CN111860167A - 人脸融合模型获取及人脸融合方法、装置及存储介质 - Google Patents
人脸融合模型获取及人脸融合方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111860167A CN111860167A CN202010560733.6A CN202010560733A CN111860167A CN 111860167 A CN111860167 A CN 111860167A CN 202010560733 A CN202010560733 A CN 202010560733A CN 111860167 A CN111860167 A CN 111860167A
- Authority
- CN
- China
- Prior art keywords
- face
- fusion
- attribute information
- target
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 139
- 238000007500 overflow downdraw method Methods 0.000 title claims description 22
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims abstract description 50
- 230000015654 memory Effects 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration 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
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了人脸融合模型获取及人脸融合方法、装置及存储介质，涉及人工智能、深度学习及计算机视觉领域，其中的方法可包括：获取训练样本，训练样本中包括：目标人脸图像以及模板人脸图像；利用训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：获取目标人脸图像中的目标人脸的属性信息；对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸；获取融合人脸的属性信息；根据目标人脸的属性信息及融合人脸的属性信息构建属性一致性损失函数，利用属性一致性损失函数进行人脸融合模型的自监督学习。本申请所述方案可以用于云服务，可提升人脸融合效果并具有广泛适用性等。
Description
技术领域
本申请涉及计算机应用技术，特别涉及人工智能、深度学习及计算机视觉领域的人脸融合模型获取及人脸融合方法、装置及存储介质。
背景技术
目前，人脸融合技术已广泛应用于虚拟视觉形象、长短视频趣味玩法、相册趣味玩法等各种场景。人脸融合技术通常需要保留一个人脸形象的身份信息而融合另一个人脸形象的属性信息。
鉴于实现成本较低，目前多采用基于混合变形(blendshape)的人脸融合方法等进行人脸融合，但这种方法的融合效果较差，即得到的融合形象不够真实等。
发明内容
本申请提供了人脸融合模型获取及人脸融合方法、装置及存储介质。
一种人脸融合模型获取方法，包括：
获取训练样本，所述训练样本中包括：目标人脸图像以及模板人脸图像；
利用所述训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：
获取所述目标人脸图像中的目标人脸的属性信息；
对所述目标人脸图像及所述模板人脸图像进行人脸融合，得到融合人脸；
获取所述融合人脸的属性信息；
根据所述目标人脸的属性信息及所述融合人脸的属性信息构建属性一致性损失函数，利用所述属性一致性损失函数进行所述人脸融合模型的自监督学习。
一种人脸融合方法，包括：
获取目标人脸图像及模板人脸图像；
将所述目标人脸图像及所述模板人脸图像输入按照上述方法获取到的人脸融合模型，得到输出的人脸融合结果。
一种人脸融合模型获取装置，包括：样本获取模块以及模型训练模块；
所述样本获取模块，用于获取训练样本，所述训练样本中包括：目标人脸图像以及模板人脸图像；
所述模型训练模块，用于利用所述训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：获取所述目标人脸图像中的目标人脸的属性信息；对所述目标人脸图像及所述模板人脸图像进行人脸融合，得到融合人脸；获取所述融合人脸的属性信息；根据所述目标人脸的属性信息及所述融合人脸的属性信息构建属性一致性损失函数，利用所述属性一致性损失函数进行所述人脸融合模型的自监督学习。
一种人脸融合装置，包括：图像获取模块以及人脸融合模块；
所述图像获取模块，用于获取目标人脸图像及模板人脸图像；
所述人脸融合模块，用于将所述目标人脸图像及所述模板人脸图像输入按照上述方法获取到的人脸融合模型，得到输出的人脸融合结果。
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执行如以上所述的方法。
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如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：可训练得到人脸融合模型，其中，可分别获取目标人脸及融合人脸的属性信息，实现身份和属性的解耦，并可利用得到的属性信息构建属性一致性损失函数，利用属性一致性损失函数来指导模型的训练等，从而提升了模型训练效果，进而提升了利用训练得到的模型进行人脸融合时的融合效果，能够得到更为真实的融合形象，而且，针对训练得到的模型，给定任意目标人脸图像及模板人脸图像，均可得到对应的人脸融合结果，具有广泛适用性并具有较低的实现成本等。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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为本申请所述人脸融合模型获取方法实施例的流程图；
图2为本申请所述人脸融合模型获取过程示意图；
图3为本申请所述人脸融合方法实施例的流程图；
图4为本申请所述人脸融合模型获取装置实施例40的组成结构示意图；
图5为本申请所述人脸融合装置实施例50的组成结构示意图；
图6为根据本申请实施例所述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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述人脸融合模型获取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，获取训练样本，训练样本中包括：目标人脸图像以及模板人脸图像。
在102中，利用训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，其中训练过程包括103-106所示内容。
在103中，获取目标人脸图像中的目标人脸的属性信息。
在104中，对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸。
在105中，获取融合人脸的属性信息。
在106中，根据目标人脸的属性信息及融合人脸的属性信息构建属性一致性损失函数，利用属性一致性损失函数进行人脸融合模型的自监督学习。
可以看出，本实施例中可训练得到人脸融合模型，其中，可分别获取目标人脸及融合人脸的属性信息，实现身份和属性的解耦，并可利用得到的属性信息构建属性一致性损失函数，利用属性一致性损失函数来指导模型的训练等，从而提升了模型训练效果，进而提升了利用训练得到的模型进行人脸融合时的融合效果，能够得到更为真实的融合形象，而且，针对训练得到的模型，给定任意目标人脸图像及模板人脸图像，均可得到对应的人脸融合结果，具有广泛适用性并具有较低的实现成本等。
在模型训练时，可根据实际需要获取多个训练样本，每个训练样本中可分别包括：目标人脸图像以及模板人脸图像，目标人脸图像以及模板人脸图像分别对应于不同的人物，即每个训练样本可分别对应于一组人物，另外，不同的训练样本对应的人物可以不同。
针对训练样本中的目标人脸图像，可利用人脸三维重建方法获取其中的目标人脸的属性信息。优选地，可首先利用人脸三维重建方法获取目标人脸的三维形变模型(3DMM，3D Morphable Model)参数，之后可从3DMM参数中提取出目标人脸的属性信息。
人脸三维重建方法的具体实现为现有技术。3DMM参数中的不同维度分别对应于人物的身份、表情、姿态、光照等信息。属性信息主要包括表情和姿态信息。
另外，可对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸。优选地，可利用基于生成对抗网络(GAN，Generative Adversarial Networks) 的人脸融合方法，对目标人脸图像及模板人脸图像进行人脸融合，从而得到融合人脸。在实际应用中，可采用任意基于GAN的人脸融合方法，如现有的人脸迁移(faceshifter)方法。
人脸融合技术通常需要保留一个人脸形象的身份信息而融合另一个人脸形象的属性信息。faceshifter方法中针对目标人脸存在一个自编码器 (autoencoder)属性重建网络，将属性重建网络的各个尺度的特征融合到模板人脸的身份信息中。
采用基于GAN的人脸融合方法，可得到较好的融合效果，从而方便了后续处理，另外，本实施例中结合了基于GAN的人脸融合方法以及人脸三维重建方法，利用了各自的优势，从而进一步提升了模型训练效果等。
之后，还可利用人脸三维重建方法来获取融合人脸的属性信息。优选地，可首先利用人脸三维重建方法获取融合人脸的3DMM参数，之后可从3DMM 参数中提取出融合人脸的属性信息。
基于人脸三维重建方法，可方便准确地获取到所需的属性信息，从而实现了身份和属性的解耦，方便了后续处理等。
经过上述处理后，可分别获取到目标人脸的属性信息以及融合人脸的属性信息，人脸融合时希望这两个属性信息具有一致性，因此可根据目标人脸的属性信息及融合人脸的属性信息构建属性一致性损失函数，并可利用属性一致性损失函数进行人脸融合模型的自监督学习。
优选地，可计算目标人脸的属性信息及融合人脸的属性信息的L2范数 (L2-norm)，作为属性一致性损失函数，具体形式可为：||A-B||2，其中A 和B分别表示目标人脸的属性信息及融合人脸的属性信息。
另外，还可结合属性一致性损失函数以及基于GAN的人脸融合方法中的身份一致性损失函数来进行人脸融合模型的自监督学习。比如，结合属性一致性损失函数以及faceshifter方法中的身份一致性损失函数来进行人脸融合模型的自监督学习。
通过上述方式，不但保证了融合人脸与目标人脸的属性的一致性，而且保证了融合人脸与模板人脸的身份的一致性。
综合上述介绍，图2为本申请所述人脸融合模型获取过程示意图。如图 2所示，可利用人脸三维重建方法获取目标人脸图像中的目标人脸的属性信息，如可利用人脸三维重建方法获取目标人脸的3DMM参数，从3DMM参数中提取出目标人脸的属性信息，并可对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸，如可利用基于GAN的人脸融合方法中的faceshifter 方法，对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸，之后可利用人脸三维重建方法获取融合人脸的属性信息，如可利用人脸三维重建方法获取融合人脸的3DMM参数，从3DMM参数中提取出融合人脸的属性信息，进而可根据目标人脸的属性信息及融合人脸的属性信息构建属性一致性损失函数，如可计算目标人脸的属性信息及融合人脸的属性信息的L2-norm，作为属性一致性损失函数，进而可结合属性一致性损失函数以及faceshifter 方法中的身份一致性损失函数进行人脸融合模型的自监督学习等。
图3为本申请所述人脸融合方法实施例的流程图。如图3所示，包括以下具体实现方式。
在301中，获取目标人脸图像及模板人脸图像。
在302中，将目标人脸图像及模板人脸图像输入预先训练得到的人脸融合模型，得到输出的人脸融合结果。
人脸融合模型可为按照图1所示方法得到的人脸融合模型。
在得到人脸融合模型后，即可利用其来进行实际的人脸融合。对于待融合的任意目标人脸图像和模板人脸图像，可输入人脸融合模型，从而得到输出的人脸融合结果。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。
本申请所述方案可以用于云服务。以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图4为本申请所述人脸融合模型获取装置实施例40的组成结构示意图。如图4所示，包括：样本获取模块401以及模型训练模块402。
样本获取模块401，用于获取训练样本，训练样本中包括：目标人脸图像以及模板人脸图像。
模型训练模块402，用于利用训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：获取目标人脸图像中的目标人脸的属性信息；对目标人脸图像及模板人脸图像进行人脸融合，得到融合人脸；获取融合人脸的属性信息；根据目标人脸的属性信息及融合人脸的属性信息构建属性一致性损失函数，利用属性一致性损失函数进行人脸融合模型的自监督学习。
针对训练样本中的目标人脸图像，模型训练模块402可利用人脸三维重建方法获取其中的目标人脸的属性信息，如可利用人脸三维重建方法获取目标人脸的3DMM参数，从3DMM参数中提取出目标人脸的属性信息。
3DMM参数中的不同维度分别对应于人物的身份、表情、姿态、光照等信息。属性信息主要包括表情和姿态信息。
模型训练模块402还可利用基于GAN的人脸融合方法，对目标人脸图像及模板人脸图像进行人脸融合。在实际应用中，可采用任意基于GAN的人脸融合方法，如现有的faceshifter方法等。
模型训练模块402还可利用人脸三维重建方法获取融合人脸的属性信息，如可利用人脸三维重建方法获取融合人脸的3DMM参数，从3DMM参数中提取出融合人脸的属性信息。
在分别获取到目标人脸的属性信息以及融合人脸的属性信息后，模型训练模块402可计算目标人脸的属性信息及融合人脸的属性信息的L2-norm，作为属性一致性损失函数，具体形式可为：||A-B||2，其中A和B分别表示目标人脸的属性信息及融合人脸的属性信息。
另外，模型训练模块402还可结合属性一致性损失函数以及基于GAN的人脸融合方法中的身份一致性损失函数来进行人脸融合模型的自监督学习。比如，结合属性一致性损失函数以及faceshifter方法中的身份一致性损失函数来进行人脸融合模型的自监督学习。
图5为本申请所述人脸融合装置实施例50的组成结构示意图。如图5所示，包括：图像获取模块501以及人脸融合模块502。
图像获取模块501，用于获取目标人脸图像及模板人脸图像。
人脸融合模块502，用于将目标人脸图像及模板人脸图像输入预先训练得到的人脸融合模型，得到输出的人脸融合结果。
人脸融合模型可为按照图1所示方法得到的人脸融合模型，即可为图4 所示装置获取到的人脸融合模型。
在获取到人脸融合模型后，即可利用其来进行实际的人脸融合。对于待融合的任意目标人脸图像和模板人脸图像，可输入人脸融合模型，从而得到输出的人脸融合结果。
图4和5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可训练得到人脸融合模型，其中，可利用人脸三维重建方法实现目标人脸及融合人脸的身份和属性的解耦，并可利用得到的属性信息构建属性一致性损失函数，利用属性一致性损失函数来指导模型的训练等，从而提升了模型训练效果，进而提升了利用训练得到的模型进行人脸融合时的融合效果，能够得到更为真实的融合形象，而且，针对训练得到的模型，给定任意目标人脸图像及模板人脸图像，均可得到对应的人脸融合结果，具有广泛适用性并具有较低的实现成本等；另外，采用基于GAN的人脸融合方法，可得到较好的融合效果，从而方便了后续处理，并结合了基于GAN的人脸融合方法以及人脸三维重建方法，利用了各自的优势，从而进一步提升了模型训练效果等；另外，基于人脸三维重建方法，可方便准确地获取到所需的属性信息；再有，可结合属性一致性损失函数以及基于GAN的人脸融合方法中的身份一致性损失函数来进行人脸融合模型的自监督学习，从而不但保证了融合人脸与目标人脸的属性的一致性，而且保证了融合人脸与模板人脸的身份的一致性。
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6所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示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6所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，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)上显示图形用户界面的图形信息的指令。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6中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。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方法。
存储器Y02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方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02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方法。
存储器Y02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电子设备的使用所创建的数据等。此外，存储器Y02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Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与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Y04可以包括显示设备、辅助照明装置和触觉反馈装置(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、发光二极管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)，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，阴极射线管或者液晶显示器监视器)；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、广域网、区块链网络和互联网。
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。
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 (16)
1.一种人脸融合模型获取方法，其特征在于，包括：
获取训练样本，所述训练样本中包括：目标人脸图像以及模板人脸图像；
利用所述训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：
获取所述目标人脸图像中的目标人脸的属性信息；
对所述目标人脸图像及所述模板人脸图像进行人脸融合，得到融合人脸；
获取所述融合人脸的属性信息；
根据所述目标人脸的属性信息及所述融合人脸的属性信息构建属性一致性损失函数，利用所述属性一致性损失函数进行所述人脸融合模型的自监督学习。
2.根据权利要求1所述的人脸融合模型获取方法，其特征在于，
所述获取所述目标人脸图像中的目标人脸的属性信息包括：利用人脸三维重建方法获取所述目标人脸的属性信息；
所述获取所述融合人脸的属性信息包括：利用人脸三维重建方法获取所述融合人脸的属性信息。
3.根据权利要求2所述的人脸融合模型获取方法，其特征在于，
所述利用人脸三维重建方法获取所述目标人脸的属性信息包括：利用人脸三维重建方法获取所述目标人脸的三维形变模型参数，从所述三维形变模型参数中提取出所述目标人脸的属性信息；
所述利用人脸三维重建方法获取所述融合人脸的属性信息包括：利用人脸三维重建方法获取所述融合人脸的三维形变模型参数，从所述三维形变模型参数中提取出所述融合人脸的属性信息。
4.根据权利要求1所述的人脸融合模型获取方法，其特征在于，
所述对所述目标人脸图像及所述模板人脸图像进行人脸融合包括：
利用基于生成对抗网络的人脸融合方法，对所述目标人脸图像及所述模板人脸图像进行人脸融合。
5.根据权利要求1所述的人脸融合模型获取方法，其特征在于，
所述根据所述目标人脸的属性信息及所述融合人脸的属性信息构建属性一致性损失函数包括：
计算所述目标人脸的属性信息及所述融合人脸的属性信息的L2范数，作为所述属性一致性损失函数。
6.根据权利要求4所述的人脸融合模型获取方法，其特征在于，
所述利用所述属性一致性损失函数进行所述人脸融合模型的自监督学习包括：
结合所述属性一致性损失函数以及所述基于生成对抗网络的人脸融合方法中的身份一致性损失函数进行所述人脸融合模型的自监督学习。
7.一种人脸融合方法，其特征在于，包括：
获取目标人脸图像及模板人脸图像；
将所述目标人脸图像及所述模板人脸图像输入按照权利要求1-6中任一项所述的方法获取到的人脸融合模型，得到输出的人脸融合结果。
8.一种人脸融合模型获取装置，其特征在于，包括：样本获取模块以及模型训练模块；
所述样本获取模块，用于获取训练样本，所述训练样本中包括：目标人脸图像以及模板人脸图像；
所述模型训练模块，用于利用所述训练样本，训练得到用于对输入的目标人脸图像和模板人脸图像进行人脸融合的人脸融合模型，包括：获取所述目标人脸图像中的目标人脸的属性信息；对所述目标人脸图像及所述模板人脸图像进行人脸融合，得到融合人脸；获取所述融合人脸的属性信息；根据所述目标人脸的属性信息及所述融合人脸的属性信息构建属性一致性损失函数，利用所述属性一致性损失函数进行所述人脸融合模型的自监督学习。
9.根据权利要求8所述的人脸融合模型获取装置，其特征在于，
所述模型训练模块利用人脸三维重建方法获取所述目标人脸的属性信息,利用人脸三维重建方法获取所述融合人脸的属性信息。
10.根据权利要求9所述的人脸融合模型获取装置，其特征在于，
所述模型训练模块利用人脸三维重建方法获取所述目标人脸的三维形变模型参数，从所述三维形变模型参数中提取出所述目标人脸的属性信息，利用人脸三维重建方法获取所述融合人脸的三维形变模型参数，从所述三维形变模型参数中提取出所述融合人脸的属性信息。
11.根据权利要求8所述的人脸融合模型获取装置，其特征在于，
所述模型训练模块利用基于生成对抗网络的人脸融合方法，对所述目标人脸图像及所述模板人脸图像进行人脸融合。
12.根据权利要求8所述的人脸融合模型获取装置，其特征在于，
所述模型训练模块计算所述目标人脸的属性信息及所述融合人脸的属性信息的L2范数，作为所述属性一致性损失函数。
13.根据权利要求11所述的人脸融合模型获取装置，其特征在于，
所述模型训练模块结合所述属性一致性损失函数以及所述基于生成对抗网络的人脸融合方法中的身份一致性损失函数进行所述人脸融合模型的自监督学习。
14.一种人脸融合装置，其特征在于，包括：图像获取模块以及人脸融合模块；
所述图像获取模块，用于获取目标人脸图像及模板人脸图像；
所述人脸融合模块，用于将所述目标人脸图像及所述模板人脸图像输入按照权利要求1-6中任一项所述的方法获取到的人脸融合模型，得到输出的人脸融合结果。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560733.6A CN111860167B (zh) | 2020-06-18 | 2020-06-18 | 人脸融合模型获取及人脸融合方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560733.6A CN111860167B (zh) | 2020-06-18 | 2020-06-18 | 人脸融合模型获取及人脸融合方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860167A true CN111860167A (zh) | 2020-10-30 |
| CN111860167B CN111860167B (zh) | 2024-01-26 |
Family
ID=72986226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010560733.6A Active CN111860167B (zh) | 2020-06-18 | 2020-06-18 | 人脸融合模型获取及人脸融合方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860167B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381927A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 图像生成的方法、装置、设备以及存储介质 |
| CN112950775A (zh) * | 2021-04-27 | 2021-06-11 | 南京大学 | 一种基于自监督学习的三维人脸模型重建方法及*** |
| CN113052025A (zh) * | 2021-03-12 | 2021-06-29 | 咪咕文化科技有限公司 | 图像融合模型的训练方法、图像融合方法及电子设备 |
| CN113362263A (zh) * | 2021-05-27 | 2021-09-07 | 百度在线网络技术（北京）有限公司 | 变换虚拟偶像的形象的方法、设备、介质及程序产品 |
| CN113642491A (zh) * | 2021-08-20 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸融合方法、人脸融合模型的训练方法及装置 |
| CN113902956A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 融合模型的训练方法、图像融合方法、装置、设备及介质 |
| WO2022218085A1 (zh) * | 2021-04-13 | 2022-10-20 | 腾讯科技（深圳）有限公司 | 获取虚拟图像的方法、装置、计算机设备、计算机可读存储介质以及计算机程序产品 |
| WO2023020358A1 (zh) * | 2021-08-20 | 2023-02-23 | 腾讯科技（深圳）有限公司 | 面部图像处理方法、面部图像处理模型的训练方法、装置、设备、存储介质及程序产品 |
| WO2023040679A1 (zh) * | 2021-09-16 | 2023-03-23 | 百果园技术(新加坡)有限公司 | 人脸图片的融合方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578017A (zh) * | 2017-09-08 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于生成图像的方法和装置 |
| CN110503703A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
-
2020
- 2020-06-18 CN CN202010560733.6A patent/CN111860167B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578017A (zh) * | 2017-09-08 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于生成图像的方法和装置 |
| CN110503703A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381927A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 图像生成的方法、装置、设备以及存储介质 |
| CN113052025A (zh) * | 2021-03-12 | 2021-06-29 | 咪咕文化科技有限公司 | 图像融合模型的训练方法、图像融合方法及电子设备 |
| WO2022218085A1 (zh) * | 2021-04-13 | 2022-10-20 | 腾讯科技（深圳）有限公司 | 获取虚拟图像的方法、装置、计算机设备、计算机可读存储介质以及计算机程序产品 |
| CN112950775A (zh) * | 2021-04-27 | 2021-06-11 | 南京大学 | 一种基于自监督学习的三维人脸模型重建方法及*** |
| CN113362263A (zh) * | 2021-05-27 | 2021-09-07 | 百度在线网络技术（北京）有限公司 | 变换虚拟偶像的形象的方法、设备、介质及程序产品 |
| CN113362263B (zh) * | 2021-05-27 | 2023-09-15 | 百度在线网络技术（北京）有限公司 | 变换虚拟偶像的形象的方法、设备、介质及程序产品 |
| CN113642491A (zh) * | 2021-08-20 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸融合方法、人脸融合模型的训练方法及装置 |
| WO2023020358A1 (zh) * | 2021-08-20 | 2023-02-23 | 腾讯科技（深圳）有限公司 | 面部图像处理方法、面部图像处理模型的训练方法、装置、设备、存储介质及程序产品 |
| WO2023040679A1 (zh) * | 2021-09-16 | 2023-03-23 | 百果园技术(新加坡)有限公司 | 人脸图片的融合方法、装置、设备及存储介质 |
| CN113902956A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 融合模型的训练方法、图像融合方法、装置、设备及介质 |
| WO2023050868A1 (zh) * | 2021-09-30 | 2023-04-06 | 北京百度网讯科技有限公司 | 融合模型的训练方法、图像融合方法、装置、设备及介质 |
| CN113902956B (zh) * | 2021-09-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 融合模型的训练方法、图像融合方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860167B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860167A (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
| CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
| CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
| CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
| CN111861955A (zh) | 构建图像编辑模型的方法以及装置 | |
| CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
| CN110806865A (zh) | 动画生成方法、装置、设备及计算机可读存储介质 | |
| CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
| CN111722245A (zh) | 定位方法、定位装置和电子设备 | |
| CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
| CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
| CN111539347A (zh) | 用于检测目标的方法和装置 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN112149741A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| CN112529180A (zh) | 模型蒸馏的方法和装置 | |
| CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
| CN111241838A (zh) | 文本实体的语义关系处理方法、装置及设备 | |
| CN112529018A (zh) | 图像局部特征的训练方法、装置及存储介质 | |
| CN111695516A (zh) | 热力图的生成方法、装置及设备 | |
| CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
| CN111967481A (zh) | 视觉定位方法、装置、电子设备及存储介质 | |
| CN111767990A (zh) | 神经网络的处理方法和装置 | |
| CN112116548A (zh) | 人脸图像的合成方法、装置 | |
| CN111524123A (zh) | 用于处理图像的方法和装置 | |
| CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 |
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 |