,判别损失和形状损失的加权和小于预定的第一损失阈值时,模型才训练完成。从而使得使用该模型生成的服饰的形状精确度更高。
在本实施例的一些可选的实现方式中,所述方法还包括:将所述粗略服饰图像进行图像语义分割,得到粗略分割掩码图像;计算所述粗略分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。如果生成两个服饰图像,则可直接用粗略服饰图像作为监督信号,从而可以加快模型的收敛速度。
在本实施例的一些可选的实现方式中,所述方法还包括:对薄板样条变形和稠密变形计算正则化损失;根据所述正则化损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。正则化损失是TPS变形系数(粗粒度变形转换系数)和稠密变形系数(细粒度变形转换系数)的绝对值的加权和。正则化损失和判别损失的加权和小于预定的第二损失阈值时,模型才训练完毕。保证尽可能少的变形扭曲,只保留必要形变,从而提高模型的准确性。
可选地,总的损失值可以是形状损失、判别损失和正则化损失的加权和,总的损失值小于预定的第二损失阈值时,模型才训练完毕。
继续参见图3a-3b,图3a-3b是根据本实施例的训练服饰生成模型的方法的应用场景的一个示意图。图3a是服饰生成模型(生成器)的结构,图3b是判别器的结构。
具体过程如下所示:
1、首先,收集大量的2D服饰图像数据,并进行尺度对齐处理;
2、然后,对对齐后的2D服饰图像进行服饰图像分割,提取服饰形状Mask(掩码图像),得到形状掩码图像;
3、如图3a所示为生成器的部分结构,该结构包括两个特征提取模块,分别对纹理图像得到的纹理掩码图像和形状掩码图像(目标形状mask)进行特征图提取,然后通过相关性计算模块,计算两个特征空间对应关系,再通过回归A模块,得到粗粒度的变形转换系数,并通过TPS大尺度变形得到一个较为粗糙的虚拟服饰图像,最后再通过回归B模块,得到细粒度的变形转换系数,并通过像素级稠密变形函数得到更加精细的虚拟服饰图像。
4、如图3b是判别器部分的结构,由于缺少真值GT服饰标签图像作为监督,本申请提出了一种基于Mask条件的无监督技术架构进行服饰图像生成训练。判别器输入有两种,一种是真实Mask-真实服饰组成的配对数据(这种情况判别为“真”),另一种是真实Mask-生成服饰组成的配对数据(这种情况判别为“假”),并和生成器进行交替训练。
5、损失函数包括三个,一是对生成的粗略服饰图像进行分割,并和输入形状Mask计算形状损失,二是对生成的精细服饰图像(最终的虚拟服饰图像)计算GAN判别损失,三是对TPS变形和稠密变形计算正则化损失(保证尽可能少的变形扭曲,只保留必要形变)。
6、待模型训练收敛后,在测试时输入纹理图像和目标形状mask给生成器,即可生成形状和目标形状Mask一致、纹理和参照纹理相近的新服饰图像。
继续参见图4,其示出了根据本申请的生成服饰图像的方法的又一个实施例的流程400。该生成服饰图像的方法可以包括以下步骤:
步骤401,获取指定款式的服饰的形状图像和纹理图像。
在本实施例中,生成服饰图像的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来指定款式的服饰的形状图像和纹理图像。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的指定款式的服饰的形状图像(即上文中的形状mask)和纹理图像。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的指定款式的服饰的形状图像和纹理图像。例如,指定款式为长袖风衣的形状,黄色小星星图案的短袖T恤的纹理图像。
步骤402,将形状图像和纹理图像输入服饰生成模型中,生成指定款式的服饰图像。
在本实施例中,执行主体可以将步骤401中获取的图像输入服饰生成模型中,从而生成指定款式的服饰图像,例如,黄色小星星图案的长袖风衣。
在本实施例中,服饰生成模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本实施例生成服饰图像的方法可以用于测试上述各实施例所生成的服饰生成模型。进而根据生成的服饰图像可以不断地优化服饰生成模型。该方法也可以是上述各实施例所生成的服饰生成模型的实际应用方法。采用上述各实施例所生成的服饰生成模型,来进行生成服饰图像,能生成指定形状和纹理的服饰图像。
继续参见图5,作为对上述图2所示方法的实现,本申请提供了一种训练服饰生成模型的装置的一个实施例。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,本实施例的训练服饰生成模型的装置500可以包括:获取单元501、训练单元502和调整单元503。其中,获取单元501,被配置成获取服饰的样本图像集,其中,所述样本图像集中的样本图像包括形状掩码图像和纹理图像;训练单元502,被配置成从所述样本图像集中选取样本图像,并执行如下训练步骤:将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和所述虚拟服饰图像组成负样本,并将所选取的样本图像的形状掩码图像和纹理图像组成正样本;将所述正样本和所述负样本分别输入判别器,计算判别损失;若所述判别损失小于预定值,则输出训练完成的服饰生成模型;调整单元503,被配置成若所述判别损失大于等于预定值,则调整所述服饰生成模型的相关参数和所述判别器的相关参数,重新选取样本继续执行上述训练步骤。
在本实施例的一些可选的实现方式中,服饰生成模型包括特征提取模块和回归模块;以及训练单元502进一步被配置成:将所述纹理图像进行图像语义分割,得到纹理掩码图像;将所述样本图像的纹理掩码图像和形状掩码图像分别输入特征提取模块,得到纹理特征和形状特征;计算纹理特征和形状特征的空间对应关系;将所述空间对应关系输入回归模块,得到变形转换系数;通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像。
在本实施例的一些可选的实现方式中,回归模块包括粗粒度回归模块和细粒度回归模块;以及训练单元502进一步被配置成:将所述空间对应关系输入粗粒度回归模块,得到粗粒度变形转换系数;将所述空间对应关系输入细粒度回归模块,得到细粒度变形转换系数;通过所述粗粒度变形转换系数对所述纹理图像进行薄板样条变形后得到粗略服饰图像;通过所述细粒度变形转换系数对所述粗略服饰图像进行稠密变形后得到虚拟服饰图像。
在本实施例的一些可选的实现方式中,调整单元503进一步被配置成:将所述虚拟服饰图像进行图像语义分割,得到分割掩码图像;计算所述分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
在本实施例的一些可选的实现方式中,调整单元503进一步被配置成:将所述粗略服饰图像进行图像语义分割,得到粗略分割掩码图像;计算所述粗略分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
在本实施例的一些可选的实现方式中,调整单元503进一步:对薄板样条变形和稠密变形计算正则化损失;根据所述正则化损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
继续参见图6,作为对上述图4所示方法的实现,本申请提供了一种生成服饰图像的装置的一个实施例。该装置实施例与图4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6所示,本实施例的生成服饰图像的装置600可以包括:获取单元601和生成单元602。其中,获取单元601被配置成获取指定款式的服饰的形状图像和纹理图像;生成单元602被配置成将所述形状图像和所述纹理图像输入采用装置500生成的服饰生成模型中,生成指定款式的服饰图像。
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400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400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400所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如服饰生成模型的训练方法。例如,在一些实施例中,服饰生成模型的训练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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的服饰生成模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行服饰生成模型的训练方法。
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 (16)
1.一种服饰生成模型的训练方法,包括:
获取服饰的样本图像集,其中,所述样本图像集中的样本图像包括形状掩码图像和纹理图像;
从所述样本图像集中选取样本图像,执行如下训练步骤:将所选取的样本图像输入初始服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和所述虚拟服饰图像组成负样本,并将所述样本图像的形状掩码图像和纹理图像组成正样本;将所述正样本和所述负样本分别输入判别器,计算判别损失;若所述判别损失小于预定值,则输出训练完成的目标服饰生成模型;
否则,调整所述服饰生成模型的相关参数和所述判别器的相关参数,重新选取样本图像继续执行上述训练步骤。
2.根据权利要求1所述的方法,其中,所述服饰生成模型包括特征提取模块和回归模块;以及
所述将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像,包括:
将所述纹理图像进行图像语义分割,得到纹理掩码图像;
将所述样本图像的纹理掩码图像和形状掩码图像分别输入特征提取模块,得到纹理特征和形状特征;
计算纹理特征和形状特征的空间对应关系;
将所述空间对应关系输入回归模块,得到变形转换系数;
通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像。
3.根据权利要求2所述的方法,其中,所述回归模块包括粗粒度回归模块和细粒度回归模块;以及
所述将所述空间对应关系输入回归模块,得到变形转换系数,包括:
将所述空间对应关系输入粗粒度回归模块,得到粗粒度变形转换系数;
将所述空间对应关系输入细粒度回归模块,得到细粒度变形转换系数;
所述通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像,包括:
通过所述粗粒度变形转换系数对所述纹理图像进行薄板样条变形后得到粗略服饰图像;
通过所述细粒度变形转换系数对所述粗略服饰图像进行稠密变形后得到虚拟服饰图像。
4.根据权利要求1所述的方法,其中,所述方法还包括:
将所述虚拟服饰图像进行图像语义分割,得到分割掩码图像;
计算所述分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;
根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
5.根据权利要求3所述的方法,其中,所述方法还包括:
将所述粗略服饰图像进行图像语义分割,得到粗略分割掩码图像;
计算所述粗略分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;
根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
6.根据权利要求3所述的方法,其中,所述方法还包括:
对薄板样条变形和稠密变形计算正则化损失;
根据所述正则化损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
7.一种生成服饰图像的方法,包括:
获取指定款式的服饰的形状图像和纹理图像;
将所述形状图像和所述纹理图像输入如权利要求1-6之一所述的方法生成的目标服饰生成模型中,生成指定款式的服饰图像。
8.一种服饰生成模型的训练装置,包括:
获取单元,被配置成获取服饰图像的样本图像集,其中,所述样本图像集中的样本图像包括形状掩码图像和纹理图像;
训练单元,被配置成从所述样本图像集中选取样本图像,并执行如下训练步骤:将所选取的样本图像输入初始的服饰生成模型,得到虚拟服饰图像;将所选取的样本图像的形状掩码图像和所述虚拟服饰图像组成负样本,并将所述形状掩码图像和纹理图像组成正样本;将所述正样本和所述负样本分别输入判别器,计算判别损失;
调整单元,被配置成:若所述判别损失小于预定值,则输出训练完成的目标服饰生成模型;否则,调整所述服饰生成模型的相关参数和所述判别器的相关参数,重新选取样本图像继续执行上述训练步骤。
9.根据权利要求8所述的装置,其中,所述服饰生成模型包括特征提取模块和回归模块;以及
所述训练单元进一步被配置成:
将所述纹理图像进行图像语义分割,得到纹理掩码图像;
将所述样本图像的纹理掩码图像和形状掩码图像分别输入特征提取模块,得到纹理特征和形状特征;
计算纹理特征和形状特征的空间对应关系;
将所述空间对应关系输入回归模块,得到变形转换系数;
通过所述变形转换系数对所述纹理图像进行变形后得到虚拟服饰图像。
10.根据权利要求9所述的装置,其中,所述回归模块包括粗粒度回归模块和细粒度回归模块;以及
所述训练单元进一步被配置成:
将所述空间对应关系输入粗粒度回归模块,得到粗粒度变形转换系数;
将所述空间对应关系输入细粒度回归模块,得到细粒度变形转换系数;
通过所述粗粒度变形转换系数对所述纹理图像进行薄板样条变形后得到粗略服饰图像;
通过所述细粒度变形转换系数对所述粗略服饰图像进行稠密变形后得到虚拟服饰图像。
11.根据权利要求8所述的装置,其中,所述调整单元进一步被配置成:
将所述虚拟服饰图像进行图像语义分割,得到分割掩码图像;
计算所述分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;
根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
12.根据权利要求10所述的装置,其中,所述调整单元进一步被配置成:
将所述粗略服饰图像进行图像语义分割,得到粗略分割掩码图像;
计算所述粗略分割掩码图像和所选取的样本图像的形状掩码图像之间的形状损失;
根据所述形状损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
13.根据权利要求10所述的装置,其中,所述调整单元进一步:
对薄板样条变形和稠密变形计算正则化损失;
根据所述正则化损失和所述判别损失调整所述服饰生成模型的相关参数和所述判别器的相关参数。
14.一种生成服饰图像的装置,包括:
获取单元,被配置成获取指定款式的服饰的形状图像和纹理图像;
生成单元,被配置成将所述形状图像和所述纹理图像输入如权利要求8-13之一所述的装置生成的目标服饰生成模型中,生成指定款式的服饰图像。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770030.5A CN115147681B (zh) | 2022-06-30 | 2022-06-30 | 服饰生成模型的训练、生成服饰图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770030.5A CN115147681B (zh) | 2022-06-30 | 2022-06-30 | 服饰生成模型的训练、生成服饰图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147681A CN115147681A (zh) | 2022-10-04 |
CN115147681B true CN115147681B (zh) | 2023-07-21 |
Family
ID=83411157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210770030.5A Active CN115147681B (zh) | 2022-06-30 | 2022-06-30 | 服饰生成模型的训练、生成服饰图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147681B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909754B (zh) * | 2018-09-14 | 2023-04-07 | 哈尔滨工业大学(深圳) | 一种属性生成对抗网络及基于该网络的搭配服饰生成方法 |
US11030782B2 (en) * | 2019-11-09 | 2021-06-08 | Adobe Inc. | Accurately generating virtual try-on images utilizing a unified neural network framework |
CN111428761B (zh) * | 2020-03-11 | 2023-03-28 | 深圳先进技术研究院 | 图像特征可视化方法、图像特征可视化装置及电子设备 |
CN111489287B (zh) * | 2020-04-10 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
CN113129450B (zh) * | 2021-04-21 | 2024-04-05 | 北京百度网讯科技有限公司 | 虚拟试衣方法、装置、电子设备和介质 |
CN114359650A (zh) * | 2021-11-19 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 图像特征提取网络的训练方法、提取方法及装置 |
-
2022
- 2022-06-30 CN CN202210770030.5A patent/CN115147681B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115147681A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210012093A1 (en) | Method and apparatus for generating face rotation image | |
CN110097086A (zh) | 图像生成模型训练方法、图像生成方法、装置、设备及存储介质 | |
JP7475772B2 (ja) | 画像生成方法、画像生成装置、コンピュータ機器、及びコンピュータプログラム | |
US20230169677A1 (en) | Pose Estimation Method and Apparatus | |
CN108701355B (zh) | Gpu优化和在线基于单高斯的皮肤似然估计 | |
CN112784765B (zh) | 用于识别动作的方法、装置、设备以及存储介质 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN112562045B (zh) | 生成模型和生成3d动画的方法、装置、设备和存储介质 | |
CN111047509A (zh) | 一种图像特效处理方法、装置及终端 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN111862030A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
Kang et al. | Competitive learning of facial fitting and synthesis using uv energy | |
US20230115765A1 (en) | Method and apparatus of transferring image, and method and apparatus of training image transfer model | |
CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN117422851A (zh) | 虚拟换衣方法及其装置、电子设备 | |
CN117152352A (zh) | 图像处理方法、深度学习模型训练方法及装置 | |
CN115147681B (zh) | 服饰生成模型的训练、生成服饰图像的方法和装置 | |
CN114862716B (zh) | 人脸图像的图像增强方法、装置、设备及存储介质 | |
Kong et al. | Effective 3d face depth estimation from a single 2d face image | |
CN115082624A (zh) | 一种人体模型构建方法、装置、电子设备及存储介质 | |
CN115147508B (zh) | 服饰生成模型的训练、生成服饰图像的方法和装置 | |
CN114723973A (zh) | 大尺度变化鲁棒的图像特征匹配方法及装置 | |
CN115147526B (zh) | 服饰生成模型的训练、生成服饰图像的方法和装置 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN114821216A (zh) | 图片去网纹神经网络模型建模、使用方法及相关设备 |
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 |