CN117611753A - 基于人工智能重建技术的面部整形修复辅助系统及方法 - Google Patents
基于人工智能重建技术的面部整形修复辅助系统及方法 Download PDFInfo
- Publication number
- CN117611753A CN117611753A CN202410089463.3A CN202410089463A CN117611753A CN 117611753 A CN117611753 A CN 117611753A CN 202410089463 A CN202410089463 A CN 202410089463A CN 117611753 A CN117611753 A CN 117611753A
- Authority
- CN
- China
- Prior art keywords
- patient
- facial feature
- facial
- context
- 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.)
- Granted
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000007493 shaping process Methods 0.000 title abstract description 15
- 230000008439 repair process Effects 0.000 claims abstract description 86
- 230000008447 perception Effects 0.000 claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000012800 visualization Methods 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 16
- 238000011156 evaluation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002980 postoperative effect Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 208000032170 Congenital Abnormalities Diseases 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000002316 cosmetic surgery Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 108030001720 Bontoxilysin Proteins 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 229940053031 botulinum toxin Drugs 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000003054 facial bone Anatomy 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002647 laser therapy Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002435 rhinoplasty Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036559 skin health Effects 0.000 description 1
- 230000036555 skin type Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于人工智能重建技术的面部整形修复辅助系统及方法,涉及智能化面部整形修复技术领域,其通过摄像头从多个角度捕捉患者的面部图像,利用三维重建模块处理这些图像,生成患者面部的三维模型;在此基础上,对患者面部三维模型进行虚拟整形修复操作,得到修复后的患者面部三维模型。具体地,通过三维重建模块处理患者面部图像,包括提取面部特征生成特征图,并进行空间感知强化和上下文关联特征分析,以得到多个上下文空间维度显化的患者面部特征图,最终利用这些特征图来生成患者面部的三维模型。这样,医生可以对患者的面部三维模型进行修改和调整,从而预测和评估不同修复方案对面部外观和功能的影响,为实际手术提供参考和指导。
Description
技术领域
本申请涉及智能化面部整形修复技术领域,尤其涉及一种基于人工智能重建技术的面部整形修复辅助系统及方法。
背景技术
面部整形修复是一种通过手术或非手术方法改善面部外观和功能的医疗过程。人们通常是出于美容或医疗的原因而进行面部整形修复。例如修复先天性缺陷、创伤后的畸形或癌症的后遗症。但是面部整形修复的效果往往受到患者的个体差异、医生的技术水平和术后恢复情况等多种因素的影响。因此,面部整形修复的预测和评估是一个重要而困难的问题。
目前,常用的面部整形修复预测和评估方法主要是基于二维图像,即通过对患者的面部照片进行处理和修改来模拟整形修复后的效果。然而这种方法并不能真实地反映患者的面部结构和全方位形态。
因此,期待一种优化的方案。
发明内容
本申请为了克服上述缺陷,提供一种基于人工智能重建技术的面部整形修复辅助系统及方法。
本申请还提供了一种基于人工智能重建技术的面部整形修复辅助方法,其包括:
通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;
通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;
对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;
其中,通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型,包括:
提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;
对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;
基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型;
其中,对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图,包括:
对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图;
将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图;
其中,对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图,包括:
使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图;
其中,使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图,包括:
以如下空间感知公式对所述患者面部特征图进行处理以得到空间注意力矩阵;其中,所述空间感知公式为:
;
其中,为所述患者面部特征图,/>为所述空间注意力矩阵,/>表示池化处理,/>、/>和/>表示卷积处理,/>表示基于/>函数的非线性激活处理;
计算所述空间注意力矩阵与所述患者面部特征图中按通道维度的各个患者面部特征矩阵的按位置点乘以得到所述空间维度显化患者面部特征图。
在上述基于人工智能重建技术的面部整形修复辅助方法中,提取所述多个患者面部图像的面部特征以得到多个患者面部特征图,包括:将所述多个患者面部图像分别通过基于卷积神经网络模型的面部特征提取器以得到所述多个患者面部特征图。
在上述基于人工智能重建技术的面部整形修复辅助方法中,所述基于卷积神经网络模型的面部特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
在上述基于人工智能重建技术的面部整形修复辅助方法中,将所述多个空间维度显化患者面部特征图通过所述基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图,包括:将所述空间维度显化患者面部特征图展开为一维输入向量以得到一维输入向量的序列;将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列;对所述上下文关联空间维度显化患者面部特征向量的序列进行特征向量重构以得到所述上下文空间维度显化患者面部特征图。
在上述基于人工智能重建技术的面部整形修复辅助方法中,将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列,包括:将所述一维输入向量的序列进行一维排列以得到全局一维向量;计算所述全局一维向量与所述一维输入向量的序列中各个一维输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述一维输入向量的序列中各个一维输入向量进行加权以得到所述上下文关联空间维度显化患者面部特征向量的序列。
在上述基于人工智能重建技术的面部整形修复辅助方法中,基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型,包括:将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图;对所述全局患者面部特征图进行特征分布校正以得到校正后全局患者面部特征图;将所述校正后全局患者面部特征图通过基于解码器的面部三维模型生成器以得到所述患者面部三维模型。
本申请还提供了一种基于人工智能重建技术的面部整形修复辅助系统,其包括:
面部图像获取模块,用于通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;
三维重建处理模块,用于通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;
虚拟整形修复操作模块,用于对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;
其中,所述三维重建处理模块,包括:
面部特征提取单元,用于提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;
空间感知强化和上下文关联特征分析单元,用于对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;
患者面部三维模型生成单元,用于基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型;
其中,所述空间感知强化和上下文关联特征分析单元,包括:
对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图;
将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图;
其中,对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图,包括:
使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图。
在上述基于人工智能重建技术的面部整形修复辅助系统中,使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图,包括:
以如下空间感知公式对所述患者面部特征图进行处理以得到空间注意力矩阵;其中,所述空间感知公式为:
;
其中,为所述患者面部特征图,/>为所述空间注意力矩阵,/>表示池化处理,/>、/>和/>表示卷积处理,/>表示基于/>函数的非线性激活处理;
计算所述空间注意力矩阵与所述患者面部特征图中按通道维度的各个患者面部特征矩阵的按位置点乘以得到所述空间维度显化患者面部特征图。
与现有技术相比,本申请提供的基于人工智能重建技术的面部整形修复辅助系统及方法,其通过摄像头从多个角度捕捉患者的面部图像,利用三维重建模块处理这些图像,生成患者面部的三维模型;在此基础上,对患者面部三维模型进行虚拟整形修复操作,得到修复后的患者面部三维模型。具体地,通过三维重建模块处理患者面部图像,包括提取面部特征生成特征图,并进行空间感知强化和上下文关联特征分析,以得到多个上下文空间维度显化的患者面部特征图,最终利用这些特征图来生成患者面部的三维模型。这样,医生可以对患者的面部三维模型进行修改和调整,从而预测和评估不同修复方案对面部外观和功能的影响,为实际手术提供参考和指导。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的流程图。
图2为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的系统架构的示意图。
图3为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助系统的框图。
图4为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的应用场景图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
面部整形修复是一种医疗过程,旨在通过手术或非手术方法改善面部外观和功能,这种程序通常由专业的整形外科医生执行,他们会根据患者的需求和情况制定个性化的治疗方案。面部整形修复可以出于美容或医疗原因,在美容方面,人们可能希望通过整形手术改善面部轮廓、减少皱纹、调整鼻子形状或改变下巴轮廓等;在医疗方面,面部整形修复通常用于修复先天性缺陷、创伤后的畸形或癌症治疗后的后遗症。
常见的面部整形修复手术包括隆鼻手术、面部提升手术、眼部整形手术、下颌整形手术等。此外,还有一些非手术方法,如注射填充物、肉毒杆菌素注射和激光治疗,可以用于改善面部外观。在进行面部整形修复之前,医生通常会与患者进行详细的咨询,评估患者的健康状况、期望和目标,并解释可能的风险和术后恢复情况。
面部整形修复的预测和评估是一个复杂而重要的问题,受到多种因素的影响。不同的患者拥有不同的面部结构、皮肤类型和健康状况,这些因素都会影响手术的效果和术后恢复情况,因此,医生需要对每位患者进行个性化评估,以确定最适合的治疗方案。医生的经验和技术水平对手术结果至关重要,经验丰富的整形外科医生通常能够更准确地评估患者的情况,并执行复杂的整形手术,以达到更理想的效果。患者的术后恢复情况也会对整形手术的效果产生影响,合理的术后护理和遵循医嘱对于手术效果的维持和最终结果至关重要。患者的期望和心理状态也会对整形手术的评估产生影响,医生需要与患者进行充分沟通,了解其期望和担忧,以便更准确地评估手术的适用性和可能的效果。
面部整形修复的预测和评估需要医生综合考虑上述因素,并在此基础上制定个性化的治疗方案。此外,利用先进的医学影像技术和计算机模拟等工具也有助于更准确地预测手术效果,为患者提供更好的治疗体验。
传统的面部整形修复预测和评估方法主要是基于二维图像,通常是通过对患者的面部照片进行处理和修改,以模拟整形修复后的效果。然而,这种方法存在一些缺陷,二维图像无法完全呈现患者的面部结构和全方位形态,面部整形修复的效果不仅涉及表面外观的变化,还包括对面部骨骼、软组织和三维结构的调整,因此,仅仅依靠二维图像进行预测和评估存在局限性。二维图像的处理和修改往往依赖于医生的主观判断和经验,这可能导致预测和评估结果的主观性和不确定性,同时,这种方法也无法提供客观的量化数据,难以准确评估术后效果。
面部整形修复的预测和评估需要更全面和准确的方法。近年来,随着医疗技术的发展,一些新的方法和技术开始被应用于面部整形修复的预测和评估:通过使用三维面部扫描技术,可以获取患者面部的真实三维数据,并利用计算机建模技术对整形修复后的效果进行模拟,这种方法可以更真实地呈现面部结构和形态的变化,为医生和患者提供更直观的参考。利用仿真软件和虚拟现实技术,医生可以进行更真实的面部整形修复模拟,并与患者进行更直观的沟通和共享。这些新的方法和技术有望弥补传统二维图像方法的局限性,提高面部整形修复的预测和评估的准确性和客观性。
在本申请的一个实施例中,图1为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的流程图。图2为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的系统架构的示意图。如图1和图2所示,根据本申请实施例的基于人工智能重建技术的面部整形修复辅助方法,包括:110,通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;120,通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;130,对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;其中,120,通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型,包括:121,提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;122,对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;123,基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型。
在所述步骤110中,通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像。在这一步骤中,摄像头的位置和角度应该被合理选择,以确保能够全面、准确地捕捉患者面部的图像,光线条件也需要被考虑,以避免阴影或反光对图像质量的影响。这样,多个角度的面部图像可以提供更全面的信息,有助于后续的三维重建和整形修复操作。
在所述步骤120中,通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型。在进行三维重建时,考虑图像的对齐、配准和质量,以确保最终得到的三维模型准确地反映患者的面部结构。通过三维重建,可以获得更真实、准确的患者面部三维模型,为后续的整形修复操作提供可靠的基础。
在所述步骤130中,对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型。在进行虚拟整形修复时,考虑整形的目的、患者的个体特征和医学美学原则,以确保修复后的三维模型符合患者的期望并且医学上合理。虚拟整形修复可以帮助医生和患者更直观地了解整形修复的效果,提前预览可能的结果,从而更好地沟通和决策。
这样的流程整合了摄影、三维重建和虚拟整形修复,有望提供更全面、准确的面部整形修复预测和评估方法,有助于克服传统二维图像方法的局限性,提高面部整形修复的预测和评估的准确性和客观性。
进一步地,步骤120还包括其他步骤:在所述步骤121中,在提取面部特征时,使用适当的特征提取算法和技术,以确保能够准确、全面地捕捉患者面部的特征信息,例如轮廓、凹凸等。提取面部特征图有助于将患者的面部特征信息转化为可处理的数据形式,为后续的分析和处理提供基础。在所述步骤122中,在进行空间感知强化和上下文关联特征分析时,考虑如何有效地整合不同特征之间的空间关系和上下文信息,以提高特征图的表达能力和区分度。通过空间感知强化和上下文关联特征分析,可以更好地呈现患者面部特征的空间结构和相关性,为后续的三维模型生成提供更丰富的特征信息。在所述步骤123中,在生成三维模型时,根据显化的特征图,选择合适的三维建模方法和技术,以确保最终生成的三维模型能够准确地反映患者的面部特征。基于上下文空间维度显化的特征图生成三维模型,可以更好地保留患者面部特征的空间信息和结构特点,提高三维模型的准确性和真实感。
也就是说,110步骤通过摄像头获取多个角度的患者面部图像以提供关于患者的多视角的面部结构信息;120步骤从多个角度的患者面部图像中挖掘高维隐含面部特征信息,从而利用这些信息转换为患者面部三维模型,以更真实地反映患者的面部形态和结构;130步骤通过虚拟整形修复操作获得患者的修复患者面部三维模型,这样,医生可以对患者的面部三维模型进行修改和调整,从而预测和评估不同修复方案对面部外观和功能的影响,为实际手术提供参考和指导。
但是,在实际进行患者面部三维模型的三维重建过程中,传统的方案依赖于从多个患者面部图像中的预定关键点处进行三维重建。如果图像质量较差或图像之间存在较大的差异,可能会导致重建结果的准确性下降。此外,不同患者的患者面部图像可能存在较大差异,例如姿态、表情、肤色等方面的差异。这些差异的存在可能导致从不同图像中提取相同预定关键点位置处的信息会导致原本需要注意和关注的区域被忽略,从而影响最终的三维重建结果。因此,期待一种优化的方案。
针对上述技术问题,本申请的技术构思为利用基于深度学习的图像处理技术,对多个患者面部图像进行深入分析,并挖掘所述多个患者面部图像共同表达的患者面部的全局性特征信息,以此来生成患者面部三维模型。
通过深度学习技术,可以对多个患者面部图像进行全面、高效的特征提取和分析,这种方法可以挖掘出患者面部图像中共同表达的全局性特征信息,例如面部轮廓、凹凸等特征,从而捕捉到不同患者之间的共性和特征分布规律。基于挖掘到的全局性特征信息,可以针对每个患者生成个性化的三维面部模型,这种个性化的模型可以更好地反映患者面部的真实特征,从而为面部整形修复提供更准确的参考和预测。利用深度学习技术进行面部图像分析和三维模型生成,有助于提高模型的准确性和真实感,深度学习模型能够学习复杂的面部特征表达,并且能够从大规模数据中学习到更加抽象和高级的特征,从而生成更加真实的三维模型。生成的个性化三维模型可以作为医患沟通的重要工具,帮助医生向患者展示可能的整形修复效果,促进双方更充分的沟通和决策。
利用基于深度学习的图像处理技术对多个患者面部图像进行深入分析,并挖掘全局性特征信息来生成患者面部三维模型,有望提高面部整形修复的准确性、个性化程度和沟通效果,对医患双方都具有重要意义。
基于此,在本申请的技术方案中,首先将所述多个患者面部图像分别通过基于卷积神经网络模型的面部特征提取器以得到多个患者面部特征图。也就是,利用卷积神经网络模型来构建面部特征提取器,以捕捉蕴含在各个所述患者面部图像中的特征信息,例如面部的结构、纹理、轮廓等重要信息,这些信息对于三维重建具有重要意义。
在本申请的一个具体实施例中,提取所述多个患者面部图像的面部特征以得到多个患者面部特征图,包括:将所述多个患者面部图像分别通过基于卷积神经网络模型的面部特征提取器以得到所述多个患者面部特征图。
其中,所述基于卷积神经网络模型的面部特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
在本申请的一个实施例中,对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图,包括:对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图;将所述多个空间维度显化患者面部特征图通过所述基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图。
应可以理解,在三维模型重建的过程中,由于患者的各个面部图像可能存在姿态、表情等方面的差异,从不同图像的不同空间位置处可能存在具有不同重要程度的特征信息。因此,在本申请的技术方案中,期待使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以捕获空间域的重要特征信息,增强网络学习患者面部特征表示的辨别能力,抑制无关噪声信息的影响,并引导网络关注对识别患者面部特征信息起到关键作用空间位置,从而得到多个空间维度显化患者面部特征图。具体而言,所述空间感知特征融合模块通过对各个所述患者面部特征图进行基于全局视野的特征感知来捕获丰富的空间信息,从而将空间信息凝聚成空间注意力矩阵以区别各个位置处应施加的关注度,并将所述空间注意力矩阵对所述患者面部特征图中按通道维度的各个患者面部特征矩阵进行按位置点乘来调整各个位置处的空间关注度信息,使得患者面部特征分布能更加准确地对应到面部的真实结构。
在本申请的一个具体实施例中,对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图,包括:使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图。
更具体地,使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图,包括:以如下空间感知公式对所述患者面部特征图进行处理以得到空间注意力矩阵;其中,所述空间感知公式为:
;
其中,为所述患者面部特征图,/>为所述空间注意力矩阵,/>表示池化处理,/>、/>和/>表示卷积处理,/>表示基于/>函数的非线性激活处理;
计算所述空间注意力矩阵与所述患者面部特征图中按通道维度的各个患者面部特征矩阵的按位置点乘以得到所述空间维度显化患者面部特征图。
然后,将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到多个上下文空间维度显化患者面部特征图。也就是,通过所述基于转换器模块的上下文编码器来构建各个空间维度显化患者面部特征图之间上下文关联关系,以增强特征信息的上下文感知能力和表达能力。更具体地,上下文关联关系可能包括各个局部面部区域的周围环境和相邻区域的面部结构关联关系。通过引入上下文信息,可以更好地理解患者面部的细节和语义信息,对于三维模型的重建具有重要意义。
在本申请的一个具体实施例中,将所述多个空间维度显化患者面部特征图通过所述基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图,包括:将所述空间维度显化患者面部特征图展开为一维输入向量以得到一维输入向量的序列;将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列;对所述上下文关联空间维度显化患者面部特征向量的序列进行特征向量重构以得到所述上下文空间维度显化患者面部特征图。
进一步地,将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列,包括:将所述一维输入向量的序列进行一维排列以得到全局一维向量;计算所述全局一维向量与所述一维输入向量的序列中各个一维输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述一维输入向量的序列中各个一维输入向量进行加权以得到所述上下文关联空间维度显化患者面部特征向量的序列。
进一步地,将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图后通过基于解码器的面部三维模型生成器以得到所述患者面部三维模型。这里,将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图,可以将各个局部特征统一起来并融合为一个全局的特征表示。这样可以综合利用各个局部面部特征中的信息,提高对面部结构和形状的理解和建模能力。
在本申请的一个具体实施例中,基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型,包括:将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图;将所述校正后全局患者面部特征图通过基于解码器的面部三维模型生成器以得到所述患者面部三维模型。
在本申请的技术方案中,所述多个患者面部特征图中的每个患者面部特征图在特征矩阵空间分布维度上表达患者面部图像的图像语义特征,由此,再使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化时,通过强化图像语义特征在特征矩阵内的局部空间分布来增强图像语义表达,但是,这也会导致特征矩阵间的空间分布差异。这样,在将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到多个上下文空间维度显化患者面部特征图,并将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图后,所述全局患者面部特征图的各个特征矩阵间的图像语义信息表达差异会导致所述全局患者面部特征图的整体图像语义表达信息博弈离散化,从而影响所述全局患者面部特征图的表达效果。
基于此,本申请的申请人首先对所述全局患者面部特征图进行各个特征矩阵的全局池化以获得全局患者面部特征向量,再对所述全局患者面部特征向量进行校正,具体表示为:对所述全局患者面部特征图进行各个特征矩阵的全局池化以获得全局患者面部特征向量;以及,以如下优化公式对所述全局患者面部特征向量进行特征分布校正以得到校正后全局患者面部特征图展开得到的校正后全局患者面部特征向量;其中,所述优化公式为:
;
其中,是所述全局患者面部特征向量的特征值,/>是所述全局患者面部特征向量的第/>个位置的特征值,且/>是尺度超参数,/>是所述校正后全局患者面部特征图展开得到的校正后全局患者面部特征向量的特征值,/>表示以2为底的对数函数。
具体地,当所述全局患者面部特征向量基于特征值表达所述全局患者面部特征图的各个特征矩阵间的图像语义信息分布时,由于所述特征矩阵的图像语义信息表示本身的致密特性,会使得所述全局患者面部特征向量的各个位置的特征值之间的图像语义表达信息博弈离散化产生大规模信息博弈,导致整体表达难以在博弈基础上收敛到纳什均衡,尤其是在存在以各个特征矩阵的图像语义信息表示为基础的大规模非完美博弈离散化信息的情况下,这样,通过基于所述全局患者面部特征向量的向量信息自控均衡邻域对所述全局患者面部特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛。这样,再以校正后全局患者面部特征向量对所述全局患者面部特征图进行沿通道维度的加权,就可以抑制所述全局患者面部特征图的整体图像语义表达信息博弈离散化,从而提升所述全局患者面部特征图的表达效果。
再通过基于解码器的面部三维模型生成器可以将所述校正后全局患者面部特征图所表达的患者面部特征分布转换为面部的三维模型。其中,解码器通过学习特征与三维模型之间的映射关系来还原出面部的三维形状和外观。通过解码器的重建能力,可以基于全局特征生成高质量的面部三维模型。
综上,基于本申请实施例的基于人工智能重建技术的面部整形修复辅助方法被阐明,其利用基于深度学习的图像处理技术,对多个患者面部图像进行深入分析,并挖掘所述多个患者面部图像共同表达的患者面部的全局性特征信息,以此来生成患者面部三维模型。
图3为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助系统的框图。如图3所示,所述基于人工智能重建技术的面部整形修复辅助系统200,包括:面部图像获取模块210,用于通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;三维重建处理模块220,用于通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;虚拟整形修复操作模块230,用于对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;其中,所述三维重建处理模块220,包括:面部特征提取单元221,用于提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;空间感知强化和上下文关联特征分析单元222,用于对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;患者面部三维模型生成单元223,用于基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型。
本领域技术人员可以理解,上述基于人工智能重建技术的面部整形修复辅助系统中的各个步骤的具体操作已经在上面参考图1到图2的基于人工智能重建技术的面部整形修复辅助方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于人工智能重建技术的面部整形修复辅助系统200可以实现在各种终端设备中,例如用于基于人工智能重建技术的面部整形修复辅助的服务器等。在一个示例中,根据本申请实施例的基于人工智能重建技术的面部整形修复辅助系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于人工智能重建技术的面部整形修复辅助系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于人工智能重建技术的面部整形修复辅助系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能重建技术的面部整形修复辅助系统200与该终端设备也可以是分立的设备,并且该基于人工智能重建技术的面部整形修复辅助系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本申请实施例中提供的一种基于人工智能重建技术的面部整形修复辅助方法的应用场景图。如图4所示,在该应用场景中,首先,通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像(如图4中所示意的C1、C2、C3);然后,将获取的多个患者面部图像输入至部署有基于人工智能重建技术的面部整形修复辅助算法的服务器(如图4中所示意的S)中,其中所述服务器能够基于人工智能重建技术的面部整形修复辅助算法对所述多个患者面部图像进行处理,以得到修复患者面部三维模型。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于人工智能重建技术的面部整形修复辅助方法,其特征在于,包括:
通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;
通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;
对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;
其中,通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型,包括:
提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;
对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;
基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型;
其中,对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图,包括:
对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图;
将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图;
其中,对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图,包括:
使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图;
其中,使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图,包括:
以如下空间感知公式对所述患者面部特征图进行处理以得到空间注意力矩阵;其中,所述空间感知公式为:
;
其中,为所述患者面部特征图,/>为所述空间注意力矩阵,/>表示池化处理,、/>和/>表示卷积处理,/>表示基于/>函数的非线性激活处理;
计算所述空间注意力矩阵与所述患者面部特征图中按通道维度的各个患者面部特征矩阵的按位置点乘以得到所述空间维度显化患者面部特征图。
2.根据权利要求1所述的基于人工智能重建技术的面部整形修复辅助方法,其特征在于,提取所述多个患者面部图像的面部特征以得到多个患者面部特征图,包括:
将所述多个患者面部图像分别通过基于卷积神经网络模型的面部特征提取器以得到所述多个患者面部特征图。
3.根据权利要求2所述的基于人工智能重建技术的面部整形修复辅助方法,其特征在于,所述基于卷积神经网络模型的面部特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
4.根据权利要求3所述的基于人工智能重建技术的面部整形修复辅助方法,其特征在于,将所述多个空间维度显化患者面部特征图通过所述基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图,包括:
将所述空间维度显化患者面部特征图展开为一维输入向量以得到一维输入向量的序列;
将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列;
对所述上下文关联空间维度显化患者面部特征向量的序列进行特征向量重构以得到所述上下文空间维度显化患者面部特征图。
5.根据权利要求4所述的基于人工智能重建技术的面部整形修复辅助方法,其特征在于,将所述一维输入向量的序列通过所述基于转换器模块的上下文编码器以得到上下文关联空间维度显化患者面部特征向量的序列,包括:
将所述一维输入向量的序列进行一维排列以得到全局一维向量;
计算所述全局一维向量与所述一维输入向量的序列中各个一维输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述一维输入向量的序列中各个一维输入向量进行加权以得到所述上下文关联空间维度显化患者面部特征向量的序列。
6.根据权利要求5所述的基于人工智能重建技术的面部整形修复辅助方法,其特征在于,基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型,包括:
将所述多个上下文空间维度显化患者面部特征图拼接为全局患者面部特征图;
对所述全局患者面部特征图进行特征分布校正以得到校正后全局患者面部特征图;
将所述校正后全局患者面部特征图通过基于解码器的面部三维模型生成器以得到所述患者面部三维模型。
7.一种基于人工智能重建技术的面部整形修复辅助系统,其特征在于,包括:
面部图像获取模块,用于通过摄像头从多个角度捕捉患者的面部图像以得到多个患者面部图像;
三维重建处理模块,用于通过三维重建模块对所述多个患者面部图像进行处理以得到患者面部三维模型;
虚拟整形修复操作模块,用于对所述患者面部三维模型进行虚拟整形修复操作以得到修复患者面部三维模型;
其中,所述三维重建处理模块,包括:
面部特征提取单元,用于提取所述多个患者面部图像的面部特征以得到多个患者面部特征图;
空间感知强化和上下文关联特征分析单元,用于对所述多个患者面部特征图进行空间感知强化和上下文关联特征分析以得到多个上下文空间维度显化患者面部特征图;
患者面部三维模型生成单元,用于基于所述多个上下文空间维度显化患者面部特征图来生成所述患者面部三维模型;
其中,所述空间感知强化和上下文关联特征分析单元,包括:
对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图;
将所述多个空间维度显化患者面部特征图通过基于转换器模块的上下文编码器以得到所述多个上下文空间维度显化患者面部特征图;
其中,对所述多个患者面部特征图进行特征显化处理以得到多个空间维度显化患者面部特征图,包括:
使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图;
其中,使用空间感知特征融合模块分别对所述多个患者面部特征图进行空间维度强化以得到所述多个空间维度显化患者面部特征图,包括:
以如下空间感知公式对所述患者面部特征图进行处理以得到空间注意力矩阵;其中,所述空间感知公式为:
;
其中,为所述患者面部特征图,/>为所述空间注意力矩阵,/>表示池化处理,、/>和/>表示卷积处理,/>表示基于/>函数的非线性激活处理;
计算所述空间注意力矩阵与所述患者面部特征图中按通道维度的各个患者面部特征矩阵的按位置点乘以得到所述空间维度显化患者面部特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089463.3A CN117611753B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能重建技术的面部整形修复辅助系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089463.3A CN117611753B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能重建技术的面部整形修复辅助系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611753A true CN117611753A (zh) | 2024-02-27 |
CN117611753B CN117611753B (zh) | 2024-03-22 |
Family
ID=89952009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089463.3A Active CN117611753B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能重建技术的面部整形修复辅助系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611753B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117798654A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 汽轮机轴系中心智能调整系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061892A (zh) * | 2018-09-27 | 2018-12-21 | 广州狄卡视觉科技有限公司 | 整形外科医学影像模型重建互动裸眼立体显示系统及方法 |
CN111126175A (zh) * | 2019-12-05 | 2020-05-08 | 厦门大象东方科技有限公司 | 一种基于深度卷积神经网络的面部图像识别算法 |
CN113962893A (zh) * | 2021-10-27 | 2022-01-21 | 山西大学 | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 |
CN113989129A (zh) * | 2021-09-01 | 2022-01-28 | 西安电子科技大学 | 基于门控和上下文注意力机制的图像修复方法 |
CN114241515A (zh) * | 2021-11-19 | 2022-03-25 | 浙江工业大学 | 一种基于时空上下文特征感知的三维人体姿态估计方法 |
WO2022269593A1 (en) * | 2021-06-21 | 2022-12-29 | Luca Ai Ltd. | A face rejuvenation method based on 3-d modeling, and guidance system thereof |
-
2024
- 2024-01-23 CN CN202410089463.3A patent/CN117611753B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061892A (zh) * | 2018-09-27 | 2018-12-21 | 广州狄卡视觉科技有限公司 | 整形外科医学影像模型重建互动裸眼立体显示系统及方法 |
CN111126175A (zh) * | 2019-12-05 | 2020-05-08 | 厦门大象东方科技有限公司 | 一种基于深度卷积神经网络的面部图像识别算法 |
WO2022269593A1 (en) * | 2021-06-21 | 2022-12-29 | Luca Ai Ltd. | A face rejuvenation method based on 3-d modeling, and guidance system thereof |
CN113989129A (zh) * | 2021-09-01 | 2022-01-28 | 西安电子科技大学 | 基于门控和上下文注意力机制的图像修复方法 |
CN113962893A (zh) * | 2021-10-27 | 2022-01-21 | 山西大学 | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 |
CN114241515A (zh) * | 2021-11-19 | 2022-03-25 | 浙江工业大学 | 一种基于时空上下文特征感知的三维人体姿态估计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117798654A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 汽轮机轴系中心智能调整系统 |
CN117798654B (zh) * | 2024-02-29 | 2024-05-03 | 山西漳电科学技术研究院(有限公司) | 汽轮机轴系中心智能调整系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117611753B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3885965B1 (en) | Image recognition method based on micro facial expressions, apparatus and related device | |
CN117611753B (zh) | 基于人工智能重建技术的面部整形修复辅助系统及方法 | |
JP2022505498A (ja) | 画像処理方法、装置、電子機器及びコンピュータ読取可能記憶媒体 | |
WO2020133636A1 (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
JP2021530061A (ja) | 画像処理方法及びその装置、電子機器並びにコンピュータ可読記憶媒体 | |
CN111243730B (zh) | 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统 | |
CN109063643B (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
CN110796593A (zh) | 基于人工智能的图像处理方法、装置、介质及电子设备 | |
Vezzetti et al. | Geometry-based 3D face morphology analysis: soft-tissue landmark formalization | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN112258382A (zh) | 一种基于图像到图像的面部风格转移方法和系统 | |
US20220375621A1 (en) | Digital twin | |
CN111402216A (zh) | 基于深度学习的三维碎骨分割方法和装置 | |
CN113327191A (zh) | 人脸图像合成方法及装置 | |
CN117218300B (zh) | 三维模型的构建方法、三维构建模型的训练方法及装置 | |
CN110675312A (zh) | 图像数据处理方法、装置、计算机设备以及存储介质 | |
CN110047145B (zh) | 基于深度学习和有限元建模的组织变形模拟系统及方法 | |
CN113780250B (zh) | 一种针对小样本的端到端面部腧穴定位方法及电子设备 | |
Ankireddy | Assistive diagnostic tool for brain tumor detection using computer vision | |
Schenkenfelder et al. | Synthesizing diagnostic burn images for deep learning applications | |
CN117974832B (zh) | 基于生成对抗网络的多模态肝脏医学图像扩充算法 | |
Kuang et al. | A survey of multimedia technologies and robust algorithms | |
CN117058405B (zh) | 一种基于图像的情绪识别方法、系统、存储介质及终端 | |
CN117894057B (zh) | 用于情感障碍辅助诊断的三维数字人脸处理方法与装置 | |
Guo et al. | [Retracted] Scene Construction and Application of Panoramic Virtual Simulation in Interactive Dance Teaching Based on Artificial Intelligence Technology |
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 |