CN117830083A - 一种人脸素描到人脸照片的生成方法、装置 - Google Patents

一种人脸素描到人脸照片的生成方法、装置 Download PDF

Info

Publication number
CN117830083A
CN117830083A CN202410245890.6A CN202410245890A CN117830083A CN 117830083 A CN117830083 A CN 117830083A CN 202410245890 A CN202410245890 A CN 202410245890A CN 117830083 A CN117830083 A CN 117830083A
Authority
CN
China
Prior art keywords
face
image
sketch
network
reconstructed image
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
CN202410245890.6A
Other languages
English (en)
Other versions
CN117830083B (zh
Inventor
梁波
张璇
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202410245890.6A priority Critical patent/CN117830083B/zh
Publication of CN117830083A publication Critical patent/CN117830083A/zh
Application granted granted Critical
Publication of CN117830083B publication Critical patent/CN117830083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种人脸素描到人脸照片的生成方法、装置，方法包括：获取人脸素描图像；依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片。本发明提出的提取素描图像特征合成光学人脸图像的方法，通过基于深度卷积神经网络进一步学习素描特征提取后的表示，拉近了素描图像与光学图像的人物刻画的模态差异；进而使得依据跨域合成的人脸重建图像输入人脸生成模型后相似性比对更合理准确，使获取的人脸照片更符合实际所需。

Description

一种人脸素描到人脸照片的生成方法、装置
技术领域
本发明涉及一种人脸素描到人脸照片的生成方法、装置，属于图像处理领域。
背景技术
人脸识别技术发展迅猛，应用场景逐步丰富，应用领域不断拓展，成为备受关注的热点发展方向之一。对于人脸识别技术的研究至今已有六十年历史，其发展历程大致分为三个阶段：第一阶段主要是概念提出和理论研究，该阶段提出了人脸几何结构特征的研究方法，研究重点在于对识别对象的面部剪影曲线和结构特征进行提取和分析，并在人工神经网络方面进行了大量研究。第二阶段是深耕人脸识别技术研究阶段，该阶段对人脸识别算法进行了大量深入的研究，先后提出了“特征脸”方法、局部特征分析技术、基于结构特征与基于模板匹配的识别方法等，以上方法在较理想的图像采集条件、识别对象配合程度高，以及中小规模正面人脸数据库的条件下达到了非常好的效果，并实现了初步的应用。第三阶段是实际应用探索阶段，基于前期的理论研究和技术突破，该阶段在人脸图像的分析与识别技术上取得了更大的进展，并逐步实现了人脸识别的多场景、多领域的应用，并在实际应用中不断地优化升级算法与技术以实现更大程度的应用推广。
依据素描生成人脸图像作为人脸识别的重要分支主要应用于安全保卫等领域。依据素描生成人脸图像因其在公共安全领域的重要地位，正受到越来越多的国内外研究工作者的关注。目前针对素描图像的处理方法有模态间算法，模态间算法旨在提取出人脸图像中能够保留对象身份信息的关键特征，最大限度区分不同对象身份。但由于素描图像和可见光图像数据来源不同导致二者存在较大模态差异，该方法并没有考虑图像间模态差异问题，因此直接使用模态间算法进行素描到人脸的生成并不能取得理想的结果。
有鉴于此，特提出本发明。
发明内容
本发明提供了一种人脸素描到人脸照片的生成方法、装置，通过素描图像跨域合成人脸重建图像后参与人脸照片的生成。
本发明的技术方案是：
根据本发明的第一方面，提供了一种人脸素描到人脸照片的生成方法，包括：获取人脸素描图像；依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片；所述依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像，包括：输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
所述依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型，包括：对重建图像制作标签，保存重建图像与标签；将保存下来的重建图像和标签与人脸图库构建数据集，使用交叉验证法对数据集进行划分，一部分为训练集，其余为验证集；依据数据集，使用Haar级联分类器检测数据集图像中人脸位置，将人脸位置区域进行尺寸调整；使用最大均值差异将数据集中所有图像的人脸位置区域进行对齐，并对人脸位置区域图片进行灰度化处理，获得处理后的数据集；以处理后的数据集中的训练集作为输入，调用KNN分类器进行训练；使用处理后的数据集中的验证集以准确率作为指标评估模型性能，获得验证通过的KNN分类器作为人脸生成模型。
所述将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片，具体为：将重建图像输入至人脸生成模型，调用人脸数据库，输出最接近的比对结果，作为人脸照片。
根据本发明的第二方面，提供了一种人脸素描到人脸照片的生成装置，包括：获取模块，用于获取人脸素描图像；重建模块，用于依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；第一获得模块，用于依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；第二获得模块，用于将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片；所述第一获得模块，包括：输入单元，用于输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；输出单元，用于将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
根据本发明的第三方面，提供了一种终端设备，包括存储器、处理器，所述存储器用于存储被所述处理器执行的指令，所述指令被所述处理器执行时，所述终端设备用于实现如上述中任一项所述的人脸素描到人脸照片的生成方法。
根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的指令，其中，在所述指令执行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的人脸素描到人脸照片的生成方法。
本发明的有益效果是：本发明提出了提取素描图像特征合成光学人脸图像的方法，基于深度卷积神经网络进一步学习素描特征提取后的表示，拉近了素描图像与光学图像的人物刻画的模态差异；进而使得依据跨域合成的人脸重建图像输入人脸生成模型后相似性比对更合理准确，使获取的人脸照片更符合实际所需。
附图说明
图1是本发明方法的流程图；
图2是人脸素描到重建光学人脸图像的结构框图；
图3是获取人脸生成模型的结构框图；
图4本发明可选实施例实验前后对比图。
具体实施方式
下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-图4所示，根据本发明实施例的第一方面，提供了一种人脸素描到人脸照片的生成方法，获取人脸素描图像；依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片。以上数据的获取是在符合法律规定的情况下所进行的。
进一步地，所述依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像，包括：输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像。
进一步地，所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
进一步地，所述依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型，包括：对重建图像制作标签，保存重建图像与标签；将保存下来的重建图像和标签与人脸图库构建数据集，使用交叉验证法对数据集进行划分，一部分为训练集，其余为验证集；依据数据集，使用Haar级联分类器检测数据集图像中人脸位置，将人脸位置区域进行尺寸调整；使用最大均值差异将数据集中所有图像的人脸位置区域进行对齐，并对人脸位置区域图片进行灰度化处理，获得处理后的数据集；以处理后的数据集中的训练集作为输入，调用KNN分类器进行训练；使用处理后的数据集中的验证集以准确率作为指标评估模型性能，获得验证通过的KNN分类器作为人脸生成模型。
进一步地，所述将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片，具体为：将重建图像输入至人脸生成模型，调用人脸数据库，输出最接近的比对结果，作为人脸照片。
根据本发明实施例的第二方面，提供了一种人脸素描到人脸照片的生成装置，包括：获取模块，用于获取人脸素描图像；重建模块，用于依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；第一获得模块，用于依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；第二获得模块，用于将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片；所述第一获得模块，包括：输入单元，用于输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；输出单元，用于将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
根据本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器，所述存储器用于存储被所述处理器执行的指令，所述指令被所述处理器执行时，所述终端设备用于实现如上述中任一项所述的人脸素描到人脸照片的生成方法。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的指令，其中，在所述指令执行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的人脸素描到人脸照片的生成方法。
下面结合附图对本发明可选地具体实施方式描述如下：
Step1.1、输入一张人像素描图像，采用第一深度学习子网络从人脸素描图像中分别学习左眼、右眼、鼻子、嘴巴、耳朵和其他的面部特征，将特征提取并保存于网络中；其中，第一深度学习子网络为基于transformer的特征提取网络；
Step1.2、特征映射模块与Sketchformer模块形成第二深度学习子网络，将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；其中，特征映射模块使用自编码器。
应用上述技术方案可知，Transformer允许每个位置直接关注输入序列的所有位置，使得计算可以高度并行化，提高了计算效率，而且在特征提取时可以考虑与当前位置相关性强的其它位置的信息。并且能够直接捕捉不同位置之间的依赖关系，能够更好地建模长程依赖，使得模型能够更好地理解和处理远距离的语义关系。Sketchformer解决了时隙掩蔽增强学习由较长序列表示的复杂结构的问题，并且容纳的草图的结构复杂性，帮助自编码器更精确快速合成光学图像。因此本方法具有速度快且结果更加精确等优势。
Step2.1、为重建图像制作标签，保存重建图像与标签；将保存下来的图像和标签与现有人脸图库构建数据集，用于补充模态信息，辅助提升精度。使用交叉验证法对数据集进行划分，一部分为训练集，其余为验证集。上述中训练集用于训练学习，验证集测试得到的模型，之后使用其作为评价分类器的指标；
Step2.2、以step2.1的数据集使用Haar级联分类器检测数据集图像中人脸位置，将人脸位置区域调整为统一宽高(具体地可以设置均为256），对亮度和对比度进行调整来提高图像质量；使用最大均值差异将数据集中所有图像的人脸位置区域进行对齐，并对人脸位置区域图片进行灰度化处理；
Step2.3、训练模型，创建一个KNN分类器，以step2.2处理后的训练集作为输入，调用KNN分类器进行训练。
具体而言，所述KNN分类器中要求数据的所有特征都可以做比较量化。若在数据特征中存在非数值类型，必须采用手段将其量化为数值，在距离度量中引入期望、方差来解决，衡量相似性方法就是衡量两个向量之间的距离，公式如下所示：
；
其中，表示两个向量的距离，i和j表示两个不同的向量，p是一个变参数。 在KNN分类器中，K值选择是对算法的结果有重大影响，在决策时通过依据测试样本的K个最 近邻"数据样本"做决策判断。对测试对象的类别进行确定，本发明采用改进的加权投票法， 公式如下所示：
；
；
其中，表示第 i 个邻居点的权重，是指当 时取值为 1，否则取 值为 0。使用公式计算第 i 个邻居点的权重，其中d()表示待分类点 x 和第 i 个邻 居点 之间的距离，q是一个超参数，用于控制距离的衰减速度。
Step2.4、评估模型，使用验证集以准确率作为指标评估模型性能，获得验证通过的KNN分类器；在本发明的实施例中，设置的准确率为90%以上，经实验验证，模型的准确率符合该标准；
Step2.5、将重建图像输入至验证通过的KNN分类器，调用人脸数据库，输出最接近的比对结果。在本发明的实施例中，设置相似度阈值为90%。在实际应用中，如果不存在高于该阈值的比对结果，则表明调用的人脸数据库中不存在有效的比对结果。此时可以考虑从其它人脸数据库中进行比对。
为了验证本发明提出的人脸素描述生成人脸照片的效果，采用上述的技术方案对如图4左部分所示的图像进行人脸照片生成，输出与重建图像中人像最为相似的人脸照片如图4右部分所示。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种人脸素描到人脸照片的生成方法，其特征在于，包括：
获取人脸素描图像；
依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；
依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；
将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片；
所述依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像，包括：
输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；
将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；
所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
2.根据权利要求1所述的人脸素描到人脸照片的生成方法，其特征在于，所述依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型，包括：
对重建图像制作标签，保存重建图像与标签；将保存下来的重建图像和标签与人脸图库构建数据集，使用交叉验证法对数据集进行划分，一部分为训练集，其余为验证集；
依据数据集，使用Haar级联分类器检测数据集图像中人脸位置，将人脸位置区域进行尺寸调整；使用最大均值差异将数据集中所有图像的人脸位置区域进行对齐，并对人脸位置区域图片进行灰度化处理，获得处理后的数据集；
以处理后的数据集中的训练集作为输入，调用KNN分类器进行训练；使用处理后的数据集中的验证集以准确率作为指标评估模型性能，获得验证通过的KNN分类器作为人脸生成模型。
3.根据权利要求1所述的人脸素描到人脸照片的生成方法，其特征在于，所述将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片，具体为：将重建图像输入至人脸生成模型，调用人脸数据库，输出最接近的比对结果，作为人脸照片。
4.一种人脸素描到人脸照片的生成装置，其特征在于，包括：
获取模块，用于获取人脸素描图像；
重建模块，用于依据所述人脸素描图像进行重建，获得人脸素描图像的重建图像；
第一获得模块，用于依据人脸素描图像的重建图像及人脸图库构建数据集训练模型，获得人脸生成模型；
第二获得模块，用于将人脸素描图像的重建图像输入人脸生成模型，获得人脸照片；
所述第一获得模块，包括：
输入单元，用于输入人脸素描图像，采用第一深度学习子网络从人脸素描图像中学习面部特征，将特征提取并保存于网络中；
输出单元，用于将第一深度学习子网络提取的特征输入第二深度学习子网络用于将分量特征向量映射到真实图像，输出合成的光学人脸图像作为人脸素描图像的重建图像；
所述第一深度学习子网络为基于transformer的特征提取网络；所述第二深度学习子网络包括依次连接的特征映射模块与Sketchformer模块构成，其中，特征映射模块使用自编码器。
5.一种终端设备，其特征在于，包括存储器、处理器，所述存储器用于存储被所述处理器执行的指令，所述指令被所述处理器执行时，所述终端设备用于实现如权利要求1-3中任一项所述的人脸素描到人脸照片的生成方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的指令，其中，在所述指令执行时控制所述计算机可读存储介质所在设备执行权利要求1-3中任一项所述的人脸素描到人脸照片的生成方法。
CN202410245890.6A 2024-03-05 2024-03-05 一种人脸素描到人脸照片的生成方法、装置 Active CN117830083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410245890.6A CN117830083B (zh) 2024-03-05 2024-03-05 一种人脸素描到人脸照片的生成方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410245890.6A CN117830083B (zh) 2024-03-05 2024-03-05 一种人脸素描到人脸照片的生成方法、装置

Publications (2)

Publication Number Publication Date
CN117830083A true CN117830083A (zh) 2024-04-05
CN117830083B CN117830083B (zh) 2024-05-03

Family

ID=90509905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410245890.6A Active CN117830083B (zh) 2024-03-05 2024-03-05 一种人脸素描到人脸照片的生成方法、装置

Country Status (1)

Country Link
CN (1) CN117830083B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077742A (zh) * 2014-07-22 2014-10-01 武汉大学 基于Gabor特征的人脸素描合成方法及系统
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110580726A (zh) * 2019-08-21 2019-12-17 中山大学 基于动态卷积网络的自然场景下人脸素描生成模型及方法
CN111508069A (zh) * 2020-05-22 2020-08-07 南京大学 一种基于单张手绘草图的三维人脸重建方法
US20200312043A1 (en) * 2018-04-18 2020-10-01 Tencent Technology (Shenzhen) Company Limited Face model processing method and apparatus, non-volatile computer-readable storage medium, and electronic device
WO2021036059A1 (zh) * 2019-08-29 2021-03-04 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN112907692A (zh) * 2021-04-09 2021-06-04 吉林大学 一种基于sfrc-gan的从素描到人脸重建方法
CN114240810A (zh) * 2021-11-10 2022-03-25 合肥工业大学 一种基于渐进式生成网络的人脸素描-照片合成方法
CN115249319A (zh) * 2021-11-25 2022-10-28 昆明理工大学 一种用于检测全日面图像中太阳暗条的方法
CN115457197A (zh) * 2022-08-29 2022-12-09 北京邮电大学 基于素描草图的人脸三维重建模型训练方法、重建方法及装置
CN116402949A (zh) * 2023-04-06 2023-07-07 吉林大学 一种基于mdcm-gan的从素描到人脸重建方法
CN116664407A (zh) * 2023-06-25 2023-08-29 武汉大学 基于三元组非配对学习的人脸融合超分辨率方法及系统
CN116977455A (zh) * 2022-04-14 2023-10-31 上海交通大学 基于深度双向学习的人脸素描图像生成系统及方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077742A (zh) * 2014-07-22 2014-10-01 武汉大学 基于Gabor特征的人脸素描合成方法及系统
US20200312043A1 (en) * 2018-04-18 2020-10-01 Tencent Technology (Shenzhen) Company Limited Face model processing method and apparatus, non-volatile computer-readable storage medium, and electronic device
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110580726A (zh) * 2019-08-21 2019-12-17 中山大学 基于动态卷积网络的自然场景下人脸素描生成模型及方法
WO2021036059A1 (zh) * 2019-08-29 2021-03-04 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN111508069A (zh) * 2020-05-22 2020-08-07 南京大学 一种基于单张手绘草图的三维人脸重建方法
CN112907692A (zh) * 2021-04-09 2021-06-04 吉林大学 一种基于sfrc-gan的从素描到人脸重建方法
CN114240810A (zh) * 2021-11-10 2022-03-25 合肥工业大学 一种基于渐进式生成网络的人脸素描-照片合成方法
CN115249319A (zh) * 2021-11-25 2022-10-28 昆明理工大学 一种用于检测全日面图像中太阳暗条的方法
CN116977455A (zh) * 2022-04-14 2023-10-31 上海交通大学 基于深度双向学习的人脸素描图像生成系统及方法
CN115457197A (zh) * 2022-08-29 2022-12-09 北京邮电大学 基于素描草图的人脸三维重建模型训练方法、重建方法及装置
CN116402949A (zh) * 2023-04-06 2023-07-07 吉林大学 一种基于mdcm-gan的从素描到人脸重建方法
CN116664407A (zh) * 2023-06-25 2023-08-29 武汉大学 基于三元组非配对学习的人脸融合超分辨率方法及系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LEO SAMPAIO FERRAZ RIBEIRO等: "Sketchformer: Transformer-Based Representation for Sketched Structure", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 5 August 2020 (2020-08-05), pages 14141 - 14150 *
刘超颖;杨健;李俊;: "基于深度自编码网络的异质人脸识别", 计算机应用与软件, no. 10, 15 October 2016 (2016-10-15), pages 176 - 180 *
朱健等: "基于深度学习的太阳活动区检测与跟踪方法研究", 天文研究与技术, vol. 17, no. 2, 18 December 2019 (2019-12-18), pages 191 - 200 *
李凯旋等: "基于双层生成对抗网络的素描人脸合成方法", 计算机应用与软件, vol. 36, no. 12, 12 December 2019 (2019-12-12), pages 176 - 183 *
梁昌城等: "基于多尺度特征融合的人脸照片–素描合成", 中国科学:信息科学, vol. 52, no. 2, 28 January 2022 (2022-01-28), pages 334 - 347 *
段树超: "基于改进残差生成对抗网络的人脸照片-素描转换研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 12, 15 December 2021 (2021-12-15), pages 138 - 269 *
赵京晶;方琪;梁植程;胡长胜;杨福猛;詹曙;: "超分辨率重建的素描人脸识别", 中国图象图形学报, no. 02, 16 February 2016 (2016-02-16), pages 218 - 224 *
黄福珍;周晨旭;何林巍;: "联合局部约束的邻域嵌入人脸超分辨率重建", 中国图象图形学报, no. 06, 16 June 2018 (2018-06-16), pages 792 - 801 *

Also Published As

Publication number Publication date
CN117830083B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN113240691B (zh) 一种基于u型网络的医学图像分割方法
CN110659582A (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
Kadam et al. Detection and localization of multiple image splicing using MobileNet V1
CN111160264B (zh) 一种基于生成对抗网络的漫画人物身份识别方法
CN113361636B (zh) 一种图像分类方法、系统、介质及电子设备
CN109741410A (zh) 基于深度学习的荧光编码微球图像生成及标注方法
CN110619347A (zh) 一种基于机器学习的图像生成方法及其方法
CN111126155B (zh) 一种基于语义约束生成对抗网络的行人再识别方法
CN114842524A (zh) 一种基于不规则显著性像素簇的人脸鉴伪方法
CN116704585A (zh) 一种基于质量感知的人脸识别方法
CN116188879A (zh) 图像分类、图像分类模型训练方法、装置、设备及介质
CN113095158A (zh) 一种基于对抗生成网络的笔迹生成方法及装置
CN110415261B (zh) 一种分区域训练的表情动画转换方法及系统
CN114549394B (zh) 一种基于深度学习的肿瘤病灶区域语义分割方法及系统
CN118334100A (zh) 基于clip模型和生成式模型的街道深度图生成方法
CN114627424A (zh) 一种基于视角转化的步态识别方法和系统
CN117830083B (zh) 一种人脸素描到人脸照片的生成方法、装置
CN115984924A (zh) 一种基于类脑技术的自然场景下的表情识别方法
CN113488069B (zh) 基于生成式对抗网络的语音高维特征快速提取方法和装置
CN115795394A (zh) 层级多模态和高级增量学习的生物特征融合身份识别方法
CN117079313A (zh) 图像处理方法、装置、设备及存储介质
CN115424337A (zh) 基于先验引导的虹膜图像修复系统
CN112446345B (zh) 一种低质量三维人脸识别方法、系统、设备和存储介质
CN110750672B (zh) 基于深度度量学习和结构分布学习损失的图像检索方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant