CN116524162A - 三维虚拟形象迁移方法、模型更新方法及相关设备 - Google Patents
三维虚拟形象迁移方法、模型更新方法及相关设备 Download PDFInfo
- Publication number
- CN116524162A CN116524162A CN202310379406.4A CN202310379406A CN116524162A CN 116524162 A CN116524162 A CN 116524162A CN 202310379406 A CN202310379406 A CN 202310379406A CN 116524162 A CN116524162 A CN 116524162A
- Authority
- CN
- China
- Prior art keywords
- model
- dimensional
- emotion
- image
- dimensional 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000013508 migration Methods 0.000 title claims abstract description 47
- 230000005012 migration Effects 0.000 title claims abstract description 47
- 230000008451 emotion Effects 0.000 claims description 175
- 239000013598 vector Substances 0.000 claims description 81
- 230000014509 gene expression Effects 0.000 claims description 54
- 230000008909 emotion recognition Effects 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 26
- 230000008921 facial expression Effects 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 18
- 239000013604 expression vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009877 rendering Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种三维虚拟形象迁移方法、模型更新方法及相关设备,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。具体实现方案为:获取包括目标对象的第一图像,所述目标对象包括目标区域;基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型;基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。本公开可以实现了面捕能力的可复制性。
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,尤其涉及一种三维虚拟形象迁移方法、模型更新方法及相关设备。
背景技术
三维(3-Dimensions,3D)面部表情捕捉技术是3D数字人中的一个重要技术之一,其主要是通过3D人脸重建技术获取人脸表情,并将驱动人的表情迁移到数字人上,实现虚拟人的表情可控。
目前,3D面捕表情捕捉主要是通过手工制作大量的动画数据来进行训练,同时需要根据表情的类型手工制作混合形状(blendshapes),以便将三维形变模型(3D MorphableModels,3DMM)的表情系数直接应用到目标虚拟人上实现驱动。
发明内容
本公开提供了一种三维虚拟形象迁移方法、模型更新方法及相关设备。
根据本公开的一方面,提供了一种三维虚拟形象迁移方法,包括:
获取包括目标对象的第一图像,所述目标对象包括目标区域;
基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;
获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型,所述配准关系包括:所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系;
基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
根据本公开的另一方面,提供了一种模型更新方法,包括:
获取包括目标对象的第一图像,所述目标对象包括目标区域;
基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
基于第一情绪值和第二情绪值计算目标损失值,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型;
基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
根据本公开的另一方面,提供了一种三维虚拟形象迁移装置,包括:
第一获取模块,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
预测模块,用于基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;
第二获取模块,用于获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型,所述配准关系包括:所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系;
迁移模块,用于基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
根据本公开的另一方面,提供了一种模型更新装置,包括:
第一获取模块,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
第二获取模块,用于基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
预测模块,用于将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
计算模块,用于基于第一情绪值和第二情绪值计算目标损失值,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型;
更新模块,用于基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
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提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
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,所述计算机指令用于使所述计算机执行本公开提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
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提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
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是本公开提供的一种三维虚拟形象迁移方法的流程图;
图2是本公开提供的一种模型更新方法的流程图;
图3a至图3d是本公开提供的三维虚拟形象迁移装置的结构图;
图4是本公开提供的模型更新装置的结构图。
图5是用来实现本公开实施例的一种电子设备的框图。
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。
请参见图1,图1是本公开提供的一种三维虚拟形象迁移方法的流程图。如图1所示,该三维虚拟形象迁移方法包括以下步骤:
步骤S101、获取包括目标对象的第一图像,所述目标对象包括目标区域。
上述目标对象可以人、宠物等对象;目标区域可以是目标对象的表情展示部位,比如人脸或者宠物的面部、耳朵等部位。
上述第一图像可以是预先采集的包括目标对象的图像,且第一图像中展示有目标对象的目标区域的信息。
步骤S102、基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型。
上述第一三维模型可以是基于第一图像预测得到的三维形象模型。
比如,可以通过将目标对象的目标区域的特征信息输入至预设的三维形象预测模型中进行三维形象模型预测,以得到目标对象的目标区域的第一三维模型。
在目标区域为人脸的情况下,三维形象预测模型可以是3DMM,即可以将第一图像中的人脸特征信息输入至3DMM中进行三维模型预测,以得到3D人脸模型,即可以得到第一三维模型。
步骤103、获取第二三维模型与预设参考三维模型的配准关系。
上述第二三维模型为待迁入三维虚拟形象模型中的上述目标区域的三维模型,上述预设参考三维模型为预设的上述目标区域的参考三维模型。
上述配准关系包括:第二三维模型中的至少一个子区域与预设参考三维模型中的至少一个子区域的对应关系。
其中,上述配准关系可以是预先设置的,也可以是实时获取的。
比如,可以预先设置待迁入三维虚拟形象模型和预设参考三维模型的映射关系,该映射关系中可以包括第二三维模型中的至少一个子区域与预设参考三维模型中的至少一个子区域的对应关系,以便在需要获取第二三维模型与预设参考三维模型的配准关系时,可以直接从预先设置的映射关系中确定第二三维模型中的至少一个子区域与预设参考三维模型中的至少一个子区域的对应关系,即确定配准关系,从而降低三维虚拟形象迁移过程中所需的计算量。
步骤104、基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
上述将第一三维模型迁移至待迁入三维虚拟形象模型中的目标区域,可以理解为将第一三维模型的至少一个子区域的信息迁移至第二三维模型中对应的至少一个子区域中,以便实现将第一三维模型的展示内容迁移至待迁入三维虚拟形象模型中的目标区域,进而得到目标三维虚拟形象。
比如,在目标区域为人脸的情况下,则可以将第一三维模型所展示的面部表情迁移至待迁入三维虚拟形象模型中的目标区域,以实现面部表情的迁移。相应地,在目标区域为宠物的面部的情况下,则可以将第一三维模型所展示的宠物表情迁移至待迁入三维虚拟形象模型中的目标区域,以实现宠物表情的迁移。
需要说明的是,本公开的提供的三维虚拟形象迁移方法不仅可以实现人脸表情的迁移,还可以实现宠物等其他对象的表情的迁移。对于不同类型的对象,可以通过预先训练不同的三维形象预测模型,以便实现第一三维模型的预测。
本公开中,通过基于获取到的配准关系,将基于第一图像预测得到的第一三维模型的形象内容迁移至待迁入三维虚拟形象模型中的目标区域,保证了面捕技术能力在不同拓扑的三维虚拟形象模型上表现一致,并实现了面捕能力的可复制性。而且,相对于常规的通过模型师手工制作虚拟对象的blendshapes,还可以大大节省模型师的工作量。
本公开中,上述方法可以应用于电子设备,上述方法包括的所有步骤均由该电子设备执行,该电子设备可以是服务器、计算机、手机等电子设备。
另外,本公开可以应用在元宇宙、数字人等应用场景。
在一个实施例中,所述第二三维模型包括N个子区域,所述预设参考三维模型包括N个子区域,所述第一三维模型包括N个子区域,N为大于1的整数;
所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系,包括:所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系;
所述基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象,包括:
按照所述一一对应关系,分别将所述第一三维模型的N个子区域迁移至所述待迁入三维虚拟形象模型中的所述第二三维模型的N个子区域,得到目标三维虚拟形象。
该实施例中,可以基于第二三维模型中的N个子区域与预设参考三维模型中的N子区域的一一对应关系,分别将第一三维模型的N个子区域迁移至待迁入三维虚拟形象模型中的第二三维模型的N个子区域,得到目标三维虚拟形象,以实现三维虚拟形象迁移,即实现待迁入三维虚拟形象模型的面捕驱动。
上述迁移过程,可以借助变形迁移(deformation transfer)算法实现。
在一个实施例中,所述获取第二三维模型与预设参考三维模型的配准关系,包括:
基于所述预设参考三维模型,重构所述第二三维模型的N个子区域在参考坐标系中的坐标位置,且所述重构之后的所述第二三维模型的N个子区域的拓扑关系和所述重构之前的所述第二三维模型的N个子区域的拓扑关系的保持不变,所述参考坐标系为所述预设参考三维模型所对应的位置坐标系;
基于所述预设参考三维模型的N个子区域的坐标位置和所述重构之后的所述第二三维模型的N个子区域的坐标位置,分别计算所述重构之后的所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系。
上述重构过程可以理解为将第二三维模型按照预设参考三维模型进行重捏。
在目标区域为人脸的情况下,上述N个子区域可以理解为组成人脸的各个面点特征组成的区域。
在目标区域为人脸的情况下,预设参考三维模型可以理解为上述三维形象预测模型的平均脸模型,上述重构过程可以理解为将第二三维模型捏成上述三维形象预测模型的平均脸模型,并使两个模型对应的五官等面部区域能够重叠在一起,以实现第二三维模型和预设参考三维模型的配准。
在配准过程中,可以通过使第二三维模型的N个子区域的拓扑关系的保持不变,即使上述重构之后的第二三维模型的N个子区域的拓扑关系和上述重构之前的第二三维模型的N个子区域的拓扑关系的保持不变,即使第二三维模型的点数和面保持不变,仅改变点的坐标位置。然后基于预设参考三维模型的N个子区域的坐标位置和上述重构之后的第二三维模型的N个子区域的坐标位置,分别计算上述重构之后的第二三维模型中的N个子区域与预设参考三维模型中的N子区域的一一对应关系,以实现配准关系的计算。
该实施例中,通过分别计算上述重构之后的第二三维模型中的N个子区域与预设参考三维模型中的N子区域的一一对应关系,以便使得上述重构之后的第二三维模型中的任何一个子区域都能在预设参考三维模型中的N子区域中找到一个对应的子区域,进而方便实现三维虚拟形象迁移。
在一个实施例中,所述基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象之后,所述方法还包括:
获取所述第一图像中的所述目标对象的吐舌参数,并基于所述吐舌参数确定所述目标对象的吐舌表情;
在所述吐舌表情满足预设吐舌表情条件的情况下,基于所述吐舌表情对所述目标三维虚拟形象进行更新。
上述吐舌参数可以基于人脸重建编码器获取,在获取到吐舌参数后,可以基于吐舌参数确定目标对象的吐舌表情。该吐舌表情可以用于表示目标对象的吐舌动作及吐舌幅度等。
该实施例中,吐舌表情满足预设吐舌表情条件可以理解为目标对象的吐舌动作及吐舌幅度达到了预设的吐舌幅度,并在吐舌表情满足预设吐舌表情条件的情况下,基于吐舌表情对目标三维虚拟形象进行更新,即将第一图像中的吐舌表情更新在目标三维虚拟形象中,以实现第一图像中的面部表情迁移至待迁入三维虚拟形象模型中的所述目标区域,实现面捕能力的可复制性。
在一个实施例中,所述基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型,包括:
基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
其中,所述三维形象预测模型为预先获取的用于对图像进行三维形象预测的模型。
上述向量信息可以是第一图像输入至人脸重建编码器中获取到的向量特征。
在上述向量信息的获取过程中,可以先对第一图像进行关键点检测,具体可以利用人脸关键点检测将第一图像中的人脸区域裁剪出来,并可以调整成统一大小(比如256*256);然后将裁剪后的图像进行图像归一化处理,图像归一化处理是图像中的每一个像素依次进行归一化处理;再然后将归一化处理后的图像送入人脸重建编码器,人脸重建编码器可以用残差网络(ResNet)18作为主干网络,人脸重建编码器中包含卷积层和池化层,最终人脸重建编码器输出一个150维的人脸形状向量,一个52维的人脸表情向量,一个12维的人脸姿态向量,一个200维的纹理向量,一个1维的吐舌参数。
其中,上述向量信息可以包括上述150维的人脸形状向量、上述52维的人脸表情向量、上述12维的人脸姿态向量和上述200维的纹理向量;而上述1维的吐舌参数可以应用到上述吐舌表情的实施例中。
在本公开中,归一化处理的方法可以是:每个像素的像素值除以255再减1,使每个像素的像素值在[-1,1]之间。
需要说明的是,归一化处理的方法包括但不限于上述方法,且人脸形状向量的维数包括但不限于150维,人脸表情向量的维数包括但不限于52维,人脸姿态向量的维数包括但不限于12维,纹理向量的维数包括但不限于200维等。
另外,也可以通过预先设置的面捕感知模型输出上述向量信息,比如人脸形状向量、人脸表情向量、人脸姿态向量及纹理向量等。
该实施例中,通过将基于第一图像获取到的向量信息输入至三维形象预测模型进行三维形象预测,得到目标对象的人脸的第一三维模型,即可以实现人脸模型的预测。
比如,可以将人脸形状向量、人脸表情向量、人脸姿态向量及纹理向量应用到3DMM的Faceverse中,得到预测的3D人脸模型,即得到第一三维模型。
在一个实施例中,所述三维形象预测模型的模型参数为基于目标损失值进行更新的模型参数;
所述目标损失值是基于第一情绪值和第二情绪值计算得到的,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型。
该实施例中,通过基于第一情绪值和第二情绪值计算目标损失值,可以识别出三维形象预测模型预测的第一三维模型的感知表达损失(perceptual expression loss),以便基于计算得到的目标损失值对三维形象预测模型的模型参数进行更新,从而提高三维形象预测模型的预测的准确性,进而提升面部表情的迁移效果。
上述第二图像可以应用可微分渲染的方式,将第一三维模型渲染成图像,且可以基于第一图像和经渲染处理后得到的第二图像计算图像像素的绝对误差损失(L1 loss)和关键点损失(loss)。计算得到的绝对误差损失和关键点损失也可以用于对三维形象预测模型的模型参数进行更新,以提高三维形象预测模型的预测的准确性。
在一个实施例中,所述三维形象预测模型的模型参数为:在验证结果指示情绪类别相同的情况下,基于所述目标损失值进行更新的模型参数;
所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
上述表情分类模型可以为用带表情和有表情类别的视频数据训练得到的模型。该表情分类模型的输入为图片,输出为表情的情绪类别。
该实施例中,通过在验证结果指示情绪类别相同的情况下,基于目标损失值对三维形象预测模型的模型参数进行更新,可以避免三维形象预测模型的模型参数无效更新。
本公开中,通过基于获取到的配准关系,将基于第一图像预测得到的第一三维模型的形象内容迁移至待迁入三维虚拟形象模型中的目标区域,保证了面捕技术能力在不同拓扑的三维虚拟形象模型上表现一致,并实现了面捕能力的可复制性。而且,相对于常规的通过模型师手工制作虚拟对象的blendshapes,还可以大大节省模型师的工作量。
请参见图2,图2是本公开提供的一种模型更新方法的流程图。如图2所示,该模型更新方法包括以下步骤:
步骤S201、获取包括目标对象的第一图像,所述目标对象包括目标区域。
步骤S202、基于所述第一图像获取所述目标对象的人脸的向量信息。
上述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项。
步骤S203、将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型。
步骤S204、基于第一情绪值和第二情绪值计算目标损失值。
上述第一情绪值为第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,上述第二情绪值为第二图像输入至情绪识别模型中进行情绪值预测得到的情绪值,第二图像为第一三维模型经渲染处理后得到的图像,情绪识别模型为预先获取的用于对图像进行情绪值预测的模型。
步骤S205、基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
上述过程的具体实现可以参考上述三维虚拟形象迁移方法的实现过程,在此不再赘述。
本公开中,通过基于第一情绪值和第二情绪值计算目标损失值,可以识别出三维形象预测模型预测的第一三维模型的感知表达损失,以便基于计算得到的目标损失值对三维形象预测模型的模型参数进行更新,从而提高三维形象预测模型的预测的准确性。
本公开中,上述方法可以应用于电子设备,上述方法包括的所有步骤均由该电子设备执行,该电子设备可以是服务器、计算机、手机等电子设备。
在一个实施例中,所述基于所述目标损失值对所述三维形象预测模型的模型参数进行更新,包括:
在验证结果指示情绪类别相同的情况下,基于所述目标损失值对三维形象预测模型的模型参数进行更新;
其中,所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
该实施例中,通过在验证结果指示情绪类别相同的情况下,基于目标损失值对三维形象预测模型的模型参数进行更新,可以避免三维形象预测模型的模型参数无效更新。
本公开中,通过基于第一情绪值和第二情绪值计算目标损失值,可以识别出三维形象预测模型预测的第一三维模型的感知表达损失,以便基于计算得到的目标损失值对三维形象预测模型的模型参数进行更新,从而提高三维形象预测模型的预测的准确性。
请参见图3a,图3a是本公开提供的一种三维虚拟形象迁移装置,如图3a所示,三维虚拟形象迁移装置300包括:
第一获取模块301,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
预测模块302,用于基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;
第二获取模块303,用于获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型,所述配准关系包括:所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系;
迁移模块304,用于基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
在一个实施例中,所述第二三维模型包括N个子区域,所述预设参考三维模型包括N个子区域,所述第一三维模型包括N个子区域,N为大于1的整数;
所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系,包括:所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系;
所述迁移模块304,具体用于按照所述一一对应关系,分别将所述第一三维模型的N个子区域迁移至所述待迁入三维虚拟形象模型中的所述第二三维模型的N个子区域,得到目标三维虚拟形象。
在一个实施例中,如图3b所示,所述第二获取模块303包括:
重构单元3031,用于基于所述预设参考三维模型,重构所述第二三维模型的N个子区域在参考坐标系中的坐标位置,且所述重构之后的所述第二三维模型的N个子区域的拓扑关系和所述重构之前的所述第二三维模型的N个子区域的拓扑关系的保持不变,所述参考坐标系为所述预设参考三维模型所对应的位置坐标系;
计算单元3032,用于基于所述预设参考三维模型的N个子区域的坐标位置和所述重构之后的所述第二三维模型的N个子区域的坐标位置,分别计算所述重构之后的所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系。
在一个实施例中,所述目标区域包括:人脸。
在一个实施例中,如图3c所示,所述三维虚拟形象迁移装置300包括:
第三获取模块305,用于获取所述第一图像中的所述目标对象的吐舌参数,并基于所述吐舌参数确定所述目标对象的吐舌表情;
更新模块306,用于在所述吐舌表情满足预设吐舌表情条件的情况下,基于所述吐舌表情对所述目标三维虚拟形象进行更新。
在一个实施例中,如图3d所示,所述预测模块302,包括:
获取单元3021,用于基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
预测单元3022,用于将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
其中,所述三维形象预测模型为预先获取的用于对图像进行三维形象预测的模型。
在一个实施例中,所述三维形象预测模型的模型参数为基于目标损失值进行更新的模型参数;
所述目标损失值是基于第一情绪值和第二情绪值计算得到的,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型。
在一个实施例中,所述三维形象预测模型的模型参数为:在验证结果指示情绪类别相同的情况下,基于所述目标损失值进行更新的模型参数;
所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
本公开提供的三维虚拟形象迁移装置能够实现本公开提供的三维虚拟形象迁移方法实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
请参见图4,图4是本公开提供的一种模型更新装置,如图4所示,模型更新装置400包括:
第一获取模块401,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
第二获取模块402,用于基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
预测模块403,用于将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
计算模块404,用于基于第一情绪值和第二情绪值计算目标损失值,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型;
更新模块405,用于基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
在一个实施例中,所述更新模块405,具体用于在验证结果指示情绪类别相同的情况下,基于所述目标损失值对三维形象预测模型的模型参数进行更新;
其中,所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
本公开提供的模型更新装置能够实现本公开提供的模型更新方法实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
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。
其中,上述电子设备,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提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
上述可读存储介质存储有计算机指令,其中,所述计算机指令用于使所述计算机执行本公开提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
上述计算机程序产品,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提供的三维虚拟形象迁移方法或者执行本公开提供的模型更新方法。
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格和/或各种电信网格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,例如三维虚拟形象迁移方法或者模型更新方法。例如,在一些实施例中,三维虚拟形象迁移方法或者模型更新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三维虚拟形象迁移方法或者模型更新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)而被配置为执行三维虚拟形象迁移方法或者执行模型更新方法。
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格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格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,通信网格)来将系统的部件相互连接。通信网格的示例包括: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格进行交互。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 (23)
1.一种三维虚拟形象迁移方法,包括:
获取包括目标对象的第一图像,所述目标对象包括目标区域;
基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;
获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型,所述配准关系包括:所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系;
基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
2.根据权利要求1所述的方法,其中,所述第二三维模型包括N个子区域,所述预设参考三维模型包括N个子区域,所述第一三维模型包括N个子区域,N为大于1的整数;
所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系,包括:所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系;
所述基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象,包括:
按照所述一一对应关系,分别将所述第一三维模型的N个子区域迁移至所述待迁入三维虚拟形象模型中的所述第二三维模型的N个子区域,得到目标三维虚拟形象。
3.根据权利要求2所述的方法,其中,所述获取第二三维模型与预设参考三维模型的配准关系,包括:
基于所述预设参考三维模型,重构所述第二三维模型的N个子区域在参考坐标系中的坐标位置,且所述重构之后的所述第二三维模型的N个子区域的拓扑关系和所述重构之前的所述第二三维模型的N个子区域的拓扑关系的保持不变,所述参考坐标系为所述预设参考三维模型所对应的位置坐标系;
基于所述预设参考三维模型的N个子区域的坐标位置和所述重构之后的所述第二三维模型的N个子区域的坐标位置,分别计算所述重构之后的所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系。
4.根据权利要求1至3中任一项所述的方法,其中,所述目标区域包括:人脸。
5.根据权利要求4所述的方法,其中,所述基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象之后,所述方法还包括:
获取所述第一图像中的所述目标对象的吐舌参数,并基于所述吐舌参数确定所述目标对象的吐舌表情;
在所述吐舌表情满足预设吐舌表情条件的情况下,基于所述吐舌表情对所述目标三维虚拟形象进行更新。
6.根据权利要求4所述的方法,其中,所述基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型,包括:
基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
其中,所述三维形象预测模型为预先获取的用于对图像进行三维形象预测的模型。
7.根据权利要求6所述的方法,其中,所述三维形象预测模型的模型参数为基于目标损失值进行更新的模型参数;
所述目标损失值是基于第一情绪值和第二情绪值计算得到的,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型。
8.根据权利要求7所述的方法,其中,所述三维形象预测模型的模型参数为:在验证结果指示情绪类别相同的情况下,基于所述目标损失值进行更新的模型参数;
所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
9.一种模型更新方法,包括:
获取包括目标对象的第一图像,所述目标对象包括目标区域;
基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
基于第一情绪值和第二情绪值计算目标损失值,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型;
基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
10.根据权利要求9所述的方法,其中,所述基于所述目标损失值对所述三维形象预测模型的模型参数进行更新,包括:
在验证结果指示情绪类别相同的情况下,基于所述目标损失值对三维形象预测模型的模型参数进行更新;
其中,所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
11.一种三维虚拟形象迁移装置,包括:
第一获取模块,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
预测模块,用于基于所述第一图像预测所述目标对象的所述目标区域的第一三维模型;
第二获取模块,用于获取第二三维模型与预设参考三维模型的配准关系,所述第二三维模型为待迁入三维虚拟形象模型中的所述目标区域的三维模型,所述预设参考三维模型为预设的所述目标区域的参考三维模型,所述配准关系包括:所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系;
迁移模块,用于基于所述配准关系,将所述第一三维模型迁移至所述待迁入三维虚拟形象模型中的所述目标区域,得到目标三维虚拟形象。
12.根据权利要求11所述的装置,其中,所述第二三维模型包括N个子区域,所述预设参考三维模型包括N个子区域,所述第一三维模型包括N个子区域,N为大于1的整数;
所述第二三维模型中的至少一个子区域与所述预设参考三维模型中的至少一个子区域的对应关系,包括:所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系;
所述迁移模块,具体用于按照所述一一对应关系,分别将所述第一三维模型的N个子区域迁移至所述待迁入三维虚拟形象模型中的所述第二三维模型的N个子区域,得到目标三维虚拟形象。
13.根据权利要求12所述的装置,其中,所述第二获取模块包括:
重构单元,用于基于所述预设参考三维模型,重构所述第二三维模型的N个子区域在参考坐标系中的坐标位置,且所述重构之后的所述第二三维模型的N个子区域的拓扑关系和所述重构之前的所述第二三维模型的N个子区域的拓扑关系的保持不变,所述参考坐标系为所述预设参考三维模型所对应的位置坐标系;
计算单元,用于基于所述预设参考三维模型的N个子区域的坐标位置和所述重构之后的所述第二三维模型的N个子区域的坐标位置,分别计算所述重构之后的所述第二三维模型中的N个子区域与所述预设参考三维模型中的N子区域的一一对应关系。
14.根据权利要求11至13中任一项所述的装置,其中,所述目标区域包括:人脸。
15.根据权利要求14所述的装置,其中,所述装置还包括:
第三获取模块,用于获取所述第一图像中的所述目标对象的吐舌参数,并基于所述吐舌参数确定所述目标对象的吐舌表情;
更新模块,用于在所述吐舌表情满足预设吐舌表情条件的情况下,基于所述吐舌表情对所述目标三维虚拟形象进行更新。
16.根据权利要求14所述的装置,其中,所述预测模块,包括:
获取单元,用于基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
预测单元,用于将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
其中,所述三维形象预测模型为预先获取的用于对图像进行三维形象预测的模型。
17.根据权利要求16所述的装置,其中,所述三维形象预测模型的模型参数为基于目标损失值进行更新的模型参数;
所述目标损失值是基于第一情绪值和第二情绪值计算得到的,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型。
18.根据权利要求17所述的装置,其中,所述三维形象预测模型的模型参数为:在验证结果指示情绪类别相同的情况下,基于所述目标损失值进行更新的模型参数;
所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
19.一种模型更新装置,包括:
第一获取模块,用于获取包括目标对象的第一图像,所述目标对象包括目标区域;
第二获取模块,用于基于所述第一图像获取所述目标对象的人脸的向量信息,所述向量信息包括人脸形状向量、人脸表情向量、人脸姿态向量、纹理向量中的至少一项;
预测模块,用于将所述向量信息输入至三维形象预测模型进行三维形象预测,得到所述目标对象的人脸的第一三维模型;
计算模块,用于基于第一情绪值和第二情绪值计算目标损失值,所述第一情绪值为所述第一图像输入至情绪识别模型中进行情绪值预测得到的情绪值,所述第二情绪值为第二图像输入至所述情绪识别模型中进行情绪值预测得到的情绪值,所述第二图像为所述第一三维模型经渲染处理后得到的图像,所述情绪识别模型为预先获取的用于对图像进行情绪值预测的模型;
更新模块,用于基于所述目标损失值对所述三维形象预测模型的模型参数进行更新。
20.根据权利要求19所述的装置,其中,所述更新模块,具体用于在验证结果指示情绪类别相同的情况下,基于所述目标损失值对三维形象预测模型的模型参数进行更新;
其中,所述验证结果指示情绪类别相同包括第一情绪类别和第二情绪类别的情绪类别相同,所述第一情绪类别为所述第一图像输入至表情分类模型进行情绪类别预测得到的情绪类别,所述第二情绪类别为所述第二图像输入至所述表情分类模型进行情绪类别预测得到的情绪类别,所述表情分类模型为预先获取的用于对图像进行情绪分类预测的模型。
21.一种电子设备,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权利要求1至10中任一项所述的方法。
22.一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如权利要求1至10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379406.4A CN116524162A (zh) | 2023-04-11 | 2023-04-11 | 三维虚拟形象迁移方法、模型更新方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379406.4A CN116524162A (zh) | 2023-04-11 | 2023-04-11 | 三维虚拟形象迁移方法、模型更新方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524162A true CN116524162A (zh) | 2023-08-01 |
Family
ID=87398546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310379406.4A Pending CN116524162A (zh) | 2023-04-11 | 2023-04-11 | 三维虚拟形象迁移方法、模型更新方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524162A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218499A (zh) * | 2023-09-29 | 2023-12-12 | 北京百度网讯科技有限公司 | 面部表情捕捉模型的训练方法、面部表情驱动方法和装置 |
-
2023
- 2023-04-11 CN CN202310379406.4A patent/CN116524162A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218499A (zh) * | 2023-09-29 | 2023-12-12 | 北京百度网讯科技有限公司 | 面部表情捕捉模型的训练方法、面部表情驱动方法和装置 |
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 | |
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 | |
CN115345980B (zh) | 个性化纹理贴图的生成方法及装置 | |
CN115049799B (zh) | 3d模型和虚拟形象的生成方法和装置 | |
CN112785674A (zh) | 纹理贴图的生成方法、渲染方法、装置、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 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
CN117274491A (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
CN116524162A (zh) | 三维虚拟形象迁移方法、模型更新方法及相关设备 | |
CN114092673B (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113380269B (zh) | 视频图像生成方法、装置、设备、介质和计算机程序产品 | |
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 | |
CN115311403B (zh) | 深度学习网络的训练方法、虚拟形象生成方法及装置 | |
CN114092616B (zh) | 渲染方法、装置、电子设备和存储介质 | |
CN113313631B (zh) | 图像渲染方法和装置 | |
CN114581586A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
CN114529649A (zh) | 图像处理方法和装置 | |
CN114820908B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN116206035B (zh) | 人脸重建方法、装置、电子设备以及存储介质 | |
CN116246026B (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 |
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 |