CN111265879B - 虚拟形象生成方法、装置、设备及存储介质 - Google Patents
虚拟形象生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111265879B CN111265879B CN202010060158.3A CN202010060158A CN111265879B CN 111265879 B CN111265879 B CN 111265879B CN 202010060158 A CN202010060158 A CN 202010060158A CN 111265879 B CN111265879 B CN 111265879B
- Authority
- CN
- China
- Prior art keywords
- avatar
- image
- model
- generation
- determining
- 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 104
- 238000012549 training Methods 0.000 claims description 101
- 230000015654 memory Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 abstract description 8
- 230000014759 maintenance of location Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000016571 aggressive behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了虚拟形象生成方法、装置、设备及存储介质,涉及人工智能领域。具体实现方案为:该方法应用于电子设备,该方法包括:若确定满足虚拟形象生成条件,则获取第一随机噪声图像;根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;确定第一虚拟形象图像中第一虚拟形象的属性信息;输出第一虚拟形象图像及第一虚拟形象的属性信息。使生成的第一虚拟形象图像具有唯一性和非重复性。并且能够在满足虚拟形象生成条件时自动生成虚拟形象,无需创作者进行创作,有效提高了虚拟形象的生成效率。并且由于虚拟形象具有非重复性,提高了闯关游戏的视觉效果,使闯关游戏的耐玩性得到提升,进而提高了留存率。
Description
技术领域
本申请涉及到图像处理技术领域,尤其涉及人工智能技术。
背景技术
随着人工智能的迅速发展,智能语音交互设备也得到了快速发展。在智能语音交互设备中势必要满足人们各式各样的需求。而闯关游戏,是人们使用智能语音交互设备的一大原因。
在闯关游戏中必不可少的就是各种虚拟形象的设计。如卡通形象的设计。闯关游戏的一个特征是有多少关卡就要出现多少卡通形象。
现有技术中,通常重复利用现有的虚拟形象,或者由美术创作者来创作不同的虚拟形象。若重复利用现有的虚拟形象,会导致闯关游戏的视觉效果下降,使闯关游戏的耐玩性下降,进而导致留存率降低。而由美术创作者来创作不同的虚拟形象,会导致对创作者的专业要求很高,并且需要消耗大量的时间,使虚拟形象的生成效率低下。
发明内容
本申请实施例提供一种虚拟形象生成方法、装置、设备及存储介质,解决了现有技术中导致闯关游戏的视觉效果下降,使闯关游戏的耐玩性下降,进而导致留存率降低、及对创作者的专业要求很高,并且需要消耗大量的时间,使虚拟形象的生成效率低下的技术问题。
本申请实施例第一方面提供一种虚拟形象生成方法,所述方法应用于电子设备,所述方法包括:
若确定满足虚拟形象生成条件,则获取第一随机噪声图像;根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;确定所述第一虚拟形象图像中第一虚拟形象的属性信息;输出所述第一虚拟形象图像及所述第一虚拟形象的属性信息。
本申请实施例中,由于虚拟形象图像是根据随机噪声图像和训练至收敛的形象生成模型生成的,而随机噪声图像是随机的,所以虚拟形象图像中的虚拟形象也是随机的,具有唯一性和非重复性。并且能够在满足虚拟形象生成条件时自动生成虚拟形象,无需创作者进行创作,有效提高了虚拟形象的生成效率。并且将本申请提供的虚拟形象生成方法应用在闯关游戏中,由于虚拟形象具有非重复性,提高了闯关游戏的视觉效果,使闯关游戏的耐玩性得到提升,进而提高了留存率。
进一步地,如上所述的方法,所述若确定满足虚拟形象生成条件,则获取第一随机噪声图像之前,还包括:
判断是否满足虚拟形象生成条件。
进一步地,如上所述的方法,所述判断是否满足虚拟形象生成条件,包括:
判断是否接收到用户输入的虚拟形象生成请求;若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件;若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
本申请实施例中,在判断是否满足虚拟形象生成条件时,根据是否接收到用户输入的虚拟形象生成请求来判断是否满足虚拟形象生成条件,能够适用于在研发各类需要虚拟形象的应用程序的过程中或进行图片设计工作需要虚拟形象时,执行虚拟形象的生成方法,使本申请实施例提供的虚拟形象生成方法适用于不同的应用场景中,具有通用性。
进一步地,如上所述的方法,所述判断是否满足虚拟形象生成条件,包括:
判断是否监测到虚拟形象所在场景进入信息;若监测到所述虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件;若未监测到所述虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
本申请实施例中,在判断是否满足虚拟形象生成条件时,根据是否监测到虚拟形象所在场景进入信息判断是否满足虚拟形象生成条件,能够适用于执行需要显示虚拟形象的应用程序过程中生成虚拟形象生成方法,使本申请实施例提供的虚拟形象生成方法适用于不同的应用场景中,具有通用性。
进一步地,如上所述的方法,所述根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像,包括:
将所述第一随机噪声图像输入到所述训练至收敛的形象生成模型中;采用所述训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
本申请实施例中,采用训练至收敛的形象生成模型根据第一随机噪声图像来生成对应的第一虚拟形象图像,由于随机噪声图像是随机的,所以虚拟形象图像中的虚拟形象也是随机的,具有唯一性和非重复性。并且获取随机噪声图像非常容易,所以使生成的虚拟形象更加简易。
进一步地,如上所述的方法,所述根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像之前,还包括:
获取第一训练样本,所述第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像;采用第一训练样本对初始形象生成模型进行训练;判断是否满足形象生成模型收敛条件;若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为所述训练至收敛的形象生成模型。
本申请实施例中,在根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像之前,采用第一训练样本对初始形象生成模型进行训练,能够获得准确的训练至收敛的形象生成模型。
进一步地,如上所述的方法,所述训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,所述初始形象生成模型为初始对抗生成网络模型。
本申请实施例中,训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,初始形象生成模型为初始对抗生成网络模型。则第二虚拟形象图像是真实的虚拟形象图像,所以采用训练至收敛的对抗生成网络模型根据第一随机噪声图像生成的第一虚拟形象图像,更加接近于真实的虚拟形象图像,提高了生成的虚拟形象图像的真实性。
进一步地,如上所述的方法,所述确定所述第一虚拟形象图像中第一虚拟形象的属性信息,包括:
确定所述第一虚拟形象图像中第一虚拟形象的类别信息。
本申请实施例中,确定第一虚拟形象图像中第一虚拟形象的属性信息时,确定第一虚拟形象的类别信息,能够将第一虚拟形象的类别信息应用在不同的应用场景中,使本申请实施例的虚拟形象生成方法更加具有通用性。
进一步地,如上所述的方法,所述确定所述第一虚拟形象图像中第一虚拟形象的类别信息,包括:
将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中;采用所述训练至收敛的类别识别模型对所述第一虚拟形象图像中第一虚拟形象的类别进行识别;通过所述训练至收敛的类别识别模型输出所述第一虚拟形象的类别信息。
本申请实施例中,采用训练至收敛的类别识别模型确定第一虚拟形象图像中第一虚拟形象的类别信息,由于类别识别模型是训练至收敛的,所以能够准确确定第一虚拟形象的类别信息,提高了类别信息确定的准确性。
进一步地,如上所述的方法,所述将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中之前,还包括:
获取第二训练样本,所述第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息;采用第二训练样本对初始类别识别模型进行训练;判断是否满足类别识别模型收敛条件;若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为所述训练至收敛的类别识别模型。
本申请实施例中,在将第一虚拟形象图像输入到训练至收敛的类别识别模型中之前,采用第二训练样本对初始类别识别模型进行训练,能够获得准确的训练至收敛的类别识别模型。
进一步地,如上所述的方法,所述训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型。
本申请实施例中,训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型,由于深度残差网络模型更加适合处理图像数据的分类问题,所以进一步提高了确定第一虚拟形象图像中的第一虚拟形象类别信息的准确性。
进一步地,如上所述的方法,所述确定所述第一虚拟形象图像中第一虚拟形象的属性信息,还包括:
确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值。
本申请实施例中,确定第一虚拟形象图像中第一虚拟形象的属性信息时,确定第一虚拟形象的至少一种力量值,能够将第一虚拟形象的至少一种力量值应用在闯关游戏的应用场景中,无需手动生成至少一种力量值,提高了至少一种力量值的生成效率。
进一步地,如上所述的方法,所述确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值,包括:
获取所述第一虚拟形象的类别信息;根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;随机生成所述第一虚拟形象对应的各力量范围内的力量值。
本申请实施例中,在确定第一虚拟形象图像中第一虚拟形象的至少一种力量值时,根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;随机生成所述第一虚拟形象对应的各力量范围内的力量值,能够使不同类别的形象也唯一的第一虚拟形象具有尽量不同的力量值。真正使第一虚拟形象是非重复的。
本申请实施例第二方面提供一种虚拟形象生成装置,所述装置位于电子设备中,所述装置包括:
噪声图像获取模块,用于若确定满足虚拟形象生成条件,则获取第一随机噪声图像;形象图像生成模块,用于根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;属性信息确定模块,用于确定所述第一虚拟形象图像中第一虚拟形象的属性信息;数据输出模块,用于输出所述第一虚拟形象图像及所述第一虚拟形象的属性信息。
进一步地,如上所述的装置,还包括:
条件判断模块,用于判断是否满足虚拟形象生成条件。
进一步地,如上所述的装置,所述条件判断模块,具体用于:
判断是否接收到用户输入的虚拟形象生成请求;若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件;若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
进一步地,如上所述的装置,所述条件判断模块,具体用于:
判断是否监测到虚拟形象所在场景进入信息;若监测到所述虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件;若未监测到所述虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
进一步地,如上所述的装置,所述形象图像生成模块,具体用于:
将所述第一随机噪声图像输入到所述训练至收敛的形象生成模型中;采用所述训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
进一步地,如上所述的装置,还包括:
第一模型训练模块,用于获取第一训练样本,所述第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像;采用第一训练样本对初始形象生成模型进行训练;判断是否满足形象生成模型收敛条件;若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为所述训练至收敛的形象生成模型。
进一步地,如上所述的装置,所述训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,所述初始形象生成模型为初始对抗生成网络模型。
进一步地,如上所述的装置,所述属性信息确定模块,具体用于:
确定所述第一虚拟形象图像中第一虚拟形象的类别信息。
进一步地,如上所述的装置,所述属性信息确定模块,在所述确定所述第一虚拟形象图像中第一虚拟形象的类别信息时,具体用于:
将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中;采用所述训练至收敛的类别识别模型对所述第一虚拟形象图像中第一虚拟形象的类别进行识别;通过所述训练至收敛的类别识别模型输出所述第一虚拟形象的类别信息。
进一步地,如上所述的装置,还包括:
第二模型训练模块,用于获取第二训练样本,所述第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息;采用第二训练样本对初始类别识别模型进行训练;判断是否满足类别识别模型收敛条件;若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为所述训练至收敛的类别识别模型。
进一步地,如上所述的装置,所述训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型。
进一步地,如上所述的装置,所述属性信息确定模块,还用于:
确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值。
进一步地,如上所述的装置,所述属性信息确定模块,在所述确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值时,具体用于:
获取所述第一虚拟形象的类别信息;根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;随机生成所述第一虚拟形象对应的各力量范围内的力量值。
本申请实施例第三方面提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够第一方面中任一项所述的方法。
本申请实施例第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
本申请实施例第五方面提供一种计算机程序,包括程序代码,当计算机运行所述计算机程序时,所述程序代码执行如第一方面所述的方法。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是可以实现本申请实施例的虚拟形象生成方法的第一场景图;
图2是可以实现本申请实施例的虚拟形象生成方法的第二场景图;
图3是根据本申请第一实施例提供的虚拟形象生成方法的流程示意图;
图4是根据本申请第二实施例提供的虚拟形象生成方法的流程示意图;
图5是根据本申请第二实施例提供的虚拟形象生成方法中步骤207的第一流程示意图;
图6是根据本申请第二实施例提供的虚拟形象生成方法中步骤207的第二流程示意图;
图7是根据本申请第二实施例提供的虚拟形象生成方法中步骤209的流程示意图;
图8是根据本申请第二实施例提供的虚拟形象生成方法中步骤210的流程示意图;
图9是根据本申请第二实施例提供的虚拟形象生成方法中步骤211的流程示意图;
图10为根据本申请第三实施例提供的虚拟形象生成装置的结构示意图;
图11为根据本申请第四实施例提供的虚拟形象生成装置的结构示意图;
图12是用来实现本申请实施例的虚拟形象生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
首先对本申请实施例提供的虚拟形象生成方法的应用场景进行介绍。如图1所示,在本申请实施例提供的虚拟形象生成方法的一种应用场景中,在研发各类需要虚拟形象的应用程序的过程中,在电子设备可执行本申请实施例的虚拟形象生成方法。还可在进行图片设计工作需要虚拟形象时,在电子设备可执行本申请实施例的虚拟形象生成方法。该生成的虚拟形象可以以图像和虚拟形象的属性信息表示。该虚拟形象可以为卡通形象,还可以为人脸形象,人体形象等。则具体在执行本申请实施例提供的虚拟形象生成方法时,可预先向用户提供一个虚拟形象生成方法的客户端。在客户端上具有操作界面,用户可通过操作界面上的操作项选择生成的虚拟形象大方向的类别,如可以为卡通形象,人脸形象,人体形象等。在卡通形象中还可以选择生成怪物形象,勇士形象等。用户通过选择大方向类别的虚拟形象,并点击确认按键,发送虚拟形象生成请求。电子设备接收虚拟形象生成请求,则确定满足虚拟形象生成条件,则获取第一随机噪声图像。并根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像。该训练至收敛的形象生成模型及第一虚拟形象图像是与用户选择的虚拟形象大方向的类别是对应的。在第一虚拟形象图像中包括第一虚拟形象,并确定第一虚拟形象图像中第一虚拟形象的属性信息。属性信息可以为第一虚拟形象的类别信息和其他信息。该第一虚拟形象的类别信息为在大类别下的小类别信息。其他信息可根据第一虚拟形象所属的大方向的类别的不同而不同。如第一虚拟形象为怪物形象,则其他信息还可包括第一虚拟形象的至少一种力量值。如攻击力,生命力等。又如第一虚拟形象所属的大方向的类别为人脸形象,则其他信息还可包括第一虚拟形象的颜值,年龄等。输出第一虚拟形象图像及第一虚拟形象的属性信息,在客户端的操作界面上进行显示。如在图1中,在用户选择的虚拟形象大方向的类别为怪物形象,并点击确认按键后,生成第一虚拟形象图像为怪物形象的图像,并确定出该怪物形象的类别信息为“杂兵”类别。确定出该怪物形象的攻击力为15,生命力为60。
如图2所示,在本申请实施例提供的虚拟形象生成方法的另一种应用场景中,在执行需要显示虚拟形象的应用程序的过程中,可在电子设备上执行本申请实施例的虚拟形象生成方法。以该需要显示虚拟形象的应用程序为闯关游戏为例进行说明。在闯关游戏中包括多个关卡。每个关卡包括虚拟形象所在场景及虚拟形象。以虚拟形象为怪物形象为例进行说明。在用户打开闯关游戏,进行当前关卡的成功闯关后,在闯关游戏的操作界面中,点击进入下一关卡,在进入下一关卡时,下一关卡包括虚拟形象所在场景。则电子设备监测到虚拟形象所在场景进入信息,确定满足虚拟形象生成条件,获取第一随机噪声图像;根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;确定第一虚拟形象图像中第一虚拟形象的属性信息;输出第一虚拟形象图像及第一虚拟形象的属性信息。如在图2中,当前关卡中所在场景的虚拟形象的怪物类别信息为“杂兵”,显示出该怪物形象的攻击力为15,生命力为60。进入下一关卡后,在虚拟形象所在场景中,生成了怪物形象图像,并显示出该怪物形象的类别信息为“大老板”类别。显示出该怪物形象的攻击力为150,生命力为450。同理,在下一关卡成功闯关后,再进入下一关卡,生成下一个关卡的怪物形象图像,并显示该怪物形象的攻击力及生命力等。
本申请实施例的上述应用场景中,由于虚拟形象图像是根据随机噪声图像和训练至收敛的形象生成模型生成的,而随机噪声图像是随机的,所以虚拟形象图像中的虚拟形象也是随机的,具有唯一性和非重复性。并且能够在满足虚拟形象生成条件时自动生成虚拟形象,无需创作者进行创作,有效提高了虚拟形象的生成效率。
并且将本申请提供的虚拟形象生成方法应用在闯关游戏中,由于虚拟形象具有非重复性,提高了闯关游戏的视觉效果,使闯关游戏的耐玩性得到提升,进而提高了留存率。
以下将参照附图来具体描述本申请的实施例。
实施例一
图3是根据本申请第一实施例提供的虚拟形象生成方法的流程示意图,如图3所示,本申请实施例的执行主体为虚拟形象生成装置,该虚拟形象生成装置可以集成在电子设备中。则本实施例提供的虚拟形象生成方法包括以下几个步骤。
步骤101,若确定满足虚拟形象生成条件,则获取第一随机噪声图像。
本实施例中,虚拟形象可以为卡通形象,人脸形象,人体形象等,本实施例中对此不作限定。
本实施例中,判断是否满足虚拟形象生成条件,若满足虚拟形象生成条件,则获取随机噪声图像。其中,进行虚拟形象生成时对应的随机噪声图像为第一随机噪声图像。第一随机噪声图像可以为满足某种特定分布的随机噪声图像,如可以为满足均匀分布的随机噪声图像,还可以为满足高斯分布的随机噪声图像等。
作为一种可选实施方式,本实施例中,作为一种应用场景,在研发各类需要虚拟形象的应用程序的过程中或在进行图片设计工作需要虚拟形象时,判断是否满足虚拟形象生成条件。在判断是否满足虚拟形象生成条件时可通过判断是否接收到虚拟形象生成请求来判断是否满足虚拟形象生成条件。若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件。若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
作为另一种可选实施方式,本实施例中,作为另一种应用场景,在执行需要显示虚拟形象的应用程序的过程中,判断是否满足虚拟形象生成条件,在判断是否满足虚拟形象生成条件时,可通过判断是否监测到虚拟形象所在场景进入信息来判断是否满足虚拟形象生成条件,若监测到虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件,若未监测到虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
可以理解的是,本申请实施例提供的虚拟形象生成方法还可应用在其他应用场景中,所以判断是否满足虚拟形象生成条件还可以为其他方式,本实施例中对此不作限定。
步骤102,根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
本实施例中,将由第一虚拟噪声图像生成的虚拟形象图像称为第一虚拟形象图像。第一虚拟图像可以为彩色图像,也可以为灰度图像,本实施例中对此不作限定。在第一虚拟形象图像中包括第一虚拟形象。
本实施例中,训练至收敛的形象生成模型可以为深度学习模型,机器学习模型等,本实施例中对此不作限定。该训练至收敛的形象生成模型能够将第一随机噪声图像生成对应的第一虚拟形象图像。
具体地,本实施例中,可将第一随机噪声图像输入到训练至收敛的形象生成模型中,训练至收敛的形象生成模型对该第一随机噪声图像进行处理,生成对应的第一虚拟形象图像,并输出该第一虚拟形象图像。
步骤103,确定第一虚拟形象图像中第一虚拟形象的属性信息。
其中,第一虚拟形象的属性信息可以包括:第一虚拟形象的类别信息,还可包括其他信息,其他信息可根据虚拟形象的类别信息进行确定。
本实施例中,在确定第一虚拟形象图像中第一虚拟形象的属性信息时,可提取第一虚拟形象图像的特征信息,并根据第一虚拟形象图像的特征信息来确定第一虚拟形象的属性信息。
或者还可预先存储已存在的真实虚拟形象图像与对应的属性信息。将该第一虚拟形象图像与预先存储已存在的真实虚拟形象图像进行匹配,将相匹配的已存在的真实虚拟形象图像对应的属性信息确定为该第一虚拟形象的属性信息。
值的说明的是,在确定第一虚拟形象图像中第一虚拟形象的属性信息时,还可采用不同的方法分别确定第一虚拟形象不同的属性信息。如分别采用不同的方法确定第一虚拟形象的类别信息和其他信息。
本实施例中对确定第一虚拟形象图像中第一虚拟形象的属性信息的方法此不作限定。
步骤104,输出第一虚拟形象图像及第一虚拟形象的属性信息。
本实施例中,可将第一虚拟形象图像及第一虚拟形象的属性信息通过输出设备进行输出。如输出设备为显示屏,将第一虚拟形象图像及第一虚拟形象的属性信息显示在显示屏上。输出设备还可以包括:语音播放组件。将第一虚拟形象图像和属性信息显示在显示屏的同时,通过语音播放组件播放第一虚拟形象的属性信息。
本实施例提供的虚拟形象生成方法,通过若确定满足虚拟形象生成条件,则获取第一随机噪声图像;根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;确定第一虚拟形象图像中第一虚拟形象的属性信息;输出第一虚拟形象图像及第一虚拟形象的属性信息。由于虚拟形象图像是根据随机噪声图像和训练至收敛的形象生成模型生成的,而随机噪声图像是随机的,所以虚拟形象图像中的虚拟形象也是随机的,具有唯一性和非重复性。并且能够在满足虚拟形象生成条件时自动生成虚拟形象,无需创作者进行创作,有效提高了虚拟形象的生成效率。若应用在闯关游戏中,由于虚拟形象具有非重复性,提高了闯关游戏的视觉效果,使闯关游戏的耐玩性得到提升,进而提高了留存率。
实施例二
图4是根据本申请第二实施例提供的虚拟形象生成方法的流程示意图,如图4所示,本实施例提供的虚拟形象生成方法,是在本申请实施例一提供的虚拟形象生成方法的基础上,该虚拟形象生成方法应用在闯关游戏先关的应用场景中。并且对步骤101-步骤104的进一步细化。还包括了对训练至收敛的形象生成模型进行训练的步骤,以及对类别识别模型进行训练的步骤。则本实施例提供的虚拟形象生成方法包括以下步骤。
步骤201,获取第一训练样本,第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像。
本实施例中,由于采用训练至收敛的形象生成模型生成第一随机噪声图像对应的第一虚拟形象图像,所以在根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像前,采用步骤201-步骤203对初始形象生成模型进行训练,以获得训练至收敛的形象生成模型。
其中,第一训练样本为对初始形象生成模型进行训练的样本。
可选地,本实施中,初始形象生成模型为初始对抗生成网络模型。训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型。
本实施例中,第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像。即一个第一训练样本中包括一个第二随机噪声图像及对应一个第二虚拟形象图像。其中,第二随机噪声图像的“第二”二字是为了与第一随机噪声图像进行区别。同理,第二虚拟形象图像种的“第二”是为了与第一虚拟形象图像进行区别。具体地,第二随机噪声图像为对初始形象生成模型进行训练时的随机噪声图像。其是与第一随机噪声图像满足相同分布的噪声图像。第二虚拟形象图像为对初始形象生成模型进行训练时的真实虚拟形象图像。其可以为已存在的虚拟形象图像。
步骤202,采用第一训练样本对初始形象生成模型进行训练。
步骤203,判断是否满足形象生成模型收敛条件,若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为训练至收敛的形象生成模型。
本实施例中,以初始形象生成模型为对抗生成网络模型,训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型来说明采用第一训练样本对初始形象生成模型进行训练的方法。
具体地,初始对抗生成网络模型中包括初始生成器和初始判别器。在对初始对抗生成网络模型进行训练时,将第二随机噪声图像输入到初始生成器中,初始生成器根据第二随机噪声图像生成虚拟形象图像,将生成的虚拟形象图像和对应的第二虚拟形象图像输入至初始判别器中,初始判别器用于对生成的虚拟形象图像的真实性进行判断,并根据生成的虚拟形象图像的真实性判别结果确定损失函数,通过不断调整初始生成器和初始判别器中的参数使得损失函数中的生成的虚拟形象图像和第二虚拟形象图像的差异达到最小,若初始判别器对生成的虚拟形象图像的真实性判别结果的概率接近0.5,则说明满足类别识别模型收敛条件,此时的初始生成器和初始判别器已达到收敛,为满足形象生成模型收敛条件的生成器和判别器。将满足形象生成模型收敛条件的生成器和判别器分别确定为已训练至收敛的生成器和已训练至收敛的判别器。已训练至收敛的生成器和已训练至收敛的判别器为已训练至收敛的对抗生成网络模型。
本实施例中,训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,初始形象生成模型为初始对抗生成网络模型。则第二虚拟形象图像是真实的虚拟形象图像,所以采用训练至收敛的对抗生成网络模型根据第一随机噪声图像生成的第一虚拟形象图像,更加接近于真实的虚拟形象图像,提高了生成的虚拟形象图像的真实性。
步骤204,获取第二训练样本,第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息。
本实施例中,在根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像之后,确定述第一虚拟形象图像中第一虚拟形象的属性信息时,需要确定第一虚拟形象图像中第一虚拟形象的类别信息。
作为一种可选实施方式,本实施例中,采用训练至收敛的类别识别模型确定第一虚拟形象的类别信息。所以需要对初始类别识别模型进行训练至收敛。步骤204-步骤206。
其中,第二训练样本为对初始类别识别模型进行训练的样本。每个第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息。
根据第二虚拟形象代表的形象不同,第二虚拟形象的类别信息也会不同。比如第二虚拟形象为卡通形象中的怪物,则第二虚拟形象的类别信息可以包括:“大老板”、“小老板”、“杂兵”等类别中的任意一种。
可以理解的是,为了使初始类别识别模型能够识别任意一种虚拟形象,在对类别识别模型进行训练时,第二训练样本包括每种类别的第二虚拟形象图像。
由于深度残差网络模型对图像数据的类别分类具有很好的分类效果,所以可选地,本实施例中,初始类别识别模型为初始深度残差网络模型。训练至收敛的类别识别模型为训练至收敛的深度残差网络模型。
步骤205,采用第二训练样本对初始类别识别模型进行训练。
步骤206,判断是否满足类别识别模型收敛条件,若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为训练至收敛的类别识别模型。
本实施例中,以初始类别识别模型为初始深度残差网络模型,训练至收敛的类别识别模型为训练至收敛的深度残差网络模型来说明采用第二训练样本对初始类别识别模型进行训练的方法。
具体地,将每个第二训练样本输入到初始深度残差网络模型中,初始深度残差网络模型对第二虚拟形象图像的类别进行分类,并可通过损失函数确定是否满足类别模型收敛条件,也可通过判断是否达到预设收敛次数来判断是否满足类别模型收敛条件。若确定满足类别识别模型收敛条件,则说明该深度残差网络模型已经收敛,将满足类别识别模型收敛条件的深度残差网络模型确定为训练至收敛的深度残差网络模型。
本实施例中,训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型,由于深度残差网络模型更加适合处理图像数据的分类问题,所以进一步提高了确定第一虚拟形象图像中的第一虚拟形象类别信息的准确性。
可以理解的是,在通过步骤201-步骤206确定训练至收敛的形象生成模型和训练至收敛的类别识别模型后,来生成虚拟形象。
步骤207,判断是否满足虚拟形象生成条件,若是,则执行步骤208,否则继续执行步骤207。
作为一种可选实施方式,在闯关游戏应用程序的研发过程中,如图5所示,步骤207包括以下步骤:
步骤2071,判断是否接收到用户输入的虚拟形象生成请求。
步骤2072,若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件。
步骤2073,若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
具体地,本实施例中,如图1所示,在闯关游戏应用程序的研发过程中,可预先生成虚拟形象。则判断是否满足虚拟形象生成条件可通过判断是否接收到用户输入的虚拟形象生成请求来判断是否满足虚拟形象生成条件。若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件。若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。若未接收到虚拟形象生成请求,则继续对是否接收到虚拟形象生成请求进行监测,直到接收到虚拟形象生成请求。
其中,判断是否接收到用户输入的虚拟形象生成请求的方式与图1中所描述的类似,在此不再一一赘述。
本实施例中,在判断是否满足虚拟形象生成条件时,根据是否接收到用户输入的虚拟形象生成请求来判断是否满足虚拟形象生成条件,能够适用于在研发各类需要虚拟形象的应用程序的过程中或进行图片设计工作需要虚拟形象时,执行虚拟形象的生成方法,使本申请实施例提供的虚拟形象生成方法适用于不同的应用场景中,具有通用性。
或者,作为另一种实施方式,在执行闯关游戏的应用场景中,如图6所示,步骤207包括以下步骤:
步骤207a,判断是否监测到虚拟形象所在场景进入信息。
步骤207b,若监测到虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件。
步骤207c,若未监测到虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
具体地,本实施例中,在执行闯关游戏的应用程序的过程中,在判断是否满足虚拟形象生成条件时,可通过判断是否监测到虚拟形象所在场景进入信息来判断是否满足虚拟形象生成条件,若监测到虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件,若未监测到虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。其中,如图2所示,在用户进行当前关卡的成功闯关后,点击进入下一关卡,闯关游戏的操作界面进入到下一关卡时,会监测到虚拟形象所在场景进入信息。否则不会监测到虚拟形象所在场景进入信息。
本实施例中,在判断是否满足虚拟形象生成条件时,根据是否监测到虚拟形象所在场景进入信息判断是否满足虚拟形象生成条件,能够适用于执行需要显示虚拟形象的应用程序过程中生成虚拟形象生成方法,使本申请实施例提供的虚拟形象生成方法适用于不同的应用场景中,具有通用性。
步骤208,获取第一随机噪声图像。
本实施例中,第一随机噪声图像可以是随机生成的,该第一随机噪声图像与第二随机噪声图像满足相同的分布。
步骤209,根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
作为一种可选实施方式,如图7所示,步骤209包括以下步骤:
步骤2091,将第一随机噪声图像输入到训练至收敛的形象生成模型中。
步骤2092,采用训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
进一步地,本实施例中,训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,在使用训练至收敛的对抗生成网络模型生成第一虚拟形象图像时,只采用训练至收敛的生成器。所以将第一随机噪声图像输入到训练至收敛的生成器中,由训练至收敛的生成器对该第一随机噪声图像进行处理,生成该第一随机噪声图像对应的第一虚拟形象图像。由于训练至收敛的对抗生成网络模型中,已能够将第二随机噪声图像生成与对应的真实第二虚拟形象图像非常接近的虚拟形象图像。所以将第一随机噪声图像输入到训练至收敛的生成器中,也能够生成与第一随机噪声图像对应的接近于真实虚拟形象图像的第一虚拟形象图像。并且由于第一随机噪声图像是随机生成的,每次生成的第一随机噪声图像均不相同,所以第一随机噪声图像对应的第一虚拟形象图像也是唯一的,非重复的。
步骤210,确定第一虚拟形象图像中第一虚拟形象的类别信息。
作为一种可选实施方式,如图8所示,步骤210包括以下步骤:
步骤2101,将第一虚拟形象图像输入到训练至收敛的类别识别模型中。
步骤2102,采用训练至收敛的类别识别模型对第一虚拟形象图像中第一虚拟形象的类别进行识别。
步骤2103,通过训练至收敛的类别识别模型输出第一虚拟形象的类别信息。
进一步地,本实施例中,训练至收敛的类别识别模型为训练至收敛的对深度残差网络模型,将第一虚拟形象图像输入到训练至收敛的深度残差网络模型中,深度残差网络模型对第一虚拟形象图像进行处理,以对第一虚拟形象图像中第一虚拟形象的类别进行识别。并输出第一虚拟形象的类别信息。
例如,第一虚拟形象为卡通形象中的怪物,则输出的第一虚拟形象的类别为“大老板”、“小老板”、“杂兵”等类别中的任意一种。
本实施例中,采用训练至收敛的类别识别模型确定第一虚拟形象图像中第一虚拟形象的类别信息,由于类别识别模型是训练至收敛的,所以能够准确确定第一虚拟形象的类别信息,提高了类别信息确定的准确性。
步骤211,确定第一虚拟形象图像中第一虚拟形象的至少一种力量值。
其中,第一虚拟形象的至少一种力量值可以包括攻击力值,生命力值等。
作为一种可选实施方式,如图9所示,步骤211包括以下步骤:
步骤20111,获取第一虚拟形象的类别信息。
本实施例中,步骤2103输出第一虚拟形象的类别信息后,获取第一虚拟形象的类别信息。
步骤20112,根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定第一虚拟形象对应的各力量范围。
进一步地,本实施例中,预先存储有各虚拟形象的类别信息与各力量范围的映射关系。如“大老板”的类别对应的攻击力范围为100-200。生命力范围为400-500。“小老板”的类别对应的攻击力范围为50-90,生命力范围为200-300。“杂兵”的类别对应的攻击力范围为10-25,生命力范围为50-100。
然后本实施例中,根据预先存储的虚拟形象的类别信息与各力量范围的映射关系获取与第一虚拟形象类别信息具有映射关系的各力量范围。该与第一虚拟形象类别信息具有映射关系的各力量范围为第一虚拟形象对应的各力量范围。
步骤2113,随机生成第一虚拟形象对应的各力量范围内的力量值。
进一步地,本实施例中,可采用数值生成器随机生成第一虚拟形象对应的各力量范围内的力量值。
例如,第一虚拟形象的类别为“大老板”,对应的攻击力范围为100-200。生命力范围为400-500。则通过数值生成器随机生成的第一虚拟形象对应的攻击力为150,生命力为430。
步骤212,输出第一虚拟形象图像及第一虚拟形象的属性信息。
本实施例中,输出的第一虚拟形象的属性信息既包括第一虚拟形象的类别信息又包括第一虚拟形象的至少一种力量值。
步骤212的实现方式与本申请第一实施例中的步骤104的实现方式相同,在此不再一一赘述。
本实施例中,确定第一虚拟形象图像中第一虚拟形象的属性信息时,确定第一虚拟形象的至少一种力量值,能够将第一虚拟形象的至少一种力量值应用在闯关游戏的应用场景中,无需手动生成至少一种力量值,提高了至少一种力量值的生成效率。并且在确定第一虚拟形象图像中第一虚拟形象的至少一种力量值时,根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;随机生成所述第一虚拟形象对应的各力量范围内的力量值,能够使不同类别的形象也唯一的第一虚拟形象具有尽量不同的力量值。真正使第一虚拟形象是非重复的。
实施例三
图10为根据本申请第三实施例提供的虚拟形象生成装置的结构示意图,如图10所示,本实施例提供的虚拟形象生成装置位于电子设备中,该虚拟形象生成装置1000包括:噪声图像获取模块1001,形象图像生成模块1002,属性信息确定模块1003和数据输出模块1004。
其中,噪声图像获取模块1001,用于若确定满足虚拟形象生成条件,则获取第一随机噪声图像。形象图像生成模块1002,用于根据第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像。属性信息确定模块1003,用于确定第一虚拟形象图像中第一虚拟形象的属性信息。数据输出模块1004,用于输出第一虚拟形象图像及第一虚拟形象的属性信息。
本实施例提供的虚拟形象生成装置可以执行图3所示方法实施例的技术方案,其实现原理和技术效果与图3所示方法实施例类似,在此不再一一赘述。
实施例四
图11为根据本申请第四实施例提供的虚拟形象生成装置的结构示意图,如图11所示,本实施例提供的虚拟形象生成装置1100在本申请第三实施例提供的虚拟形象生成装置1000的基础上,还包括:条件判断模块1101,第一模型训练模块1102及第二模型训练模块1103。
进一步地,条件判断模块1101,用于判断是否满足虚拟形象生成条件。
可选地,条件判断模块1101,具体用于:
判断是否接收到用户输入的虚拟形象生成请求;若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件;若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
可选地,条件判断模块1101,具体用于:
判断是否监测到虚拟形象所在场景进入信息;若监测到虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件;若未监测到虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
进一步地,形象图像生成模块1002,具体用于:
将第一随机噪声图像输入到训练至收敛的形象生成模型中;采用训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
进一步地,第一模型训练模块1102,用于获取第一训练样本,第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像;采用第一训练样本对初始形象生成模型进行训练;判断是否满足形象生成模型收敛条件;若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为训练至收敛的形象生成模型。
进一步地,训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,初始形象生成模型为初始对抗生成网络模型。
进一步地,属性信息确定模块1003,具体用于:
确定第一虚拟形象图像中第一虚拟形象的类别信息。
进一步地,属性信息确定模块1003,在确定第一虚拟形象图像中第一虚拟形象的类别信息时,具体用于:
将第一虚拟形象图像输入到训练至收敛的类别识别模型中;采用训练至收敛的类别识别模型对第一虚拟形象图像中第一虚拟形象的类别进行识别;通过训练至收敛的类别识别模型输出第一虚拟形象的类别信息。
进一步地,第二模型训练模块1103,用于获取第二训练样本,第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息;采用第二训练样本对初始类别识别模型进行训练;判断是否满足类别识别模型收敛条件;若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为训练至收敛的类别识别模型。
进一步地,训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,初始类别识别模型为初始深度残差网络模型。
进一步地,属性信息确定模块1003,还用于:
确定第一虚拟形象图像中第一虚拟形象的至少一种力量值。
进一步地,属性信息确定模块1003,在确定第一虚拟形象图像中第一虚拟形象的至少一种力量值时,具体用于:
获取第一虚拟形象的类别信息;根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定第一虚拟形象对应的各力量范围;随机生成第一虚拟形象对应的各力量范围内的力量值。
本实施例提供的虚拟形象生成装置可以执行图4-图9所示方法实施例的技术方案,其实现原理和技术效果与图4-图9所示方法实施例类似,在此不再一一赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图12所示,是根据本申请实施例的虚拟形象生成方法的电子设备的框图。电子设备旨在各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示,该电子设备包括:一个或多个处理器1201、存储器1202,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图12中以一个处理器1201为例。
存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的虚拟形象生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的虚拟形象生成方法。
存储器1202作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的虚拟形象生成方法对应的程序指令/模块(例如,附图11所示的噪声图像获取模块1001,形象图像生成模块1002,属性信息确定模块1003和数据输出模块1004)。处理器1201通过运行存储在存储器1202中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的虚拟形象生成方法。
存储器1202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据图12的电子设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1202可选包括相对于处理器1201远程设置的存储器,这些远程存储器可以通过网络连接至图12的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图12的电子设备还可以包括:输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置1203可接收输入的语音、数字或字符信息,以及产生与图12的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1204可以包括语音播放设备、显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,由于虚拟形象图像是根据随机噪声图像和训练至收敛的形象生成模型生成的,而随机噪声图像是随机的,所以虚拟形象图像中的虚拟形象也是随机的,具有唯一性和非重复性。并且能够在满足虚拟形象生成条件时自动生成虚拟形象,无需创作者进行创作,有效提高了虚拟形象的生成效率。并且将本申请提供的虚拟形象生成方法应用在闯关游戏中,由于虚拟形象具有非重复性,提高了闯关游戏的视觉效果,使闯关游戏的耐玩性得到提升,进而提高了留存率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (26)
1.一种虚拟形象生成方法,其特征在于,所述方法应用于电子设备,所述方法包括:
若确定满足虚拟形象生成条件,则获取第一随机噪声图像;
根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;
确定所述第一虚拟形象图像中第一虚拟形象的属性信息;
输出所述第一虚拟形象图像及所述第一虚拟形象的属性信息;
所述确定所述第一虚拟形象图像中第一虚拟形象的属性信息,包括:
确定所述第一虚拟形象图像中第一虚拟形象的类别信息。
2.根据权利要求1所述的方法,其特征在于,所述若确定满足虚拟形象生成条件,则获取第一随机噪声图像之前,还包括:
判断是否满足虚拟形象生成条件。
3.根据权利要求2所述的方法,其特征在于,所述判断是否满足虚拟形象生成条件,包括:
判断是否接收到用户输入的虚拟形象生成请求;
若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件;
若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
4.根据权利要求2所述的方法,其特征在于,所述判断是否满足虚拟形象生成条件,包括:
判断是否监测到虚拟形象所在场景进入信息;
若监测到所述虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件;
若未监测到所述虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像,包括:
将所述第一随机噪声图像输入到所述训练至收敛的形象生成模型中;
采用所述训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像之前,还包括:
获取第一训练样本,所述第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像;
采用第一训练样本对初始形象生成模型进行训练;
判断是否满足形象生成模型收敛条件;
若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为所述训练至收敛的形象生成模型。
7.根据权利要求6所述的方法,其特征在于,所述训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,所述初始形象生成模型为初始对抗生成网络模型。
8.根据权利要求1所述的方法,其特征在于,所述确定所述第一虚拟形象图像中第一虚拟形象的类别信息,包括:
将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中;
采用所述训练至收敛的类别识别模型对所述第一虚拟形象图像中第一虚拟形象的类别进行识别;
通过所述训练至收敛的类别识别模型输出所述第一虚拟形象的类别信息。
9.根据权利要求8所述的方法,其特征在于,所述将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中之前,还包括:
获取第二训练样本,所述第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息;
采用第二训练样本对初始类别识别模型进行训练;
判断是否满足类别识别模型收敛条件;
若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为所述训练至收敛的类别识别模型。
10.根据权利要求9所述的方法,其特征在于,所述训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型。
11.根据权利要求1所述的方法,其特征在于,所述确定所述第一虚拟形象图像中第一虚拟形象的属性信息,还包括:
确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值。
12.根据权利要求11所述的方法,其特征在于,所述确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值,包括:
获取所述第一虚拟形象的类别信息;
根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;
随机生成所述第一虚拟形象对应的各力量范围内的力量值。
13.一种虚拟形象生成装置,其特征在于,所述装置位于电子设备中,所述装置包括:
噪声图像获取模块,用于若确定满足虚拟形象生成条件,则获取第一随机噪声图像;
形象图像生成模块,用于根据所述第一随机噪声图像和训练至收敛的形象生成模型生成对应的第一虚拟形象图像;
属性信息确定模块,用于确定所述第一虚拟形象图像中第一虚拟形象的属性信息;
数据输出模块,用于输出所述第一虚拟形象图像及所述第一虚拟形象的属性信息;
所述属性信息确定模块,具体用于:
确定所述第一虚拟形象图像中第一虚拟形象的类别信息。
14.根据权利要求13所述的装置,其特征在于,还包括:
条件判断模块,用于判断是否满足虚拟形象生成条件。
15.根据权利要求14所述的装置,其特征在于,所述条件判断模块,具体用于:
判断是否接收到用户输入的虚拟形象生成请求;若接收到虚拟形象生成请求,则确定满足虚拟形象生成条件;若未接收到虚拟形象生成请求,则确定不满足虚拟形象生成条件。
16.根据权利要求14所述的装置,其特征在于,所述条件判断模块,具体用于:
判断是否监测到虚拟形象所在场景进入信息;若监测到所述虚拟形象所在场景进入信息,则确定满足虚拟形象生成条件;若未监测到所述虚拟形象所在场景进入信息,则确定不满足虚拟形象生成条件。
17.根据权利要求13所述的装置,其特征在于,所述形象图像生成模块,具体用于:
将所述第一随机噪声图像输入到所述训练至收敛的形象生成模型中;采用所述训练至收敛的形象生成模型生成对应的第一虚拟形象图像。
18.根据权利要求17所述的装置,其特征在于,还包括:
第一模型训练模块,用于获取第一训练样本,所述第一训练样本为第二随机噪声图像和对应的第二虚拟形象图像;采用第一训练样本对初始形象生成模型进行训练;判断是否满足形象生成模型收敛条件;若确定满足形象生成模型收敛条件,则将满足形象生成模型收敛条件的形象生成模型确定为所述训练至收敛的形象生成模型。
19.根据权利要求18所述的装置,其特征在于,所述训练至收敛的形象生成模型为训练至收敛的对抗生成网络模型,所述初始形象生成模型为初始对抗生成网络模型。
20.根据权利要求13所述的装置,其特征在于,所述属性信息确定模块,在所述确定所述第一虚拟形象图像中第一虚拟形象的类别信息时,具体用于:
将所述第一虚拟形象图像输入到训练至收敛的类别识别模型中;采用所述训练至收敛的类别识别模型对所述第一虚拟形象图像中第一虚拟形象的类别进行识别;通过所述训练至收敛的类别识别模型输出所述第一虚拟形象的类别信息。
21.根据权利要求20所述的装置,其特征在于,还包括:
第二模型训练模块,用于获取第二训练样本,所述第二训练样本为第二虚拟形象图像和对应第二虚拟形象的类别信息;采用第二训练样本对初始类别识别模型进行训练;判断是否满足类别识别模型收敛条件;若确定满足类别识别模型收敛条件,则将满足类别识别模型收敛条件的类别识别模型确定为所述训练至收敛的类别识别模型。
22.根据权利要求21所述的装置,其特征在于,所述训练至收敛的类别识别模型为训练至收敛的深度残差网络模型,所述初始类别识别模型为初始深度残差网络模型。
23.根据权利要求13所述的装置,其特征在于,所述属性信息确定模块,还用于:
确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值。
24.根据权利要求23所述的装置,其特征在于,所述属性信息确定模块,在所述确定所述第一虚拟形象图像中第一虚拟形象的至少一种力量值时,具体用于:
获取所述第一虚拟形象的类别信息;根据预先存储的虚拟形象的类别信息与各力量范围的映射关系确定所述第一虚拟形象对应的各力量范围;随机生成所述第一虚拟形象对应的各力量范围内的力量值。
25.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060158.3A CN111265879B (zh) | 2020-01-19 | 2020-01-19 | 虚拟形象生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060158.3A CN111265879B (zh) | 2020-01-19 | 2020-01-19 | 虚拟形象生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111265879A CN111265879A (zh) | 2020-06-12 |
CN111265879B true CN111265879B (zh) | 2023-08-08 |
Family
ID=70991077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010060158.3A Active CN111265879B (zh) | 2020-01-19 | 2020-01-19 | 虚拟形象生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111265879B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494937A (zh) * | 2020-12-16 | 2021-03-16 | 北京冰封互娱科技有限公司 | 一种游戏场景搭建方法及装置、存储介质、计算设备 |
CN113112580B (zh) | 2021-04-20 | 2022-03-25 | 北京字跳网络技术有限公司 | 一种虚拟形象的生成方法、装置、设备及介质 |
CN116993876B (zh) * | 2023-09-28 | 2023-12-29 | 世优(北京)科技有限公司 | 生成数字人形象的方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003319388A (ja) * | 2003-04-04 | 2003-11-07 | Canon Inc | 画像処理方法及び装置 |
CN106952340A (zh) * | 2017-03-14 | 2017-07-14 | 长江涪陵航道管理处 | 三维虚拟建模的方法及装置 |
CN107481304A (zh) * | 2017-07-31 | 2017-12-15 | 广东欧珀移动通信有限公司 | 在游戏场景中构建虚拟形象的方法及其装置 |
CN108171789A (zh) * | 2017-12-21 | 2018-06-15 | 迈吉客科技(北京)有限公司 | 一种虚拟形象生成方法和*** |
CN108257220A (zh) * | 2018-02-09 | 2018-07-06 | 北京北行科技有限公司 | 一种真实的人物作为虚拟形象植入虚拟世界的方法 |
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
CN108604388A (zh) * | 2015-10-17 | 2018-09-28 | 亚力维斯股份有限公司 | 虚拟现实和/或扩增现实中的直接体渲染 |
CN110119700A (zh) * | 2019-04-30 | 2019-08-13 | 广州虎牙信息科技有限公司 | 虚拟形象控制方法、虚拟形象控制装置和电子设备 |
CN110210501A (zh) * | 2019-06-11 | 2019-09-06 | 北京字节跳动网络技术有限公司 | 虚拟对象生成方法、电子设备及计算机可读存储介质 |
CN110390705A (zh) * | 2018-04-16 | 2019-10-29 | 北京搜狗科技发展有限公司 | 一种生成虚拟形象的方法及装置 |
CN110706300A (zh) * | 2019-09-19 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 虚拟形象生成方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012171138A1 (en) * | 2011-06-14 | 2012-12-20 | Metrologic Instruments, Inc. | Camera registration and video integration in 3-d geometry model |
JP2014140097A (ja) * | 2013-01-21 | 2014-07-31 | Sony Corp | 画像表示装置及び画像表示方法 |
-
2020
- 2020-01-19 CN CN202010060158.3A patent/CN111265879B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003319388A (ja) * | 2003-04-04 | 2003-11-07 | Canon Inc | 画像処理方法及び装置 |
CN108604388A (zh) * | 2015-10-17 | 2018-09-28 | 亚力维斯股份有限公司 | 虚拟现实和/或扩增现实中的直接体渲染 |
CN106952340A (zh) * | 2017-03-14 | 2017-07-14 | 长江涪陵航道管理处 | 三维虚拟建模的方法及装置 |
CN107481304A (zh) * | 2017-07-31 | 2017-12-15 | 广东欧珀移动通信有限公司 | 在游戏场景中构建虚拟形象的方法及其装置 |
CN108171789A (zh) * | 2017-12-21 | 2018-06-15 | 迈吉客科技(北京)有限公司 | 一种虚拟形象生成方法和*** |
CN108257220A (zh) * | 2018-02-09 | 2018-07-06 | 北京北行科技有限公司 | 一种真实的人物作为虚拟形象植入虚拟世界的方法 |
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
CN110390705A (zh) * | 2018-04-16 | 2019-10-29 | 北京搜狗科技发展有限公司 | 一种生成虚拟形象的方法及装置 |
CN110119700A (zh) * | 2019-04-30 | 2019-08-13 | 广州虎牙信息科技有限公司 | 虚拟形象控制方法、虚拟形象控制装置和电子设备 |
CN110210501A (zh) * | 2019-06-11 | 2019-09-06 | 北京字节跳动网络技术有限公司 | 虚拟对象生成方法、电子设备及计算机可读存储介质 |
CN110706300A (zh) * | 2019-09-19 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 虚拟形象生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111265879A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422814B2 (en) | Automation of sequences of actions | |
CN111265879B (zh) | 虚拟形象生成方法、装置、设备及存储介质 | |
CN111931591B (zh) | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 | |
CN111860167B (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN111967569B (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
CN111968203B (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN111709362B (zh) | 用于确定重点学习内容的方法、装置、设备及存储介质 | |
JP7270114B2 (ja) | 顔キーポイントの検出方法、装置及び電子機器 | |
CN111709873A (zh) | 图像转换模型生成器的训练方法和装置 | |
CN111666771B (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN112241704A (zh) | 一种判定肖像侵权的方法、装置、电子设备及存储介质 | |
CN112597288B (zh) | 人机交互方法、装置、设备及存储介质 | |
CN111738325B (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN111783644B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN111275110B (zh) | 图像描述的方法、装置、电子设备及存储介质 | |
CN112052390B (zh) | 一种资源筛选方法、装置、电子设备及存储介质 | |
CN112016524A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
CN112270303A (zh) | 图像识别方法、装置以及电子设备 | |
CN112016523A (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210514 Address after: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant after: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. Applicant after: Shanghai Xiaodu Technology Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |