CN112308770B - 人像转换模型生成方法及人像转换方法 - Google Patents
人像转换模型生成方法及人像转换方法 Download PDFInfo
- Publication number
- CN112308770B CN112308770B CN202011585613.8A CN202011585613A CN112308770B CN 112308770 B CN112308770 B CN 112308770B CN 202011585613 A CN202011585613 A CN 202011585613A CN 112308770 B CN112308770 B CN 112308770B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- cartoon
- frame
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 36
- 230000002146 bilateral effect Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 230000003042 antagnostic effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering 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
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种人像转换模型生成方法及人像转换方法。人像转换模型生成方法包括使用原图和目标图作为训练数据,对循环生成对抗网络进行训练,训练时使用的损失函数包括结构损失函数和图对损失函数,所述结构损失函数包括:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,所述图对损失函数包括:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差。利用本申请实施例能够生成鲁棒的人像转换模型。
Description
技术领域
本申请实施例涉及人工智能技术领域,具体涉及图像和视频处理技术领域,尤其涉及人像转换模型生成方法、人像转换方法、装置、存储介质和计算设备。
背景技术
当前,对图片的特效处理技术在照相机、应用程序app和直播场景中应用广泛,已日益成为各类拍照产品的基础功能,具有一定的必要性,已有的大多数解决方案是基于深度神经网络模型实现的,例如对图片中的人像或称人脸添加卡通效果或将人脸替换为卡通头像,可为用户带来趣味性,也是相关研发人员研究的热点之一。
但是,目前形成的各类深度神经网络模型的解决方案大多仅能够对静态图片进行处理,如果将此类深度神经网络模型应用于对视频文件中连续的图像帧的处理,存在转换效果不稳定、模型鲁棒性差等多重问题。
发明内容
本申请期望提供一种人像转换模型的生成方法、人像转换方法、装置、存储介质和计算设备,以至少解决上述技术问题。
第一方面,本申请实施例提供一种人像转换模型的生成方法,包括:使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;其中,训练时使用的损失函数包括结构损失函数和图对损失函数,所述结构损失函数包括:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,所述图对损失函数包括:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差。
第二方面,本申请实施例还提供一种人像转换方法,该方法基于由以上的人像转换模型生成方法所生成的人像转换模型,所述人像转换方法包括:
对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
对所述视频进行人脸检测,得到第一人脸框;
对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
将所述第一人脸框中的人脸图像输入所述人像转换模型,得到模型输出的第二卡通图像;
基于所述第一人脸框中的人脸图像制作蒙版mask图;
基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
第三方面,本申请实施例还提供一种人像转换装置,该装置包括由以上的人像转换模型生成方法所生成的人像转换模型,所述人像转换模型用于对图像中的人脸进行卡通化转换。
第四方面,本申请实施例还提供一种人像转换模型的生成装置,包括:训练模块,用于使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;其中,所述训练模块在训练时使用的损失函数包括结构损失函数和图对损失函数,所述结构损失函数包括:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,所述图对损失函数包括:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差。
第五方面,本申请实施例还提供一种人像转换装置,该装置基于由以上的人像转换模型生成方法所生成的人像转换模型,该装置包括:
图像预处理模块,用于对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
人脸检测模块,用于对所述视频进行人脸检测,得到第一人脸框;
人脸关键点检测模块,用于对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
人像转换模型,用于对所述第一人脸框中的人脸图像进行人像转换,输出第二卡通图像;
蒙版处理模块,用于基于所述第一人脸框中的人脸图像制作蒙版mask图;
第一融合处理模块,用于基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
第二融合处理模块,用于将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
第六方面,本申请实施例还提供一种计算设备,包括:
一个或多个处理器;
存储装置,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时,使得所述一个或多个处理器实现如上所述的方法的步骤。
第七方面,本申请实施例还提供一种非易失性计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例的人像卡通化转换模型是由循环生成对抗网络训练而生成的,训练过程中采用了专门设计的损失函数的视频判别器,使得人脸卡通化效果中能够尽量多的保留原图中人脸的结构信息,视觉效果更逼真,并且该模型鲁棒性高,适于应用在视频文件中人像的卡通化处理中,具有卡通化效果稳定性高的优点。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施例的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施例,其中:
图1是本申请实施例的人像转换模型生成方法的流程框图;
图2是本申请实施例的人像转换方法的流程框图;
图3是本申请实施例的循环生成对抗网络的训练方式的逻辑示意图;
图4是本申请实施例的结构损失函数的逻辑示意图;
图5是本申请实施例的图对损失函数的逻辑示意图;
图6是本申请实施例的视频判别器的功能逻辑示意图;
图7是本申请实施例的人像转换模型生成装置的结构框图;
图8是本申请实施例的人像转换装置的结构框图;
图9是实现本申请实施例的人像转换模型生成方法或人像转换方法的电子设备的结构框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施例
下面将参考若干示例性实施例来描述本申请的原理和精神。应当理解,给出这些实施例仅仅是为了使本领域技术人员能够更好地理解进而实现本申请,而并非以任何方式限制本申请的范围。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示意性地示出了本申请实施例的人像转换模型的生成方法的实现流程图,该方法包括:
S100:使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;
其中,训练时使用的损失函数包括结构损失函数(structure-loss)和图对损失函数(pair-loss),
所述结构损失函数包括:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,
所述图对损失函数包括:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差。
本申请的实施例基于循环生成对抗网络cycle-GAN的特性,使用非配对unpaired数据作为网络的训练数据,这里训练数据即原图和目标图分别为人物原图和人物卡通图,由于原图中的真实人像实际上不存在与其对应的卡通图,因此这里原图和目标图属于unpaired数据,适用于训练cycle-GAN网络;并且,本申请实施例采用了专门设计的结构损失函数structure-loss和图对损失函数pair-loss,分别来看:
结构损失函数structure-loss是基于对原图和网络生成的卡通图进行聚类分割处理,也就是将原图与生成图先进行聚类分割,再对得到的分割图进行比较,训练目的是使得两者接近,从而训练后的cycle-GAN网络能够更多地保留原图中人脸的结构(structure)信息;
图对损失函数pair-loss是基于“图片与增强图”的图对(pair),这里增强图是经过指定操作(例如旋转、偏移、翻转)的图像,训练后的cycle-GAN网络对单帧图像数据的处理效果稳定,鲁棒性好。
可见,本申请实施例在训练cycle-GAN网络中使用了改进的损失函数,使得训练后的模型不但能够更多地保留原图人物的人脸结构信息,使卡通化后的人脸尽可能地接近原图人脸,卡通化转换效果逼真,并且该模型具有更高的鲁棒性,尤其适合应用在视频的人像转换场景中。
在本申请实施例中,在本申请实施例中,训练时使用的判别器包括视频判别器(或称video判别器),所述视频判别器用于对输入的多帧视频序列进行如下操作:对所述多帧视频序列进行三维3D卷积操作以提取时空特征,对所述时空特征进行二维2D卷积操作以深化空间特征,2D卷积操作之后输出分数,所述分数介于0至1之间;其中,所述分数越接近1表示所述多帧视频序列与实际的视频序列分布越相似,所述分数越接近0表示所述多帧视频序列与实际的视频序列分布越不相似。
利用上述的video判别器能够判断模型对一系列视频序列进行转换处理后输出的卡通化效果是否稳定,基于此能够增强模型的时序效果的稳定性,有助于在视频场景中鲁棒稳定地对人像进行卡通风格转化。
相对应地,本申请实施例还提供一种人像转换装置,该装置包括利用上述的人像转换模型生成方法所生成的人像转换模型,该人像转换模型用于对图像中的人脸进行卡通化转换,实现原图到卡通化图像的转换。
进一步,本申请实施例还提供一种人像转换方法,该方法基于前述的人像转换模型,具体包括以下步骤:
S1:对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
S2:对所述视频进行人脸检测,得到第一人脸框;
S3:对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
S4:将所述第一人脸框中的人脸图像输入所述人像转换模型,得到模型输出的第二卡通图像;
S5:基于所述第一人脸框中的人脸图像制作蒙版mask图;
S6:基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
S7:将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
根据本申请的实施例,首先对原图进行边缘检测和双边滤波得到整体的第一卡通化图像,并利用人像转换模型对人脸框图像进行卡通化处理,生成第二卡通图像,然后按照制作的蒙版mask,将第一卡通图像与第二卡通化图像进行融合得到融合图,该融合图也为卡通化图,最后将该融合图与所述的第一卡通化图像再进行融合,得到第三卡通化图像,由此实现原图到卡通化图像的转换。
在本申请实施例中,可选地,边缘检测可采用高斯差分(Difference ofGaussian,DoG)边缘检测方法;可选地,本申请实施例对视频图像进行转换处理,数据运算量较大,双边滤波可采用多次小核双边滤波方法,可在一定程度上提高运算速度。
在本申请实施例中,可选地,在所述对所述视频进行人脸检测,得到第一人脸框之后,所述方法还包括:利用***生成的跟踪框对所述第一人脸框进行跟踪,在所述跟踪框与所述第一人脸框的交并比(Intersection over Union,IOU)小于或等于指定阈值(例如90%)的情况下重置***。
在本申请实施例中,可选地,所述对所述第一人脸框进行人脸关键点检测,包括:对所述第一人脸框中的人脸图像的长和宽进行外扩(例如外扩为原图的1.2倍)并裁剪,得到第一目标人脸图像区域,对所述第一目标人脸图像区域进行人脸关键点检测。
在本申请实施例中,可选地,所述将所述第一人脸框中的人脸图像输入所述人像转换模型,包括:对所述第一人脸框中的人脸图像的长和宽进行外扩(例如外扩为原图的1.5倍)并裁剪,得到第二目标人脸图像区域,将所述第二目标人脸图像区域输入所述人像转换模型。
在本申请实施例中,可选地,所述蒙版mask图是以所述第一人脸关键点为中心且成高斯分布向外减弱的。
比较而言,对于已往的卡通化风格转换方案,模型处理后大都过于偏向于卡通形象,缺少原本真人的特征体现,导致卡通形象不够逼真,另外由于以往方案大都是基于单帧的图片场景,模型算法的鲁棒性要求不高,也很难应用到视频场景中。利用本申请实施例的人像转换模型,能够实现原图到卡通化图像的逼真转换,在处理视频帧序列时卡通化效果稳定,模型鲁棒性好。
以上描述了本申请实施例的多种实现方式,以下通过具体的例子描述本申请实施例的具体处理过程。
参考图2,示出了本申请一个实施例的人像转换方法的处理流程图,具体包括如下步骤:
S10:对视频帧原图的整张图片使用双边滤波后使用DoG边缘检测,再将边缘检测后的结果与双边滤波后的结果进行融合,完成整体卡通化;
S20:对原图应用人脸检测算法,标出人脸框,并使用跟踪算法跟踪人脸框,使得人脸框更加稳定;
S30:使用人脸关键点检测算法得到人脸框中人脸的鼻梁点;
S40:对通过S20得到的人脸图像,通过循环生成对抗网络cycle-GAN进行处理,生成卡通图像;
S50:制作一张与S20得到的人脸图像同样大小的蒙版mask图,其以S30中得到的人脸的鼻梁点为中心,成高斯分布向外减弱;
S60:利用蒙版mask,将S40得到的卡通图与原图进行融合;
S70:将S60得到的图与S10得到的图融合,得到最终的卡通效果图。
图2实施例中,S10可包括如下处理:
S101:由于双边滤波中若核太大运算速度较慢,因此使用多次小核双边滤波的方法;
S102;将S101得到的图进行DoG边缘检测,得到边缘图;
S103;将S101与S102得到的图进行融合,得到整体的卡通化图。
其中,S20可包括如下处理:
S201;使用人脸检测算法对视频中的人脸进行人脸检测,得到检测框;
S202;使用SORT跟踪算法跟踪人脸框,如果跟踪框与检测框的IOU小于90%,则重置***。
可选地,S30可包括如下处理;
S301;对S20得到的人脸框的长和宽分别外扩1.2倍,裁剪出人脸图像区域,输入人脸关键点检测网络,得到人脸关键点。
可选地,S40可包括如下处理:
S401;对S20得到的人脸框的长和宽分别外扩1.5倍,裁剪出图像区域,输入训练好的循环生成对抗网络中,得到卡通图;
其中,关于循环生成对抗网络的训练过程,进行如下详细说明:
由于实际中无法获得一一对应的真实人物图和目标卡通图,因此使用基于单帧的非配对unpair(真实人物图与目标卡通图不需要是同一个人物)的循环生成对抗网络cycle-GAN作为基础baseline进行训练,参考图3,训练过程可通过如下公式简单表述:
其中,G_A2B(·)表示由原图到卡通化图的生成网络,G_B2A(·)表示由卡通图到真实图的生成网络。
为了得到更加富有原人物结构id的单帧卡通化结果,在训练时添加structureloss以保持原图与卡通图之间的结构一致,具体操作如图4所示,可通过如下公式简单表述:
其中,Kmeans(·)表示K-means聚类算法。
为了得到更加鲁棒的单帧卡通化结果,训练时添加原图-增强图pair-loss,具体操作如图5所示,可通过如下公式简单表述:
其中,A(·)表示旋转、偏移、翻转等操作,G_A2B(·)表示由原图到卡通图的生成网络。
为了得到时序上更加稳定的卡通化结果,训练时添加video判别器训练生成判别网络,可通过如下公式简单表述:
参考图6,video判别器的工作过程描述如下:
对于一段输入video判别器的视频序列(例如N帧,可以是真实的连续视频帧,也可以是由这些视频帧生成的卡通图又再次生成的真实风格连续视频帧),对这N帧先进行3D卷积操作提取时空特征,再进行2D卷积操作深化空间特征,最终得到一个输出分数,这个分数越接近1,表示输入的N帧越像真实分布的视频序列,如果分数越接近0,说明输入的N帧越不像真实分布的视频序列,换言之,就是通过提高判别器对于时序序列效果的判别,以约束生成器G_B2A,进而约束生成器G_A2B的稳定性,
可选地,S50可包括如下处理;
S501;以S30中得到的人脸的鼻梁点为中心,成高斯分布向外减弱,制作一张与S20得到的人脸图像同样大小的蒙版mask图。
可选地,S60可包括如下处理;
S601;把S4得到的卡通图与S1得到的图按照S5得到的蒙版mask进行融合,可通过如下公式简单表述:
可选地,S70可包括如下处理;
S701;把S601得到的融合图贴回原图。
基于以上部分或全部内容可知,本申请实施例使用“原图-增强图”pair-loss训练对抗生成网络,可获得更加鲁棒的单帧效果;本申请实施例使用structure-loss训练对抗生成网络,获得更加富有原始任务ID特征的单帧效果;本申请实施例使用video判别器进行训练对抗生成网络,获得更加稳定的时序卡通化效果;本申请实施例综合人脸检测、人脸跟踪、人脸关键点检测、对抗生成网络、双边滤波和DoG算法等,可实现逼真的人像卡通化风格的转换。
以上通过多个实施例从不同角度描述了本申请实施例的具体设置和实现方式。与上述至少一个实施例的处理方法相对应地,本申请实施例还提供一种人像转换模型的生成装置100,参考图7,其包括:
训练模块110,用于使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;其中,所述训练模块在训练时使用的损失函数包括结构损失函数和图对损失函数,所述结构损失函数包括:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,所述图对损失函数包括:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差。
可选地,所述指定操作包括以下至少一种操作:旋转、偏移、翻转。
可选地,训练时使用的判别器包括视频判别器,所述视频判别器用于对输入的多帧视频序列进行如下操作:对所述多帧视频序列进行三维3D卷积操作以提取时空特征,对所述时空特征进行二维2D卷积操作以深化空间特征,2D卷积操作之后输出分数,所述分数介于0至1之间;其中,所述分数越接近1表示所述多帧视频序列与实际的视频序列分布越相似,所述分数越接近0表示所述多帧视频序列与实际的视频序列分布越不相似。
与上述至少一个实施例的处理方法相对应地,本申请实施例还提供一种人像转换装置200,参考图8,其包括:
图像预处理模块210,用于对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
人脸检测模块220,用于对所述视频进行人脸检测,得到第一人脸框;
人脸关键点检测模块230,用于对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
人像转换模型240,用于对所述第一人脸框中的人脸图像进行人像转换,输出第二卡通图像;
蒙版处理模块250,用于基于所述第一人脸框中的人脸图像制作蒙版mask图;
第一融合处理模块260,用于基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
第二融合处理模块270,用于将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
可选地,人像转换装置200还包括:***,用于利用生成的跟踪框对所述第一人脸框进行跟踪,在所述跟踪框与所述第一人脸框的交并比IOU小于或等于指定阈值的情况下重置***。
可选地,人像转换装置200还包括:图像裁剪处理子模块,所述图像裁剪处理子模块用于对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第一目标人脸图像区域,所述人脸关键点检测模块还用于对所述第一目标人脸图像区域进行人脸关键点检测。
可选地,人像转换装置200还包括:图像裁剪处理子模块,所述图像裁剪处理子模块用于对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第二目标人脸图像区域,所述人像转换模型用于将所述第二目标人脸图像区域输入所述人像转换模型。
可选地,所述蒙版mask图是以所述第一人脸关键点为中心且成高斯分布向外减弱的。
本申请实施例各装置中的各模块的功能可以参见上述方法实施例中的对应描述的处理,在此不再赘述。
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9所示,是根据本申请实施例的人像转换模型生成方法或人像转换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9所示,该电子设备包括:一个或多个处理器1001、存储器1002,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(Graphical User Interface,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9中以一个处理器1001为例。
存储器1002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1002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1001通过运行存储在存储器1002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1002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搜索结果的分析处理电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至搜索结果的分析处理电子设备。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。
本申请实施例的方法对应的电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,本申请图9实施例中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与搜索结果的分析处理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1004可以包括显示设备、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(Liquid Crystal Display,LCD)、发光二极管(Light EmittingDiode,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***、专用集成电路(Application Specific Integrated Circuits,ASIC)、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(programmable logic device,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(Cathode Ray Tube,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(Local Area Network,LAN)、广域网(Wide Area Network,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。
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 (17)
1.一种人像转换模型的生成方法,其特征在于,包括:
使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;
其中,训练时使用的损失函数包括结构损失函数和图对损失函数,
所述结构损失函数为:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,
所述图对损失函数为:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差;其中,所述指定操作包括以下至少一种操作:旋转、偏移、翻转。
2.根据权利要求1所述的方法,其特征在于,其中,训练时使用的判别器包括视频判别器,所述视频判别器用于对输入的多帧视频序列进行如下操作:
对所述多帧视频序列进行三维3D卷积操作以提取时空特征,对所述时空特征进行二维2D卷积操作以深化空间特征,2D卷积操作之后输出分数,所述分数介于0至1之间;其中,所述分数越接近1表示所述多帧视频序列与实际的视频序列分布越相似,所述分数越接近0表示所述多帧视频序列与实际的视频序列分布越不相似。
3.一种人像转换方法,其特征在于,所述人像转换方法基于由权利要求1或2所述的方法所生成的人像转换模型,所述人像转换方法包括:
对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
对所述视频进行人脸检测,得到第一人脸框;
对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
将所述第一人脸框中的人脸图像输入所述人像转换模型,得到模型输出的第二卡通图像;
基于所述第一人脸框中的人脸图像制作蒙版mask图;
基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
4.根据权利要求3所述的方法,其特征在于,在所述对所述视频进行人脸检测,得到第一人脸框之后,所述方法还包括:
利用***生成的跟踪框对所述第一人脸框进行跟踪,在所述跟踪框与所述第一人脸框的交并比IOU小于或等于指定阈值的情况下重置***。
5.根据权利要求3所述的方法,其特征在于,所述对所述第一人脸框进行人脸关键点检测,包括:
对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第一目标人脸图像区域,对所述第一目标人脸图像区域进行人脸关键点检测。
6.根据权利要求3所述的方法,其特征在于,所述将所述第一人脸框中的人脸图像输入所述人像转换模型,包括:
对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第二目标人脸图像区域,将所述第二目标人脸图像区域输入所述人像转换模型。
7.根据权利要求3所述的方法,其特征在于,所述蒙版mask图是以所述第一人脸关键点为中心且成高斯分布向外减弱的。
8.一种人像转换装置,其特征在于,所述人像转换装置包括由权利要求1或2所述的方法所生成的人像转换模型,所述人像转换模型用于对图像中的人脸进行卡通化转换。
9.一种人像转换模型的生成装置,其特征在于,包括:
训练模块,用于使用原图和目标图作为训练数据,对循环生成对抗网络cycle-GAN进行训练,达到停止条件后停止训练,将训练后的循环生成对抗网络cycle-GAN作为人像转换模型,其中所述原图中包括真实人像的人脸,所述目标图中包括卡通化人像的人脸,所述原图与所述目标图属于非配对unpaired数据;
其中,所述训练模块在训练时使用的损失函数包括结构损失函数和图对损失函数,
所述结构损失函数为:对原图进行聚类分割处理的结果与对网络生成的卡通图进行聚类分割处理的结果之间的差,
所述图对损失函数为:对原图进行指定操作后再通过网络生成的卡通图与由原图通过网络生成卡通图后再进行指定操作得到的卡通图之间的差;其中,所述指定操作包括以下至少一种操作:旋转、偏移、翻转。
10.根据权利要求9所述的装置,其特征在于,所述训练模块在训练时使用的判别器包括视频判别器,所述视频判别器用于对输入的多帧视频序列进行如下操作:
对所述多帧视频序列进行三维3D卷积操作以提取时空特征,对所述时空特征进行二维2D卷积操作以深化空间特征,2D卷积操作之后输出分数,所述分数介于0至1之间;其中,所述分数越接近1表示所述多帧视频序列与实际的视频序列分布越相似,所述分数越接近0表示所述多帧视频序列与实际的视频序列分布越不相似。
11.一种人像转换装置,其特征在于,所述人像转换装置基于由权利要求1或2所述的方法所生成的人像转换模型,所述人像转换装置包括:
图像预处理模块,用于对视频中含有人脸的第一图像分别进行双边滤波处理和边缘检测,将双边滤波处理的结果与边缘检测得到的边缘图进行融合,得到第一卡通图像;
人脸检测模块,用于对所述视频进行人脸检测,得到第一人脸框;
人脸关键点检测模块,用于对所述第一人脸框进行人脸关键点检测,得到第一人脸关键点;
人像转换模型,用于对所述第一人脸框中的人脸图像进行人像转换,输出第二卡通图像;
蒙版处理模块,用于基于所述第一人脸框中的人脸图像制作蒙版mask图;
第一融合处理模块,用于基于所述蒙版mask图将所述第二卡通图像与所述第一图像进行融合,得到融合图像;
第二融合处理模块,用于将所述融合图像与所述第一图像进行融合,得到第三卡通图像,完成所述视频中的第一图像到所述第三卡通图像的人像转换。
12.根据权利要求11所述的装置,其特征在于,还包括:
***,用于利用生成的跟踪框对所述第一人脸框进行跟踪,在所述跟踪框与所述第一人脸框的交并比IOU小于或等于指定阈值的情况下重置***。
13.根据权利要求11所述的装置,其特征在于,还包括:图像裁剪处理子模块,
所述图像裁剪处理子模块用于对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第一目标人脸图像区域,所述人脸关键点检测模块还用于对所述第一目标人脸图像区域进行人脸关键点检测。
14.根据权利要求11所述的装置,其特征在于,还包括:图像裁剪处理子模块,
所述图像裁剪处理子模块用于对所述第一人脸框中的人脸图像的长和宽进行外扩和裁剪,得到第二目标人脸图像区域,所述人像转换模型用于将所述第二目标人脸图像区域输入所述人像转换模型。
15.根据权利要求11所述的装置,其特征在于,所述蒙版mask图是以所述第一人脸关键点为中心且成高斯分布向外减弱的。
16.一种计算设备,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时,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
17.一种非易失性计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585613.8A CN112308770B (zh) | 2020-12-29 | 2020-12-29 | 人像转换模型生成方法及人像转换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585613.8A CN112308770B (zh) | 2020-12-29 | 2020-12-29 | 人像转换模型生成方法及人像转换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308770A CN112308770A (zh) | 2021-02-02 |
CN112308770B true CN112308770B (zh) | 2021-03-30 |
Family
ID=74487617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585613.8A Active CN112308770B (zh) | 2020-12-29 | 2020-12-29 | 人像转换模型生成方法及人像转换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308770B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570689B (zh) * | 2021-07-28 | 2024-03-01 | 杭州网易云音乐科技有限公司 | 人像卡通化方法、装置、介质和计算设备 |
CN113436064B (zh) * | 2021-08-26 | 2021-11-09 | 北京世纪好未来教育科技有限公司 | 目标对象关键点的检测模型训练方法、检测方法和设备 |
CN113781309B (zh) * | 2021-09-17 | 2024-06-28 | 北京金山云网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN116883247B (zh) * | 2023-09-06 | 2023-11-21 | 感跃医疗科技(成都)有限公司 | 一种基于Cycle-GAN的未配对CBCT图像超分辨率生成算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577985A (zh) * | 2017-07-18 | 2018-01-12 | 南京邮电大学 | 基于循环生成对抗网络的人脸头像卡通化的实现方法 |
CN109829433A (zh) * | 2019-01-31 | 2019-05-31 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
CN110070483A (zh) * | 2019-03-26 | 2019-07-30 | 中山大学 | 一种基于生成式对抗网络的人像卡通化方法 |
CN110363183A (zh) * | 2019-07-30 | 2019-10-22 | 贵州大学 | 基于生成式对抗网络的服务机器人视觉图片隐私保护方法 |
CN110415308A (zh) * | 2019-06-21 | 2019-11-05 | 浙江大学 | 一种基于循环空间转换网络的人脸漫画生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190117584A (ko) * | 2017-02-09 | 2019-10-16 | 페인티드 도그, 인크. | 스트리밍 비디오 내의 객체를 검출하고, 필터링하고 식별하기 위한 방법 및 장치 |
-
2020
- 2020-12-29 CN CN202011585613.8A patent/CN112308770B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577985A (zh) * | 2017-07-18 | 2018-01-12 | 南京邮电大学 | 基于循环生成对抗网络的人脸头像卡通化的实现方法 |
CN109829433A (zh) * | 2019-01-31 | 2019-05-31 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
CN110070483A (zh) * | 2019-03-26 | 2019-07-30 | 中山大学 | 一种基于生成式对抗网络的人像卡通化方法 |
CN110415308A (zh) * | 2019-06-21 | 2019-11-05 | 浙江大学 | 一种基于循环空间转换网络的人脸漫画生成方法 |
CN110363183A (zh) * | 2019-07-30 | 2019-10-22 | 贵州大学 | 基于生成式对抗网络的服务机器人视觉图片隐私保护方法 |
Non-Patent Citations (1)
Title |
---|
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks;Jun-Yan Zhu 等;《arXinv:1730.10593v1》;20170330;正文第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308770A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308770B (zh) | 人像转换模型生成方法及人像转换方法 | |
CN111259751B (zh) | 基于视频的人体行为识别方法、装置、设备及存储介质 | |
CN111461203A (zh) | 跨模态处理方法、装置、电子设备和计算机存储介质 | |
JP7286013B2 (ja) | ビデオコンテンツ認識方法、装置、プログラム及びコンピュータデバイス | |
CN111291885A (zh) | 近红外图像的生成方法、生成网络的训练方法和装置 | |
CN112819944A (zh) | 三维人体模型重建方法、装置、电子设备及存储介质 | |
CN111523468A (zh) | 人体关键点识别方法和装置 | |
CN111722245B (zh) | 定位方法、定位装置和电子设备 | |
CN112016371B (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN107766349B (zh) | 一种生成文本的方法、装置、设备及客户端 | |
CN111709873B (zh) | 图像转换模型生成器的训练方法和装置 | |
CN110648397A (zh) | 场景地图生成方法、装置、存储介质及电子设备 | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112584076B (zh) | 视频的插帧方法、装置及电子设备 | |
CN111967297A (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
JP2023525462A (ja) | 特徴を抽出するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN112116525B (zh) | 换脸识别方法、装置、设备和计算机可读存储介质 | |
CN114187392B (zh) | 虚拟偶像的生成方法、装置和电子设备 | |
CN110427864B (zh) | 一种图像处理方法、装置及电子设备 | |
CN117422851A (zh) | 虚拟换衣方法及其装置、电子设备 | |
Nafea et al. | A Review of Lightweight Object Detection Algorithms for Mobile Augmented Reality | |
Basha et al. | Augmented Reality Experience for Real-World Objects, Monuments, and Cities | |
CN113761281B (zh) | 虚拟资源处理方法、装置、介质及电子设备 | |
Meng et al. | Un-VDNet: unsupervised network for visual odometry and depth estimation |
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 |