CN109308450A - 一种基于生成对抗网络的脸部变化预测方法 - Google Patents
一种基于生成对抗网络的脸部变化预测方法 Download PDFInfo
- Publication number
- CN109308450A CN109308450A CN201810896017.8A CN201810896017A CN109308450A CN 109308450 A CN109308450 A CN 109308450A CN 201810896017 A CN201810896017 A CN 201810896017A CN 109308450 A CN109308450 A CN 109308450A
- Authority
- CN
- China
- Prior art keywords
- facial image
- young
- network
- face
- age
- 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
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成对抗网络的脸部变化预测方法,包括:S1,获取人脸数据样本;S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练;S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。采用本发明,通过构建独特的生成对抗网络模型及损失函数,对年龄变化具体很好的鲁棒性,同时,本发明还考虑了额头和头发等信息的变化情况,进一步提升了预测的准确性和唯一性。
Description
技术领域
本发明涉及域适应(domain adaption)及人脸识别技术领域,尤其涉及一种基于生成对抗网络的脸部变化预测方法。
背景技术
脸部变化预测主要指用来预测随着年龄变化,脸部发生的变化情况,通常适用于娱乐行业或者重要取证场所,如公安***对已有档案根据以前图像进行现在长相预测。
由于人类身体年龄的内在复杂性,以及标签数据的缺乏,使得脸部变化预测非常困难。通常在解决这类问题时,预测年龄的准确性和身份唯一性被当作两个重要指标。之前几年通用的方法为基于皮肤的结构特征来推理随着时间变化脸部肌肉的变化,这种方法在实际中更为复杂。
同时,随着数据存储技术的发展,现在更多关注数据驱动的技术,通过大量训练来拟合年龄和面部特征的函数,然而离实际解决问题还很远。现有的技术方案更多关注在两个年龄段组之间的转换模型,其中年龄因素占据重要地位而个人身份确认属于从属地位,导致预测年龄的准确性和身份唯一性不能同时满足。此外,在训练时候,通常需要考虑训练样本即个人各个年龄段的脸部图片。
具体地,目前常用的技术方案主要包括以下两种:
方案一,提出通过模型来模拟额头和面部肌肉的变化。具体地,通过一个三层的动态皮肤模型来模拟肌肉变化和皮肤的细小变换,使用了大量先验知识和仿真学知识,是在非机器学习方法中对脸部年龄转换较好的一次尝试。但是,该技术只能模拟出粗糙的肌肉变换,需要生物先验知识,并且灵活性和可移植性很低,不能对额头和头发部分进行有效转换和预测,此外整个预测过程十分复杂,非常难复现,并且不适宜实际场景。
方案二,受启发于深度生成网络在图像生成领域的成功应用,提出了使用深度卷积神经网络和循环神经网络来进行模型化。在张量空间中建立下采样和高分辨率人脸图像之间的映射,并且在高分辨率人脸图像上加入了年龄细节,综合生成的人脸图像的图像能较好的反映人脸随着年龄的变换。但是,该技术在训练时每个样本都需要不同年龄段的多张人脸图像,并且在测试的时候每张人脸都需要打年龄标签。同时,本技术主要考虑了脸部集合的概率分布而没有强调身份信息,导致在进行脸部年龄转换的时候在脸部颜色,表情甚至身份信息上都产生了较大偏差。
发明内容
本发明所要解决的技术问题在于,提供一种基于生成对抗网络的脸部变化预测方法,对年龄变化具体很好的鲁棒性,还提升了预测的准确性和唯一性。
为了解决上述技术问题,本发明提供了一种基于生成对抗网络的脸部变化预测方法,包括:
S1,获取人脸数据样本,每一人脸数据样本包括至少两个年龄段的人脸图像;
S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练,
其中,将年轻人脸图像作为生成器的输入,将年老人脸图像作为生成器的输出,根据生成器损失函数训练生成器,所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数,
将年轻人脸图像及年老人脸图像作为判别器的输入,根据判别器损失函数训练判别器,所述判别器损失函数包括年龄转换误差函数;
S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。
作为上述方案的改进,所述生成对抗网络模型为:
其中,D为判别网络,D(x)表示输入x经过判别网络D的输出,G为生成网络,G(z)表示输入z经过生成网络G的输出,x~Pdata(x)表示x服从真实人脸图像分布Pdata,即x是按照真实人脸图像分布Pdata的真实人脸图像,表示在Pdata分布下求期望,z~Pz(z)表示z服从概率分布P(z),即z是按照概率分布P(z)生成的噪声样本,表示在P(z)分布下求期望。
作为上述方案的改进,对生成器及判别器进行迭代训练时,生成器及判别器同时收敛,收敛时,生成的年老人脸图像的概率分布Pg等于真实人脸图像分布Pdata。
作为上述方案的改进,所述判别器的损失公式为:
LD=LGAN,D;
其中,所述LGAN,D为年龄转换误差函数。
作为上述方案的改进,所述年龄转换误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,x~Pold(x)表示x服从年老人脸图像分布Pold,即x是按照年老人脸图像分布Pold的年老人脸图像,G为生成网络,G(x)表示输入x经过生成网络G的输出,φage是基于VGG-16结构预训练得到的多标签分类任务模型,用于提取人脸与年龄的相关特征。
作为上述方案的改进,G(x)~Pg与年老人脸图像分布Pold一致,其中,G(x)~Pg表示G(x)服从年老人脸图像的概率分布Pg。
作为上述方案的改进,所述生成器的损失公式为:
LG=λaLGAN,G+λpLpixel+λiLideneity;
其中,所述LGAN,G为生成器误差函数,Lpixel为逐像素误差函数,Lideneity为身份保留误差函数。
作为上述方案的改进,所述生成器误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,D为判别网络,G为生成网络,G(x)表示输入x经过生成网络G的输出,φage是基于VGG-16结构预训练得到的多标签分类任务模型,用于提取人脸与年龄的相关特征。
作为上述方案的改进,所述身份保留误差函数为:
其中,x∈Pyoung(x)表示x为年轻人脸图像分布Pyoung内的年轻人脸图像,d是特征表示之间的平方欧式距离,φid为深度人脸描述算子,G为生成网络,G(x)表示输入x经过生成网络G的输出,φid是深度人脸描述算子,用于编码个人信息。
作为上述方案的改进,所述逐像素误差函数为:
其中,G为生成网络,G(x)表示输入x经过生成网络G的输出,x为输入的年轻人脸图像,W为图像宽度,H为图像高度,C为图像深度。
实施本发明,具有如下有益效果:
本发明在损失函数中加入了身份改变的惩罚项,在达到较好预测人脸随着年龄改变效果的同时,确保了身份的唯一性。此外,本发明使用对抗生成网络作为新方法进行训练,替代了基于领域内知识的手工方法,降低了实际应用的复杂度。
具体地,本发明解决了现有技术中的两个主要技术问题。
(1)本发明提出的方法使用基于卷积神经网络(Convolutional NeuralNetworks)的生成器来学习年龄变换,并且随着时间变换会对相应脸部属性也进行变化。训练时候使用图像域内的欧式误差,训练策略是通过对人脸特征的高层表示,使得欧式误差经可能的小0;因此,本发明中提出不仅有效并且对年龄变化有很好的鲁棒性。
(2)此外,本发明中,额头和头发等信息也被考虑进变化情况。本发明不仅使用局部也使用全局特征,克服了单个年龄特定的表示和处理了年龄变化的单一表示,很高程度上提升了预测的准确性和唯一性。
附图说明
图1是本发明基于生成对抗网络的脸部变化预测方法的流程图;
图2是图1中步骤S2的流程图;
图3是本发明基于生成对抗网络的脸部变化预测方法的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
本发明的主要用途是基于已有的人脸图像预测不同年龄段人脸图像的变换情况,在保证身份唯一性的前提下,尽可能生成接近真实情况的图像。为了更加精准的预测人脸图像未来的变化,本发明提出了一种新的基于生成对抗网络(GAN,GenerativeAdversarial Networks)的脸部变化预测方法,利用了生成对抗网络可以生成较为可信图片的优势。
参见图1,图1显示了本发明基于生成对抗网络的脸部变化预测方法的具体流程,其包括:
S1,获取人脸数据样本。
需要说明的是,每一人脸数据样本包括至少两个年龄段的人脸图像,以记录人物的人脸变化;
优选地,每一个人脸数据样本可包括四个年龄段的人脸图像,用于对生成器及判别器进行训练,其中,四个年龄段的人脸图像为随年龄依次变化的人脸图像。
例如,若人脸数据样本库中设有100个样本,则每一样本内均包括同一人物的四个人脸图像,且该四个人脸图像为该人物不同年龄时期的人脸图像。
S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练;
如图2所示,所述步骤S2包括:
S201,将年轻人脸图像作为生成器的输入,将年老人脸图像作为生成器的输出,根据生成器损失函数训练生成器,所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数,
S202,将年轻人脸图像及年老人脸图像作为判别器的输入,根据判别器损失函数训练判别器,所述判别器损失函数包括年龄转换误差函数;
需要说明的是,生成对抗网络(GAN)包含了生成器和判别器两部分,通过不断对抗进行训练。生成器尝试来获得数据的隐含特征并且迷惑判别器,而判别器主要用来区分实际人脸图像和生成器所述生成的虚假图像,生成器和对抗器都可以通过神经网络来表示。
因此,本发明在确定整个神经网络的训练误差之后,轮流对生成器和判别器进行训练,最终生成器学习得到适当年龄变换而判别器变成一个值的信赖的区分器。将训练得到的结果生成保留,可以得到一个良好的预测模型。
S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。
如图3所示,整个生成对抗网络包含生成器和判别器,其中,训练误差考虑了逐像素误差,身份保留误差和年龄转换误差三方面。
具体地,所述生成对抗网络模型为:
其中,D为判别网络,D(x)表示输入x经过判别网络D的输出,G为生成网络,G(z)表示输入z经过生成网络G的输出,x~Pdata(x)表示x服从真实人脸图像分布Pdata,即x是按照真实人脸图像分布Pdata的真实人脸图像,表示在Pdata分布下求期望,z~Pz(z)表示z服从概率分布P(z),即z是按照概率分布P(z)生成的噪声样本,表示在P(z)分布下求期望。
对生成器及判别器进行迭代训练时,生成器及判别器同时收敛,收敛时,生成的年老人脸图像的概率分布Pg等于真实人脸图像分布Pdata。
因此,本发明中,基于卷积神经网络(CNN,Convolutional Neural Networks)的生成器把年轻人脸图像作为输入,学习到随着年龄变换的领域映射函数;最终,通过生成器来基于当前人脸图像来预测人脸未来的变换;同时,为了保证在综合生成新的年龄图像的同时身份信息不变,在损失函数中加入了约束,训练的策略始终是是的在高层特征表示的情况下输入输出的欧式距离尽可能小。
其中,所述损失函数包括判别器损失函数及生成器损失函数。
所述判别器损失函数包括年龄转换误差函数。具体地,所述判别器的损失公式为:
LD=LGAN,D;
其中,所述LGAN,D为年龄转换误差函数。
所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数。所述生成器的损失公式为:
LG=λaLGAN,G+λpLpixel+λiLideneity;
其中,所述LGAN,G为生成器误差函数,Lpixel为逐像素误差函数,Lideneity为身份保留误差函数。
下面分别对各函数进行详细说明。
年龄转换误差函数
本发明使用了先验知识进行年龄聚类,因此提出了判别器。判别器的目的是为了减少交叉熵误差。判别器的输出是标量D(x),表示了x来自于数据的概率;Pg为生成的转换年龄人脸图像的概率分布;x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung;本发明中,G(x)~Pg与年老人脸图像分布Pold一致,其中,G(x)~Pg表示G(x)服从年老人脸图像的概率分布Pg。
通常而言,生成器和判别器同时收敛,判别器在实际中收敛的更快,并且把梯度供给给生成器进行学习。在生成对抗网络(GAN)中很重要的一个问题是概率分布序列之间的距离。在本发明中在似然函数中使用最小均方误差,根据样本距离决策边界之间的距离,来最小化人的X2距离。更进一步,为了实现更加可信的和与年龄相关的面部细节,实际的年轻图像和生成的人脸作为负样本同时供给给判别器。
相应地,所述年龄转换误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,x~Pold(x)表示x服从年老人脸图像分布Pold,即x是按照年老人脸图像分布Pold的年老人脸图像,G为生成网络,G(x)表示输入x经过生成网络G的输出;φage连接生成器和判别器,用于提取人脸与年龄的相关特征,考虑到人脸不同的年龄组共享一个同样的文本属性,φage与判别器独立的,φage是基于VGG-16结构预训练得到的多标签分类任务模型,移除了全连接层并合并到了网络结构中,由于自然图像本身含有多尺度特征并且有分级结构,φage逐渐从像素值提取属性最后到高层特征。
生成器误差函数
生成器仅仅需要前向传播,生成器由编码器和解码器构成。输入年轻人脸图像以后,首先使用三个边缘卷基层来编码到一个隐含空间,尝试捕捉人脸属性,而后是四个残差连接层。年龄转换最终通过三个小边缘卷积层来实现。本发明中不使用池化和上采样来计算特征图,而是用步长为2的卷积核,确保每个像素都对生成函数有所作用。每个卷积层后面都紧接着一个正则化和非线性RELU激活函数。为了使得输入输出尺寸一致,在最后进行图像扩展操作,公式化表达如下:
所述生成器误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,D为判别网络,G为生成网络,G(x)表示输入x经过生成网络G的输出,φage是基于VGG-16结构预训练得到的多标签分类任务模型,用于提取人脸与年龄的相关特征。
身份保留误差函数
本发明的核心问题是生成的转换年龄人脸图像,会不会造成***误判或者不和之前身份唯一对应的缺点。因此,本发明把在正确特征空间的输入输出距离加入了约束,对身份改变很敏感而对其它变换具有很好的冗余性。公式化表达如下:
所述身份保留误差函数为:
其中,x∈Pyoung(x)表示x为年轻人脸图像分布Pyoung内的年轻人脸图像,d是特征表示之间的平方欧式距离,φid为深度人脸描述算子,G为生成网络,G(x)表示输入x经过生成网络G的输出,φid是深度人脸描述算子,用于编码个人信息,并且确定损失函数,φid由数千人构成的数百万张人脸图像得到,整个网络至少高于10层。
逐像素误差函数
本发明除了特定设计的生成对抗网络(GAN)对应的损失项和惩罚项意外,还加入了一个在图像域逐像素的L2损失项,用于计算输入输出之间的间隔,主要用来确保颜色不发生过大改变。公式化表达如下:
所述逐像素误差函数为:
其中,G为生成网络,G(x)表示输入x经过生成网络G的输出,x为输入的年轻人脸图像,W为图像宽度,H为图像高度,C为图像深度。
由上可知,本发明在损失函数中加入了身份改变的惩罚项,在达到较好预测人脸随着年龄改变效果的同时,确保了身份的唯一性。此外,本发明使用对抗生成网络作为新方法进行训练,替代了基于领域内知识的手工方法,降低了实际应用的复杂度。
具体地,本发明解决了现有技术中的两个主要技术问题。
(1)本发明提出的方法使用基于卷积神经网络(Convolutional NeuralNetworks)的生成器来学习年龄变换,并且随着时间变换会对相应脸部属性也进行变化。训练时候使用图像域内的欧式误差,训练策略是通过对人脸特征的高层表示,使得欧式误差经可能的小0;因此,本发明中提出不仅有效并且对年龄变化有很好的鲁棒性。
(2)此外,本发明中,额头和头发等信息也被考虑进变化情况。本发明不仅使用局部也使用全局特征,克服了单个年龄特定的表示和处理了年龄变化的单一表示,很高程度上提升了预测的准确性和唯一性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于生成对抗网络的脸部变化预测方法,其特征在于,包括:
S1,获取人脸数据样本,每一人脸数据样本包括至少两个年龄段的人脸图像;
S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练,
其中,将年轻人脸图像作为生成器的输入,将年老人脸图像作为生成器的输出,根据生成器损失函数训练生成器,所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数,
将年轻人脸图像及年老人脸图像作为判别器的输入,根据判别器损失函数训练判别器,所述判别器损失函数包括年龄转换误差函数;
S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。
2.如权利要求1所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述生成对抗网络模型为:
其中,D为判别网络,D(x)表示输入x经过判别网络D的输出,G为生成网络,G(z)表示输入z经过生成网络G的输出,x~Pdata(x)表示x服从真实人脸图像分布Pdata,即x是按照真实人脸图像分布Pdata的真实人脸图像,表示在Pdata分布下求期望,z~Pz(z)表示z服从概率分布P(z),即z是按照概率分布P(z)生成的噪声样本,表示在P(z)分布下求期望。
3.如权利要求2所述的基于生成对抗网络的脸部变化预测方法,其特征在于,对生成器及判别器进行迭代训练时,生成器及判别器同时收敛,收敛时,生成的年老人脸图像的概率分布Pg等于真实人脸图像分布Pdata。
4.如权利要求1所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述判别器的损失公式为:
LD=LGAN,D;
其中,所述LGAN,D为年龄转换误差函数。
5.如权利要求4所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述年龄转换误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,x~Pold(x)表示x服从年老人脸图像分布Pold,即x是按照年老人脸图像分布Pold的年老人脸图像,G为生成网络,G(x)表示输入x经过生成网络G的输出,φage是基于VGG-16结构预训练得到的多标签分类任务模型,用于提取人脸与年龄的相关特征。
6.如权利要求5所述的基于生成对抗网络的脸部变化预测方法,其特征在于,G(x)~Pg与年老人脸图像分布Pold一致,其中,G(x)~Pg表示G(x)服从年老人脸图像的概率分布Pg。
7.如权利要求1所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述生成器的损失公式为:
LG=λaLGAN,G+λpLpixel+λiLideneity;
其中,所述LGAN,G为生成器误差函数,Lpixel为逐像素误差函数,Lideneity为身份保留误差函数。
8.如权利要求7所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述生成器误差函数为:
其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung的年轻人脸图像,D为判别网络,G为生成网络,G(x)表示输入x经过生成网络G的输出,φage是基于VGG-16结构预训练得到的多标签分类任务模型,用于提取人脸与年龄的相关特征。
9.如权利要求7所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述身份保留误差函数为:
其中,x∈Pyoung(x)表示x为年轻人脸图像分布Pyoung内的年轻人脸图像,d是特征表示之间的平方欧式距离,φid为深度人脸描述算子,G为生成网络,G(x)表示输入x经过生成网络G的输出,φid是深度人脸描述算子,用于编码个人信息。
10.如权利要求7所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述逐像素误差函数为:
其中,G为生成网络,G(x)表示输入x经过生成网络G的输出,x为输入的年轻人脸图像,W为图像宽度,H为图像高度,C为图像深度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896017.8A CN109308450A (zh) | 2018-08-08 | 2018-08-08 | 一种基于生成对抗网络的脸部变化预测方法 |
PCT/CN2018/104074 WO2020029356A1 (zh) | 2018-08-08 | 2018-09-05 | 一种基于生成对抗网络的脸部变化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896017.8A CN109308450A (zh) | 2018-08-08 | 2018-08-08 | 一种基于生成对抗网络的脸部变化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308450A true CN109308450A (zh) | 2019-02-05 |
Family
ID=65226075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810896017.8A Pending CN109308450A (zh) | 2018-08-08 | 2018-08-08 | 一种基于生成对抗网络的脸部变化预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109308450A (zh) |
WO (1) | WO2020029356A1 (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886248A (zh) * | 2019-03-08 | 2019-06-14 | 南方科技大学 | 一种图像生成方法、装置、存储介质及电子设备 |
CN109902615A (zh) * | 2019-02-25 | 2019-06-18 | 中国计量大学 | 一种基于对抗网络的多个年龄段图像生成方法 |
CN110321802A (zh) * | 2019-06-10 | 2019-10-11 | 深圳前海达闼云端智能科技有限公司 | 面部图像生成方法和装置、存储设备和电子设备 |
CN110348352A (zh) * | 2019-07-01 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 一种人脸图像年龄迁移网络的训练方法、终端和存储介质 |
CN110706152A (zh) * | 2019-09-25 | 2020-01-17 | 中山大学 | 基于生成对抗网络的人脸光照迁移方法 |
CN110852935A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种人脸图像随年龄变化的图像处理方法 |
CN110866909A (zh) * | 2019-11-13 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像生成网络的训练方法、图像预测方法和计算机设备 |
CN111145080A (zh) * | 2019-12-02 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 一种图像生成模型的训练方法、图像生成方法及装置 |
CN111310647A (zh) * | 2020-02-12 | 2020-06-19 | 北京云住养科技有限公司 | 自动识别跌倒模型的生成方法和装置 |
CN111402113A (zh) * | 2020-03-09 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111553838A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及*** |
CN111833242A (zh) * | 2020-07-17 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 人脸变换方法、装置、电子设备和计算机可读介质 |
CN111881439A (zh) * | 2020-07-13 | 2020-11-03 | 深圳市捷讯云联科技有限公司 | 一种基于对抗性正则化的识别模型设计方法 |
CN111883222A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
CN111898482A (zh) * | 2020-07-14 | 2020-11-06 | 贵州大学 | 基于渐进型生成对抗网络的人脸预测方法 |
CN111985405A (zh) * | 2020-08-21 | 2020-11-24 | 南京理工大学 | 一种人脸年龄合成方法及*** |
CN112084831A (zh) * | 2020-04-27 | 2020-12-15 | 上海大学 | 基于年龄编辑的年龄估计方法 |
CN112287852A (zh) * | 2020-11-02 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 人脸图像的处理方法、显示方法、装置及设备 |
CN112633377A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学 | 一种基于生成对抗网络的人体行为预测方法及*** |
CN112837396A (zh) * | 2021-01-29 | 2021-05-25 | 深圳市天耀创想网络科技有限公司 | 一种基于机器学习的线稿生成方法及装置 |
CN112862831A (zh) * | 2021-02-05 | 2021-05-28 | 苏州大学 | 对抗网络生成方法和眼底荧光造影图像无灌注区分割方法 |
CN112883756A (zh) * | 2019-11-29 | 2021-06-01 | 哈尔滨工业大学(深圳) | 年龄变换人脸图像的生成方法及生成对抗网络模型 |
CN113065282A (zh) * | 2021-03-22 | 2021-07-02 | 北京航空航天大学 | 基于改进生成对抗网络的无人作战仿真地图生成方法 |
CN113111784A (zh) * | 2021-04-14 | 2021-07-13 | 山东英信计算机技术有限公司 | 一种面部形状预测方法、***及电子设备 |
CN113392791A (zh) * | 2021-06-24 | 2021-09-14 | 厦门美图之家科技有限公司 | 一种皮肤预测处理方法、装置、设备及存储介质 |
CN113689527A (zh) * | 2020-05-15 | 2021-11-23 | 武汉Tcl集团工业研究院有限公司 | 一种人脸转换模型的训练方法、人脸图像转换方法 |
CN113902957A (zh) * | 2021-10-11 | 2022-01-07 | 北京百度网讯科技有限公司 | 图像生成方法、模型的训练方法、装置、电子设备及介质 |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340913B (zh) * | 2020-02-24 | 2023-05-26 | 北京奇艺世纪科技有限公司 | 图片生成与模型训练方法、装置及存储介质 |
CN111275651B (zh) * | 2020-02-25 | 2023-05-12 | 东南大学 | 一种基于对抗神经网络的人脸有光去除方法 |
CN111382686B (zh) * | 2020-03-04 | 2023-03-24 | 上海海事大学 | 一种基于半监督生成对抗网络的车道线检测方法 |
CN111476241B (zh) * | 2020-03-04 | 2023-04-21 | 上海交通大学 | 一种人物服饰转换方法及*** |
CN111339988B (zh) * | 2020-03-11 | 2023-04-07 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111462263B (zh) * | 2020-03-16 | 2023-08-11 | 云知声智能科技股份有限公司 | 一种图像生成方法及装置 |
CN111476749B (zh) * | 2020-04-03 | 2023-02-28 | 陕西师范大学 | 基于人脸关键点引导式生成对抗网络的人脸修复方法 |
CN111523413B (zh) * | 2020-04-10 | 2023-06-23 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
CN111598762B (zh) * | 2020-04-21 | 2023-09-19 | 中山大学 | 一种生成式鲁棒图像隐写方法 |
CN113642359B (zh) * | 2020-04-27 | 2023-11-14 | 北京达佳互联信息技术有限公司 | 人脸图像生成方法、装置、电子设备及存储介质 |
CN111539897A (zh) * | 2020-05-09 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像转换模型的方法和装置 |
CN111445426B (zh) * | 2020-05-09 | 2023-09-08 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于生成对抗网络模型的目标服装图像处理方法 |
CN111709318B (zh) * | 2020-05-28 | 2023-03-24 | 西安理工大学 | 一种基于生成对抗网络的高分辨率遥感图像分类方法 |
CN111667425B (zh) * | 2020-06-02 | 2023-05-26 | 大连民族大学 | 一种基于先验算法的人脸表情图像遮挡修复方法 |
CN111783566B (zh) * | 2020-06-15 | 2023-10-31 | 神思电子技术股份有限公司 | 一种基于唇语同步和神态适配效果增强的视频合成方法 |
CN111754596B (zh) * | 2020-06-19 | 2023-09-19 | 北京灵汐科技有限公司 | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 |
CN111753091A (zh) * | 2020-06-30 | 2020-10-09 | 北京小米松果电子有限公司 | 分类方法、分类模型的训练方法、装置、设备及存储介质 |
CN111767861B (zh) * | 2020-06-30 | 2024-03-12 | 苏州兴钊防务研究院有限公司 | 一种基于多判别器生成对抗网络的sar图像目标识别方法 |
CN111885384B (zh) * | 2020-07-10 | 2023-08-22 | 郑州大学 | 带宽受限下基于生成对抗网络的图片处理和传输方法 |
CN111932444B (zh) * | 2020-07-16 | 2023-09-19 | 中国石油大学(华东) | 基于生成对抗网络的人脸属性编辑方法及信息处理终端 |
CN111862260B (zh) * | 2020-07-31 | 2024-03-15 | 浙江工业大学 | 基于跨域对偶生成式对抗网络的偏见消除方法与装置 |
CN111951153B (zh) * | 2020-08-12 | 2024-02-13 | 杭州电子科技大学 | 基于生成对抗网络隐空间解构的人脸属性精细化编辑方法 |
CN112102928B (zh) * | 2020-09-02 | 2022-11-01 | 上海壁仞智能科技有限公司 | 病理图像染色风格归一化方法及装置 |
CN112133366B (zh) * | 2020-09-07 | 2024-03-15 | 东南大学 | 基于基因数据和生成对抗卷积神经网络的面型预测方法 |
CN112164002B (zh) * | 2020-09-10 | 2024-02-09 | 深圳前海微众银行股份有限公司 | 人脸矫正模型的训练方法、装置、电子设备及存储介质 |
CN112131523B (zh) * | 2020-09-11 | 2023-09-26 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于有限监测点位的时空数据生成方法及*** |
CN112101204B (zh) * | 2020-09-14 | 2024-01-23 | 北京百度网讯科技有限公司 | 生成式对抗网络的训练方法、图像处理方法、装置和设备 |
CN112053315A (zh) * | 2020-09-14 | 2020-12-08 | 北京百度网讯科技有限公司 | 用于处理人物形象数据的方法和装置 |
CN112133311B (zh) * | 2020-09-18 | 2023-01-17 | 科大讯飞股份有限公司 | 说话人识别方法、相关设备及可读存储介质 |
CN112185486B (zh) * | 2020-09-24 | 2024-02-09 | 长安大学 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
CN112116022B (zh) * | 2020-09-27 | 2024-05-31 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
CN113393544B (zh) * | 2020-09-30 | 2024-07-19 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及介质 |
CN112446002B (zh) * | 2020-11-13 | 2022-11-15 | 天津大学 | 一种面向时序kpi数据的异常检测方法 |
CN112598125B (zh) * | 2020-11-25 | 2024-04-30 | 西安科技大学 | 一种基于双判别器加权生成对抗网络的手写数字生成方法 |
CN112529058A (zh) * | 2020-12-03 | 2021-03-19 | 北京百度网讯科技有限公司 | 图像生成模型训练方法和装置、图像生成方法和装置 |
CN112488963A (zh) * | 2020-12-18 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种用于农作物病害数据的增强方法 |
CN112634392A (zh) * | 2020-12-30 | 2021-04-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于几何先验对抗生成网络的人脸表情合成方法 |
CN112766169A (zh) * | 2021-01-21 | 2021-05-07 | 中信银行股份有限公司 | 开户身份认证方法、装置、设备及存储介质 |
CN112819689A (zh) * | 2021-02-02 | 2021-05-18 | 百果园技术(新加坡)有限公司 | 人脸属性编辑模型的训练方法、人脸属性编辑方法及设备 |
CN112949707B (zh) * | 2021-02-26 | 2024-02-09 | 西安电子科技大学 | 一种基于多尺度语义信息监督的跨模态人脸图像生成方法 |
CN112950749B (zh) * | 2021-03-17 | 2023-10-27 | 西北大学 | 基于生成对抗网络的书法图片生成方法 |
CN113221645B (zh) * | 2021-04-07 | 2023-12-12 | 深圳数联天下智能科技有限公司 | 目标模型训练方法、人脸图像生成方法以及相关装置 |
CN113205017A (zh) * | 2021-04-21 | 2021-08-03 | 深圳市海清视讯科技有限公司 | 跨年龄人脸识别方法及设备 |
CN113222811B (zh) * | 2021-05-24 | 2022-08-09 | 北京理工大学 | 一种基于图像掩膜的人脸属性迁移方法 |
CN113222069B (zh) * | 2021-06-03 | 2024-03-19 | 韶鼎人工智能科技有限公司 | 一种基于多任务生成对抗网络的灰度图像着色方法 |
CN113345077B (zh) * | 2021-06-10 | 2024-03-15 | 西北大学 | 基于PIFu和3D-GAN改进的秦腔人物三维模型重建的方法 |
CN113378721B (zh) * | 2021-06-11 | 2023-08-18 | 西安电子科技大学 | 一种基于对称和局部判别的生成对抗人脸校正方法及*** |
CN113221858B (zh) * | 2021-06-16 | 2022-12-16 | 中国科学院自动化研究所 | 人脸识别对抗攻击的防御方法及*** |
CN113781324B (zh) * | 2021-08-06 | 2023-09-29 | 天津大学 | 一种老照片修复方法 |
CN113780084B (zh) * | 2021-08-11 | 2024-05-31 | 上海藤核智能科技有限公司 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
CN113705397A (zh) * | 2021-08-16 | 2021-11-26 | 南京信息工程大学 | 基于双流cnn结构融合prnu的gan生成人脸检测方法 |
CN113705400B (zh) * | 2021-08-18 | 2023-08-15 | 中山大学 | 一种基于多模态人脸训练的单模态人脸活体检测方法 |
CN113762117B (zh) * | 2021-08-27 | 2024-04-12 | 深圳数联天下智能科技有限公司 | 一种图像处理模型的训练方法、图像处理模型及计算机设备 |
CN113850169B (zh) * | 2021-09-17 | 2024-03-08 | 西北工业大学 | 一种基于图像分割和生成对抗网络的人脸属性迁移方法 |
CN113920562B (zh) * | 2021-09-24 | 2024-04-30 | 深圳数联天下智能科技有限公司 | 年龄预测模型的训练方法、年龄预测方法及装置 |
CN113947186A (zh) * | 2021-10-13 | 2022-01-18 | 广东工业大学 | 一种基于生成对抗网络的供热能耗循环预测方法 |
CN113962885B (zh) * | 2021-10-14 | 2024-05-28 | 东北林业大学 | 基于改进CycleGAN的图像高光处理方法 |
CN113888399B (zh) * | 2021-10-25 | 2024-04-16 | 河北工业大学 | 一种基于风格融合与域选结构的人脸年龄合成方法 |
CN114022740B (zh) * | 2021-11-18 | 2024-06-28 | 贵州大学 | 人脸对抗样本生成模型的构建方法、装置及设备 |
CN114419691B (zh) * | 2021-12-13 | 2024-04-30 | 深圳数联天下智能科技有限公司 | 人脸衰老图像的生成方法、模型训练方法、设备和介质 |
CN114553756B (zh) * | 2022-01-27 | 2023-06-13 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
CN114511466B (zh) * | 2022-02-21 | 2024-04-26 | 北京大学深圳研究生院 | 一种基于生成对抗网络先验的盲人脸图像复原方法 |
CN114742695B (zh) * | 2022-03-18 | 2024-04-12 | 西北大学 | 一种基于性别约束的渐进式人脸老化*** |
CN114419379A (zh) * | 2022-03-30 | 2022-04-29 | 浙江大学 | 一种基于对抗性扰动的深度学***性提升***及方法 |
CN114724214B (zh) * | 2022-03-31 | 2024-05-14 | 华南理工大学 | 一种基于面部动作单元的微表情编辑方法及*** |
CN114969785B (zh) * | 2022-05-27 | 2024-06-18 | 哈尔滨工业大学(深圳) | 一种基于可逆神经网络的无载体图像隐写方法 |
CN115273456B (zh) * | 2022-06-14 | 2023-08-29 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、***和存储介质 |
CN114858782B (zh) * | 2022-07-05 | 2022-09-27 | 中国民航大学 | 基于拉曼高光谱对抗判别模型的奶粉掺杂非定向检测方法 |
CN115439904B (zh) * | 2022-08-23 | 2024-07-16 | 电子科技大学 | 一种基于知识引导的人脸属性编辑方法 |
CN116127345B (zh) * | 2022-12-23 | 2023-11-14 | 北京科技大学 | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 |
CN115937994B (zh) * | 2023-01-06 | 2023-05-30 | 南昌大学 | 一种基于深度学习检测模型的数据检测方法 |
CN117079336B (zh) * | 2023-10-16 | 2023-12-22 | 腾讯科技(深圳)有限公司 | 样本分类模型的训练方法、装置、设备及存储介质 |
CN117240979B (zh) * | 2023-11-15 | 2024-01-26 | 清华大学 | 一种基于对抗鲁棒训练的人脸图像预保护方法及装置 |
CN117934991B (zh) * | 2024-01-05 | 2024-07-05 | 南昌大学 | 一种基于身份保持的多类面部表情图片生成技术 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556699A (zh) * | 2008-11-07 | 2009-10-14 | 浙江大学 | 一种基于脸型的人脸衰老图像合成方法 |
CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN107437077A (zh) * | 2017-08-04 | 2017-12-05 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的旋转面部表示学习的方法 |
-
2018
- 2018-08-08 CN CN201810896017.8A patent/CN109308450A/zh active Pending
- 2018-09-05 WO PCT/CN2018/104074 patent/WO2020029356A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556699A (zh) * | 2008-11-07 | 2009-10-14 | 浙江大学 | 一种基于脸型的人脸衰老图像合成方法 |
CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
Non-Patent Citations (2)
Title |
---|
HONGYU YANG ET AL: "Learning Face Age Progression: A Pyramid Architecture of GANs", 《ARXIV:1711.10352V1 [CS.CV] 28 NOV 2017》 * |
李云飞 等: "融合人脸五官信息的深度年龄估计", 《控制理论与应用》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902615A (zh) * | 2019-02-25 | 2019-06-18 | 中国计量大学 | 一种基于对抗网络的多个年龄段图像生成方法 |
CN109886248A (zh) * | 2019-03-08 | 2019-06-14 | 南方科技大学 | 一种图像生成方法、装置、存储介质及电子设备 |
CN110321802B (zh) * | 2019-06-10 | 2021-10-01 | 达闼机器人有限公司 | 面部图像生成方法和装置、存储设备和电子设备 |
CN110321802A (zh) * | 2019-06-10 | 2019-10-11 | 深圳前海达闼云端智能科技有限公司 | 面部图像生成方法和装置、存储设备和电子设备 |
CN110348352A (zh) * | 2019-07-01 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 一种人脸图像年龄迁移网络的训练方法、终端和存储介质 |
CN110706152B (zh) * | 2019-09-25 | 2021-09-17 | 中山大学 | 基于生成对抗网络的人脸光照迁移方法 |
CN110706152A (zh) * | 2019-09-25 | 2020-01-17 | 中山大学 | 基于生成对抗网络的人脸光照迁移方法 |
CN110852935A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种人脸图像随年龄变化的图像处理方法 |
CN110866909A (zh) * | 2019-11-13 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像生成网络的训练方法、图像预测方法和计算机设备 |
CN112883756B (zh) * | 2019-11-29 | 2023-09-15 | 哈尔滨工业大学(深圳) | 年龄变换人脸图像的生成方法及生成对抗网络模型 |
CN112883756A (zh) * | 2019-11-29 | 2021-06-01 | 哈尔滨工业大学(深圳) | 年龄变换人脸图像的生成方法及生成对抗网络模型 |
CN111145080A (zh) * | 2019-12-02 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 一种图像生成模型的训练方法、图像生成方法及装置 |
CN111145080B (zh) * | 2019-12-02 | 2023-06-23 | 北京达佳互联信息技术有限公司 | 一种图像生成模型的训练方法、图像生成方法及装置 |
CN111310647A (zh) * | 2020-02-12 | 2020-06-19 | 北京云住养科技有限公司 | 自动识别跌倒模型的生成方法和装置 |
CN111402113A (zh) * | 2020-03-09 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111402113B (zh) * | 2020-03-09 | 2021-10-15 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN112084831B (zh) * | 2020-04-27 | 2022-11-22 | 上海大学 | 基于年龄编辑的年龄估计方法 |
CN112084831A (zh) * | 2020-04-27 | 2020-12-15 | 上海大学 | 基于年龄编辑的年龄估计方法 |
WO2021223738A1 (zh) * | 2020-05-08 | 2021-11-11 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
CN111553838A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
CN113689527A (zh) * | 2020-05-15 | 2021-11-23 | 武汉Tcl集团工业研究院有限公司 | 一种人脸转换模型的训练方法、人脸图像转换方法 |
CN111612872B (zh) * | 2020-05-22 | 2024-04-23 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及*** |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及*** |
CN111881439B (zh) * | 2020-07-13 | 2022-05-27 | 深圳市捷讯云联科技有限公司 | 一种基于对抗性正则化的识别模型设计方法 |
CN111881439A (zh) * | 2020-07-13 | 2020-11-03 | 深圳市捷讯云联科技有限公司 | 一种基于对抗性正则化的识别模型设计方法 |
CN111898482B (zh) * | 2020-07-14 | 2024-02-02 | 贵州大学 | 基于渐进型生成对抗网络的人脸预测方法 |
CN111898482A (zh) * | 2020-07-14 | 2020-11-06 | 贵州大学 | 基于渐进型生成对抗网络的人脸预测方法 |
CN111833242A (zh) * | 2020-07-17 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 人脸变换方法、装置、电子设备和计算机可读介质 |
CN111985405B (zh) * | 2020-08-21 | 2022-07-26 | 南京理工大学 | 一种人脸年龄合成方法及*** |
CN111985405A (zh) * | 2020-08-21 | 2020-11-24 | 南京理工大学 | 一种人脸年龄合成方法及*** |
CN111883222A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
CN111883222B (zh) * | 2020-09-28 | 2020-12-22 | 平安科技(深圳)有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
WO2022089166A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 人脸图像的处理方法、显示方法、装置及设备 |
CN112287852B (zh) * | 2020-11-02 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 人脸图像的处理方法、显示方法、装置及设备 |
CN112287852A (zh) * | 2020-11-02 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 人脸图像的处理方法、显示方法、装置及设备 |
CN112633377A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学 | 一种基于生成对抗网络的人体行为预测方法及*** |
CN112837396A (zh) * | 2021-01-29 | 2021-05-25 | 深圳市天耀创想网络科技有限公司 | 一种基于机器学习的线稿生成方法及装置 |
CN112837396B (zh) * | 2021-01-29 | 2024-05-07 | 深圳市天耀创想网络科技有限公司 | 一种基于机器学习的线稿生成方法及装置 |
CN112862831A (zh) * | 2021-02-05 | 2021-05-28 | 苏州大学 | 对抗网络生成方法和眼底荧光造影图像无灌注区分割方法 |
CN113065282A (zh) * | 2021-03-22 | 2021-07-02 | 北京航空航天大学 | 基于改进生成对抗网络的无人作战仿真地图生成方法 |
CN113111784A (zh) * | 2021-04-14 | 2021-07-13 | 山东英信计算机技术有限公司 | 一种面部形状预测方法、***及电子设备 |
CN113392791A (zh) * | 2021-06-24 | 2021-09-14 | 厦门美图之家科技有限公司 | 一种皮肤预测处理方法、装置、设备及存储介质 |
CN113902957A (zh) * | 2021-10-11 | 2022-01-07 | 北京百度网讯科技有限公司 | 图像生成方法、模型的训练方法、装置、电子设备及介质 |
CN113902957B (zh) * | 2021-10-11 | 2024-02-09 | 北京百度网讯科技有限公司 | 图像生成方法、模型的训练方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020029356A1 (zh) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308450A (zh) | 一种基于生成对抗网络的脸部变化预测方法 | |
Hong et al. | Cogvideo: Large-scale pretraining for text-to-video generation via transformers | |
CN103226708B (zh) | 一种基于Kinect的多模型融合视频人手分割方法 | |
CN109447242A (zh) | 基于迭代学习的图像描述重生成***及方法 | |
CN112949647B (zh) | 三维场景描述方法、装置、电子设备和存储介质 | |
Wang et al. | Combining tensor space analysis and active appearance models for aging effect simulation on face images | |
WO2019053052A1 (en) | METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT | |
CN113807265B (zh) | 一种多样化的人脸图像合成方法及*** | |
CN110276396A (zh) | 基于物体显著性和跨模态融合特征的图片描述生成方法 | |
CN105893942A (zh) | 一种基于eSC和HOG的自适应HMM的手语识别方法 | |
CN109086664A (zh) | 一种动静态融合的多态手势识别方法 | |
Neverova | Deep learning for human motion analysis | |
CN115188074A (zh) | 一种互动式体育训练测评方法、装置、***及计算机设备 | |
Liu et al. | Learning shape and texture progression for young child face aging | |
Sun et al. | A unified framework for biphasic facial age translation with noisy-semantic guided generative adversarial networks | |
CN111382871A (zh) | 基于数据扩充一致性的领域泛化和领域自适应学习方法 | |
Alnfiai | Deep Learning-Based Sign Language Recognition for Hearing and Speaking Impaired People. | |
Jain | A Study on Generative Adversarial Networks Exacerbating Social Data Bias | |
Tatikonda et al. | Face age progression with attribute manipulation | |
CN109800804A (zh) | 一种实现图像多情感自主转换的方法及*** | |
Pan et al. | Transactions on Edutainment XVI | |
CN114581569B (zh) | 基于代理引导域适应的外观保持的人脸图像动漫化方法 | |
Rakesh et al. | Generative Adversarial Network: Concepts, Variants, and Applications | |
Sotirios et al. | Computer vision method for pianist's fingers information retrieval | |
Liu et al. | Gender Identification for Coloring Black and White Portrait with cGan |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |