CN116229214A - 模型训练方法、装置及电子设备 - Google Patents

模型训练方法、装置及电子设备 Download PDF

Info

Publication number
CN116229214A
CN116229214A CN202310272790.8A CN202310272790A CN116229214A CN 116229214 A CN116229214 A CN 116229214A CN 202310272790 A CN202310272790 A CN 202310272790A CN 116229214 A CN116229214 A CN 116229214A
Authority
CN
China
Prior art keywords
expression
hidden code
face image
face
model
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
Application number
CN202310272790.8A
Other languages
English (en)
Other versions
CN116229214B (zh
Inventor
赵亚飞
张世昌
王志强
郭紫垣
范锡睿
陈毅
杜宗财
张伟伟
孙权
刘倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310272790.8A priority Critical patent/CN116229214B/zh
Publication of CN116229214A publication Critical patent/CN116229214A/zh
Application granted granted Critical
Publication of CN116229214B publication Critical patent/CN116229214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V40/174—Facial expression recognition
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了模型训练方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域。具体实现方案为：获取带表情人脸图像；将带表情人脸图像对应的带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取无表情隐码特征和预测纯表情隐码特征；进而将获取的两种特征输入初始隐码表情融合模型，获取预测融合隐码特征；根据带表情人脸图像以及预测融合隐码特征解码得到的重建人脸图像，构建损失函数，并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而实现表情相关特征以及非表情相关特征的解耦，避免表情相关特征的调整对非表情相关特征的影响。

Description

模型训练方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，尤其涉及一种模型训练方法、装置及电子设备。
背景技术
目前，对原始人脸图像进行表情参数调整的方式例如可以为，将原始人脸图像输入深度生成模型(例如，StyleGAN系列)的编码网络，获取隐码特征；对隐码特征中表情相关的部分特征进行调整处理，得到调整后隐码特征；对调整后隐码特征输入解码网络，获取调整后人脸图像。
上述方案中，深度生成模型的编码网络提取到的隐码特征中，表情相关的部分特征以及非表情相关的部分特征相互耦合，对表情相关的部分特征做调整，会影响到非表情相关的部分特征，导致人脸身份发生变化，导致人脸重演效率差。
发明内容
本公开提供了一种模型训练方法、装置及电子设备。
根据本公开的一方面，提供了一种模型训练方法，所述方法包括：获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，所述训练数据包括：带表情人脸图像，以及所述带表情人脸图像对应的第一带表情隐码特征；将所述第一带表情隐码特征分别输入隐码表情去除模型和所述初始隐码表情提取模型，获取所述带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将所述第一无表情隐码特征和所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述带表情人脸图像对应的第一预测融合隐码特征；根据所述带表情人脸图像以及所述第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
根据本公开的另一方面，提供了一种人脸图像生成方法，所述方法包括：获取原始人脸图像、所述原始人脸图像编码得到的隐码特征、以及目标人脸参数；将所述隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；将所述调整后隐码特征进行解码处理，得到具有所述目标人脸参数的目标人脸图像。
根据本公开的另一方面，提供了一种模型训练装置，所述装置包括：第一获取模块，用于获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，所述训练数据包括：带表情人脸图像，以及所述带表情人脸图像对应的第一带表情隐码特征；第一输入模块，用于将所述第一带表情隐码特征分别输入隐码表情去除模型和所述初始隐码表情提取模型，获取所述带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；第二输入模块，用于将所述第一无表情隐码特征和所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述带表情人脸图像对应的第一预测融合隐码特征；参数调整模块，用于根据所述带表情人脸图像以及所述第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
根据本公开的另一方面，提供了一种人脸图像生成装置，所述装置包括：获取模块，用于获取原始人脸图像、所述原始人脸图像编码得到的隐码特征、以及目标人脸参数；输入模块，用于将所述隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；调整模块，用于对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；生成模块，用于根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；解码模块，用于将所述调整后隐码特征进行解码处理，得到具有所述目标人脸参数的目标人脸图像。
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本公开上述提出的模型训练方法；或者，执行本公开上述提出的人脸图像生成方法。
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，所述计算机指令用于使计算机执行本公开上述提出的模型训练方法；或者，执行本公开上述提出的人脸图像生成方法。
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，所述计算机程序在被处理器执行时实现本公开上述提出的模型训练方法的步骤；或者，实现本公开上述提出的人脸图像生成方法的步骤。
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是根据本公开第一实施例的示意图；
图2是单人物单表情输入场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图；
图3是根据本公开第二实施例的示意图；
图4是单人物多表情输入场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图；
图5是根据本公开第三实施例的示意图；
图6是多人物单表情输入场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图；
图7是根据本公开第四实施例的示意图；
图8是结合带表情人脸图像以及无表情人脸图像，对初始隐码表情去除模型进行训练的示意图；
图9是根据本公开第五实施例的示意图；
图10是根据本公开第六实施例的示意图；
图11是根据本公开第七实施例的示意图；
图12是用来实现本公开实施例的模型训练方法或者人脸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。
目前，对原始人脸图像进行表情参数调整的方式例如可以为，将原始人脸图像输入深度生成模型(例如，StyleGAN系列)的编码网络，获取隐码特征；对隐码特征中表情相关的部分特征进行调整处理，得到调整后隐码特征；对调整后隐码特征输入解码网络，获取调整后人脸图像。
上述方案中，深度生成模型的编码网络提取到的隐码特征中，表情相关的部分特征以及非表情相关的部分特征相互耦合，对表情相关的部分特征做调整，会影响到非表情相关的部分特征，导致人脸身份发生变化，导致人脸重演效率差。
针对上述问题，本公开提出一种模型训练方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的模型训练方法可应用于模型训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行模型训练功能。以下实施例中以执行主体为电子设备为例进行说明。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备、智能音箱等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该模型训练方法可以包括如下步骤：
步骤101，获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像，以及带表情人脸图像对应的第一带表情隐码特征。
在本公开实施例中，初始隐码表情提取模型可以包括多个特征提取层，用于从带表情隐码特征中提取纯表情隐码特征。初始隐码表情融合模型可以包括多个特征提取层，用于对无表情隐码特征以及纯表情隐码特征进行融合处理，得到带表情隐码特征。
在本公开实施例中，带表情人脸图像，是指带有具体表情的人脸图像。其中，表情例如，高兴、悲伤、惊恐、厌恶、嫉妒等。
在本公开实施例中，电子设备执行步骤101的过程例如可以为，获取初始隐码表情提取模型以及初始隐码表情融合模型；获取带表情人脸图像；将带表情人脸图像输入深度生成模型中的编码网络，获取第一带表情隐码特征。
其中，深度生成模型例如，生成对抗网络GAN、StyleGAN系列等。深度生成模型可以为训练好的深度生成模型。其中，结合深度生成模型中的编码网络，来获取带表情人脸图像对应的第一带表情隐码特征，能够提高第一带表情隐码特征提取的准确度。
步骤102，将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征。
在本公开实施例中，隐码表情去除模型为训练好的隐码表情去除模型。隐码表情去除模型的输入可以为带表情隐码特征；输出可以为无表情隐码特征。其中，隐码表情去除模型可以包括多个特征提取层，用于从带表情隐码特征中提取无表情隐码特征。
步骤103，将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征。
步骤104，根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
在本公开实施例中，其中，损失函数例如可以为，均方差损失函数、余弦损失函数等，可以根据实际需要进行设定。
其中，电子设备对第一预测融合隐码特征进行解码的过程例如可以为，将第一预测融合隐码特征输入解码网络，获取解码网络输出的重建人脸图像。其中，解码网络和编码网络，可以位于同一个深度生成模型中，也可以位于不同的深度生成模型中。例如，StyleGAN系列的深度生成模型中只包括编码网络，则解码网络可以采用其他深度生成模型中的解码网络。又例如，生成对抗网络GAN中包括编码网络和解码网络，则编码网络和解码网络可以均采用GAN中的编码网络和解码网络。
其中，结合带表情人脸图像，对初始隐码表情提取模型和初始隐码表情融合模型进行训练的场景，为单人物单表情输入场景，对应的，该场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图例如可以如图2所示。在图2中，渲染图像可以表示带表情人脸图像，或者对带表情人脸图像进行3D人脸重建、参数编辑以及3D人脸渲染得到的渲染图像；人脸编码器E，表示编码网络；带表情隐码，表示带表情人脸图像对应的第一带表情隐码特征；人脸解码器D，表示解码网络。
本公开实施例的模型训练方法，通过获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像，以及带表情人脸图像对应的第一带表情隐码特征；将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征；根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响。
其中，为了进一步提高对初始隐码表情提取模型以及初始隐码表情融合模型训练的准确度，可以结合带表情人脸图像以及对应的新表情人脸图像对初始隐码表情提取模型以及初始隐码表情融合模型进行训练。如图3所示，图3是根据本公开第二实施例的示意图，图3所示实施例可以包括以下步骤：
步骤301，获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的新表情人脸图像、以及新表情人脸图像对应的第二带表情隐码特征。
在本公开实施例中，新表情人脸图像与带表情人脸图像，对应同一个人脸的不同表情。也就是说，新表情人脸图像与带表情人脸图像，为同一个人脸做不同表情下的人脸图像。
在本公开实施例中，电子设备获取带表情人脸图像对应的新表情人脸图像的方式例如可以为，对带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及带表情人脸图像对应的带表情人脸形状参数；对带表情人脸形状参数进行表情参数调整处理，得到新表情人脸形状参数；根据新表情人脸形状参数、人脸纹理贴图以及UV映射图，生成带表情人脸图像对应的新表情人脸图像。
其中，电子设备获取人脸纹理贴图、UV映射图以及带表情人脸图像对应的带表情人脸形状参数的过程例如可以为，获取3D人脸参数化模型的UV映射图；结合3D人脸参数化模型以及人脸重建算法，确定人脸纹理贴图以及带表情人脸图像对应的带表情人脸形状参数。
其中，3D人脸重建得到的带表情人脸形状参数中，能够实现表情参数与非表情参数的显式解耦，从而在调整表情参数时不会影响非表情参数的数值，从而能够生成与带表情人脸图像具有不同表情且人脸相同的新表情人脸图像，降低获取训练数据的人工成本。
步骤302，将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征。
步骤303，将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征。
步骤304，根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
步骤305，将第二带表情隐码特征输入初始隐码表情提取模型，获取新表情人脸图像对应的第二预测纯表情隐码特征。
步骤306，将第二预测纯表情隐码特征，以及第一无表情隐码特征，输入初始隐码表情融合模型，获取新表情人脸图像对应的第二预测融合隐码特征。
步骤307，根据新表情人脸图像，以及第二预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
在本公开实施例中，结合带表情人脸图像以及新表情人脸图像，对初始隐码表情提取模型和初始隐码表情融合模型进行训练的场景，为单人物多表情输入场景，对应的，该场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图例如可以如图4所示。在图4中，表情1渲染图像表示新表情人脸图像；表情2渲染图像表示带表情人脸图像；人脸编码器E，表示编码网络；人脸解码器D，表示解码网络。
其中，需要说明的是，步骤302至步骤304的详细内容，可以参考图1所示实施例中的步骤102至步骤104，此处不再进行详细说明。
本公开实施例的模型训练方法，通过获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的新表情人脸图像、以及新表情人脸图像对应的第二带表情隐码特征；将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征；根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练；将第二带表情隐码特征输入初始隐码表情提取模型，获取新表情人脸图像对应的第二预测纯表情隐码特征；将第二预测纯表情隐码特征，以及第一无表情隐码特征，输入初始隐码表情融合模型，获取新表情人脸图像对应的第二预测融合隐码特征；根据新表情人脸图像，以及第二预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响。
其中，为了进一步提高对初始隐码表情提取模型以及初始隐码表情融合模型训练的准确度，可以结合带表情人脸图像以及对应的同表情新人脸图像对初始隐码表情提取模型以及初始隐码表情融合模型进行训练。如图5所示，图5是本公开第三实施例的示意图，图5所示实施例可以包括以下步骤：
步骤501，获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的同表情新人脸图像，以及同表情新人脸图像对应的第三带表情隐码特征。
在本公开实施例中，同表情新人脸图像与带表情人脸图像，对应不同人脸的相同表情。也就是说，同表情新人脸图像与带表情人脸图像，为不同人脸做相同表情下的人脸图像。
在本公开实施例中，电子设备获取带表情人脸图像对应的同表情新人脸图像的方式例如可以为，对带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及带表情人脸图像对应的带表情人脸形状参数；对带表情人脸形状参数进行非表情参数调整处理，得到同表情新人脸形状参数；根据同表情新人脸形状参数、人脸纹理贴图以及UV映射图，生成带表情人脸图像对应的同表情新人脸图像。
其中，3D人脸重建得到的带表情人脸形状参数中，能够实现表情参数与非表情参数的显式解耦，从而在调整非表情参数时不会影响表情参数的数值，从而能够生成与带表情人脸图像具有相同表情且人脸不同的同表情新人脸图像，降低获取训练数据的人工成本。
步骤502，将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征。
步骤503，将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征。
步骤504，根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
步骤505，将第三带表情隐码特征输入隐码表情去除模型，获取同表情新人脸图像对应的第三无表情隐码特征。
步骤506，将第三无表情隐码特征，以及第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取同表情新人脸图像对应的第三预测融合隐码特征。
步骤507，根据同表情新人脸图像，以及第三预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
在本公开实施例中，结合带表情人脸图像以及同表情新人脸图像，对初始隐码表情提取模型和初始隐码表情融合模型进行训练的场景，为多人物单表情输入场景，对应的，该场景下初始隐码表情提取模型和初始隐码表情融合模型的训练示意图例如可以如图6所示。在图6中，人物1渲染图像表示带表情人脸图像；人物2渲染图像表示同表情新人脸图像；人脸编码器E，表示编码网络；人脸解码器D，表示解码网络。
其中，需要说明的是，步骤502至步骤504的详细内容，可以参考图1所示实施例中的步骤102至步骤104，此处不再进行详细说明。
本公开实施例的模型训练方法，通过获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的同表情新人脸图像，以及同表情新人脸图像对应的第三带表情隐码特征；将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征；根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练；将第三带表情隐码特征输入隐码表情去除模型，获取同表情新人脸图像对应的第三无表情隐码特征；将第三无表情隐码特征，以及第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取同表情新人脸图像对应的第三预测融合隐码特征；根据同表情新人脸图像，以及第三预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响。
其中，为了提高隐码表情去除模型的准确度，可以结合带表情人脸图像以及对应的无表情人脸图像对初始隐码表情去除模型进行训练，得到训练好的隐码表情去除模型。如图7所示，图7是本公开第四实施例的示意图，图7所示实施例可以包括以下步骤：
步骤701，获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的无表情人脸图像。
在本公开实施例中，电子设备获取带表情人脸图像对应的无表情人脸图像的方式如可以为，对带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及带表情人脸图像对应的带表情人脸形状参数；对带表情人脸形状参数进行表情参数去除处理，得到无表情人脸形状参数；根据无表情人脸形状参数、人脸纹理贴图以及UV映射图，生成带表情人脸图像对应的无表情人脸图像。
其中，3D人脸重建得到的带表情人脸形状参数中，能够实现表情参数与非表情参数的显式解耦，从而对表情参数的去除处理不会影响非表情参数的数值，从而能够生成带表情人脸图像对应的无表情人脸图像，降低获取训练数据的人工成本。
步骤702，获取初始隐码表情去除模型。
步骤703，将第一带表情隐码特征输入初始隐码表情去除模型，获取带表情人脸图像对应的第一预测无表情隐码特征。
步骤704，根据无表情人脸图像，以及第一预测无表情隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情去除模型进行参数调整，实现训练。
在本公开实施例中，电子设备执行步骤704的过程例如可以为，将带表情人脸图像对应的第一预测无表情隐码特征输入解码网络，获取解码网络输出的重建人脸图像；根据无表情人脸图像，以及重建人脸图像构建损失函数；根据损失函数的数值对初始隐码表情去除模型进行参数调整，实现训练。
其中，结合带表情人脸图像以及无表情人脸图像，对初始隐码表情去除模型进行训练的示意图可以如图8所示。在图8中，带表情渲染图像表示带表情人脸图像；无表情渲染图像表示无表情人脸图像；人脸编码器E，表示编码网络；人脸解码器D，表示解码网络。
步骤705，将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征。
步骤706，将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征。
步骤707，根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练。
其中，需要说明的是，步骤705至步骤707的详细内容，可以参考图1所示实施例中的步骤102至步骤104，此处不再进行详细说明。
本公开实施例的模型训练方法，通过获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像、带表情人脸图像对应的第一带表情隐码特征、带表情人脸图像对应的无表情人脸图像；获取初始隐码表情去除模型；将第一带表情隐码特征输入初始隐码表情去除模型，获取带表情人脸图像对应的第一预测无表情隐码特征；根据无表情人脸图像，以及第一预测无表情隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情去除模型进行参数调整，实现训练；将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征；根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响。
图9是根据本公开第五实施例的示意图，需要说明的是，本公开实施例的人脸图像生成方法可应用于人脸图像生成装置，该装置可被配置于电子设备中，以使该电子设备可以执行人脸图像生成功能。以下实施例中以执行主体为电子设备为例进行说明。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备、智能音箱等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图9所示，该人脸图像生成方法可以包括如下步骤：
步骤901，获取原始人脸图像、原始人脸图像编码得到的隐码特征、以及目标人脸参数。
在本公开实施例中，电子设备执行步骤901的过程例如可以为，获取原始人脸图像以及目标人脸参数；将原始人脸图像输入编码网络，获取编码网络输出的隐码特征。
其中，目标人脸参数的数量可以为一个或者多个。在目标人脸参数的数量为一个的情况下，目标人脸参数例如，可以通过设置得到，或者从至少一个参考人脸图像中提取得到。在目标人脸参数的数量为多个的情况下，目标人脸参数例如，从参考人脸视频中的多个参考人脸图像中提取得到。
在本公开实施例中，目标人脸参数可以包括目标表情参数和/或目标非表情参数。目标表情参数，例如，嘴张大角度、嘴角弯曲角度、眼睛睁大角度等。目标非表情参数例如，人脸形状、人脸尺寸、皮肤纹理指标等。
步骤902，将隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征。
在本公开实施例中，电子设备可以将隐码特征输入隐码表情提取模型，获取隐码表情提取模型输出的纯表情隐码特征；电子设备可以将隐码特征输入隐码表情去除模型，获取隐码表情去除模型输出的无表情隐码特征。其中，隐码表情提取模型和隐码表情去除模型的训练过程，可以参考图1至图8所示实施例，此处不再进行详细说明。
步骤903，对纯表情隐码特征和/或无表情隐码特征，按照目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征。
在本公开实施例中，目标人脸参数可以包括目标表情参数和/或目标非表情参数。在目标人脸参数包括目标表情参数和目标非表情参数的情况下，电子设备执行步骤903的过程例如可以为，对纯表情隐码特征，按照目标表情参数进行调整处理，得到调整后纯表情隐码特征；对无表情隐码特征，按照目标非表情参数进行调整处理，得到调整后无表情隐码特征。
另外，若目标人脸参数只包括目标表情参数，则只针对纯表情隐码特征，按照目标表情参数进行调整处理，得到调整后纯表情隐码特征。若目标人脸参数只包括目标非表情参数，则只针对无表情隐码特征，按照目标非表情参数进行调整处理，得到调整后无表情隐码特征。
其中，电子设备针对纯表情隐码特征，按照目标表情参数进行调整处理，得到调整后纯表情隐码特征的过程例如可以为，将纯表情隐码特征以及目标表情参数，输入隐码特征调整模型，获取输出的调整纯表情隐码特征。
其中，电子设备分别针对纯表情隐码特征和无表情隐码特征进行调整处理，纯表情隐码特征与无表情隐码特征相互解耦，对纯表情隐码特征的调整不会影响到无表情隐码特征，对无表情隐码特征的调整不会影响到纯表情隐码特征，进而提高生成的目标人脸图像的准确度。
步骤904，根据调整后纯表情隐码特征和/或调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征。
在本公开实施例中，电子设备执行步骤904的过程例如可以为，在目标人脸参数包括目标表情参数和目标非表情参数的情况下，将调整后纯表情隐码特征以及调整后无表情隐码特征，输入隐码表情融合模型，得到调整后隐码特征；在目标人脸参数包括目标表情参数的情况下，将调整后纯表情隐码特征以及无表情隐码特征，输入隐码表情融合模型，得到调整后隐码特征；在目标人脸参数包括目标非表情参数的情况下，将纯表情隐码特征以及调整后无表情隐码特征，输入隐码表情融合模型，得到调整后隐码特征。
其中，隐码表情融合模型的训练方式，可以参考图1至图8所示实施例，训练得到的隐码表情融合模型的准确度高，确保调整后纯表情隐码特征和/或调整后无表情隐码特征的有效融合，从而进一步提高生成的目标人脸图像的准确度。
步骤905，将调整后隐码特征进行解码处理，得到具有目标人脸参数的目标人脸图像。
在本公开实施例中，目标人脸参数的数量可以为多个，从参考人脸视频中的多个参考人脸图像中提取得到。对应的，在步骤905之后，电子设备还可以执行以下过程：根据多个目标人脸图像，生成具有参考人脸视频中人脸参数的目标人脸视频。
其中，根据连续多个参考人脸图像中提取到的目标人脸参数，生成多个目标人脸图像，可以实现基于视频驱动原始人脸图像中的人脸，以生成视频，提高目标人脸视频的生成效率。
本公开实施例的人脸图像生成方法，通过获取原始人脸图像、原始人脸图像编码得到的隐码特征、以及目标人脸参数；将隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；对纯表情隐码特征和/或无表情隐码特征，按照目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；根据调整后纯表情隐码特征和/或调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；将调整后隐码特征进行解码处理，得到具有目标人脸参数的目标人脸图像，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响，提高生成的目标人脸图像的准确度。
为了实现上述实施例，本公开还提供一种模型训练装置。如图10所示，图10是根据本公开第六实施例的示意图。该模型训练装置100，可以包括：第一获取模块1001、第一输入模块1002、第二输入模块1003和参数调整模块1004。
其中，第一获取模块1001，用于获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，所述训练数据包括：带表情人脸图像，以及所述带表情人脸图像对应的第一带表情隐码特征；
第一输入模块1002，用于将所述第一带表情隐码特征分别输入隐码表情去除模型和所述初始隐码表情提取模型，获取所述带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；
第二输入模块1003，用于将所述第一无表情隐码特征和所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述带表情人脸图像对应的第一预测融合隐码特征；
参数调整模块1004，用于根据所述带表情人脸图像以及所述第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第一获取模块1001具体用于，获取所述初始隐码表情提取模型以及所述初始隐码表情融合模型；获取所述带表情人脸图像；将所述带表情人脸图像输入深度生成模型中的编码网络，获取所述第一带表情隐码特征。
作为本公开实施例的一种可能实现方式，所述训练数据还包括：所述带表情人脸图像对应的新表情人脸图像，以及所述新表情人脸图像对应的第二带表情隐码特征；所述装置还包括：第三输入模块和第四输入模块；所述第三输入模块，用于将所述第二带表情隐码特征输入所述初始隐码表情提取模型，获取所述新表情人脸图像对应的第二预测纯表情隐码特征；所述第四输入模块，用于将所述第二预测纯表情隐码特征，以及所述第一无表情隐码特征，输入所述初始隐码表情融合模型，获取所述新表情人脸图像对应的第二预测融合隐码特征；所述参数调整模块1004，还用于根据所述新表情人脸图像，以及所述第二预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第一获取模块1001具体用于，对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；对所述带表情人脸形状参数进行表情参数调整处理，得到新表情人脸形状参数；根据所述新表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的新表情人脸图像。
作为本公开实施例的一种可能实现方式，所述训练数据还包括：所述带表情人脸图像对应的同表情新人脸图像，以及所述同表情新人脸图像对应的第三带表情隐码特征；所述装置还包括：第五输入模块和第六输入模块；所述第五输入模块，用于将所述第三带表情隐码特征输入所述隐码表情去除模型，获取所述同表情新人脸图像对应的第三无表情隐码特征；所述第六输入模块，用于将所述第三无表情隐码特征，以及所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述同表情新人脸图像对应的第三预测融合隐码特征；所述参数调整模块1004，还用于根据所述同表情新人脸图像，以及所述第三预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第一获取模块1001具体还用于，对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；对所述带表情人脸形状参数进行非表情参数调整处理，得到同表情新人脸形状参数；根据所述同表情新人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的同表情新人脸图像。
作为本公开实施例的一种可能实现方式，所述训练数据还包括：所述带表情人脸图像对应的无表情人脸图像；所述装置还包括：第二获取模块和第七输入模块；所述第二获取模块，用于获取初始隐码表情去除模型；所述第七输入模块，用于将所述第一带表情隐码特征输入所述初始隐码表情去除模型，获取所述带表情人脸图像对应的第一预测无表情隐码特征；所述参数调整模块1004，还用于根据所述无表情人脸图像，以及所述第一预测无表情隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情去除模型进行参数调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第一获取模块1001具体还用于，对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；对所述带表情人脸形状参数进行表情参数去除处理，得到无表情人脸形状参数；根据所述无表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的无表情人脸图像。
本公开实施例的模型训练装置，通过获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，训练数据包括：带表情人脸图像，以及带表情人脸图像对应的第一带表情隐码特征；将第一带表情隐码特征分别输入隐码表情去除模型和初始隐码表情提取模型，获取带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；将第一无表情隐码特征和第一预测纯表情隐码特征，输入初始隐码表情融合模型，获取带表情人脸图像对应的第一预测融合隐码特征；根据带表情人脸图像以及第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据损失函数的数值对初始隐码表情提取模型以及初始隐码表情融合模型进行参数调整，实现训练，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响。
为了实现上述实施例，本公开还提供一种人脸图像生成装置。如图11所示，图11是根据本公开第七实施例的示意图。该人脸图像生成装置110，可以包括：获取模块1101、输入模块1102、调整模块1103、生成模块1104和解码模块1105。
其中，获取模块1101，用于获取原始人脸图像、所述原始人脸图像编码得到的隐码特征、以及目标人脸参数；
输入模块1102，用于将所述隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；
调整模块1103，用于对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；
生成模块1104，用于根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；
解码模块1105，用于将所述调整后隐码特征进行解码处理，得到具有所述目标人脸参数的目标人脸图像。
作为本公开实施例的一种可能实现方式，所述目标人脸参数包括目标表情参数和目标非表情参数；所述调整模块1103具体用于，对所述纯表情隐码特征，按照所述目标表情参数进行调整处理，得到调整后纯表情隐码特征；对所述无表情隐码特征，按照所述目标非表情参数进行调整处理，得到调整后无表情隐码特征。
作为本公开实施例的一种可能实现方式，所述生成模块1104具体用于，在所述目标人脸参数包括目标表情参数和目标非表情参数的情况下，将所述调整后纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；在所述目标人脸参数包括目标表情参数的情况下，将所述调整后纯表情隐码特征以及所述无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；在所述目标人脸参数包括目标非表情参数的情况下，将所述纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征。
作为本公开实施例的一种可能实现方式，所述目标人脸参数的数量为多个，从参考人脸视频中的多个参考人脸图像中提取得到；所述生成模块1104，还用于根据多个所述目标人脸图像，生成具有所述参考人脸视频中人脸参数的目标人脸视频。
本公开实施例的人脸图像生成装置，通过获取原始人脸图像、原始人脸图像编码得到的隐码特征、以及目标人脸参数；将隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；对纯表情隐码特征和/或无表情隐码特征，按照目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；根据调整后纯表情隐码特征和/或调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；将调整后隐码特征进行解码处理，得到具有目标人脸参数的目标人脸图像，从而能够采用隐码表情去除模型、隐码表情提取模型以及隐码表情融合模型，实现表情相关的部分特征以及非表情相关的部分特征的解耦，编辑以及融合，避免表情相关的部分特征的调整对非表情相关的部分特征的影响，提高生成的目标人脸图像的准确度。
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，均在征得用户同意的前提下进行，并且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12示出了可以用来实施本公开的实施例的示例电子设备1200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12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理，例如模型训练方法或者人脸图像生成方法。例如，在一些实施例中，模型训练方法或者人脸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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的模型训练方法或者人脸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1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法或者人脸图像生成方法。
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、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 (27)

1.一种模型训练方法，所述方法包括：
获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，所述训练数据包括：带表情人脸图像，以及所述带表情人脸图像对应的第一带表情隐码特征；
将所述第一带表情隐码特征分别输入隐码表情去除模型和所述初始隐码表情提取模型，获取所述带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；
将所述第一无表情隐码特征和所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述带表情人脸图像对应的第一预测融合隐码特征；
根据所述带表情人脸图像以及所述第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
2.根据权利要求1所述的方法，其中，所述获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，包括：
获取所述初始隐码表情提取模型以及所述初始隐码表情融合模型；
获取所述带表情人脸图像；
将所述带表情人脸图像输入深度生成模型中的编码网络，获取所述第一带表情隐码特征。
3.根据权利要求1所述的方法，其中，所述训练数据还包括：所述带表情人脸图像对应的新表情人脸图像，以及所述新表情人脸图像对应的第二带表情隐码特征；所述方法还包括：
将所述第二带表情隐码特征输入所述初始隐码表情提取模型，获取所述新表情人脸图像对应的第二预测纯表情隐码特征；
将所述第二预测纯表情隐码特征，以及所述第一无表情隐码特征，输入所述初始隐码表情融合模型，获取所述新表情人脸图像对应的第二预测融合隐码特征；
根据所述新表情人脸图像，以及所述第二预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
4.根据权利要求3所述的方法，其中，所述带表情人脸图像对应的新表情人脸图像的获取方式，包括：
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行表情参数调整处理，得到新表情人脸形状参数；
根据所述新表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的新表情人脸图像。
5.根据权利要求1或3所述的方法，其中，所述训练数据还包括：所述带表情人脸图像对应的同表情新人脸图像，以及所述同表情新人脸图像对应的第三带表情隐码特征；所述方法还包括：
将所述第三带表情隐码特征输入所述隐码表情去除模型，获取所述同表情新人脸图像对应的第三无表情隐码特征；
将所述第三无表情隐码特征，以及所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述同表情新人脸图像对应的第三预测融合隐码特征；
根据所述同表情新人脸图像，以及所述第三预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
6.根据权利要求5所述的方法，其中，所述带表情人脸图像对应的同表情新人脸图像的获取方式，包括：
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行非表情参数调整处理，得到同表情新人脸形状参数；
根据所述同表情新人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的同表情新人脸图像。
7.根据权利要求1所述的方法，其中，所述训练数据还包括：所述带表情人脸图像对应的无表情人脸图像；所述方法还包括：
获取初始隐码表情去除模型；
将所述第一带表情隐码特征输入所述初始隐码表情去除模型，获取所述带表情人脸图像对应的第一预测无表情隐码特征；
根据所述无表情人脸图像，以及所述第一预测无表情隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情去除模型进行参数调整，实现训练。
8.根据权利要求7所述的方法，其中，所述带表情人脸图像对应的无表情人脸图像的获取方式，包括：
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行表情参数去除处理，得到无表情人脸形状参数；
根据所述无表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的无表情人脸图像。
9.一种人脸图像生成方法，所述方法包括：
获取原始人脸图像、所述原始人脸图像编码得到的隐码特征、以及目标人脸参数；
将所述隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；
对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；
根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；
将所述调整后隐码特征进行解码处理，得到具有所述目标人脸参数的目标人脸图像。
10.根据权利要求9所述的方法，其中，所述目标人脸参数包括目标表情参数和目标非表情参数；所述对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征，包括：
对所述纯表情隐码特征，按照所述目标表情参数进行调整处理，得到调整后纯表情隐码特征；
对所述无表情隐码特征，按照所述目标非表情参数进行调整处理，得到调整后无表情隐码特征。
11.根据权利要求9所述的方法，其中，所述根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征，包括：
在所述目标人脸参数包括目标表情参数和目标非表情参数的情况下，将所述调整后纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；
在所述目标人脸参数包括目标表情参数的情况下，将所述调整后纯表情隐码特征以及所述无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；
在所述目标人脸参数包括目标非表情参数的情况下，将所述纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征。
12.根据权利要求9所述的方法，其中，所述目标人脸参数的数量为多个，从参考人脸视频中的多个参考人脸图像中提取得到；
所述方法还包括：
根据多个所述目标人脸图像，生成具有所述参考人脸视频中人脸参数的目标人脸视频。
13.一种模型训练装置，所述装置包括：
第一获取模块，用于获取初始隐码表情提取模型、初始隐码表情融合模型以及训练数据，所述训练数据包括：带表情人脸图像，以及所述带表情人脸图像对应的第一带表情隐码特征；
第一输入模块，用于将所述第一带表情隐码特征分别输入隐码表情去除模型和所述初始隐码表情提取模型，获取所述带表情人脸图像对应的，第一无表情隐码特征以及第一预测纯表情隐码特征；
第二输入模块，用于将所述第一无表情隐码特征和所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述带表情人脸图像对应的第一预测融合隐码特征；
参数调整模块，用于根据所述带表情人脸图像以及所述第一预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
14.根据权利要求13所述的装置，其中，所述第一获取模块具体用于，
获取所述初始隐码表情提取模型以及所述初始隐码表情融合模型；
获取所述带表情人脸图像；
将所述带表情人脸图像输入深度生成模型中的编码网络，获取所述第一带表情隐码特征。
15.根据权利要求13所述的装置，其中，所述训练数据还包括：所述带表情人脸图像对应的新表情人脸图像，以及所述新表情人脸图像对应的第二带表情隐码特征；所述装置还包括：第三输入模块和第四输入模块；
所述第三输入模块，用于将所述第二带表情隐码特征输入所述初始隐码表情提取模型，获取所述新表情人脸图像对应的第二预测纯表情隐码特征；
所述第四输入模块，用于将所述第二预测纯表情隐码特征，以及所述第一无表情隐码特征，输入所述初始隐码表情融合模型，获取所述新表情人脸图像对应的第二预测融合隐码特征；
所述参数调整模块，还用于根据所述新表情人脸图像，以及所述第二预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
16.根据权利要求15所述的装置，其中，所述第一获取模块具体用于，
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行表情参数调整处理，得到新表情人脸形状参数；
根据所述新表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的新表情人脸图像。
17.根据权利要求13或15所述的装置，其中，所述训练数据还包括：所述带表情人脸图像对应的同表情新人脸图像，以及所述同表情新人脸图像对应的第三带表情隐码特征；所述装置还包括：第五输入模块和第六输入模块；
所述第五输入模块，用于将所述第三带表情隐码特征输入所述隐码表情去除模型，获取所述同表情新人脸图像对应的第三无表情隐码特征；
所述第六输入模块，用于将所述第三无表情隐码特征，以及所述第一预测纯表情隐码特征，输入所述初始隐码表情融合模型，获取所述同表情新人脸图像对应的第三预测融合隐码特征；
所述参数调整模块，还用于根据所述同表情新人脸图像，以及所述第三预测融合隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情提取模型以及所述初始隐码表情融合模型进行参数调整，实现训练。
18.根据权利要求17所述的装置，其中，所述第一获取模块具体还用于，
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行非表情参数调整处理，得到同表情新人脸形状参数；
根据所述同表情新人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的同表情新人脸图像。
19.根据权利要求13所述的装置，其中，所述训练数据还包括：所述带表情人脸图像对应的无表情人脸图像；所述装置还包括：第二获取模块和第七输入模块；
所述第二获取模块，用于获取初始隐码表情去除模型；
所述第七输入模块，用于将所述第一带表情隐码特征输入所述初始隐码表情去除模型，获取所述带表情人脸图像对应的第一预测无表情隐码特征；
所述参数调整模块，还用于根据所述无表情人脸图像，以及所述第一预测无表情隐码特征解码得到的重建人脸图像，构建损失函数；并根据所述损失函数的数值对所述初始隐码表情去除模型进行参数调整，实现训练。
20.根据权利要求19所述的装置，其中，所述第一获取模块具体还用于，
对所述带表情人脸图像进行3D人脸重建处理，获取人脸纹理贴图、UV映射图以及所述带表情人脸图像对应的带表情人脸形状参数；
对所述带表情人脸形状参数进行表情参数去除处理，得到无表情人脸形状参数；
根据所述无表情人脸形状参数、所述人脸纹理贴图以及所述UV映射图，生成所述带表情人脸图像对应的无表情人脸图像。
21.一种人脸图像生成装置，所述装置包括：
获取模块，用于获取原始人脸图像、所述原始人脸图像编码得到的隐码特征、以及目标人脸参数；
输入模块，用于将所述隐码特征分别输入隐码表情提取模型和隐码表情去除模型，获取纯表情隐码特征和无表情隐码特征；
调整模块，用于对所述纯表情隐码特征和/或所述无表情隐码特征，按照所述目标人脸参数进行调整处理，得到调整后纯表情隐码特征和/或调整后无表情隐码特征；
生成模块，用于根据所述调整后纯表情隐码特征和/或所述调整后无表情隐码特征，以及隐码表情融合模型，生成调整后隐码特征；
解码模块，用于将所述调整后隐码特征进行解码处理，得到具有所述目标人脸参数的目标人脸图像。
22.根据权利要求21所述的装置，其中，所述目标人脸参数包括目标表情参数和目标非表情参数；所述调整模块具体用于，
对所述纯表情隐码特征，按照所述目标表情参数进行调整处理，得到调整后纯表情隐码特征；
对所述无表情隐码特征，按照所述目标非表情参数进行调整处理，得到调整后无表情隐码特征。
23.根据权利要求21所述的装置，其中，所述生成模块具体用于，
在所述目标人脸参数包括目标表情参数和目标非表情参数的情况下，将所述调整后纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；
在所述目标人脸参数包括目标表情参数的情况下，将所述调整后纯表情隐码特征以及所述无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征；
在所述目标人脸参数包括目标非表情参数的情况下，将所述纯表情隐码特征以及所述调整后无表情隐码特征，输入所述隐码表情融合模型，得到所述调整后隐码特征。
24.根据权利要求21所述的装置，其中，所述目标人脸参数的数量为多个，从参考人脸视频中的多个参考人脸图像中提取得到；
所述生成模块，还用于根据多个所述目标人脸图像，生成具有所述参考人脸视频中人脸参数的目标人脸视频。
25.一种电子设备，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至8中任一项所述的方法；或者，执行权利要求9至12中任一项所述的方法。
26.一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至8中任一项所述的方法；或者，执行根据权利要求9至12中任一项所述的方法。
27.一种计算机程序产品，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至8中任一项所述方法的步骤；或者，实现根据权利要求9至12中任一项所述方法的步骤。
CN202310272790.8A 2023-03-20 2023-03-20 模型训练方法、装置及电子设备 Active CN116229214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310272790.8A CN116229214B (zh) 2023-03-20 2023-03-20 模型训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310272790.8A CN116229214B (zh) 2023-03-20 2023-03-20 模型训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116229214A true CN116229214A (zh) 2023-06-06
CN116229214B CN116229214B (zh) 2023-12-01

Family

ID=86584467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310272790.8A Active CN116229214B (zh) 2023-03-20 2023-03-20 模型训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116229214B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934767A (zh) * 2019-03-06 2019-06-25 中南大学 一种基于身份和表情特征转换的人脸表情转换方法
WO2021027759A1 (en) * 2019-08-15 2021-02-18 Huawei Technologies Co., Ltd. Facial image processing
CN112907725A (zh) * 2021-01-22 2021-06-04 北京达佳互联信息技术有限公司 图像生成、图像处理模型的训练、图像处理方法和装置
CN113762147A (zh) * 2021-09-06 2021-12-07 网易（杭州）网络有限公司 人脸表情迁移方法、装置、电子设备及存储介质
US20220036636A1 (en) * 2019-11-15 2022-02-03 Tencent Technology (Shenzhen) Company Limited Three-dimensional expression base generation method and apparatus, speech interaction method and apparatus, and medium
CN114429611A (zh) * 2022-04-06 2022-05-03 北京达佳互联信息技术有限公司 视频合成方法、装置、电子设备及存储介质
CN114581992A (zh) * 2022-03-07 2022-06-03 山东大学 一种基于预训练StyleGAN的人脸表情合成方法及系统
CN114724214A (zh) * 2022-03-31 2022-07-08 华南理工大学 一种基于面部动作单元的微表情编辑方法及系统
CN114937298A (zh) * 2022-05-13 2022-08-23 南京邮电大学 一种基于特征解耦的微表情识别方法
CN115050087A (zh) * 2022-08-16 2022-09-13 之江实验室 一种人脸关键点身份和表情解耦方法及装置
CN115565238A (zh) * 2022-11-22 2023-01-03 腾讯科技（深圳）有限公司 换脸模型的训练方法、装置、设备、存储介质和程序产品

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934767A (zh) * 2019-03-06 2019-06-25 中南大学 一种基于身份和表情特征转换的人脸表情转换方法
WO2021027759A1 (en) * 2019-08-15 2021-02-18 Huawei Technologies Co., Ltd. Facial image processing
US20220036636A1 (en) * 2019-11-15 2022-02-03 Tencent Technology (Shenzhen) Company Limited Three-dimensional expression base generation method and apparatus, speech interaction method and apparatus, and medium
CN112907725A (zh) * 2021-01-22 2021-06-04 北京达佳互联信息技术有限公司 图像生成、图像处理模型的训练、图像处理方法和装置
CN113762147A (zh) * 2021-09-06 2021-12-07 网易（杭州）网络有限公司 人脸表情迁移方法、装置、电子设备及存储介质
CN114581992A (zh) * 2022-03-07 2022-06-03 山东大学 一种基于预训练StyleGAN的人脸表情合成方法及系统
CN114724214A (zh) * 2022-03-31 2022-07-08 华南理工大学 一种基于面部动作单元的微表情编辑方法及系统
CN114429611A (zh) * 2022-04-06 2022-05-03 北京达佳互联信息技术有限公司 视频合成方法、装置、电子设备及存储介质
CN114937298A (zh) * 2022-05-13 2022-08-23 南京邮电大学 一种基于特征解耦的微表情识别方法
CN115050087A (zh) * 2022-08-16 2022-09-13 之江实验室 一种人脸关键点身份和表情解耦方法及装置
CN115565238A (zh) * 2022-11-22 2023-01-03 腾讯科技（深圳）有限公司 换脸模型的训练方法、装置、设备、存储介质和程序产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘阔: "《小魔神 Ⅱ Maya 2.5 & 3D Studio MAX R3三维影视游戏场景创意设计》", 北京：北京希望电子出版社, pages: 45 - 52 *

Also Published As

Publication number Publication date
CN116229214B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
KR102627802B1 (ko) 가상 형상 생성 모델의 트레이닝 방법 및 가상 형상 생성 방법
CN113590858B (zh) 目标对象的生成方法、装置、电子设备以及存储介质
CN114842123B (zh) 三维人脸重建模型训练和三维人脸形象生成方法及装置
CN113963110B (zh) 纹理图生成方法、装置、电子设备及存储介质
CN112861548B (zh) 自然语言生成及模型的训练方法、装置、设备和存储介质
CN113870399B (zh) 表情驱动方法、装置、电子设备及存储介质
CN114549710A (zh) 一种虚拟形象的生成方法、装置、电子设备及存储介质
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN113962845B (zh) 图像处理方法、图像处理装置、电子设备以及存储介质
CN113380269B (zh) 视频图像生成方法、装置、设备、介质和计算机程序产品
CN113468857B (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN114708374A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN117911588A (zh) 虚拟对象脸部驱动及模型训练方法、装置、设备和介质
CN113706669A (zh) 动画合成方法、装置、电子设备及存储介质
CN113177466A (zh) 基于人脸图像的身份识别方法、装置、电子设备及介质
CN113052962A (zh) 模型训练、信息输出方法，装置，设备以及存储介质
CN117056728A (zh) 一种时间序列生成方法、装置、设备和存储介质
CN116229214B (zh) 模型训练方法、装置及电子设备
CN115906987A (zh) 深度学习模型的训练方法、虚拟形象驱动方法和装置
CN115147306A (zh) 图像处理方法、装置、电子设备和存储介质
CN114926322A (zh) 图像生成方法、装置、电子设备和存储介质
CN114078184A (zh) 数据处理方法、装置、电子设备和介质
CN113744368A (zh) 动画合成方法、装置、电子设备及存储介质
CN114187318A (zh) 图像分割的方法、装置、电子设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant