CN116309977B - 人脸驱动及模型获取方法、装置、电子设备及存储介质 - Google Patents

人脸驱动及模型获取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116309977B
CN116309977B CN202310182162.0A CN202310182162A CN116309977B CN 116309977 B CN116309977 B CN 116309977B CN 202310182162 A CN202310182162 A CN 202310182162A CN 116309977 B CN116309977 B CN 116309977B
Authority
CN
China
Prior art keywords
model
expression
target
face
dimensional face
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
Application number
CN202310182162.0A
Other languages
English (en)
Other versions
CN116309977A (zh
Inventor
范锡睿
赵亚飞
张世昌
杜宗财
陈毅
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 CN202310182162.0A priority Critical patent/CN116309977B/zh
Publication of CN116309977A publication Critical patent/CN116309977A/zh
Application granted granted Critical
Publication of CN116309977B publication Critical patent/CN116309977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/205—3D [Three Dimensional] animation driven by audio data
    • 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
    • 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
    • G06V40/174—Facial expression recognition
    • G06V40/176—Dynamic expression
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/16—Vocoder architecture
    • G10L19/18—Vocoders using multiple modes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本公开提供了人脸驱动及模型获取方法、装置、电子设备及存储介质，涉及深度学习、虚拟数字人以及计算机视觉等人工智能领域。所述人脸驱动方法可包括：获取待驱动的目标三维人脸模型对应的目标音频数据，并对目标音频数据进行音频特征提取；利用预先训练得到的条件变分自编码器模型，确定出目标三维人脸模型对应的目标表情的表情隐向量；根据获取到的音频特征以及表情隐向量，利用条件变分自编码器模型，确定出人脸驱动参数；利用人脸驱动参数对目标三维人脸模型进行人脸驱动。应用本公开所述方案，可实现对于人脸表情的有效控制等。

Description

人脸驱动及模型获取方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及深度学习、虚拟数字人以及计算机视觉等领域的人脸驱动及模型获取方法、装置、电子设备及存储介质。
背景技术
虚拟数字人应用的一项核心技术就是利用音频数据来对三维人脸模型进行人脸驱动，即音频到动画(A2A，Audio-to-Animation)技术。在实际应用中，音频数据与人脸表情的相关性比较弱，同一段音频数据可以对应完全不同的人脸表情。而目前的驱动方式中对于人脸表情完全不可控，即无法实现有效的人脸表情驱动。
发明内容
本公开提供了人脸驱动及模型获取方法、装置、电子设备及存储介质。
一种人脸驱动方法，包括：
获取待驱动的目标三维人脸模型对应的目标音频数据，并对所述目标音频数据进行音频特征提取；
利用预先训练得到的条件变分自编码器模型，确定出所述目标三维人脸模型对应的目标表情的表情隐向量；
根据所述音频特征以及所述表情隐向量，利用所述条件变分自编码器模型，确定出人脸驱动参数；
利用所述人脸驱动参数对所述目标三维人脸模型进行人脸驱动。
一种条件变分自编码器模型获取方法，包括：
构建训练样本，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数；
利用所述训练样本训练得到所述条件变分自编码器模型，所述条件变分自编码器模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据所述表情隐向量和音频特征确定出人脸驱动参数，所述音频特征为从所述目标三维人脸模型对应的目标音频数据中提取出的特征，所述人脸驱动参数用于对所述目标三维人脸模型进行人脸驱动，所述目标表情为所述M种不同的表情类型中的至少一种。
一种人脸驱动装置，包括：特征提取模块、向量获取模块、参数生成模块以及人脸驱动模块；
所述特征提取模块，用于获取待驱动的目标三维人脸模型对应的目标音频数据，并对所述目标音频数据进行音频特征提取；
所述向量获取模块，用于利用预先训练得到的条件变分自编码器模型，确定出所述目标三维人脸模型对应的目标表情的表情隐向量；
所述参数生成模块，用于根据所述音频特征以及所述表情隐向量，利用所述条件变分自编码器模型，确定出人脸驱动参数；
所述人脸驱动模块，用于利用所述人脸驱动参数对所述目标三维人脸模型进行人脸驱动。
一种条件变分自编码器模型获取装置，包括：样本构建模块以及模型训练模块；
所述样本构建模块，用于构建训练样本，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数；
所述模型训练模块，用于利用所述训练样本训练得到所述条件变分自编码器模型，所述条件变分自编码器模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据所述表情隐向量和音频特征确定出人脸驱动参数，所述音频特征为从所述目标三维人脸模型对应的目标音频数据中提取出的特征，所述人脸驱动参数用于对所述目标三维人脸模型进行人脸驱动，所述目标表情为所述M种不同的表情类型中的至少一种。
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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
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为本公开所述人脸驱动方法实施例的流程图；
图2为本公开所述人脸驱动方法的整体实现过程示意图；
图3为本公开所述CVAE模型获取方法实施例的流程图；
图4为本公开所述CVAE模型的组成结构及各组成部分的功能示意图；
图5为本公开所述人脸驱动装置500的组成结构示意图；
图6为本公开所述CVAE模型获取装置600的组成结构示意图；
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。
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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述人脸驱动方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，获取待驱动的目标三维人脸模型对应的目标音频数据，并对目标音频数据进行音频特征提取。
在步骤102中，利用预先训练得到的条件变分自编码器(CVAE，ConditionalVariational Auto-Encoder)模型，确定出目标三维人脸模型对应的目标表情的表情隐向量。
在步骤103中，根据获取到的音频特征以及表情隐向量，利用CVAE模型，确定出人脸驱动参数。
在步骤104中，利用人脸驱动参数对目标三维人脸模型进行人脸驱动。
采用上述方法实施例所述方案，可将人脸的表情分量建模为表情隐向量，从而可以借助于表情隐向量来显式地控制待驱动的目标三维人脸模型的人脸表情，即可实现对于人脸表情的有效控制，而且所展现出来的表情连续自然，真实生动，进而提升了驱动效果等。
为便于与后续出现的其它音频数据以及三维人脸模型进行区分，将待驱动的三维人脸模型称为目标三维人脸模型，将用于驱动目标三维人脸模型的音频数据称为目标音频数据。
目标音频数据可为任意的一段音频数据，如一段语音，同样地，目标三维人脸模型可为任意的三维人脸模型，如可为三维的虚拟数字人，如虚拟主播、虚拟客服或虚拟偶像等。
优选地，可利用预先训练得到的特征提取模型来对目标音频数据进行音频特征提取。比如，可将目标音频数据作为一段音频流输入到特征提取模型中，利用特征提取模型提取出流式的音频特征。
相应地，预先可构建相应的训练样本，利用训练样本训练得到特征提取模型，比如，每条训练样本中可分别包括：一段音频数据以及从这段音频数据中提取出的音频特征。
通过上述处理，可高效准确地获取到所需的音频特征，从而为后续处理奠定了良好的基础。
CVAE模型同样可预先训练得到。优选地，CVAE模型中可包括条件编码器以及条件解码器，其中，可利用条件编码器确定出表情隐向量，可利用条件解码器确定出人脸驱动参数。
即条件编码器和条件解码器可分别用于实现不同的功能，两者相互协作，最终确定出所需的人脸驱动参数，另外，CVAE模型的编码器-解码器结构使得表情分量高度可控，可以通过条件编码器自由选择生成的表情风格。
优选地，利用条件编码器确定出表情隐向量的方式可包括：获取任一音频数据及对应的具有目标表情的三维人脸模型，三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照目标表情表达音频数据中的内容时采集到的视频，将音频数据及三维人脸模型作为条件编码器的输入，得到目标表情的表情隐向量。
目标表情具体为何种表情可根据实际需要而定，比如，可为开心、悲伤或生气等，或者，也可以是两种甚至更多种表情的组合。
音频数据可为任意的一段音频数据，通常与目标音频数据不同。真实人物可以是指选定的真人模特，真实人物可以带有目标表情如开心地表达音频数据中的内容，如音频数据为一段语音，那么真实人物可以带着开心的表情讲出这段语音，相应地，可利用不同视角的相机拍摄(即采集)真实人物的脸部视频，并可将得到的各视频在时间上同步，即进行时间上的对齐，进而可基于同步后的各视频，通过已有的三维重建方式重建出三维人脸模型，三维人脸模型也可称为三维人脸网格(Mesh)模型或Mesh模型等。
之后，可将音频数据与三维人脸模型进行时间同步，并可将同步后的音频数据与三维人脸模型输入到条件编码器，得到输出的目标表情的表情隐向量，所述表情隐向量通常为符合高斯分布的低维隐向量。
通过上述方式，借助于条件编码器，可将人脸表情和口型(对应于音频特征)进行解耦，将人脸的表情分量建模为符合高斯分布的低维隐向量，进而可利用所述符合高斯分布的低维隐向量来进行可控、连续和自然的人脸表情驱动，极大地提升了利用音频驱动人脸时的表情效果。
在分别获取到目标音频数据的音频特征以及目标表情的表情隐向量后，可利用CVAE模型中的条件解码器，确定出人脸驱动参数。
即可将获取到的音频特征以及表情隐向量作为CVAE模型中的条件解码器的输入，从而得到所需的人脸驱动参数。可以看出，得到的人脸驱动参数中同时包含了音频信息以及表情信息。
进一步地，可利用得到的人脸驱动参数对目标三维人脸模型进行人脸驱动。优选地，可将得到的人脸驱动参数输入到目标三维人脸模型中，实现人脸驱动。
基于上述介绍，图2为本公开所述人脸驱动方法的整体实现过程示意图。
如图2所示，可基于条件编码器，生成目标表情的表情隐向量，另外，可利用特征提取模型对目标音频数据进行音频特征提取，得到所需的音频特征，之后，可根据得到的音频特征以及表情隐向量，利用条件解码器，确定出人脸驱动参数，进而可利用人脸驱动参数对目标三维人脸模型进行人脸驱动。
可以看出，本公开所述人脸驱动方法的实现需要依赖于预先训练得到的CVAE模型，以下即对该模型的获取方式进行说明。
图3为本公开所述CVAE模型获取方法实施例的流程图。如图3所示，包括以下具体实现方式。
在步骤301中，构建训练样本，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数。
在步骤302中，利用训练样本训练得到CVAE模型，CVAE模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据表情隐向量和音频特征确定出人脸驱动参数，音频特征为从目标三维人脸模型对应的目标音频数据中提取出的特征，人脸驱动参数用于对目标三维人脸模型进行人脸驱动，目标表情为M种不同的表情类型中的至少一种。
采用上述方法实施例所述方案，可利用构建的训练样本训练得到CVAE模型，进而可利用CVAE模型来将人脸的表情分量建模为表情隐向量，从而可以借助于表情隐向量来显式地控制待驱动的目标三维人脸模型的人脸表情，即可实现对于人脸表情的有效控制，而且所展现出来的表情连续自然，真实生动，进而提升了驱动效果等。
优选地，CVAE模型中可包括：条件编码器以及条件解码器，其中，条件编码器用于确定出目标表情的表情隐向量，条件解码器用于确定出人脸驱动参数。
相应地，图4为本公开所述CVAE模型的组成结构及各组成部分的功能示意图。如图4所示，CVAE模型可由条件编码器以及条件解码器组成，结合前述各实施例中的介绍可知，条件编码器可根据输入的任一音频数据以及对应的具有目标表情的三维人脸模型，确定出目标表情的表情隐向量，条件解码器可根据获取到的表情隐向量以及从目标音频数据中提取出的音频特征，确定出人脸驱动参数。
CVAE模型的编码器-解码器结构使得表情分量高度可控，可以通过条件编码器自由选择生成的表情风格。
另外，优选地，训练样本中的三维人脸模型可为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达音频数据中的内容时采集到的视频，所述指定表情包括M种不同的表情类型，M为大于一的正整数，目标表情为M种不同的表情类型中的至少一种。
M的具体取值可根据实际需要，M种不同的表情类型可包括开心、悲伤和生气等。
真实人物可以是指选定的真人模特，真实人物可以带有指定表情如生气地表达音频数据中的内容，相应地，可利用不同视角的相机拍摄真实人物的脸部视频，并可将得到的各视频在时间上同步，进而可基于同步后的各视频，通过已有的三维重建方式重建出三维人脸模型。
在实际应用中，每个训练样本中的音频数据以及三维人脸模型均为时间上同步的。
利用构建出的训练样本，可训练得到CVAE模型，其中，可根据条件解码器的输出确定出损失，如所述损失可为平方损失函数(L2 Loss)，进而可利用所述损失进行模型参数的更新等。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。
总之，本公开方法实施例所述方案中提出了一种基于CVAE模型的人脸驱动方式，对人脸的口型分量和表情分量进行了显示建模和解耦，弥补了现有技术中的表情驱动的短板，以虚拟数字人为例，只需输入音频数据即可对虚拟数字人进行高真实感的人脸驱动，产生准确的口型以及逼真可控的表情，极大地提升了驱动效果等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图5为本公开所述人脸驱动装置500的组成结构示意图。如图5所示，包括：特征提取模块501、向量获取模块502、参数生成模块503以及人脸驱动模块504。
特征提取模块501，用于获取待驱动的目标三维人脸模型对应的目标音频数据，并对目标音频数据进行音频特征提取。
向量获取模块502，用于利用预先训练得到的CVAE模型，确定出目标三维人脸模型对应的目标表情的表情隐向量。
参数生成模块503，用于根据获取到的音频特征以及表情隐向量，利用CVAE模型，确定出人脸驱动参数。
人脸驱动模块504，用于利用人脸驱动参数对目标三维人脸模型进行人脸驱动。
采用上述装置实施例所述方案，可将人脸的表情分量建模为表情隐向量，从而可以借助于表情隐向量来显式地控制待驱动的目标三维人脸模型的人脸表情，即可实现对于人脸表情的有效控制，而且所展现出来的表情连续自然，真实生动，进而提升了驱动效果等。
优选地，特征提取模块501可利用预先训练得到的特征提取模型对目标音频数据进行音频特征提取。比如，可将目标音频数据作为一段音频流输入到特征提取模型中，利用特征提取模型提取出流式的音频特征。
CVAE模型同样可预先训练得到。优选地，CVAE模型中可包括条件编码器以及条件解码器，其中，向量获取模块502可利用条件编码器确定出表情隐向量，参数生成模块503可利用条件解码器确定出人脸驱动参数。
优选地，向量获取模块502利用条件编码器确定出表情隐向量的方式可包括：获取任一音频数据及对应的具有目标表情的三维人脸模型，三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照目标表情表达音频数据中的内容时采集到的视频，将音频数据及三维人脸模型作为条件编码器的输入，得到目标表情的表情隐向量。
目标表情具体为何种表情可根据实际需要而定，比如，可为开心、悲伤或生气等，或者，也可以是两种甚至更多种表情的组合。
在分别获取到目标音频数据的音频特征以及目标表情的表情隐向量后，参数生成模块503可利用CVAE模型中的条件解码器，确定出人脸驱动参数，即可将获取到的音频特征以及表情隐向量作为CVAE模型中的条件解码器的输入，从而得到所需的人脸驱动参数。
进一步地，人脸驱动模块504可利用人脸驱动参数对目标三维人脸模型进行人脸驱动。优选地，人脸驱动模块504可将得到的人脸驱动参数输入到目标三维人脸模型中，实现人脸驱动。
图6为本公开所述CVAE模型获取装置600的组成结构示意图。如图6所示，包括：样本构建模块601以及模型训练模块602。
样本构建模块601，用于构建训练样本，训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数。
模型训练模块602，用于利用训练样本训练得到CVAE模型，CVAE模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据表情隐向量和音频特征确定出人脸驱动参数，音频特征为从目标三维人脸模型对应的目标音频数据中提取出的特征，人脸驱动参数用于对目标三维人脸模型进行人脸驱动，目标表情为M种不同的表情类型中的至少一种。
采用上述装置实施例所述方案，可利用构建的训练样本训练得到CVAE模型，进而可利用CVAE模型来将人脸的表情分量建模为表情隐向量，从而可以借助于表情隐向量来显式地控制待驱动的目标三维人脸模型的人脸表情，即可实现对于人脸表情的有效控制，而且所展现出来的表情连续自然，真实生动，进而提升了驱动效果等。
优选地，CVAE模型中可包括：条件编码器以及条件解码器，其中，条件编码器用于确定出目标表情的表情隐向量，条件解码器用于确定出人脸驱动参数。
另外，优选地，训练样本中的三维人脸模型可为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达音频数据中的内容时采集到的视频，所述指定表情包括M种不同的表情类型，M为大于一的正整数，目标表情为M种不同的表情类型中的至少一种。
图5和图6所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。
总之，本公开装置实施例所述方案中提出了一种基于CVAE模型的人脸驱动方式，对人脸的口型分量和表情分量进行了显示建模和解耦，弥补了现有技术中的表情驱动的短板，以虚拟数字人为例，只需输入音频数据即可对虚拟数字人进行高真实感的人脸驱动，产生准确的口型以及逼真可控的表情，极大地提升了驱动效果等。
本公开所述方案可应用于人工智能领域，特别涉及深度学习、虚拟数字人以及计算机视觉等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件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、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
另外，本公开所述实施例中的音频数据以及三维人脸模型等并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。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。
图7示出了可以用来实施本公开的实施例的电子设备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、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，个人数字助理、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，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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，可以执行本公开所述的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)而被配置为执行本公开所述的方法。
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)、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 (16)

1.一种人脸驱动方法，包括：
获取待驱动的目标三维人脸模型对应的目标音频数据，并对所述目标音频数据进行音频特征提取；
利用预先训练得到的条件变分自编码器模型，确定出所述目标三维人脸模型对应的目标表情的表情隐向量；所述条件变分自编码器模型为利用构建的训练样本训练得到的，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数，所述训练样本中的三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达所述音频数据中的内容时采集到的视频；所述目标表情为所述M种不同的表情类型中的至少一种；
根据所述音频特征以及所述表情隐向量，利用所述条件变分自编码器模型，确定出人脸驱动参数；
利用所述人脸驱动参数对所述目标三维人脸模型进行人脸驱动。
2.根据权利要求1所述的方法，其中，
所述对所述目标音频数据进行音频特征提取包括：利用预先训练得到的特征提取模型对所述目标音频数据进行音频特征提取。
3.根据权利要求1或2所述的方法，其中，
所述条件变分自编码器模型中包括：条件编码器以及条件解码器；
所述利用预先训练得到的条件变分自编码器模型，确定出所述目标三维人脸模型对应的目标表情的表情隐向量包括：利用所述条件编码器，确定出所述表情隐向量；
所述利用所述条件变分自编码器模型，确定出人脸驱动参数包括：利用所述条件解码器，确定出所述人脸驱动参数。
4.根据权利要求3所述的方法，其中，
所述利用所述条件编码器，确定出所述表情隐向量包括：
获取任一音频数据及对应的具有所述目标表情的三维人脸模型，所述三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述目标表情表达所述音频数据中的内容时采集到的视频；
将所述音频数据及所述三维人脸模型作为所述条件编码器的输入，得到所述表情隐向量。
5.根据权利要求1或2所述的方法，其中，
所述利用所述人脸驱动参数对所述目标三维人脸模型进行人脸驱动包括：将所述人脸驱动参数输入到所述目标三维人脸模型中，实现所述人脸驱动。
6.一种条件变分自编码器模型获取方法，包括：
构建训练样本，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数；其中，所述训练样本中的三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达所述音频数据中的内容时采集到的视频；
利用所述训练样本训练得到所述条件变分自编码器模型，所述条件变分自编码器模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据所述表情隐向量和音频特征确定出人脸驱动参数，所述音频特征为从所述目标三维人脸模型对应的目标音频数据中提取出的特征，所述人脸驱动参数用于对所述目标三维人脸模型进行人脸驱动，所述目标表情为所述M种不同的表情类型中的至少一种。
7.根据权利要求6所述的方法，其中，
所述条件变分自编码器模型中包括：条件编码器以及条件解码器，所述条件编码器用于确定出所述表情隐向量，所述条件解码器用于确定出所述人脸驱动参数。
8.一种人脸驱动装置，包括：特征提取模块、向量获取模块、参数生成模块以及人脸驱动模块；
所述特征提取模块，用于获取待驱动的目标三维人脸模型对应的目标音频数据，并对所述目标音频数据进行音频特征提取；
所述向量获取模块，用于利用预先训练得到的条件变分自编码器模型，确定出所述目标三维人脸模型对应的目标表情的表情隐向量；所述条件变分自编码器模型为利用构建的训练样本训练得到的，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数，所述训练样本中的三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达所述音频数据中的内容时采集到的视频；所述目标表情为所述M种不同的表情类型中的至少一种；
所述参数生成模块，用于根据所述音频特征以及所述表情隐向量，利用所述条件变分自编码器模型，确定出人脸驱动参数；
所述人脸驱动模块，用于利用所述人脸驱动参数对所述目标三维人脸模型进行人脸驱动。
9.根据权利要求8所述的装置，其中，
所述特征提取模块利用预先训练得到的特征提取模型对所述目标音频数据进行音频特征提取。
10.根据权利要求8或9所述的装置，其中，
所述条件变分自编码器模型中包括：条件编码器以及条件解码器；
所述向量获取模块利用所述条件编码器确定出所述表情隐向量；
所述参数生成模块利用所述条件解码器确定出所述人脸驱动参数。
11.根据权利要求10所述的装置，其中，
所述向量获取模块获取任一音频数据及对应的具有所述目标表情的三维人脸模型，所述三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述目标表情表达所述音频数据中的内容时采集到的视频，将所述音频数据及所述三维人脸模型作为所述条件编码器的输入，得到所述表情隐向量。
12.根据权利要求8或9所述的装置，其中，
所述人脸驱动模块将所述人脸驱动参数输入到所述目标三维人脸模型中，实现所述人脸驱动。
13.一种条件变分自编码器模型获取装置，包括：样本构建模块以及模型训练模块；
所述样本构建模块，用于构建训练样本，所述训练样本中包括：音频数据以及对应的具有指定表情的三维人脸模型，所述指定表情包括M种不同的表情类型，M为大于一的正整数；其中，所述训练样本中的三维人脸模型为基于采集到的视频重建出的三维人脸模型，所述视频为真实人物按照所述指定表情表达所述音频数据中的内容时采集到的视频；
所述模型训练模块，用于利用所述训练样本训练得到所述条件变分自编码器模型，所述条件变分自编码器模型用于确定出待驱动的目标三维人脸模型对应的目标表情的表情隐向量，以及根据所述表情隐向量和音频特征确定出人脸驱动参数，所述音频特征为从所述目标三维人脸模型对应的目标音频数据中提取出的特征，所述人脸驱动参数用于对所述目标三维人脸模型进行人脸驱动，所述目标表情为所述M种不同的表情类型中的至少一种。
14.根据权利要求13所述的装置，其中，
所述条件变分自编码器模型中包括：条件编码器以及条件解码器，所述条件编码器用于确定出所述表情隐向量，所述条件解码器用于确定出所述人脸驱动参数。
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计算机执行权利要求1-7中任一项所述的方法。
CN202310182162.0A 2023-02-20 2023-02-20 人脸驱动及模型获取方法、装置、电子设备及存储介质 Active CN116309977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310182162.0A CN116309977B (zh) 2023-02-20 2023-02-20 人脸驱动及模型获取方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310182162.0A CN116309977B (zh) 2023-02-20 2023-02-20 人脸驱动及模型获取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116309977A CN116309977A (zh) 2023-06-23
CN116309977B true CN116309977B (zh) 2023-11-21

Family

ID=86800676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310182162.0A Active CN116309977B (zh) 2023-02-20 2023-02-20 人脸驱动及模型获取方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116309977B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215927A (zh) * 2020-09-18 2021-01-12 腾讯科技（深圳）有限公司 人脸视频的合成方法、装置、设备及介质
CN115170703A (zh) * 2022-06-30 2022-10-11 北京百度网讯科技有限公司 虚拟形象驱动方法、装置、电子设备及存储介质
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置
CN115376482A (zh) * 2022-08-23 2022-11-22 Oppo广东移动通信有限公司 面部动作视频生成方法及装置、可读介质和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215927A (zh) * 2020-09-18 2021-01-12 腾讯科技（深圳）有限公司 人脸视频的合成方法、装置、设备及介质
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置
CN115170703A (zh) * 2022-06-30 2022-10-11 北京百度网讯科技有限公司 虚拟形象驱动方法、装置、电子设备及存储介质
CN115376482A (zh) * 2022-08-23 2022-11-22 Oppo广东移动通信有限公司 面部动作视频生成方法及装置、可读介质和电子设备

Also Published As

Publication number Publication date
CN116309977A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN111833418B (zh) 动画交互方法、装置、设备以及存储介质
EP3885965B1 (en) Image recognition method based on micro facial expressions, apparatus and related device
CN113052962B (zh) 模型训练、信息输出方法，装置，设备以及存储介质
CN114895817B (zh) 交互信息处理方法、网络模型的训练方法及装置
CN112562045B (zh) 生成模型和生成3d动画的方法、装置、设备和存储介质
CN113450759A (zh) 语音生成方法、装置、电子设备以及存储介质
CN112634413B (zh) 生成模型和生成3d动画的方法、装置、设备和存储介质
CN115393488B (zh) 虚拟人物表情的驱动方法、装置、电子设备和存储介质
CN114267375B (zh) 音素检测方法及装置、训练方法及装置、设备和介质
CN113361363A (zh) 人脸图像识别模型的训练方法、装置、设备及存储介质
US20240331093A1 (en) Method of training fusion model, method of fusing image, device, and storage medium
CN114429767A (zh) 视频生成方法、装置、电子设备以及存储介质
CN113011309A (zh) 图像识别方法、装置、设备、介质及程序产品
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN115170703A (zh) 虚拟形象驱动方法、装置、电子设备及存储介质
CN112925412A (zh) 智能镜子的控制方法、设备和存储介质
CN113379877A (zh) 人脸视频生成方法、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
EP4152269B1 (en) Method and apparatus of training model, device, and medium
CN117056728A (zh) 一种时间序列生成方法、装置、设备和存储介质
CN117194625A (zh) 数字人的智能对话方法、装置、电子设备及存储介质
CN116309977B (zh) 人脸驱动及模型获取方法、装置、电子设备及存储介质
CN115147547B (zh) 人体重建方法和装置
CN116402914A (zh) 用于确定风格化图像生成模型的方法、装置及产品
CN113327311B (zh) 基于虚拟角色的显示方法、装置、设备、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