CN115359166B - 一种图像生成方法、装置、电子设备和介质 - Google Patents
一种图像生成方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115359166B CN115359166B CN202211283618.4A CN202211283618A CN115359166B CN 115359166 B CN115359166 B CN 115359166B CN 202211283618 A CN202211283618 A CN 202211283618A CN 115359166 B CN115359166 B CN 115359166B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- facial
- feature
- generating
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- 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
-
- 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
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像生成方法、装置、电子设备和介质,涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景。具体实现方案为:确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像;确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像;根据目标图像、第一面部轮廓图像和第二面部轮廓图像,生成包含目标人物形象的待展示图像。本公开能够提高根据样本图像生成包含目标人物形象的待展示图像的速度,减少了待展示图像生成所消耗的时间。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景,特别涉及一种图像生成方法、装置、电子设备和介质。
背景技术
头肩驱动是指通过任意一段样本人物的样本视频,驱动一个已有目标人物的头肩部分,从而生成与样本人物在样本视频中相同的动作或面部表情的被驱动视频。
现有技术通常是通过三维人脸建模结合三维渲染的方式来实现头肩驱动的效果。
发明内容
本公开提供了一种用于提高生成包含目标人物形象的待展示图像速度的图像生成方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种图像生成方法,包括:
根据包含目标人物形象的目标图像,确定所述目标人物形象在所述目标图像中的第一面部特征,并根据所述第一面部特征生成所述目标人物形象的第一面部轮廓图像;
根据包含样本人物形象的样本图像,确定所述样本人物形象在所述样本图像中的第二面部特征,并根据所述第二面部特征生成所述样本人物形象的第二面部轮廓图像;
根据所述目标图像、所述第一面部轮廓图像和所述第二面部轮廓图像,生成包含所述目标人物形象的待展示图像。
根据本公开的另一方面,提供了一种图像生成装置,包括:
第一面部轮廓图像确定模块,用于根据包含目标人物形象的目标图像,确定所述目标人物形象在所述目标图像中的第一面部特征,并根据所述第一面部特征生成所述目标人物形象的第一面部轮廓图像;
第二面部轮廓图像确定模块,用于根据包含样本人物形象的样本图像,确定所述样本人物形象在所述样本图像中的第二面部特征,并根据所述第二面部特征生成所述样本人物形象的第二面部轮廓图像;
待展示图像生成模块,用于根据所述目标图像、所述第一面部轮廓图像和所述第二面部轮廓图像,生成包含所述目标人物形象的待展示图像。
根据本公开的另一方面,提供了一种电子设备,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,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开中任一项的方法。
根据本公开的另一方面,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,计算机指令用于使计算机执行本公开中任一项的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行本公开中任一项的方法。
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是根据本公开实施例公开的一些图像生成方法的流程图;
图2是根据本公开实施例公开的另一些图像生成方法的流程图;
图3A是根据本公开实施例公开的另一些图像生成方法的流程图;
图3B是根据本公开实施例公开的一些生成待展示图像的流程示意图;
图3C是根据本公开实施例公开的一些第二面部轮廓图像优化的流程示意图;
图4是根据本公开实施例公开的一些图像生成装置的结构示意图;
图5是用来实现本公开实施例公开的图像生成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。
申请人发现,现有的图像驱动技术,通常是基于三维人脸建模和三维渲染,通过交换重建人脸之间的三维形变统计系数,得到同身份参数下不同头部姿态和表情的三维模型,并结合卷积神经网络进行全头带背景的生成。
然而由于三维渲染需要对三维数据进行处理,而三维数据的数据量通常很大,因此三维渲染过程对计算资源的消耗极大,导致被驱动图像的生成速度较慢,需要消耗较长的时间。
图1是根据本公开实施例公开的一些图像生成方法的流程图,本实施例可以适用于根据样本图像快速生成包含目标人物形象的待展示图像的情况。本实施例方法可以由本公开实施例公开的图像生成装置来执行,装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图1所示,本实施例公开的图像生成方法可以包括:
S101、根据包含目标人物形象的目标图像,确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像。
S102、根据包含样本人物形象的样本图像,确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像。
其中,目标人物形象表示被样本人物形象驱动的人物形象,即根据样本人物形象的面部动作和/或面部表情,目标人物形象相应做出同样的面部动作和/或面部表情。目标人物形象和样本人物形象既可以是真实人物形象,也可以是虚拟人物形象,本实施例并不对目标人物形象和样本人物形象的具体类型进行限定。例如,可以设置样本人物形象为真实人物形象,目标人物形象为虚拟人物形象,从而可应用于人物形象虚拟化的场景。又例如,可以设置样本人物形象为真实人物形象,目标人物形象也为真实人物形象,从而可应用于人物特效换脸的场景。
目标图像表示至少包含目标人物形象面部的图像,而样本图像表示至少包括样本人物形象面部的图像。目标图像和样本图像既可以是单张图像,也可以是多张连续图像(即视频帧)。第一面部轮廓图像表示根据目标图像确定的目标人物形象的二维面部轮廓图像。第二面部轮廓图像表示根据样本图像确定的样本人物形象的二维面部轮廓图像。
第一面部特征表示目标人物形象在目标图像中的面部特征,第二面部特征表示样本人物形象在样本图像中的面部特征。第一面部特征包括第一面部形状特征、第一面部表情特征和第一面部位姿特征中的至少一种;第二面部特征包括第二面部形状特征、第二面部表情特征和第二面部位姿特征中的至少一种。面部形状特征又称geometry特征,用于描述人物面部的形状,例如瓜子脸、圆脸或者瓜子脸等等;面部表情特征又称expression特征,用于描述人物面部的表情,例如高兴、悲伤或愤怒等等;面部位姿特征又称pose特征,用于描述人物面部的动作,例如抬头或者低头等。
在一种实施方式中,对目标图像进行图像尺寸标准化,例如将目标图像的尺寸均调整为512*512,将尺寸调整后的目标图像输入至预先建立的三维重建网络中,获取目标人物形象在目标图像中的第一面部形状特征、第一面部表情特征和第一面部位姿特征。根据第一面部形状特征、第一面部表情特征和第一面部位姿特征,进行点云构建,生成目标人物形象的三维面部点云,进而根据对三维面部点云的投影结果,生成目标人物形象的第一面部轮廓图像。
在另一种实施方式中,对样本图像进行图像尺寸标准化,例如将样本图像的尺寸均调整为512*512,将样本图像输入至预先建立的三维重建网络中,获取样本人物形象在样本图像中的第二面部形状特征、第二面部表情特征和第二面部位姿特征。根据第二面部形状特征、第二面部表情特征和第二面部位姿特征,进行点云构建,生成样本人物形象的三维面部点云,进而根据对三维面部点云的投影结果,生成样本人物形象的第二面部轮廓图像。
在另一种实施方式中,获取包含目标人物形象的目标图像以及包含样本人物形象的样本图像,并采用人脸轮廓检测算法,例如整体轮廓法、肤色检测法或器官分布法等,分别对目标图像和样本图像进行人脸轮廓检测,以确定目标人物形象在目标图像中的第一面部轮廓图像,以及样本人物形象在样本图像中的第二面部轮廓图像。
通过根据包含目标人物形象的目标图像,确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像,以及根据包含样本人物形象的样本图像,确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像,由于面部特征可以根据需求进行优化和调整,因此根据面部特征生成面部轮廓图像,方便后期通过对面部特征的调整来相应调整面部轮廓图像,并且为后续基于第一面部轮廓图像和第二面部轮廓图像,生成待展示图像,奠定了数据基础。
S103、根据目标图像、第一面部轮廓图像和第二面部轮廓图像,生成包含目标人物形象的待展示图像。
其中,待展示图像即表示被驱动图像,目标人物形象在待展示图像中,具有与样本人物形象在样本图像中同样的面部表情和/或面部动作。
在一种实施方式中,将目标人物形象的第一面部轮廓图像作为训练样本,输入至待训练模型中,根据待训练模型的预测结果,获取预测图像。将包含目标人物形象的目标图像同样作为训练样本,通过预设的损失函数计算预测图像与目标图像之间的损失值。其中,损失函数包括但不限于L1损失函数或对抗生成网络损失函数等。
根据反向传播算法将损失值在待训练模型中进行传播,用于更新待训练模型的模型参数。重复上述训练过程,直至根据预测图像和目标图像计算得到的损失值达到极小值时,完成训练过程,并将训练完成的待训练模型作为图像翻译模型。可以理解的是,由于图像翻译模型是根据包含目标人物形象的目标图像,以及目标人物形象在目标图像中的第一面部轮廓图像训练得到的,因此每当向图像翻译模型输入一张面部轮廓图像时,图像翻译模型均会根据训练结果预测一张包含目标人物形象的图像。
将样本人物形象的第二面部轮廓图像输入至图像翻译模型中,图像翻译模型根据训练结果预测一张包含目标人物形象的图像,作为待展示图像。由于待展示图像是根据样本人物形象的第二面部轮廓图像生成的,因此目标人物形象在待展示图像中,具有与样本人物形象在样本图像中同样的面部表情和/或面部动作。
本公开通过根据包含目标人物形象的目标图像,确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像,根据包含样本人物形象的样本图像,确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像,进而根据目标图像、第一面部轮廓图像和第二面部轮廓图像,生成包含目标人物形象的待展示图像,由于面部轮廓图像是一种二维数据,相比三维数据具有更小的数据量,因此通过基于面部轮廓图像生成包含目标人物形象的待展示图像,相比通过三维渲染技术生成包含目标人物形象的待展示图像,能够提高待展示图像的生成速度,减少待展示图像生成所消耗的时间。
图2是根据本公开实施例公开的另一些图像生成方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图2所示,本实施例公开的图像生成方法可以包括:
S201、根据包含目标人物形象的目标图像,确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像。
在一种实施方式中,根据第一面部形状特征、第一面部表情特征和第一面部位姿特征,生成目标人物形象的三维面部点云。确定三维面部点云中的三维面部关键点,并根据对三维面部关键点进行投影的投影结果,确定目标人物形象的二维面部关键点。根据二维面部关键点生成第一面部轮廓图像。
S202、根据包含样本人物形象的样本图像,确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像。
可选的,“根据第二面部特征生成样本人物形象的第二面部轮廓图像”,包括以下步骤A、B和C:
A、根据第二面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云。
在一种实施方式中,采用预设的点云生成算法,对样本人物形象的第二面部形状特征、第二面部表情特征和第二面部位姿特征进行矩阵计算,生成样本人物形象的三维面部点云。
B、确定三维面部点云中的三维面部关键点,并根据对三维面部关键点进行投影的投影结果,确定样本人物形象的二维面部关键点。
在一种实施方式中,根据预设的关键点检测算法,例如ASM(Active Shape Model,活动形状模型)算法、AAM(Active Appearance Models,活动表观模型)算法或基于深度学习的检测算法等,对三维面部点云进行关键点检测,获取预设数量的三维面部关键点的三维坐标,例如获取68个三维面部关键点的三维坐标。
根据样本人物形象的三维面部关键点的三维坐标,将三维面部关键点投影到二维平面,并根据投影结果确定样本人物形象的二维面部关键点的二维坐标。
C、根据二维面部关键点生成第二面部轮廓图像。
在一种实施方式中,根据二维面部关键点的二维坐标,进行面部轮廓图像的绘制,生成样本人物形象的第二面部轮廓图像。
通过根据第二面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云,确定三维面部点云中的三维面部关键点,并根据对三维面部关键点进行投影的投影结果,确定样本人物形象的二维面部关键点,根据二维面部关键点生成第二面部轮廓图像,由于第二面部轮廓图像是基于第二面部形状特征、第二面部表情特征和第二面部位姿特征生成的,使得第二面部轮廓图像能够体现样本人物形象的面部形状特征、面部表情特征和面部位姿特征,从而间接使得后续待展示图像中的目标人物同样具有相同的面部形状特征、面部表情特征和面部位姿特征,保证了图像驱动的实现效果。
可选的,步骤A包括:
根据第一面部特征中的第一面部形状特征,对第二面部形状特征进行特征替换,生成替换面部形状特征;根据替换面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云。
在一种实施方式中,获取目标人物形象第一面部特征中的第一面部形状特征,并将第二面部形状特征的特征矩阵,替换为第一面部形状特征的特征矩阵,生成替换面部形状特征。可选的,若目标图像为至少两张,即第一面部形状特征为至少两个,则计算各第一面部形状特征的平均特征矩阵,并将第二面部形状特征的特征矩阵,替换为平均特征矩阵,生成替换面部形状特征。
采用预设的点云生成算法,对替换面部形状特征、第二面部表情特征和第二面部位姿特征进行矩阵计算,生成样本人物形象的三维面部点云。
通过根据第一面部特征中的第一面部形状特征,对第二面部形状特征进行特征替换,生成替换面部形状特征;根据替换面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云,保证在待展示图像中目标人物形象的面部形状符合自身实际的面部形状,避免直接根据样本人物形象的第二面部形状特征生成待展示图像,导致待展示图像中目标人物形象的面部形状与样本人物形象的面部形状类似,存在面部还原度较低的问题,提高了待展示图像的面部形状还原质量。
S203、将第一面部轮廓图像和目标图像作为训练样本,对待训练模型进行训练,生成图像翻译模型。
在一种实施方式中,将目标人物的第一面部轮廓图像作为训练样本,输入至待训练模型中,根据待训练模型的预测结果,获取预测图像。将包含目标人物的目标图像同样作为训练样本,通过预设的损失函数计算预测图像与目标图像之间的损失值。
根据反向传播算法将损失值在待训练模型中进行传播,用于更新待训练模型的模型参数。重复上述训练过程,直至根据预测图像和目标图像计算得到的损失值达到极小值时,完成训练过程,并将训练完成的待训练模型作为图像翻译模型。
S204、根据第二面部轮廓图像和图像翻译模型,生成待展示图像。
其中,待展示图像用于驱动目标人物形象。
在一种实施方式中,将样本人物形象的第二面部轮廓图像输入至图像翻译模型中,图像翻译模型根据训练结果预测一张包含目标人物形象的图像,作为待展示图像。由于待展示图像是根据样本人物形象的第二面部轮廓图像生成的,而第二面部轮廓图像又能够体现样本人物形象的面部形状特征、面部表情特征和面部位姿特征,因此目标人物形象在待展示图像中,具有与样本人物形象在样本图像中同样的面部形状特征、面部表情特征和面部位姿特征,从而通过待展示图像驱动目标人物形象,使得目标人物形象在待展示图像中,做出与样本人物形象在样本图像中相同的面部形状特征、面部表情特征和面部位姿特征。
具体的,当样本图像的数量为一张时,即输入图像翻译模型的第二面部轮廓图像的数量为一张时,图像翻译模型相应输出一张待展示图像,以通过待展示图像驱动目标人物形象,使得目标人物形象在该待展示图像中,做出与样本人物形象在该样本图像中相同的面部形状特征、面部表情特征和面部位姿特征。
当样本图像为样本视频序列时,即输入图像翻译模型的第二面部轮廓图像的数量为至少两张时,图像翻译模型相应输出与样本视频序列数量相同的至少两张待展示图像。并且,根据得到的至少两张待展示图像生成待展示视频序列,根据对待展示视频序列的播放操作,以通过待展示视频序列驱动目标人物形象,使得目标人物形象在待展示视频序列中,做出与样本人物形象在样本视频序列中相同的面部形状特征、面部表情特征和面部位姿特征。
通过将第一面部轮廓图像和目标图像作为训练样本,对待训练模型进行训练,生成图像翻译模型,根据第二面部轮廓图像和图像翻译模型,生成待展示图像,由于面部轮廓图像是一种二维数据,相比三维数据具有更小的数据量,因此通过基于面部轮廓图像生成待展示图像,相比通过三维渲染技术生成待展示图像,能够提高待展示图像的生成速度,减少待展示图像生成所消耗的时间;并且,通过图像翻译模型生成待展示图像,相比通过三维渲染的方法生成待展示图像,能够提升待展示图像的生成质量。
图3A是根据本公开实施例公开的另一些图像生成方法的流程图,是对本公开实施例中S204“根据第二面部轮廓图像和图像翻译模型,生成待展示图像”的进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图3A所示,本实施例公开的图像生成方法可以包括:
S301、确定目标五官在第一面部轮廓图像中的第一五官图像,以及在第二面部轮廓图像中的第二五官图像。
其中,目标五官包括眉、眼、耳、鼻和嘴巴中的至少一种。
在一种实施方式中,设置目标五官为目标物体,进而采用目标检测算法分别对第一面部轮廓图像和第二面部轮廓图像进行目标物体检测,确定目标五官在第一面部轮廓图像中的第一五官图像,以及在第二面部轮廓图像中的第二五官图像。
S302、确定第一五官图像中第一关键点和第二关键点之间的第一坐标距离值,以及确定第二五官图像中第一关键点和第二关键点之间的第二坐标距离值。
其中,第一关键点和第二关键点表示五官图像中具有特定位置的关键点,例如第一关键点可以为五官图像中横坐标最小的像素点(即五官图像最左侧的像素点),第二关键点可以为五官图像中横坐标最大的点(即五官图像最右侧的像素点);又例如,第一关键点可以为五官图像中纵坐标最小的点(即五官图像最下侧的像素点),第二关键点可以为五官图像中纵坐标最大的点(即五官图像最上侧的像素点)等。本实施例并不对第一关键点和第二关键点的具体形式进行限定。
在一种实施方式中,根据第一五官图像中第一关键点的第一关键点坐标,以及第二关键点的第二关键点坐标,确定第一五官图像中第一关键点和第二关键点之间的第一坐标距离值。并且,根据第二五官图像中相同的第一关键点的第三关键点坐标,以及相同的第二关键点的第四关键点坐标,确定第二五官图像中第一关键点和第二关键点之间的第二坐标距离值。
示例性的,假设目标五官为嘴巴,第一关键点为嘴巴的最左侧像素点,第二关键点为嘴巴的最右侧像素点,则根据第一五官图像中嘴巴的最左侧像素点,以及嘴巴的最右侧像素点,确定第一坐标距离值。并且,根据第二五官图像中嘴巴的最左侧像素点,以及嘴巴的最右侧像素点,确定第二坐标距离值。
S303、根据第一坐标距离值和第二坐标距离值,对第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像。
在一种实施方式中,根据第一坐标距离值和第二坐标距离值之间的比值,对第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像。
可选的,S303中“根据第一坐标距离值和第二坐标距离值,对第二五官图像进行缩放处理”,包括:
根据第一坐标距离值和第二坐标距离值,确定坐标缩放系数,并根据坐标缩放系数对第二五官图像进行缩放处理。
在一种实施方式中,根据第一坐标距离值和第二坐标距离值之间的比值,确定坐标缩放系数,并将第二五官图像中各像素点的坐标乘以坐标缩放系数,以对第二五官图像进行缩放处理,生成缩放面部轮廓图像。
通过根据第一坐标距离值和第二坐标距离值,确定坐标缩放系数,并根据坐标缩放系数对第二五官图像进行缩放处理,保证了第二五官图像与第一五官图像尺寸的相同,使得最终得到的待展示图像中目标人物形象五官的尺寸更符合实际尺寸,保证了待展示图像的图像质量。
S304、根据缩放面部轮廓图像和图像翻译模型,生成待展示图像。
在一种实施方式中,将缩放面部轮廓图像输入至图像翻译模型中,图像翻译模型根据训练结果预测一张包含目标人物形象的图像,作为待展示图像。
通过确定目标五官在第一面部轮廓图像中的第一五官图像,以及在第二面部轮廓图像中的第二五官图像,确定第一五官图像中第一关键点和第二关键点之间的第一坐标距离值,以及确定第二五官图像中第一关键点和第二关键点之间的第二坐标距离值,根据第一坐标距离值和第二坐标距离值,对第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像,根据缩放面部轮廓图像和图像翻译模型,生成待展示图像,保证了第二五官图像与第一五官图像尺寸的相同,使得最终得到的待展示图像中目标人物形象五官的尺寸更符合实际尺寸,保证了待展示图像的图像质量。
可选的,S304包括:
确定第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据第一图像坐标和第二图像坐标确定坐标相对位置;根据坐标相对位置对缩放处理后的第二五官图像进行平移处理,并根据平移处理结果生成优化面部轮廓图像;根据优化面部轮廓图像和图像翻译模型,生成待展示图像。
其中,第三关键点表示五官图像中具有特定位置的关键点,例如第三关键点可以为五官图像的中心像素点或者形心像素点等。本实施例并不对第三关键点的具体形式进行限定。
在一种实施方式中,确定第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据第一图像坐标和第二图像坐标之间的坐标差值,确定坐标相对位置。进而将缩放处理后的第二五官图像中各像素点的坐标加上坐标相对位置,以对缩放处理后的第二五官图像进行平移处理,从而生成优化面部轮廓图像。最终将优化面部轮廓图像输入至图像翻译模型中,图像翻译模型根据训练结果预测一张包含目标人物形象的图像,作为待展示图像。
示例性的,假设目标五官为嘴巴,第三关键点为嘴巴的中心像素点,嘴巴的中心像素点在缩放处理前的第一图像坐标为(X1,Y1),嘴巴的中心像素点在缩放处理后的第二图像坐标为(X2,Y2),则坐标相对位置为(X1-X2,Y1-Y2),则将缩放处理后的嘴巴图像中各像素点的坐标加上(X1-X2,Y1-Y2),以对缩放处理后的嘴巴图像进行平移处理。
通过确定第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据第一图像坐标和第二图像坐标确定坐标相对位置;根据坐标相对位置对缩放处理后的第二五官图像进行平移处理,并根据平移处理结果生成优化面部轮廓图像;根据优化面部轮廓图像和图像翻译模型,生成待展示图像,解决了对第二五官图像进行缩放处理后出现位置偏移的问题,保证了第二五官图像位置的准确性,使得最终得到的待展示图像中目标人物形象五官的位置更符合实际位置,保证了待展示图像的图像质量。
图3B是根据本公开实施例公开的一些生成待展示图像的流程示意图,如图3B所示,包括:
根据包含目标人物形象30的目标图像31,确定目标人物形象30在目标图像31中的第一面部形状特征、第一面部表情特征和第一面部位姿特征,并根据第一面部形状特征、第一面部表情特征和第一面部位姿特征,生成目标人物形象30的第一面部轮廓图像32,根据目标图像31和第一面部轮廓图像32训练得到图像翻译模型33。
根据包含样本人物形象34的样本图像35,确定样本人物形象34在样本图像35中的第二面部形状特征、第二面部表情特征和第二面部位姿特征,并根据第一面部特征中的第一面部形状特征,对第二面部形状特征进行特征替换,生成替换面部形状特征。进而根据替换面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象34的第二面部轮廓图像36,根据第二面部轮廓图像36和图像翻译模型33,生成包含目标人物形象30的待展示图像37。
图3C是根据本公开实施例公开的一些第二面部轮廓图像优化的流程示意图,如图3C所示,包括:
对第二面部轮廓图像36中的第二五官图像39进行缩放处理,生成缩放五官图像300,并根据第二五官图像39中第三关键点301在缩放前的第一图像坐标,对缩放五官图像300进行平移处理,生成优化面部轮廓图像302。
图4是根据本公开实施例公开的一些图像生成装置的结构示意图,可以适用于快速生成包含目标人物形象的待展示图像的情况。本实施例装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图4所示,本实施例公开的图像生成装置40可以包括第一面部轮廓图像确定模块41、第二面部轮廓图像确定模块42和待展示图像生成模块43,其中:
第一面部轮廓图像确定模块41,用于根据包含目标人物形象的目标图像,确定目标人物形象在目标图像中的第一面部特征,并根据第一面部特征生成目标人物形象的第一面部轮廓图像;
第二面部轮廓图像确定模块42,用于根据包含样本人物形象的样本图像,确定样本人物形象在样本图像中的第二面部特征,并根据第二面部特征生成样本人物形象的第二面部轮廓图像;
待展示图像生成模块43,用于根据目标图像、第一面部轮廓图像和第二面部轮廓图像,生成包含目标人物形象的待展示图像。
可选的,第二面部特征包括第二面部形状特征、第二面部表情特征和第二面部位姿特征中的至少一种;
第二面部轮廓图像确定模块42,具体还用于:
根据第二面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云;
确定三维面部点云中的三维面部关键点,并根据对三维面部关键点进行投影的投影结果,确定样本人物形象的二维面部关键点;
根据二维面部关键点生成第二面部轮廓图像。
可选的,第二面部轮廓图像确定模块42,具体还用于:
根据第一面部特征中的第一面部形状特征,对第二面部形状特征进行特征替换,生成替换面部形状特征;
根据替换面部形状特征、第二面部表情特征和第二面部位姿特征,生成样本人物形象的三维面部点云。
可选的,待展示图像生成模块43,具体用于:
将第一面部轮廓图像和目标图像作为训练样本,对待训练模型进行训练,生成图像翻译模型;
根据第二面部轮廓图像和图像翻译模型,生成待展示图像;
其中,待展示图像用于驱动目标人物形象。
可选的,待展示图像生成模块43,具体还用于:
确定目标五官在第一面部轮廓图像中的第一五官图像,以及在第二面部轮廓图像中的第二五官图像;
确定第一五官图像中第一关键点和第二关键点之间的第一坐标距离值,以及确定第二五官图像中第一关键点和第二关键点之间的第二坐标距离值;
根据第一坐标距离值和第二坐标距离值,对第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像;
根据缩放面部轮廓图像和图像翻译模型,生成待展示图像。
可选的,待展示图像生成模块43,具体还用于:
根据第一坐标距离值和第二坐标距离值,确定坐标缩放系数,并根据坐标缩放系数对第二五官图像进行缩放处理。
可选的,待展示图像生成模块43,具体还用于:
确定第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据第一图像坐标和第二图像坐标确定坐标相对位置;
根据坐标相对位置对缩放处理后的第二五官图像进行平移处理,并根据平移处理结果生成优化面部轮廓图像;
根据优化面部轮廓图像和图像翻译模型,生成待展示图像。
本公开实施例所公开的图像生成装置40可执行本公开实施例所公开的图像生成方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开方法实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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。
图5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如图像生成方法。例如,在一些实施例中,图像生成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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的图像生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元501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生成方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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 (12)
1.一种图像生成方法,包括:
根据包含目标人物形象的目标图像,确定所述目标人物形象在所述目标图像中的第一面部特征,并根据所述第一面部特征生成所述目标人物形象的第一面部轮廓图像;
根据包含样本人物形象的样本图像,确定所述样本人物形象在所述样本图像中的第二面部特征,并根据所述第二面部特征生成所述样本人物形象的第二面部轮廓图像;其中,所述第二面部特征包括第二面部形状特征、第二面部表情特征和第二面部位姿特征中的至少一种;
根据所述目标图像、所述第一面部轮廓图像和所述第二面部轮廓图像,生成包含所述目标人物形象的待展示图像;
其中,所述根据所述第二面部特征生成所述样本人物形象的第二面部轮廓图像,包括:
根据所述第一面部特征中的第一面部形状特征,对所述第二面部形状特征进行特征替换,生成替换面部形状特征;
根据所述替换面部形状特征、所述第二面部表情特征和所述第二面部位姿特征,生成所述样本人物形象的三维面部点云;
确定所述三维面部点云中的三维面部关键点,并根据对所述三维面部关键点进行投影的投影结果,确定所述样本人物形象的二维面部关键点;
根据所述二维面部关键点生成所述第二面部轮廓图像。
2.根据权利要求1所述的方法,其中,所述根据所述目标图像、所述第一面部轮廓图像和所述第二面部轮廓图像,生成包含所述目标人物形象的待展示图像,包括:
将所述第一面部轮廓图像和所述目标图像作为训练样本,对待训练模型进行训练,生成图像翻译模型;
根据所述第二面部轮廓图像和所述图像翻译模型,生成所述待展示图像;
其中,所述待展示图像用于驱动所述目标人物形象。
3.根据权利要求2所述的方法,其中,所述根据所述第二面部轮廓图像和所述图像翻译模型,生成所述待展示图像,包括:
确定目标五官在所述第一面部轮廓图像中的第一五官图像,以及在所述第二面部轮廓图像中的第二五官图像;
确定所述第一五官图像中第一关键点和第二关键点之间的第一坐标距离值,以及确定所述第二五官图像中所述第一关键点和所述第二关键点之间的第二坐标距离值;
根据所述第一坐标距离值和所述第二坐标距离值,对所述第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像;
根据所述缩放面部轮廓图像和所述图像翻译模型,生成所述待展示图像。
4.根据权利要求3所述的方法,其中,所述根据所述第一坐标距离值和所述第二坐标距离值,对所述第二五官图像进行缩放处理,包括:
根据所述第一坐标距离值和所述第二坐标距离值,确定坐标缩放系数,并根据所述坐标缩放系数对所述第二五官图像进行缩放处理。
5.根据权利要求3所述的方法,其中,所述根据所述缩放面部轮廓图像和所述图像翻译模型,生成所述待展示图像,包括:
确定所述第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据所述第一图像坐标和所述第二图像坐标确定坐标相对位置;
根据所述坐标相对位置对缩放处理后的所述第二五官图像进行平移处理,并根据平移处理结果生成优化面部轮廓图像;
根据所述优化面部轮廓图像和所述图像翻译模型,生成所述待展示图像。
6.一种图像生成装置,包括:
第一面部轮廓图像确定模块,用于根据包含目标人物形象的目标图像,确定所述目标人物形象在所述目标图像中的第一面部特征,并根据所述第一面部特征生成所述目标人物形象的第一面部轮廓图像;
第二面部轮廓图像确定模块,用于根据包含样本人物形象的样本图像,确定所述样本人物形象在所述样本图像中的第二面部特征,并根据所述第二面部特征生成所述样本人物形象的第二面部轮廓图像;其中,所述第二面部特征包括第二面部形状特征、第二面部表情特征和第二面部位姿特征中的至少一种;
待展示图像生成模块,用于根据所述目标图像、所述第一面部轮廓图像和所述第二面部轮廓图像,生成包含所述目标人物形象的待展示图像;
其中,所述第二面部轮廓图像确定模块,具体还用于:
根据所述第一面部特征中的第一面部形状特征,对所述第二面部形状特征进行特征替换,生成替换面部形状特征;
根据所述替换面部形状特征、所述第二面部表情特征和所述第二面部位姿特征,生成所述样本人物形象的三维面部点云;
确定所述三维面部点云中的三维面部关键点,并根据对所述三维面部关键点进行投影的投影结果,确定所述样本人物形象的二维面部关键点;
根据所述二维面部关键点生成所述第二面部轮廓图像。
7.根据权利要求6所述的装置,其中,所述待展示图像生成模块,具体用于:
将所述第一面部轮廓图像和所述目标图像作为训练样本,对待训练模型进行训练,生成图像翻译模型;
根据所述第二面部轮廓图像和所述图像翻译模型,生成所述待展示图像;
其中,所述待展示图像用于驱动所述目标人物形象。
8.根据权利要求7所述的装置,其中,所述待展示图像生成模块,具体还用于:
确定目标五官在所述第一面部轮廓图像中的第一五官图像,以及在所述第二面部轮廓图像中的第二五官图像;
确定所述第一五官图像中第一关键点和第二关键点之间的第一坐标距离值,以及确定所述第二五官图像中所述第一关键点和所述第二关键点之间的第二坐标距离值;
根据所述第一坐标距离值和所述第二坐标距离值,对所述第二五官图像进行缩放处理,并根据缩放处理结果生成缩放面部轮廓图像;
根据所述缩放面部轮廓图像和所述图像翻译模型,生成所述待展示图像。
9.根据权利要求8所述的装置,其中,所述待展示图像生成模块,具体还用于:
根据所述第一坐标距离值和所述第二坐标距离值,确定坐标缩放系数,并根据所述坐标缩放系数对所述第二五官图像进行缩放处理。
10.根据权利要求8所述的装置,其中,所述待展示图像生成模块,具体还用于:
确定所述第二五官图像中第三关键点在缩放处理前的第一图像坐标,以及在缩放处理后的第二图像坐标,并根据所述第一图像坐标和所述第二图像坐标确定坐标相对位置;
根据所述坐标相对位置对缩放处理后的所述第二五官图像进行平移处理,并根据平移处理结果生成优化面部轮廓图像;
根据所述优化面部轮廓图像和所述图像翻译模型,生成所述待展示图像。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283618.4A CN115359166B (zh) | 2022-10-20 | 2022-10-20 | 一种图像生成方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283618.4A CN115359166B (zh) | 2022-10-20 | 2022-10-20 | 一种图像生成方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359166A CN115359166A (zh) | 2022-11-18 |
CN115359166B true CN115359166B (zh) | 2023-03-24 |
Family
ID=84008760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211283618.4A Active CN115359166B (zh) | 2022-10-20 | 2022-10-20 | 一种图像生成方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359166B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761855B (zh) * | 2022-11-23 | 2024-02-09 | 北京百度网讯科技有限公司 | 面部关键点信息生成、神经网络训练和三维面部重建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516598A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN111553467A (zh) * | 2020-04-30 | 2020-08-18 | 陈永聪 | 一种实现通用人工智能的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909873B (zh) * | 2016-06-21 | 2019-11-05 | 湖南拓视觉信息技术有限公司 | 人脸识别的方法和装置 |
CN110807451B (zh) * | 2020-01-08 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN111325823B (zh) * | 2020-02-05 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 人脸纹理图像的获取方法、装置、设备及存储介质 |
CN111583355B (zh) * | 2020-05-09 | 2024-01-23 | 维沃移动通信有限公司 | 面部形象生成方法、装置、电子设备及可读存储介质 |
CN112198963A (zh) * | 2020-10-19 | 2021-01-08 | 深圳市太和世纪文化创意有限公司 | 一种沉浸式隧道型多媒体交互展示方法、设备及存储介质 |
CN115116106A (zh) * | 2022-01-14 | 2022-09-27 | 长城汽车股份有限公司 | 车载虚拟形象的表情生成方法、装置、车载设备及介质 |
CN115063859A (zh) * | 2022-06-23 | 2022-09-16 | 山东大学 | 基于生成对抗网络的人脸图像转换成素描的方法及系统 |
-
2022
- 2022-10-20 CN CN202211283618.4A patent/CN115359166B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516598A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN111553467A (zh) * | 2020-04-30 | 2020-08-18 | 陈永聪 | 一种实现通用人工智能的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115359166A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN113658309B (zh) | 三维重建方法、装置、设备以及存储介质 | |
CN115049799B (zh) | 3d模型和虚拟形象的生成方法和装置 | |
US20230419592A1 (en) | Method and apparatus for training a three-dimensional face reconstruction model and method and apparatus for generating a three-dimensional face image | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN114792359A (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
CN115359166B (zh) | 一种图像生成方法、装置、电子设备和介质 | |
CN113379877A (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
CN113380269B (zh) | 视频图像生成方法、装置、设备、介质和计算机程序产品 | |
EP4152269B1 (en) | Method and apparatus of training model, device, and medium | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN115393488B (zh) | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 | |
CN113327311B (zh) | 基于虚拟角色的显示方法、装置、设备、存储介质 | |
CN115311403A (zh) | 深度学习网络的训练方法、虚拟形象生成方法及装置 | |
CN114549785A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
CN114078184A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN116051694B (zh) | 虚拟形象生成方法、装置、电子设备以及存储介质 | |
CN115375802B (zh) | 动态图像的生成方法、装置、存储介质及电子设备 | |
CN114037814B (zh) | 数据处理方法、装置、电子设备和介质 | |
CN117041651A (zh) | 弹幕处理方法及相关设备 | |
CN115147578A (zh) | 风格化三维人脸生成方法、装置、电子设备及存储介质 | |
CN113012281A (zh) | 人体模型的确定方法、装置、电子设备及存储介质 | |
CN116432732A (zh) | 发丝线段处理模型的训练方法、装置和发丝线段处理方法 |
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 |