CN110619602B - 一种图像生成方法、装置、电子设备及存储介质 - Google Patents
一种图像生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110619602B CN110619602B CN201910913767.6A CN201910913767A CN110619602B CN 110619602 B CN110619602 B CN 110619602B CN 201910913767 A CN201910913767 A CN 201910913767A CN 110619602 B CN110619602 B CN 110619602B
- Authority
- CN
- China
- Prior art keywords
- person
- image
- feature vector
- target
- portrait
- 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 64
- 239000013598 vector Substances 0.000 claims abstract description 302
- 238000012795 verification Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 239000013604 expression vector Substances 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 11
- 230000007704 transition Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 210000000697 sensory organ Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开公开了一种图像生成方法、装置、电子设备及存储介质。该方法包括：通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。本公开实施例的方案能够在基于原有图像的特征融合生成新的图像时，使得新图像融合区域过渡更加自然，效果更加逼真。
Description
技术领域
本公开实施例涉及图像处理技术，尤其涉及一种图像生成方法、装置、电子设备及存储介质。
背景技术
随着终端设备的不断发展，终端设备中的拍摄功能也越来越丰富，应用程序可以在用户使用终端设备拍照或视频通话时，对拍摄内容进行个性化处理，生成新的图像，
目前，在对拍摄内容进行个性化处理时，通常是对待处理图像进行图像分割处理，识别出待处理的区域直接进行个性化处理操作生成新的图像。例如，若要对拍摄的两个人物的图像进行换脸处理生成新的图像，则现有技术是采用图像分割技术，识别出两个人物的脸部区域，然后将两个人物的脸部区域进行替换，生成新的图像。但是，当两个人物在图像中的脸部区域大小和/或角度不一致时，通过简单的区域替换生成新图像，严重影响新图像的美观度，亟需改进。
发明内容
本公开提供一种图像生成方法、装置、电子设备及存储介质，能够在基于原有图像的特征融合生成新的图像时，使得新图像融合区域过渡更加自然，效果更加逼真。
第一方面，本公开实施例提供了一种图像生成方法，该方法包括：
通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
第二方面，本公开实施例还提供了一种图像生成装置，该装置包括：
向量获取模块，用于通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
图像生成模块，用于根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
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本公开任意实施例所述的图像生成方法。
第四方面，本公开实施例提供了一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例所述的图像生成方法。
本公开实施例提供了一种图像生成方法、装置、电子设备及存储介质，通过对抗网络模型获取原始图像中每个人物的属性特征向量和人像特征向量，由于原始图像中包括背景人物和目标人物，选择背景人物的属性特征向量和目标人物的人像特征向量生成目标图像。本公开实施例的方案生成的目标图像中的人物是对原始图像中的人物进行融合后生成的不同于原始图像人物的新人物图像，且由于增加了属性特征向量，避免了融合时因为人物属性特征(如待融合区域的大小和角度)不同导致新生成的图像美观度较差的问题，使得新图像融合区域过渡更加自然，效果更加逼真。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1A示出了本公开实施例提供的一种图像生成方法的流程图；
图1B示出了本公开实施例提供的对抗网络模型的结构的示意图；
图1C示出了本公开实施例提供的图像生成过程及效果示意图；
图2A示出了本公开实施例提供的另一种图像生成方法的流程图；
图2B示出了本公开实施例提供的验证初始网络模型的流程示意图；
图3示出了本公开实施例提供的一种图像生成装置的结构示意图；
图4示出了本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多方之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1A示出了本公开实施例提供的一种图像生成方法的流程图，图1B示出了本公开实施例提供的对抗网络模型的结构的示意图，图1C示出了本公开实施例提供的图像生成过程及效果示意图。本实施例可适用于根据包含不同人物的图像生成新人物图像的情况，例如，可以是对两个不同的人物进行换脸，生成不同于这两个人物的新人物图像的情况。该方法可以由图像生成装置或电子设备来执行，该装置可以通过软件和/或硬件的方式来实现，该装置可以配置在电子设备中，具体的可以由电子设备中的图像处理进程来执行。可选的，该电子设备可以是应用程序的后端服务平台对应的设备，还可以是安装有应用程序客户端的移动终端设备。
可选的，如图1A-1C所示，本实施例中的方法可以包括如下步骤：
S101，通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量。
其中，原始图像可以是拍摄的待处理的图像，本实施例中的原始图像中包含至少两个人物，所述至少两个人物可以是位于一个原始图像中，也可以是位于多个原始图像中。例如，该原始图像可以是用户A和用户B的合影图像，还可以是两张图像，一张是用户A的图像，另一张是用户B的图像。由于本公开实施例最终生成的新图像是原始图像中的至少两个人物进行融合后得到的，所以本实施例中原始图像中的至少两个人物可以划分为背景人物和目标人物。其中，背景人物可以是融合时提供背景内容的人物，目标人物可以是融合时提供人物关键特征的人物。例如，若本实施例是将图像中用户A的五官替换为用户B的五官，从而生成新图像，则此时用户A提供的是新生成图像的背景内容，所以用户A为背景人物，用户B提供的是新生成图像的关键五官特征，所以用户B为目标人物。可选的，原始图像中的背景人物和目标人物的个数都可以为一个或多个，且各人物可以位于一个原始图像中，也可以位于不同的原始图像中。
可选的，本实施例的对抗网络模型可以是一种对输入图像进行特征解耦分类，得到人物的属性特征向量和人像特征向量的神经网络模型。可选的，本实施例的对抗网络模型可以包括人像解耦网络和分类网络，本步骤通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量的过程可以是，通过人像解耦网络得到原始图像中人物的特征向量；通过分类网络得到原始图像中人物的属性特征向量和人像特征向量。其中，人物的属性特征向量可以是描述图像中人物的某一属性特征的向量，例如，可以包括但不限于：人物表情向量、方位角度向量、人物体型向量以及背景特征向量中的至少一个。人物的人像特征向量可以是描述图像中人物的某一区域的细节特征的向量，例如，可以包括但不限于：五官特征向量、头发特征向量以及肢体特征向量中的至少一个。
具体的，如图1B所示，对抗网络模型10可以包括人像解耦网络11和分类网络12，本实施例的人像解耦网络11中又包括属性特征解耦网络13和人像特征解耦网络14。属性特征解耦网络13用于从原始图像中解耦出人物的属性特征向量，人像特征解耦网络14用于从原始图像中解耦出人物的人像特征向量。但是需要说明的是，对抗网络模型10内的属性特征解耦网络13和人像特征解耦网络14识别出各自对应的人物的特征向量后，对抗网络模型10无法知道哪个特征向量是人像特征向量，哪个向量是属性特征向量，此时可以是通过分类网络12来进行分类识别。可选的，分类网络12中可以通过执行将原始图像中人物的特征向量与分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。具体的，分类网络12中可以预先存储有标准向量，该标准向量可以是属性特征对应的标准向量，还可以是人像特征对应的标准向量，将人像解耦网络解耦得到的人物的两个特征向量分别与该标准向量进行相似度比较，两个特征向量中和该标准向量更为相似的特征向量，属于与标准向量一个特征类别的向量。例如，若标准向量为属性特征对应的标准向量，则将两个特征向量中和该标准向量更为相似的特征向量确定为人物的属性特征向量，另一个特征向量确定为人物的人像特征向量。
可选的，所述人像解耦网络内设置有库尔贝克-莱布勒散度损失函数约束。如可以是为人像解耦网络内的特征解耦网络和/或人像特征解耦网络设置该库尔贝克-莱布勒散度损失函数约束，以实现对解耦出的特征向量进行约束。可选的，本公开实施例可以是对人像解耦网络中的两个解耦网络(即属性特征解耦网络和人像特征解耦网络)，一个设置库尔贝克-莱布勒散度损失函数约束对解耦的特征向量进行约束，另一个分配上述介绍的分类网络来对解耦出的特征向量进行约束。例如，可以是为属性特征解耦网络设置库尔贝克-莱布勒散度损失函数约束，来保证该属性特征解耦网络解耦出的属性特征向量尽可能满足标准正态分布，从而尽可能消除人像特征向量的影响，以使属性特征向量只跟属性特征有关；对于人像特征解耦网络解耦的人像特征向量采用分类网络进行约束，以使人像特征向量与人像特征强相关。
可选的，在本实施例中，输入到对抗网络模型中的图像可以是获取的电子设备上的摄像头实时拍摄的图像；还可以是从电子设备本地图库中根据用户的点击操作选择的已存图像；也可以是进行在用户视频过程中，获取的视频双方的视频流对应的图像等。还可以是其他方式获取的，对此本实施例不进行限定。在获取了原始图像后，可以将原始图像输入到对抗神经网络模型中，该对抗神经网络模型的人像解耦网络对原始图像中的每一个人物都解耦出该人物的一组特征向量，然后针对每一组特征向量，分类网络基于本地存储的标准向量，识别出该组特征向量中哪一向量为属性特征向量，哪一向量为人像特征向量。
S102，根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像。
可选的，本实施例中的原始图像中的人物包括背景人物和目标人物，且无论是背景人物还是目标人物，S101都通过对抗网络模型得到了该人物的属性特征向量和人像特征向量。对于解析出的任意一个属性特征向量和人像特征向量都可以生成一个新的图像，本步骤选择的是采用背景人物的属性特征向量和目标人物的人像特征向量进行融合，以背景人物图像为基础，将目标人物的人像特征替换背景人物中的人像特征，从而生成目标图像。
示例性的，如图1C所示，原始图像包括两个图像，一个图像为人物A的图像，且该人物A为目标人物；另一个图像为人物B的图像，且该人物B为背景人物。将目标人物A的图像和背景人物B的图像分别输入到对抗网络模型中，得到目标人物A的属性特征向量和人像特征向量，以及背景人物B的属性特征向量和人像特征向量。其中，人像特征向量可以是人物A和人物B各自的五官以及头发的关键特征向量；人物A的属性特征向量可以是闭嘴表情、眼神向右看以及正脸角度；人物B的属性特征向量可以是露齿微笑表情、眼神向左看以及微向右侧脸角度。然后将目标人物A的人像特征向量依据背景图像B的属性特征向量融合到背景人物B中，即得到如图1C所示的目标图像，从该目标图像中可以看出并不是将目标人物A的五官和头发区域直接粘贴到背景人物B的图像中，而是将目标人物A的嘴部特征与背景人物B的微笑表情特征进行融合，将目标人物A的眼睛特征与背景人物B的眼神向左看特征进行融合，将目标人物A的整体五官特征与背景人物B的微向右侧脸角度特征进行融合，从而生成目标图像。
可选的，本公开实施例中，生成目标图像所依据的背景人物的属性特征向量可以是一个背景人物的属性特征向量，还可以是多个背景人物的混和属性特征向量，例如，可以是背景人物A的表情特征向量、背景人物B的方位角度向量、背景人物C的体型向量和背景人物D背景区域特征向量混和构成背景人物的属性特征向量。同理，生成目标图像所依据的目标人物的人像特征向量也可以是一个目标人物的人像特征向量，还可以是多个目标人物的混和人像特征向量。
需要说明的是，本实施例根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像的操作，结合了目标人物和背景人物的相关特征，且融合区域过渡自然，效果逼真，不会因为融合区域大小和/或角度的不同影响到目标图像效果。此外，本实施例生成的目标图像中的人物与原始图像中的人物不同。例如，图1C中的目标图像既不是目标人物A的图像，也不是背景人物B的图像。
可选的，本公开实施例中，针对原始图像生成的目标图像中可以包括一个新人物，例如，图1C生成的目标图像中就包括一个新人物。还可以是包括多个新人物，例如，若原始图像是人物C和人物D的合影，此时人物C和人物D可以互为背景人物和目标人物，将人物C的人像特征向量和人物D的属性特征的向量进行融合，将人物D的人像特征向量和人物C的属性特征的向量进行融合，合成的目标图像为人物C和人物D换脸后的合影，此时目标图像中包括两个人新人物。因此，本实施例中，目标图像中的人物与原始图像中的人物不同包括：目标图像中的人物为背景人物和目标人物换脸后的人物；或者，目标图像中的人物为背景人物和目标人物融合后的人物。具体的，当目标图像中包括一个新人物时，此时目标图像中的人物就是原始图像中背景人物和目标人物融合后的一个人物；当目标图像中包括多个新人物时，此时目标图像中的人物就是原始图像中的人物互为背景人物和目标人物，进行换脸后得到的多个新人物。
需要说明的是，本公开实施例的上述方案是以对图片数据进行处理生成新图像为例介绍的，但是不限于仅能用于对图片处理的场景，如还可以用于在用户视频时，将通话双方的视频流输入到对抗网络模型中，从而实现根据通话双方的特征向量生成新的视频流。例如，可以是采用本实施例的方法对视频通话双方进行换脸操作，提高视频通话的趣味性。
本公开实施例提供了一种图像生成方法，通过对抗网络模型获取原始图像中每个人物的属性特征向量和人像特征向量，由于原始图像中包括背景人物和目标人物，选择背景人物的属性特征向量和目标人物的人像特征向量生成目标图像。本公开实施例的方案生成的目标图像中的人物是对原始图像中的人物进行融合后生成的不同于原始图像人物的新人物图像，且由于增加了属性特征向量，避免了融合时因为人物属性特征(如待融合区域的大小和角度)不同导致新生成的图像美观度较差的问题，使得新图像融合区域过渡更加自然，效果更加逼真。
图2A示出了本公开实施例提供的另一种图像生成方法的流程图，图2B示出了本公开实施例提供的验证初始网络模型的流程示意图。本实施例在上述实施例提供的各可选方案的基础上进行了优化，具体给出了在使用对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量之前，如何训练该对抗网络模型的详细过程介绍。
可选的，如图2A-2B所示，本实施例中的方法可以包括如下步骤：
S201，将样本图像输入初始网络模型中，对初始网络模型进行训练。
其中，样本图像可以是训练初始网络模型所需要的训练数据，其可以是不同人物图像数据以及各人物图像数据对应的人物的属性特征向量和人像特征向量构成，本实施例所需的样本图像尽可能的涵盖各种属性特征，例如，包含各种表情、方位角度以及体型等。可选的，本实施例中样本图像包括的多个人物可以分为样本背景人物和样本目标人物。初始网络模型可以是预先构建的包含人像解耦网络和分类网络的网络模型。其中，人像解耦网络用于识别原始图像中人物的特征向量，分类网络用于分类确定原始图像中人物的属性特征向量和人像特征向量，具体的，其用于将原始图像中人物的特征向量与分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。而人像解耦网络中又进一步包括特征解耦网络和人像特征解耦网络。
可选的，本实施例在训练初始网络模型的过程中，主要训练的是人像解耦网络，具体的，可以是采用样本图像数据，对人像解耦网络中的属性特征解耦网络和人像特征解耦网络进行分开独立训练。例如，可以是采用样本图像中各人物图像及其属性特征向量对属性特征解耦网络进行训练；采用样本图像中各人物图像及其人像特征向量对人像特征解耦网络进行训练。此外，可以是采用样本图像对属性特征解耦网络训练完成后，再采用该样本图像对人像特征解耦网络进行训练；还可以是同时启动两个训练进程，采用样本图像数据，对属性特征解耦网络和人像特征解耦网络进行训练。
需要说明的是，本步骤将样本图像输入初始网络模型中，对初始网络模型中的各种参数进行训练，训练后的初始网络模型的网络构成不发生变化，只是调整初始网络模型的各参数的数值。
S202，将验证图像输入训练后的初始网络模型中，得到验证图像中人物的属性特征向量和人像特征向量。
其中，验证图像可以是用于验证训练后的初始网络模型是否符合要求的验证图像数据，其可以是在获取样本图像的过程中选出的，例如，在获取样本图像的过程中，将获取的图像中一定比例(如80％)的图像数据作为样本图像，剩余比例(如20％)的图像数据作为验证图像。还可以是专门选择出的与样本图像不同的人物图像作为验证图像。可选的，本实施例为了保证判断训练后的初始网络模型是否符合要求的准确性，可以是选择至少两组验证图像数据对训练后的初始网络模型进行验证，其中每一组验证图像数据中都包括验证背景人物和验证目标人物。
可选的，本步骤可以是将预先获取的验证图像输入训练后的初始网络模型中，该初始网络模型就会依据训练的参数，对输入的验证图像进行处理，得到验证图像中人物的属性特征向量和人像特征向量，具体的处理过程与上述实施例中通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量的过程类似，再此不进行赘述。示例性的，如图2B所示，可以分别将验证图像中的目标人物图像和背景人物图像输入到训练后的初始网络模型的人像解耦网络中，针对目标人物得到一组特征向量，针对背景人物同样也得到一组特征向量，然后再通过分类网络，对这两组特征向量进行分类识别，确定出每一组特征向量中的属性特征向量和人像特征向量，即得到验证目标人物的属性特征向量和人像特征向量，以及验证背景人物的属性特征向量和人像特征向量。
S203，根据验证背景人物的属性特征向量和验证目标人物的人像特征向量得到验证目标图像。
可选的，本步骤与上述实施例中根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像的过程类似，再此不进行赘述。示例性的，如图2B所示，根据S202得到的验证背景人物的属性特征向量和验证目标人物的人像特征向量进行图像融合，生成包含新人物的验证目标图像。
S204，判断验证目标图像中的人物与验证目标人物的相似度是否小于相似度阈值，若是，则执行S205，若否，则获取新的样本图像返回执行S201。
可选的，本步骤可以将S203生成的验证目标图像中新生成的人物与验证目标人物进行相似度比较，从而判断新生成人物是否为验证目标人物。具体的，可以是判断S203中新生成的人物与验证图像中的目标人物进行相似度是否小于预先设置的相似度阈值(如90％)，若是，则说明新生成的验证目标图像中的人物与验证图像中目标人物不同，此时执行S205，将初始网络模型作为最终的对抗网络模型；否则说明训练后的初始网络模型参数还没有调整好，需要重新获取下一组样本图像继续对此时的初始网络模型进行训练。示例性的，如图2B所示，通过相似度判断模块来计算验证目标图像中的人物与验证目标人物的相似度，并判断该相似度是否小于相似度阈值，如果小于，则说明初始网络模型训练完毕，否则，需要重新获取样本数据继续训练该初始网络模型。
S205，如果验证目标图像中的人物与验证目标人物的相似度小于相似度阈值，则初始网络模型作为对抗网络模型。
S206，通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量。其中，原始图像中的人物包括背景人物和目标人物。
S207，根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像。其中，目标图像中的人物与原始图像中的人物不同。
需要说明的是，在训练人物特征识别的初始网络模型时，现有的方案采用样本图像训练后的网络模型只能识别样本图像中的人物特征，例如，若采用人物A和人物B的样本图像训练后的网络模型，在使用过程中只能识别人物A和人物B的人物特征，进而只能实现根据人物A和人物B的特征生成目标图像，无法适用于其他非训练人物的特征识别。而本实施例的方法，训练对抗网络模型的样本图像无需涵盖所有的待识别人物的人物图像，训练后的对抗网络模型也可以对任意人物进行人物特征识别。例如，采用人物A和人物B的样本图像训练后的对抗网络模型，不仅可以对人物A和人物B进行人像特征识别，还可以对其他人物进行人物特征识别。
本公开实施例提供了一种图像生成方法，采用样本图像对初始网络模型进行训练后，通过验证图像对训练后的初始网络模型进行验证，验证训练后的初始网络模型生成的验证目图像中的新人物是否为验证图像中的目标人物，若不是则初始网络模型训练完成得到对抗网络模型，并基于该对抗网络模型得到原始图像中每个人物的属性特征向量和人像特征向量，选择原始图像中的背景人物的属性特征向量和目标人物的人像特征向量生成目标图像。本公开实施例的方案采用少量的样本图像就可以训练出能够对任何图像中的人物进行人像特征和属性特征识别的对抗网络模型，降低了训练成本，提高了对抗网络模型的使用范围，且采用该对抗网络模型生成的目标图像的融合区域过渡更加自然，效果更加逼真。
图3示出了本公开实施例提供的一种图像生成装置的结构示意图，本公开实施例可适用于根据包含不同人物的图像生成新人物图像的情况，例如，可以是对两个不同的人物进行换脸，生成不同于这两个人物的新人物图像的情况。该装置可以通过软件和/或硬件来实现，并集成在执行本方法的电子设备中，如图3所示，该装置可以包括：
向量获取模块301，用于通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
图像生成模块302，用于根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
本公开实施例提供了一种图像生成装置，通过对抗网络模型获取原始图像中每个人物的属性特征向量和人像特征向量，由于原始图像中包括背景人物和目标人物，选择背景人物的属性特征向量和目标人物的人像特征向量生成目标图像。本公开实施例的方案生成的目标图像中的人物是对原始图像中的人物进行融合后生成的不同于原始图像人物的新人物图像，且由于增加了属性特征向量，避免了融合时因为人物属性特征(如待融合区域的大小和角度)不同导致新生成的图像美观度较差的问题，使得新图像融合区域过渡更加自然，效果更加逼真。
进一步的，所述对抗网络模型包括人像解耦网络和分类网络，所述向量获取模块301具体用于：
通过所述人像解耦网络得到所述原始图像中人物的特征向量；
通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量。
进一步的，所述向量获取模块301通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量时，具体用于：
将原始图像中人物的特征向量与所述分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。
进一步的，所述人像解耦网络设置库尔贝克-莱布勒散度损失函数约束。
进一步的，所述装置还包括：模型训练模块，用于：
将样本图像输入初始网络模型中，对初始网络模型进行训练；
将验证图像输入训练后的初始网络模型中，得到验证图像中人物的属性特征向量和人像特征向量，所述验证图像包括验证背景人物和验证目标人物；
根据验证背景人物的属性特征向量和验证目标人物的人像特征向量得到验证目标图像；
如果验证目标图像中的人物与所述验证目标人物的相似度小于相似度阈值，则所述初始网络模型作为所述对抗网络模型。
进一步的，所述目标图像中的人物与所述原始图像中的人物不同包括：
所述目标图像中的人物为所述背景人物和所述目标人物换脸后的人物；或者，所述目标图像中的人物为所述背景人物和所述目标人物融合后的人物。
进一步的，所述属性特征向量包括：人物表情向量、方位角度向量、人物体型向量以及背景特征向量中的至少一个；所述人像特征向量包括五官特征向量、头发特征向量以及肢体特征向量中的至少一个。
本公开实施例提供的图像生成装置，与上述各实施例提供的图像生成方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述各实施例，并且本公开实施例与上述各实施例具有相同的有益效果。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以是应用程序的后端服务平台对应的设备，还可以是安装有应用程序客户端的移动终端设备。具体的，该电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备400仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在非暂态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装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，电子设备可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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，使得该电子设备内部进程执行：通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
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，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例提供的一种图像生成方法，该方法包括：
通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
根据本公开的一个或多个实施例，上述方法中，所述对抗网络模型包括人像解耦网络和分类网络，所述通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，包括：
通过所述人像解耦网络得到所述原始图像中人物的特征向量；
通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量。
根据本公开的一个或多个实施例，上述方法中，所述通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量，包括：
将原始图像中人物的特征向量与所述分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。
根据本公开的一个或多个实施例，上述方法中，所述人像解耦网络设置库尔贝克-莱布勒散度损失函数约束。
根据本公开的一个或多个实施例，上述方法还包括：
将样本图像输入初始网络模型中，对初始网络模型进行训练；
将验证图像输入训练后的初始网络模型中，得到验证图像中人物的属性特征向量和人像特征向量，所述验证图像包括验证背景人物和验证目标人物；
根据验证背景人物的属性特征向量和验证目标人物的人像特征向量得到验证目标图像；
如果验证目标图像中的人物与所述验证目标人物的相似度小于相似度阈值，则所述初始网络模型作为所述对抗网络模型。
根据本公开的一个或多个实施例，上述方法中，所述目标图像中的人物与所述原始图像中的人物不同包括：
所述目标图像中的人物为所述背景人物和所述目标人物换脸后的人物；或者，所述目标图像中的人物为所述背景人物和所述目标人物融合后的人物。
根据本公开的一个或多个实施例，上述方法中，所述属性特征向量包括：人物表情向量、方位角度向量、人物体型向量以及背景特征向量中的至少一个；所述人像特征向量包括五官特征向量、头发特征向量以及肢体特征向量中的至少一个。
根据本公开的一个或多个实施例提供的一种图像生成装置，该装置包括：
向量获取模块，用于通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
图像生成模块，用于根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同。
根据本公开的一个或多个实施例，上述装置中的所述对抗网络模型包括人像解耦网络和分类网络，所述向量获取模块具体用于：
通过所述人像解耦网络得到所述原始图像中人物的特征向量；
通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量。
根据本公开的一个或多个实施例，上述装置中的所述向量获取模块在通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量时，具体用于：
将原始图像中人物的特征向量与所述分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。
根据本公开的一个或多个实施例，上述装置中的所述人像解耦网络设置库尔贝克-莱布勒散度损失函数约束。
根据本公开的一个或多个实施例，上述装置还包括：模型训练模块，用于：
将样本图像输入初始网络模型中，对初始网络模型进行训练；
将验证图像输入训练后的初始网络模型中，得到验证图像中人物的属性特征向量和人像特征向量，所述验证图像包括验证背景人物和验证目标人物；
根据验证背景人物的属性特征向量和验证目标人物的人像特征向量得到验证目标图像；
如果验证目标图像中的人物与所述验证目标人物的相似度小于相似度阈值，则所述初始网络模型作为所述对抗网络模型。
根据本公开的一个或多个实施例，上述装置中的所述目标图像中的人物与所述原始图像中的人物不同包括：
所述目标图像中的人物为所述背景人物和所述目标人物换脸后的人物；或者，所述目标图像中的人物为所述背景人物和所述目标人物融合后的人物。
根据本公开的一个或多个实施例，上述装置中的所述属性特征向量包括：人物表情向量、方位角度向量、人物体型向量以及背景特征向量中的至少一个；所述人像特征向量包括五官特征向量、头发特征向量以及肢体特征向量中的至少一个。
根据本公开的一个或多个实施例提供的一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
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本公开任意实施例所述的图像生成方法。
根据本公开的一个或多个实施例提供的一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例所述的图像生成方法。
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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种图像生成方法，其特征在于，包括：
通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同；
所述根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，包括：以背景人物图像为基础，将所述目标人物的人像特征替换所述背景人物中的人像特征，从而生成所述目标图像；
所述对抗网络模型包括人像解耦网络和分类网络，所述通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，包括：
通过所述人像解耦网络得到所述原始图像中人物的特征向量；
通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量。
2.根据权利要求1所述的方法，其特征在于，所述通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量，包括：
将原始图像中人物的特征向量与所述分类网络中标准向量比较，得到原始图像中人物的属性特征向量和人像特征向量。
3.根据权利要求1所述的方法，其特征在于，所述人像解耦网络设置库尔贝克-莱布勒散度损失函数约束。
4.根据权利要求1所述的方法，其特征在于，通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量之前，还包括：
将样本图像输入初始网络模型中，对所述初始网络模型进行训练；
将验证图像输入训练后的初始网络模型中，得到验证图像中人物的属性特征向量和人像特征向量，所述验证图像包括验证背景人物和验证目标人物；
根据验证背景人物的属性特征向量和验证目标人物的人像特征向量得到验证目标图像；
如果验证目标图像中的人物与所述验证目标人物的相似度小于相似度阈值，则所述初始网络模型作为所述对抗网络模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标图像中的人物与所述原始图像中的人物不同包括：
所述目标图像中的人物为所述背景人物和所述目标人物换脸后的人物；或者，所述目标图像中的人物为所述背景人物和所述目标人物融合后的人物。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述属性特征向量包括：人物表情向量、方位角度向量、人物体型向量以及背景特征向量中的至少一个；所述人像特征向量包括：五官特征向量、头发特征向量以及肢体特征向量中的至少一个。
7.一种图像生成装置，其特征在于，包括：
向量获取模块，用于通过对抗网络模型得到原始图像中人物的属性特征向量和人像特征向量，所述原始图像中的人物包括背景人物和目标人物；
图像生成模块，用于根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，所述目标图像中的人物与所述原始图像中的人物不同；
所述根据背景人物的属性特征向量和目标人物的人像特征向量得到目标图像，包括：以背景人物图像为基础，将所述目标人物的人像特征替换所述背景人物中的人像特征，从而生成所述目标图像；
所述对抗网络模型包括人像解耦网络和分类网络，所述向量获取模块具体用于：
通过所述人像解耦网络得到所述原始图像中人物的特征向量；
通过所述分类网络得到原始图像中人物的属性特征向量和人像特征向量。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
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1-6中任一所述的图像生成方法。
9.一种可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的图像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910913767.6A CN110619602B (zh) | 2019-09-25 | 2019-09-25 | 一种图像生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910913767.6A CN110619602B (zh) | 2019-09-25 | 2019-09-25 | 一种图像生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110619602A CN110619602A (zh) | 2019-12-27 |
| CN110619602B true CN110619602B (zh) | 2024-01-09 |
Family
ID=68924626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910913767.6A Active CN110619602B (zh) | 2019-09-25 | 2019-09-25 | 一种图像生成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619602B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369468B (zh) * | 2020-03-09 | 2022-02-01 | 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 |
| CN111640166B (zh) * | 2020-06-08 | 2024-03-26 | 上海商汤智能科技有限公司 | 一种ar合影方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106303229A (zh) * | 2016-08-04 | 2017-01-04 | 努比亚技术有限公司 | 一种拍照方法及装置 |
| CN106599817A (zh) * | 2016-12-07 | 2017-04-26 | 腾讯科技（深圳）有限公司 | 一种人脸替换方法及装置 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
| CN107316020A (zh) * | 2017-06-26 | 2017-11-03 | 司马大大（北京）智能***有限公司 | 人脸替换方法、装置及电子设备 |
| CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109859295A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 一种特定动漫人脸生成方法、终端设备及存储介质 |
| CN109919891A (zh) * | 2019-03-14 | 2019-06-21 | Oppo广东移动通信有限公司 | 成像方法、装置、终端及存储介质 |
| CN110070049A (zh) * | 2019-04-23 | 2019-07-30 | 北京市商汤科技开发有限公司 | 人脸图像识别方法及装置、电子设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214238B (zh) * | 2017-06-30 | 2022-06-28 | 阿波罗智能技术(北京)有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
-
2019
- 2019-09-25 CN CN201910913767.6A patent/CN110619602B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106303229A (zh) * | 2016-08-04 | 2017-01-04 | 努比亚技术有限公司 | 一种拍照方法及装置 |
| CN106599817A (zh) * | 2016-12-07 | 2017-04-26 | 腾讯科技（深圳）有限公司 | 一种人脸替换方法及装置 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
| CN107316020A (zh) * | 2017-06-26 | 2017-11-03 | 司马大大（北京）智能***有限公司 | 人脸替换方法、装置及电子设备 |
| CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109859295A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 一种特定动漫人脸生成方法、终端设备及存储介质 |
| CN109919891A (zh) * | 2019-03-14 | 2019-06-21 | Oppo广东移动通信有限公司 | 成像方法、装置、终端及存储介质 |
| CN110070049A (zh) * | 2019-04-23 | 2019-07-30 | 北京市商汤科技开发有限公司 | 人脸图像识别方法及装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110619602A (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN112989904B (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN111476871B (zh) | 用于生成视频的方法和装置 | |
| CN111696176B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN109829432B (zh) | 用于生成信息的方法和装置 | |
| CN111414879B (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| CN110570383B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
| CN114092678A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
| CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
| CN111402122A (zh) | 图像的贴图处理方法、装置、可读介质和电子设备 | |
| CN110288532B (zh) | 生成全身图像的方法、装置、设备及计算机可读存储介质 | |
| CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
| CN114004905B (zh) | 人物风格形象图的生成方法、装置、设备及存储介质 | |
| CN114677350A (zh) | 连接点提取方法、装置、计算机设备及存储介质 | |
| CN112785669B (zh) | 一种虚拟形象合成方法、装置、设备及存储介质 | |
| CN111583102B (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
| CN110689478A (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
| CN114422698B (zh) | 视频生成方法、装置、设备及存储介质 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111291640B (zh) | 用于识别步态的方法和装置 | |
| CN114418835A (zh) | 图像处理方法、装置、设备及介质 |
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 |