CN109949213B - 用于生成图像的方法和装置 - Google Patents
用于生成图像的方法和装置 Download PDFInfo
- Publication number
- CN109949213B CN109949213B CN201910199011.XA CN201910199011A CN109949213B CN 109949213 B CN109949213 B CN 109949213B CN 201910199011 A CN201910199011 A CN 201910199011A CN 109949213 B CN109949213 B CN 109949213B
- Authority
- CN
- China
- Prior art keywords
- image
- type information
- facial organ
- user
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000001815 facial effect Effects 0.000 claims description 151
- 210000000056 organ Anatomy 0.000 claims description 144
- 238000012549 training Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000005012 migration Effects 0.000 description 14
- 238000013508 migration Methods 0.000 description 14
- 210000001508 eye Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000001331 nose Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000003467 cheek Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010437 sandpainting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了用于生成图像的方法和装置。该方法的一具体实施方式包括:获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像;从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;将初始图像输入至所确定出的图像生成模型,生成目标图像。该实施方式丰富了图像的生成方式,可以根据用户不同的需求来生成不同类型的图像。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成图像的方法和装置。
背景技术
现有技术中,由于每个用户的需求往往不同,其所喜欢的图像通常也是不同的。然而,一些用户无法自行设计其所满意的图像。可见,现有技术中存在对用户选定的初始图像进行类型变换的需求。
现有的技术方案通常仅仅是对初始图像进行美颜、滤镜等图像处理。
发明内容
本公开提出了用于生成图像的方法和装置。
第一方面,本公开的实施例提供了一种用于生成图像的方法,该方法包括:获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像;从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;将初始图像输入至所确定出的图像生成模型,生成目标图像。
在一些实施例中,对于图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型是通过如下步骤训练得到的:获取训练样本集合,其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像,样本目标图像为该图像类型信息表征的图像类型的图像;利用机器学习算法,将训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。
在一些实施例中,初始图像为面部图像;以及该方法还包括:确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小;针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在一些实施例中,该方法还包括:获取用户从预先确定的面部器官信息集合中选定的面部器官信息,以及用户从针对面部器官信息集合确定的形变信息集合中选定的形变信息;根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型;将所生成的目标图像输入至所确定出的面部器官形变模型,得到初始图像的形变后图像。
在一些实施例中,图像生成模型为生成对抗网络。
第二方面,本公开的实施例提供了一种用于生成图像的装置,该装置包括:第一获取单元,被配置成获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像;第一确定单元,被配置成从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;生成单元,被配置成将初始图像输入至所确定出的图像生成模型,生成目标图像。
在一些实施例中,其中,对于图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型是通过如下步骤训练得到的:获取训练样本集合,其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像,样本目标图像为该图像类型信息表征的图像类型的图像;利用机器学习算法,将训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。
在一些实施例中,初始图像为面部图像;以及该装置还包括:第二确定单元,被配置成确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小;处理单元,被配置成针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在一些实施例中,该装置还包括:第二获取单元,被配置成获取用户从预先确定的面部器官信息集合中选定的面部器官信息,以及用户从针对面部器官信息集合确定的形变信息集合中选定的形变信息;第三确定单元,被配置成根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型;输入单元,被配置成将所生成的目标图像输入至所确定出的面部器官形变模型,得到初始图像的形变后图像。
在一些实施例中,图像生成模型为生成对抗网络。
第三方面,本公开的实施例提供了一种用于生成图像的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述用于生成图像的方法中任一实施例的方法。
第四方面,本公开的实施例提供了一种用于生成图像的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述用于生成图像的方法中任一实施例的方法。
本公开的实施例提供的用于生成图像的方法和装置,通过获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像,然后,从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型,最后,将初始图像输入至所确定出的图像生成模型,生成目标图像,丰富了图像的生成方式,可以根据用户不同的需求来生成不同类型的图像。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于生成图像的方法的一个实施例的流程图;
图3是根据本公开的用于生成图像的方法的一个应用场景的示意图;
图4是根据本公开的用于生成图像的方法的又一个实施例的流程图;
图5是根据本公开的用于生成图像的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于生成图像的方法或用于生成图像的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且图像处理的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的初始图像进行处理(例如风格迁移(Style transfer))的后台服务器。后台服务器可以对接收到的初始图像等数据进行风格迁移等处理,从而生成处理结果(例如对初始图像进行风格迁移后得到的图像)。
需要说明的是,本公开的实施例所提供的用于生成图像的方法可以由服务器105执行,也可以由终端设备101、102、103执行。相应地,用于生成图像的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。可选的,本公开的实施例所提供的用于生成图像的方法还可以由服务器与终端设备彼此配合执行,用于生成图像的装置所包括的各个单元还可以分别设置于服务器与终端设备中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当用于生成图像方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该***架构可以仅包括用于生成图像方法运行于其上的电子设备。
继续参考图2,示出了根据本公开的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法,包括以下步骤:
步骤201,获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息。
在本实施例中,用于生成图像的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户输入的初始图像。类似的,上述执行主体也可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户从预先确定的图像类型信息集合中选定的图像类型信息。
其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应。图像生成模型用于生成其所对应的图像类型信息表征的图像类型的目标图像。
在这里,上述初始图像可以是待对其进行风格迁移的图像。例如,初始图像可以是但不限于:面部图像、人体图像、风景图像、动物图像、植物图像等等。图像类型信息可以用于表征图像类型。示例性的,上述图像类型信息集合中的图像类型信息可以用于表征但不限于如下任一图像类型:动漫风格、卡通风格、油画风格、抽象派风格、英伦风格等等。可以理解,风格迁移,是一种对图像的类型进行变换的技术。例如,初始图像可以是用户的自拍图像,对该处是图像进行风格迁移,可以得到动漫风格的自拍图像、卡通风格的自拍图像、油画风格的自拍图像、抽象派风格的自拍图像、英伦风格的自拍图像等等。
实践中,用户可以通过拍摄、下载等方式,向其所使用的终端设备输入初始图像。由此,当上述执行主体为终端设备时,上述执行主体可以从本地获取用户所输入的初始图像;当上述执行主体为服务器时,上述执行主体可以与用户所使用的终端设备通信连接,从而,上述执行主体可以从通信连接的终端设备获取用户所输入的初始图像。
作为示例,上述执行主体可以采用如下方式,来获取用户从预先确定的图像类型信息集合中选定的图像类型信息:用户所使用的终端设备可以呈现有图像类型信息集合中的各个图像类型信息,由此,上述执行主体可以通过检测用户的选定操作(例如对图像类型信息的勾选、点击、长按,输入图像类型信息等操作),来获取用户从该图像类型信息集合中所选定的图像类型信息。
可以理解,上述执行主体,或者,与上述执行主体通信连接的电子设备,可以将上述图像类型信息集合中的图像类型信息与上述图像生成模型集合中的图像生成模型进行关联存储,从而建立二者之间的对应关系。
在本实施例的一些可选的实现方式中,对于图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型可以是上述执行主体或者与上述执行主体通信连接的电子设备,通过如下步骤训练得到的:
第一步,获取训练样本集合。其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像。样本目标图像为该图像类型信息表征的图像类型的图像。
在这里,上述样本初始图像可以是用于训练得到该图像类型信息对应的图像生成模型并且进行风格迁移前的图像。上述与样本初始图像对应的样本目标图像可以是该样本初始图像进行该图像类型信息表征的图像类型的风格迁移后所得到的图像。例如,如果该图像类型信息表征的图像类型为“动漫风格”,那么,与样本初始图像对应的样本目标图像可以是动漫风格的样本初始图像。
第二步,利用机器学习算法,将训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。样本目标图像可以为该图像类型信息表征的图像类型的图像。实践中,上述样本目标图像可以是绘制人员对初始图像的图像类型进行改变从而绘制成的。
具体地,上述执行主体可以将训练样本集合中的训练样本包括的样本初始图像作为初始模型(例如卷积神经网络)的输入,得到与输入的样本初始图像对应的实际输出。确定初始模型是否满足预先确定的训练结束条件。如果满足,则将满足预先确定的训练结束条件的初始模型,确定为训练完成的图像生成模型。如果不满足,则采用反向传播法、梯度下降法,来基于与输入的样本初始图像对应的实际输出和期望输出调整初始模型的参数,并将参数调整后的初始模型用于下次训练。其中,上述训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长,训练次数超过预设次数,将实际输出与期望输出输入至预先确定的损失函数的到的函数值小于预设阈值。
可以理解,本可选的实现方式可以采用有监督的训练方法,针对上述图像类型信息集合中的每个图像类型信息,训练得到一个图像生成模型。
在本实施例的一些可选的实现方式中,图像生成模型也可以为生成对抗网络。其中,生成对抗网络包括生成网络和判别网络,生成网络用于表征初始图像与目标图像之间的对应关系,判别网络用于确定所输入的目标图像是生成的目标图像还是真实的目标图像。作为示例,上述生成对抗网络可以是循环式生成对抗网络(CycleGan)。其中,目标图像为该图像生成模型对应的图像类型信息表征的图像类型的初始图像。
可以理解,当图像生成模型也可以为生成对抗网络时,本可选的实现方式可以采用无监督的训练方法,针对上述图像类型信息集合中的每个图像类型信息,训练得到一个图像生成模型。
步骤202,从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型。
在本实施例中,上述执行主体可以从上述图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型。
可以理解,上述执行主体可以从上述图像生成模型集合中,确定与所获取的图像类型信息预先建立关联关系的图像生成模型,作为其所对应的图像生成模型。
步骤203,将初始图像输入至所确定出的图像生成模型,生成目标图像。
在本实施例中,上述执行主体可以将步骤201获取到的初始图像输入至步骤202所确定出的图像生成模型,从而生成目标图像。其中,目标图像可以是该图像生成模型对应的图像类型信息表征的图像类型的图像。
由此,本实施例可以按照用户的需求,对用户输入的初始图像进行风格迁移,从而得到符合用户需求的目标图像(即对初始图像进行风格迁移后得到的图像)。
在本实施例的一些可选的实现方式中,初始图像为面部图像。由此,上述执行主体还可以执行如下步骤:
步骤一,确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小。其中,面部器官包括但不限于以下至少一项:眼睛、鼻子、额头、耳朵、嘴巴、眉毛、睫毛、颧骨等等。
作为示例,上述执行主体可以针对上述用户输入的初始图像包括的至少一个面部器官图像区域中的每个面部器官图像区域,确定该面部器官图像区域的区域大小。
作为又一示例,上述执行主体也可以确定上述用户输入的初始图像包括的至少一个面部器官图像区域中,用户所选中的面部器官图像区域的区域大小。
作为示例,上述区域大小可以通过该面部器官图像区域包括的像素点的数量来表征,也可以通过该面部器官图像区域的面积与上述用户输入的初始图像的面积之比来表征。
步骤二,针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在这里,上述执行主体可以采用三角形仿射变化算法,来对面部器官图像进行形变处理,也可以将面部器官图像输入至预先训练的形变模型,从而对其进行形变处理。其中,上述形变模型可以用于对输入的图像进行形变处理。例如,该形变模型可以是采用机器学习算法训练得到的卷积神经网络模型。
其中,技术人员可以预先针对面部包括的各个面部器官设置大小阈值。作为示例,技术人员可以将面部器官“眼睛”的大小阈值设置为任意一个眼睛的大小或任意多个眼睛大小的均值。上述形变处理可以包括但不限于:放大、缩小、平移、旋转、扭曲等等。
在本实施例的一些可选的实现方式中,上述执行主体还可以执行如下步骤:
步骤一,获取用户从预先确定的面部器官信息集合中选定的面部器官信息。以及获取用户从针对面部器官信息集合确定的形变信息集合中选定的形变信息。
其中,面部器官信息用于指示面部器官。这里,面部器官信息可以通过文字来表征,例如面部器官信息可以是“鼻子”。可选的,面部器官信息也可以通过其他形式来表征,例如,面部器官信息也可以通过图像来表征。形变信息可以用于指示具体的形变处理。这里,形变信息可以通过文字来表征,例如形变信息可以是“放大”。可选的,形变信息也可以通过其他形式来表征,例如,形变信息也可以通过图像(例如放大的眼睛的图像)来表征。
需要说明的是,技术人员可以针对面部器官信息集合中的每个面部器官信息设置一个或多个与其对应的形变信息,也可以分别设置面部器官信息集合和形变信息集合,从而使得面部器官信息集合中的任一面部器官信息,与形变信息集合中的任一形变信息相对应。
在这里,当上述执行主体为终端设备时,其可以呈现面部器官信息集合中的各个面部器官信息,由此,用户可以从上述执行主体所呈现的面部器官信息集合中,选取面部器官信息,以便上述执行主体获取用户选取的面部器官信息。当上述执行主体为服务器时,其可以向与其通信连接的终端设备发送面部器官信息集合,以便该终端设备呈现所接收到的面部器官信息集合中的各个面部器官信息,由此,用户可以从上述执行主体所呈现的面部器官信息集合中,选取面部器官信息,之后,终端设备可以再将用户选取的面部器官信息发送至上述执行主体,以便上述执行主体获取用户选取的面部器官信息。
可以理解,对于形变信息,上述执行主体可以采用与面部器官信息类似的方式来获取,在此不再赘述。
步骤二,根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型。
其中,面部器官形变模型可以用于对初始图像中的面部器官进行形变处理。作为示例,上述面部器官形变模型可以是采用机器学习算法训练得到的神经网络模型,也可以是三角形放射变换算法。
步骤三,将所生成的目标图像输入至所确定出的面部器官形变模型,得到初始图像的形变后图像。
继续参见图3A-图3C,图3A-图3C是根据本实施例的用于生成图像的方法的一个应用场景的示意图。在图3A中,手机获取用户输入的初始图像301,以及用户从预先确定的图像类型信息集合302中选定的图像类型信息3020。其中,图像类型信息集合301中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应。图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像。然后,请参考图3B,手机从图像生成模型集合(例如包括图像类型信息“油画”对应的图像生成模型、图像类型信息“卡通”对应的图像生成模型、图像类型信息“英伦”对应的图像生成模型、图像类型信息“哥特”对应的图像生成模型、图像类型信息“沙画”对应的图像生成模型和图像类型信息“黑白”对应的图像生成模型)中,确定与所获取的图像类型信息3020对应的图像生成模型304。最后,手机将初始图像301输入至所确定出的图像生成模型304,生成目标图像303。可选的,请参考图3C,手机在屏幕上向用户呈现了对初始图像301进行油画风格迁移而生成的目标图像303。
现有技术中,由于每个用户的需求往往不同,其所需的头像通常也是不同的。然而,多数用户无法自行设计其所满意的头像。可见,现有技术中存在对用户选定的初始图像进行类型变换的需求。
本公开的上述实施例提供的方法,通过获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,然后,从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型,最后,将初始图像输入至所确定出的图像生成模型,生成目标图像,可以按照用户的需求,对用户输入的初始图像进行风格迁移,从而得到符合用户需求的图像,由此丰富了图像的生成方式。
进一步参考图4,其示出了用于生成图像的方法的又一个实施例的流程400。该用于生成图像的方法的流程400,包括以下步骤:
步骤401,获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息。
在本实施例中,用于生成图像的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户输入的初始图像。类似的,上述执行主体也可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户从预先确定的图像类型信息集合中选定的图像类型信息。初始图像为面部图像。
其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像
步骤402,从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型。
在本实施例中,上述执行主体可以从上述图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型。
步骤403,将初始图像输入至所确定出的图像生成模型,生成目标图像。
在本实施例中,上述执行主体可以将步骤401获取到的初始图像输入至步骤402所确定出的图像生成模型,从而生成目标图像。其中,目标图像可以是该图像生成模型对应的图像类型信息表征的图像类型的图像。
在这里,除上面所记载的内容外,步骤401-步骤403还可以分别包括与图2对应实施例中的步骤201-步骤203基本一致的内容,这里不再赘述。
步骤404,确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小。
在本实施例中,上述执行主体可以确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小。其中,面部器官包括但不限于以下至少一项:眼睛、鼻子、额头、耳朵、嘴巴、眉毛、睫毛、颧骨等等。
作为示例,上述执行主体可以针对上述用户输入的初始图像包括的至少一个面部器官图像区域中的每个面部器官图像区域,确定该面部器官图像区域的区域大小。
作为又一示例,上述执行主体也可以确定上述用户输入的初始图像包括的至少一个面部器官图像区域中,用户所选中的面部器官图像区域的区域大小。
作为示例,上述区域大小可以通过该面部器官图像区域包括的像素点的数量来表征,也可以通过该面部器官图像区域的面积与上述用户输入的初始图像的面积之比来表征。
步骤405,针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在本实施例中,上述执行主体还可以针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在这里,上述执行主体可以采用三角形仿射变化算法,来对面部器官图像进行形变处理,也可以将面部器官图像输入至预先训练的形变模型,从而对其进行形变处理。其中,上述形变模型可以用于对输入的图像进行形变处理。例如,该形变模型可以是采用机器学习算法训练得到的卷积神经网络模型。
其中,技术人员可以预先针对面部包括的各个面部器官设置大小阈值。作为示例,技术人员可以将面部器官“眼睛”的大小阈值设置为任意一个眼睛的大小或任意多个眼睛大小的均值。上述形变处理可以包括但不限于:放大、缩小、平移、旋转、扭曲等等。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成图像的方法的流程400突出了对面部器官图像进行形变处理的步骤。由此,本实施例描述的方案可以在实现对面部图像进行风格迁移的基础上,进一步对面部图像中的面部器官图像进行形变。例如,如果面部图像表征鼻子所在的图像区域的大小,大于等于预先确定的鼻子大小阈值(例如多个人的鼻子的大小均值),那么,通过本实施例描述的方案可以对该面部图像的鼻子进行形变处理(例如放大处理),从而得到风格化(例如动漫风格)的、鼻子经形变处理(例如放大处理)后的面部图像。由此,可以进一步满足用户的个性化需求,进一步丰富了图像的生成方式。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成图像的装置500包括:第一获取单元501、第一确定单元502和生成单元503。其中,第一获取单元501被配置成获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像;第一确定单元502被配置成从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;生成单元503被配置成将初始图像输入至所确定出的图像生成模型,生成目标图像。
在本实施例中,用于生成图像的装置500的第一获取单元501可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户输入的初始图像。类似的,上述装置500也可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取用户从预先确定的图像类型信息集合中选定的图像类型信息。
其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应。图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像。
在本实施例中,上述第一确定单元502可以从上述图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型。
在本实施例中,上述生成单元503可以将第一获取单元501获取到的初始图像输入至第一确定单元502所确定出的图像生成模型,从而生成目标图像。其中,目标图像可以是该图像生成模型对应的图像类型信息表征的图像类型的图像。
在本实施例的一些可选的实现方式中,对于图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型是通过如下步骤训练得到的:
首先,获取训练样本集合,其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像,样本目标图像为该图像类型信息表征的图像类型的图像;
然后,利用机器学习算法,将训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。
在本实施例的一些可选的实现方式中,初始图像为面部图像。该装置500还包括:第二确定单元(图中未示出)被配置成确定用户输入的初始图像包括的至少一个面部器官图像区域的区域大小。处理单元(图中未示出)被配置成针对至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理。
在本实施例的一些可选的实现方式中,该装置500还包括:第二获取单元(图中未示出)被配置成获取用户从预先确定的面部器官信息集合中选定的面部器官信息,以及用户从针对面部器官信息集合确定的形变信息集合中选定的形变信息。第三确定单元(图中未示出)被配置成根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型。输入单元(图中未示出)被配置成将所生成的目标图像输入至所确定出的面部器官形变模型,得到初始图像的形变后图像。
在本实施例的一些可选的实现方式中,图像生成模型为生成对抗网络。
本公开的上述实施例提供的装置,通过第一获取单元501获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像,然后,第一确定单元502从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型,最后,生成单元503将初始图像输入至所确定出的图像生成模型,生成目标图像,可以按照用户的需求,对用户输入的初始图像进行风格迁移,从而得到符合用户需求的图像,由此丰富了图像的生成方式。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的方法中限定的上述功能。
需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Python、Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第一确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一确定单元还可以被描述为“确定与所获取的图像类型信息对应的图像生成模型的单元”。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像;从图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;将初始图像输入至所确定出的图像生成模型,生成目标图像。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于生成图像的方法,包括:
获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,所述图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像,所述初始图像为面部图像;
从所述图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;
将所述初始图像输入至所确定出的图像生成模型,生成目标图像;
其中,所述方法还包括:确定所述用户输入的初始图像包括的至少一个面部器官图像区域的区域大小,其中,所述区域大小表征所述面部器官图像区域的面积与所述初始图像的面积之比;
针对所述至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理,不同的所述面部器官图像对不同的阈值。
2.根据权利要求1所述的方法,其中,对于所述图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型是通过如下步骤训练得到的:
获取训练样本集合,其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像,样本目标图像为该图像类型信息表征的图像类型的图像;
利用机器学习算法,将所述训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
获取用户从预先确定的面部器官信息集合中选定的面部器官信息,以及用户从针对所述面部器官信息集合确定的形变信息集合中选定的形变信息;
根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型;
将所生成的目标图像输入至所确定出的面部器官形变模型,得到所述初始图像的形变后图像。
4.根据权利要求1所述的方法,其中,图像生成模型为生成对抗网络。
5.一种用于生成图像的装置,包括:
第一获取单元,被配置成获取用户输入的初始图像,以及用户从预先确定的图像类型信息集合中选定的图像类型信息,其中,所述图像类型信息集合中的图像类型信息与预先训练的图像生成模型集合中的图像生成模型一一对应,图像生成模型用于生成对应的图像类型信息表征的图像类型的目标图像,初始图像为面部图像;
第一确定单元,被配置成从所述图像生成模型集合中,确定与所获取的图像类型信息对应的图像生成模型;
生成单元,被配置成将所述初始图像输入至所确定出的图像生成模型,生成目标图像;
其中,所述装置还包括:第二确定单元,被配置成确定所述用户输入的初始图像包括的至少一个面部器官图像区域的区域大小,其中,所述区域大小表征所述面部器官图像区域的面积与所述初始图像的面积之比;
处理单元,被配置成针对所述至少一个面部器官图像区域的区域大小,响应于确定该面部器官图像区域的区域大小大于等于预先针对该面部器官图像区域确定的大小阈值,对位于该面部器官图像区域的面部器官图像进行形变处理,不同的所述面部器官图像对不同的阈值。
6.根据权利要求5所述的装置,其中,对于所述图像类型信息集合中的图像类型信息,该图像类型信息对应的图像生成模型是通过如下步骤训练得到的:
获取训练样本集合,其中,训练样本包括样本初始图像,以及与样本初始图像对应的样本目标图像,样本目标图像为该图像类型信息表征的图像类型的图像;
利用机器学习算法,将所述训练样本集合中的训练样本包括的样本初始图像作为输入,将与输入的样本初始图像对应的样本目标图像作为期望输出,训练得到图像生成模型。
7.根据权利要求5或6所述的装置,其中,所述装置还包括:
第二获取单元,被配置成获取用户从预先确定的面部器官信息集合中选定的面部器官信息,以及用户从针对所述面部器官信息集合确定的形变信息集合中选定的形变信息;
第三确定单元,被配置成根据用户选定的面部器官信息和形变信息,从预先训练的面部器官形变模型集合中确定面部器官形变模型;
输入单元,被配置成将所生成的目标图像输入至所确定出的面部器官形变模型,得到所述初始图像的形变后图像。
8.根据权利要求5所述的装置,其中,图像生成模型为生成对抗网络。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199011.XA CN109949213B (zh) | 2019-03-15 | 2019-03-15 | 用于生成图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199011.XA CN109949213B (zh) | 2019-03-15 | 2019-03-15 | 用于生成图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949213A CN109949213A (zh) | 2019-06-28 |
CN109949213B true CN109949213B (zh) | 2023-06-16 |
Family
ID=67010103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910199011.XA Active CN109949213B (zh) | 2019-03-15 | 2019-03-15 | 用于生成图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949213B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503703B (zh) * | 2019-08-27 | 2023-10-13 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN114331820A (zh) * | 2021-12-29 | 2022-04-12 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016051302A (ja) * | 2014-08-29 | 2016-04-11 | カシオ計算機株式会社 | 画像処理装置、撮像装置、画像処理方法、及びプログラム |
CN107909540A (zh) * | 2017-10-26 | 2018-04-13 | 深圳天珑无线科技有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108259769A (zh) * | 2018-03-30 | 2018-07-06 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108960093A (zh) * | 2018-06-21 | 2018-12-07 | 阿里体育有限公司 | 脸部转动角度的识别方法及设备 |
CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009258224A (ja) * | 2008-04-14 | 2009-11-05 | Canon Inc | 画像形成装置及び画像形成方法 |
JP2015176272A (ja) * | 2014-03-14 | 2015-10-05 | オムロン株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
CN108401112B (zh) * | 2018-04-23 | 2021-10-22 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109215007B (zh) * | 2018-09-21 | 2022-04-12 | 维沃移动通信有限公司 | 一种图像生成方法及终端设备 |
-
2019
- 2019-03-15 CN CN201910199011.XA patent/CN109949213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016051302A (ja) * | 2014-08-29 | 2016-04-11 | カシオ計算機株式会社 | 画像処理装置、撮像装置、画像処理方法、及びプログラム |
CN107909540A (zh) * | 2017-10-26 | 2018-04-13 | 深圳天珑无线科技有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108259769A (zh) * | 2018-03-30 | 2018-07-06 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108960093A (zh) * | 2018-06-21 | 2018-12-07 | 阿里体育有限公司 | 脸部转动角度的识别方法及设备 |
CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
脸部特征定位方法;林维训,潘纲,吴朝晖,***;中国图象图形学报(第08期);11 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949213A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578017B (zh) | 用于生成图像的方法和装置 | |
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
WO2020000879A1 (zh) | 图像识别方法和装置 | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN107609506B (zh) | 用于生成图像的方法和装置 | |
CN110827378A (zh) | 虚拟形象的生成方法、装置、终端及存储介质 | |
CN109189544B (zh) | 用于生成表盘的方法和装置 | |
CN110298319B (zh) | 图像合成方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN110288705B (zh) | 生成三维模型的方法和装置 | |
CN112527115B (zh) | 用户形象生成方法、相关装置及计算机程序产品 | |
CN109977905B (zh) | 用于处理眼底图像的方法和装置 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
JP2020013553A (ja) | 端末装置に適用される情報生成方法および装置 | |
CN110837332A (zh) | 面部图像变形方法、装置、电子设备和计算机可读介质 | |
CN109949213B (zh) | 用于生成图像的方法和装置 | |
CN110570383A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN110288683B (zh) | 用于生成信息的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN109241930B (zh) | 用于处理眉部图像的方法和装置 | |
CN111260756B (zh) | 用于发送信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: Building 3, No. 1 Yinzhu Road, Suzhou High tech Zone, Suzhou City, Jiangsu Province, 215011 Patentee after: Suzhou Moxing Times Technology Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Patentee before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |