CN113963110B - 纹理图生成方法、装置、电子设备及存储介质 - Google Patents
纹理图生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113963110B CN113963110B CN202111182396.2A CN202111182396A CN113963110B CN 113963110 B CN113963110 B CN 113963110B CN 202111182396 A CN202111182396 A CN 202111182396A CN 113963110 B CN113963110 B CN 113963110B
- Authority
- CN
- China
- Prior art keywords
- texture
- target
- map
- rendering
- round
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
Abstract
本公开提供了纹理图生成方法、装置、电子设备及存储介质,涉及人工智能技术领域,具体涉及增强/虚拟现实、计算机视觉和深度学习技术领域。方案为:根据目标纹理系数,执行多轮纹理基底的更新过程,任一轮更新过程包括将本轮的纹理基底与目标纹理系数融合,得到本轮的纹理图,采用本轮的纹理图进行渲染,得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,得到下一轮的纹理基底;在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程;根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。由此,可使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及增强/虚拟现实、计算机视觉和深度学习技术领域,尤其涉及纹理图生成方法、装置、电子设备及存储介质。
背景技术
面部包含了一个对象的许多重要信息,随着计算机视觉、计算机技术等相关领域的飞速发展,面部三维重建技术也在不断更新。面部三维重建在军事、医疗、安防、虚拟现实、游戏娱乐等诸多方面具有重要的研究意义。面部三维重建中除了对面部形状进行重建,还需要生成对应的面部纹理图。
发明内容
本公开提供了一种用于纹理图生成方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种纹理图生成方法,包括:从目标面部图像提取目标纹理系数;根据所述目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;在所述预测渲染图和所述目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行所述更新过程;根据所述目标纹理系数和最后一轮的纹理基底,生成所述目标面部图像的面部纹理图。
根据本公开的另一方面,提供了一种纹理图生成装置,包括:提取模块,用于从目标面部图像提取目标纹理系数;更新模块,用于根据所述目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;停止模块,用于在所述预测渲染图和所述目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行所述更新过程;生成模块,用于根据所述目标纹理系数和最后一轮的纹理基底,生成所述目标面部图像的面部纹理图。
根据本公开的另一方面,提供了一种电子设备,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本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开第一方面实施例所述的方法。
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,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是根据本公开实施例的纹理图生成流程示意图;
图8是根据本公开第七实施例的示意图;
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
面部包含了一个对象的许多重要信息,随着计算机视觉、计算机技术等相关领域的飞速发展,面部三维重建技术也在不断更新。面部三维重建在军事、医疗、安防、虚拟现实、游戏娱乐等诸多方面具有重要的研究意义。面部三维重建中除了对面部形状进行重建,还需要生成对应的面部纹理图。
相关技术中,预先从大量面部扫描样本中提炼出多维张纹理图,作为固定的纹理基底,以生成纹理图像。但是,这种方式限制了实际重建的面部必须属于纹理基底的表现力范畴内,一旦超出纹理基底表达范畴,纹理图像则无法精确生成。
针对上述问题,本公开提出了纹理图生成方法、装置、电子设备及存储介质。
图1是根据本公开第一实施例的示意图。需要说明的是,本公开实施例的纹理图生成方法可应用于本公开实施例的纹理图生成装置,该装置可被配置于电子设备中。其中,该电子设备可以是移动终端,例如,手机、平板电脑、个人数字助理等具有各种操作***的硬件设备。
如图1所示,该纹理图生成方法可包括如下步骤:
步骤101,从目标面部图像提取目标纹理系数。
在本公开实施例中,目标面部图像可为目标对象的面部图像,其中目标对象可为人或动物,目标面部图像可以为在线采集的面部图像,比如可以通过网络爬虫技术,在线采集目标对象的面部图像,或者,目标面部图像也可以为线下采集的面部图像,或者,目标面部图像也可以为实时采集目标对象的面部图像,或者,目标面部图像也可以为人工合成的面部图像,等等,本公开实施例对此并不做限制。
在本公开实施例中,可从目标面部图像提取目标纹理系数。
作为一种示例,可将目标面部图像输入面部纹理系数模型中,提取目标纹理系数。
作为另一种示例,可通过特征提取算法对目标面部图像进行纹理特征提取,根据提取到的纹理特征确定目标纹理系数。
步骤102,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
为了提高纹理基底的可迁移性和泛化性,使纹理基底的表达力范畴更加适用于目标面部图像,在本公开实施例中,可根据目标纹理系数,对纹理基底执行多轮更新。其中,任意的一轮更新过程中可包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,通过渲染技术对本轮的纹理图进行渲染,得到本轮的预测渲染图;同时,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
步骤103,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程。
在本公开实施例中,可对目标面部图像进行面部渲染,以得到目标面部图像的参考渲染图,接着,在任意一轮的纹理基底的更新过程中,可将本轮的预测渲染图与目标面部图像的参考渲染图进行比对,确定本轮的预测渲染图和目标面部图像的参考渲染图之间的差异,并将该差异与设定的阈值进行比对,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止纹理基底的更新。
步骤104,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
需要说明的是,由于最后一轮的纹理基底的表达力范畴已适用于目标图像,比如,目标面部图像为亚洲人面部图像,初始的纹理基底为欧洲人的面部纹理基底,经过多轮的纹理基底的更新,纹理基底已更新为亚洲人的纹理基底。
进而,可获取最后一轮的纹理基底,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
综上,通过从目标面部图像提取目标纹理系数,并根据目标纹理系数,执行多轮纹理基底的更新过程;其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程;根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。由此,根据实际使用的目标面部图像的面部纹理系数对纹理基底进行更新,使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性,可生成更加精确的纹理图,同时,不需要大量的样本图像对纹理基底进行训练,大幅降低了纹理基底的研发成本。
为了清楚地说明上述实施例中是如何根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底,本公开还提出一种纹理图生成方法。
图2是根据本公开第二实施例的示意图。
如图2所示,该纹理图生成方法可包括:
步骤201,从目标面部图像提取目标纹理系数。
步骤202,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,对本轮的纹理图进行特征提取,以获取本轮的纹理图对应的纹理基底,将本轮的纹理图对应的纹理基底,作为下一轮的纹理基底。
为了使纹理基底的表达力范畴更加适用于目标面部图像,在本公开实施例中,在任意一轮的纹理基底的更新过程中,可将目标面部图像对应的目标纹理系数与本轮的纹理基底进行融合,以得到本轮的纹理图,接着,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
作为一种示例,可将本轮的纹理图输入卷积神经网络进行特征提取,以获取本轮的纹理图对应的纹理基底,将本轮的纹理图对应的纹理基底,作为下一轮的纹理基底。
作为另一种示例,可采用纹理特征提取算法对本轮的纹理图进行特征提取,以获取本轮的纹理图对应的纹理基底,将本轮的纹理图对应的纹理基底,作为下一轮的纹理基底。
步骤203,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程。
步骤204,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
需要说明的是,步骤201、步骤203至204的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过从本轮的纹理图进行特征提取,以获取本轮的纹理图对应的纹理基底;将本轮的纹理图对应的纹理基底,作为下一轮的纹理基底。由此,采用本轮的纹理基底与目标纹理系数融合得到的本轮的纹理图对应的纹理基底,对本轮的纹理基底进行更新,可使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性。
为了清楚地说明上述实施例中是如何在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程,本公开还提出一种纹理图生成方法。
图3是根据本公开第三实施例的示意图。
如图3所示,该纹理图生成方法可包括:
步骤301,从目标面部图像提取目标纹理系数。
步骤302,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
步骤303,根据预测渲染图和目标面部图像的参考渲染图之间的差异性,确定损失函数值。
在本公开实施例中,在纹理基底的更新过程中,可采用本轮的纹理图进行渲染,得到本轮的预测渲染图,进而根据预测渲染图和目标面部图像的参考渲染图之间的差异性,结合设定的损失函数,确定损失函数值,将该损失函数值采用梯度回传的方式对纹理基底进行更新。
步骤304,在损失函数值小于阈值的情况下,停止执行更新过程。
进一步地,在纹理基底的更新过程中,将根据本轮的预测渲染图和目标面部图像的参考渲染图之间的差异性确定的损失函数值,与设定的阈值进行比对,在损失函数值小于阈值的情况下,停止执行纹理基底的更新过程。
步骤305,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
需要说明的是,步骤301-302和步骤305的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过根据预测渲染图和目标面部图像的参考渲染图之间的差异性,确定损失函数值;在损失函数值小于阈值的情况下,停止执行更新过程。由此,不需要大量的样本图像对纹理基底进行更新,大幅降低了纹理基底研发成本,并且可使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性。
为了清楚地说明上述实施例中是如何根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图,本公开还提出一种纹理图生成方法。
图4是根据本公开第四实施例的示意图。
如图4所示,该纹理图生成方法可包括:
步骤401,从目标面部图像提取目标纹理系数。
步骤402,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
需要说明的是,在执行多轮纹理基底的更新过程中,将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,作为一种示例,可对本轮的纹理基底与目标纹理系数进行线性求和,生成本轮的纹理图。
步骤403,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程。
步骤404,对目标纹理系数与最后一轮的纹理基底进行线性求和,生成目标面部图像的面部纹理图。
在本公开实施例中,可对目标纹理系数与最后一轮的纹理基底进行线性求和,生成与目标面部图像对应的面部纹理图。
需要说明的是,步骤401-403的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对目标纹理系数与最后一轮的纹理基底进行线性求和,生成目标面部图像的面部纹理图,由此,可准确地生成目标面部图像对应的面部纹理图。
为了清楚地说明上述实施例中是如何采用本轮的纹理图进行渲染,得到本轮的预测渲染图,本公开还提出一种纹理图生成方法。
图5是根据本公开第五实施例的示意图。
如图5所示,该纹理图生成方法可包括:
步骤501,从目标面部图像提取目标纹理系数。
步骤502,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图;根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
步骤503,对目标面部图像进行面部特征提取,以获取目标面部图像对应的面部关键点。
在本公开实施例中,可采用特征提取算法对目标面部图像面部特征提取,根据提取到的面部特征可确定目标面部图像的面部关键点。
步骤504,根据面部关键点,确定目标面部图像对应的面部形状。
进而,根据面部关键点的位置信息,可确定目标面部图像对应的面部形状。
步骤505,对本轮的面部纹理图与目标面部图像对应的面部形状进行面部渲染,以得到本轮的预测渲染图。
在本公开实施例中,可采用3D渲染技术对本轮的面部纹理图与目标面部图像对应的面部形状进行面部渲染,以得到本轮的预测渲染图。
步骤506,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程。
步骤507,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
需要说明的是,步骤501-502、506-507的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过从目标面部图像进行面部特征提取,以获取目标面部图像对应的面部关键点;根据面部关键点,确定目标面部图像对应的面部形状;对本轮的面部纹理图与目标面部图像对应的面部形状进行面部渲染,得到本轮的预测渲染图。由此,可准确地获取本轮的预测渲染图。
为了准确地获取目标面部图像对应的目标纹理系数,如图6所示,图6是根据本公开第六实施例的示意图,在本公开实施例中,可将目标面部图像输入已训练的面部纹理系数模型中,以获取目标纹理系数,因此,在根据目标纹理系数,执行多轮纹理基底的更新过程之前,可对面部纹理系数模型进行训练,图6所示实施例可包括如下步骤:
步骤601,将目标面部图像输入面部纹理系数模型中,以提取初始的纹理系数。
在本公开实施例中,可将目标图像输入初始的面部纹理系数模型中,该初始的面部纹理系数模型对目标面部图像进行纹理系数提取,以获取初始的纹理系数。其中,面部纹理系数模型可为卷积神经网络。
步骤602,将初始的纹理基底与初始的纹理系数融合,以得到初始的纹理图。
在本公开实施例中,初始的纹理基底可为纹理基底更新过程中的第一轮的纹理基底,初始的纹理基底可为设定的纹理基底,其中,设定的纹理基底可为与目标面部图像同一类型的纹理基底,或者,为与目标面部图像不同类型的纹理基底,或者,设定的纹理基底为空白,本公开不做具体限定。
在本公开实施例中,可将初始的纹理基底与初始的纹理系数进行线性求和,以得到初始的纹理图。
步骤603,采用初始的纹理图进行渲染,以得到初始的预测渲染图。
进一步地,采用3D渲染技术对初始的纹理图进行3D渲染,可得到初始的预测渲染图。
步骤604,根据初始的预测渲染图和目标面部图像的参考渲染图之间的差异,对面部纹理系数模型进行训练,以使初始的预测渲染图和目标面部图像的参考渲染图之间的差异最小化。
进而,可将初始的预测渲染图与目标面部图像的参考渲染图进行比对,以确定初始的预测渲染图和目标面部图像的参考渲染图之间的差异,并根据初始的预测渲染图和目标面部图像的参考渲染图之间的差异,对面部纹理系数模型进行训练,以使初始的预测渲染图和目标面部图像的参考渲染图之间的差异最小化。也就是说,在面部纹理系数模型稳定后,执行多轮纹理基底的更新过程,由此,可使更新后的纹理基底的表达力范畴更加适用于目标面部图像。
步骤605,获取目标面部图像。
在本公开实施例中,目标面部图像可为目标对象的面部图像,其中目标对象可为人或动物,目标面部图像可以为在线采集的面部图像,比如可以通过网络爬虫技术,在线采集目标对象的面部图像,或者,目标面部图像也可以为线下采集的面部图像,或者,目标面部图像也可以为实时采集目标对象的面部图像,或者,目标面部图像也可以为人工合成的面部图像,等等,本公开实施例对此并不做限制。
步骤606,将目标面部图像输入经过训练的面部纹理系数模型中,以提取目标纹理系数。
进而,将目标面部图像输入经过训练的面部纹理系数模型中,经过训练的面部纹理系数模型可准确地提取目标面部图像对应的目标纹理系数。
步骤607,根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底。
步骤608,在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程。
步骤609,根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
需要说明的是,步骤607-609的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述
综上,通过将目标面部图像输入面部纹理系数模型中,以提取初始的纹理系数;将初始的纹理基底与初始的纹理系数融合,以得到初始的纹理图;采用初始的纹理图进行渲染,以得到初始的预测渲染图;根据初始的预测渲染图和目标面部图像的参考渲染图之间的差异,对面部纹理系数模型进行训练,以使初始的预测渲染图和目标面部图像的参考渲染图之间的差异最小化;获取目标面部图像;将目标面部图像输入经过训练的面部纹理系数模型中,以提取目标纹理系数。由此,在执行多轮纹理基底的更新过程之前,对面部纹理模型进行训练,可准确地获取目标纹理系数,进而,根据目标纹理系数执行多轮纹理基底的更新过程,可使更新后的纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性,可生成更加精确的纹理图。
为了更加清楚地说明上述实施例,现举例进行说明。
如图7所示,以目标面部图像为2D人脸图像为例,首先,可将2D人脸图像输入卷积神经网络(Convolutional Neural Networks,简称CNN)(已训练的面部纹理系数模型)中,获取目标纹理系数,将目标纹理系数与固定纹理基底,线性求和生成纹理图,对纹理图进行3D渲染,生成预测渲染图,将预测渲染图与2D人脸图像的参考渲染图进行比对,确定预测渲染图与2D人脸图像的参考渲染图之间的差异,将该差异采用梯度回传的方式(Backward)对纹理基底进行多轮更新,并且在预测渲染图与2D人脸图像的参考渲染图之间的差异小于阈值的情况下,停止执行纹理基底的更新过程。接着,根据目标纹理系数和最后一轮的纹理基底,生成2D人脸图像的面部纹理图。
本公开实施例的纹理图生成方法,通过从目标面部图像提取目标纹理系数,并根据目标纹理系数,执行多轮纹理基底的更新过程;其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程;根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。由此,根据实际使用的目标面部图像的面部纹理系数对纹理基底进行更新,使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性,可生成更加精确的纹理图,同时,不需要大量的样本图像对纹理基底进行训练,大幅降低了纹理基底的研发成本。
为了实现上述实施例,本公开还提出一种纹理图生成装置。
图8是根据本公开第七实施例的示意图,如图8所示,该纹理图生成装置,包括:提取模块810、更新模块820、停止模块830和生成模块840。
其中,提取模块810,用于从目标面部图像提取目标纹理系数;更新模块820,用于根据目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;停止模块830,用于在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程;生成模块840,用于根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。
作为本公开实施例的一种可能实现方式,更新模块820,用于:对本轮的纹理图进行特征提取,以获取本轮的纹理图对应的纹理基底;将本轮的纹理图对应的纹理基底,作为下一轮的纹理基底。
作为本公开实施例的一种可能实现方式,停止模块830,用于:根据预测渲染图和目标面部图像的参考渲染图之间的差异性,确定损失函数值;在损失函数值小于阈值的情况下,停止执行更新过程。
作为本公开实施例的一种可能实现方式,生成模块840,用于:对目标纹理系数与最后一轮的纹理基底进行线性求和,生成目标面部图像的面部纹理图。
作为本公开实施例的一种可能实现方式,更新模块820,用于:对目标面部图像进行面部特征提取,以获取目标面部图像对应的面部关键点;根据面部关键点,确定目标面部图像对应的面部形状;对本轮的面部纹理图与目标面部图像对应的面部形状进行面部渲染,以得到本轮的预测渲染图。
作为本公开实施例的一种可能实现方式,纹理图生成装置还包括:输入模块、融合模块、渲染模块和训练模块。
其中,输入模块,用于将目标面部图像输入面部纹理系数模型中,以提取初始的纹理系数;融合模块,用于将初始的纹理基底与初始的纹理系数融合,以得到初始的纹理图;渲染模块,用于采用初始的纹理图进行渲染,以得到初始的预测渲染图;训练模块,用于根据初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异,对面部纹理系数模型进行训练,以使初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异最小化。
作为本公开实施例的一种可能实现方式,提取模块810,用于:获取目标面部图像;将目标面部图像输入经过训练的面部纹理系数模型中,以提取目标纹理系数。
本公开实施例的纹理图生成装置,通过从目标面部图像提取目标纹理系数,并根据目标纹理系数,执行多轮纹理基底的更新过程;其中,任意的一轮更新过程中包括:将本轮的纹理基底与目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;在预测渲染图和目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行更新过程;根据目标纹理系数和最后一轮的纹理基底,生成目标面部图像的面部纹理图。由此,根据实际使用的目标面部图像的面部纹理系数对纹理基底进行更新,使纹理基底的表达力范畴更加适用于目标面部图像,提高了纹理基底的可迁移性和泛化性,可生成更加精确的纹理图,同时,不需要大量的样本图像对纹理基底进行训练,大幅降低了纹理基底的研发成本。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如纹理图生成方法。例如,在一些实施例中,纹理图生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的纹理图生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行纹理图生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种纹理图生成方法,包括:
从目标面部图像提取目标纹理系数;
根据所述目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;
在所述预测渲染图和所述目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行所述更新过程;
根据所述目标纹理系数和最后一轮的纹理基底,生成所述目标面部图像的面部纹理图;
其中,所述根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底,包括:
对所述本轮的纹理图进行特征提取,以获取所述本轮的纹理图对应的纹理基底;
将所述本轮的纹理图对应的纹理基底,作为所述下一轮的纹理基底。
2.根据权利要求1所述的方法,其中,所述在所述预测渲染图和所述目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行所述更新过程,包括:
根据所述预测渲染图和所述目标面部图像的参考渲染图之间的差异性,确定损失函数值;
在所述损失函数值小于阈值的情况下,停止执行所述更新过程。
3.根据权利要求1所述的方法,其中,所述根据所述目标纹理系数和最后一轮的纹理基底,生成所述目标面部图像的面部纹理图,包括:
对所述目标纹理系数与所述最后一轮的纹理基底进行线性求和,生成所述目标面部图像的面部纹理图。
4.根据权利要求1所述的方法,其中,所述采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,包括:
对所述目标面部图像进行面部特征提取,以获取目标面部图像对应的面部关键点;
根据所述面部关键点,确定所述目标面部图像对应的面部形状;
对所述本轮的面部纹理图与所述目标面部图像对应的面部形状进行面部渲染,以得到本轮的预测渲染图。
5.根据权利要求1所述的方法,其中,所述根据所述目标纹理系数,执行多轮纹理基底的更新过程之前,还包括:
将所述目标面部图像输入面部纹理系数模型中,以提取初始的纹理系数;
将初始的纹理基底与所述初始的纹理系数融合,以得到初始的纹理图;
采用所述初始的纹理图进行渲染,以得到初始的预测渲染图;
根据所述初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异,对所述面部纹理系数模型进行训练,以使所述初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异最小化。
6.根据权利要求5所述的方法,其中,所述从目标面部图像提取目标纹理系数,包括:
获取所述目标面部图像;
将所述目标面部图像输入经过训练的面部纹理系数模型中,以提取所述目标纹理系数。
7.一种纹理图生成装置,包括:
提取模块,用于从目标面部图像提取目标纹理系数;
更新模块,用于根据所述目标纹理系数,执行多轮纹理基底的更新过程,其中,任意的一轮更新过程中包括:将本轮的纹理基底与所述目标纹理系数融合,以得到本轮的纹理图,采用本轮的纹理图进行渲染,以得到本轮的预测渲染图,根据本轮的纹理图进行纹理基底更新,以得到下一轮的纹理基底;
停止模块,用于在所述预测渲染图和所述目标面部图像的参考渲染图之间的差异小于阈值的情况下,停止执行所述更新过程;
生成模块,用于根据所述目标纹理系数和最后一轮的纹理基底,生成所述目标面部图像的面部纹理图;
其中,所述更新模块,用于:
对所述本轮的纹理图进行特征提取,以获取所述本轮的纹理图对应的纹理基底;
将所述本轮的纹理图对应的纹理基底,作为所述下一轮的纹理基底。
8.根据权利要求7所述的装置,其中,所述停止模块,用于:
根据所述预测渲染图和所述目标面部图像的参考渲染图之间的差异性,确定损失函数值;
在所述损失函数值小于阈值的情况下,停止执行所述更新过程。
9.根据权利要求7所述的装置,其中,所述生成模块,用于:
对所述目标纹理系数与所述最后一轮的纹理基底进行线性求和,生成所述目标面部图像的面部纹理图。
10.根据权利要求7所述的装置,其中,所述更新模块,用于:
对所述目标面部图像进行面部特征提取,以获取目标面部图像对应的面部关键点;
根据所述面部关键点,确定所述目标面部图像对应的面部形状;
对所述本轮的面部纹理图与所述目标面部图像对应的面部形状进行面部渲染,以得到本轮的预测渲染图。
11.根据权利要求7所述的装置,其中,所述装置还包括:
输入模块,用于将所述目标面部图像输入面部纹理系数模型中,以提取初始的纹理系数;
融合模块,用于将初始的纹理基底与所述初始的纹理系数融合,以得到初始的纹理图;
渲染模块,用于采用所述初始的纹理图进行渲染,以得到初始的预测渲染图;
训练模块,用于根据所述初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异,对所述面部纹理系数模型进行训练,以使所述初始的预测渲染图和所述目标面部图像的参考渲染图之间的差异最小化。
12.根据权利要求11所述的装置,其中,所述提取模块,用于:
获取所述目标面部图像;
将所述目标面部图像输入经过训练的面部纹理系数模型中,以提取所述目标纹理系数。
13.一种电子设备,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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182396.2A CN113963110B (zh) | 2021-10-11 | 2021-10-11 | 纹理图生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182396.2A CN113963110B (zh) | 2021-10-11 | 2021-10-11 | 纹理图生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963110A CN113963110A (zh) | 2022-01-21 |
CN113963110B true CN113963110B (zh) | 2022-10-25 |
Family
ID=79463794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182396.2A Active CN113963110B (zh) | 2021-10-11 | 2021-10-11 | 纹理图生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963110B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092673B (zh) * | 2021-11-23 | 2022-11-04 | 北京百度网讯科技有限公司 | 图像处理的方法、装置、电子设备和存储介质 |
CN114419182A (zh) * | 2022-02-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN116704103A (zh) * | 2022-02-25 | 2023-09-05 | 腾讯科技(成都)有限公司 | 一种图像渲染方法、装置、设备、存储介质及程序产品 |
CN116740256A (zh) * | 2022-03-03 | 2023-09-12 | 腾讯科技(成都)有限公司 | 图像渲染方法、装置、电子设备、存储介质及程序产品 |
CN114581586A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 一种模型基底的生成方法、装置、电子设备及存储介质 |
CN114549728A (zh) * | 2022-03-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990015322A1 (fr) * | 1989-05-31 | 1990-12-13 | Ishikawajima-Harima Jukogyo Kabushiki Kaisha | Procede de mesure de textures et procede et appareil de commande de textures utilisant ce procede |
CN111882643A (zh) * | 2020-08-10 | 2020-11-03 | 网易(杭州)网络有限公司 | 三维人脸构建方法、装置和电子设备 |
CN113240792A (zh) * | 2021-04-29 | 2021-08-10 | 浙江大学 | 一种基于人脸重建的图像融合生成式换脸方法 |
CN113313631A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 图像渲染方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327278B (zh) * | 2021-06-17 | 2024-01-09 | 北京百度网讯科技有限公司 | 三维人脸重建方法、装置、设备以及存储介质 |
CN114913067A (zh) * | 2021-06-30 | 2022-08-16 | 完美世界(北京)软件科技发展有限公司 | 动态分辨率的渲染方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-10-11 CN CN202111182396.2A patent/CN113963110B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990015322A1 (fr) * | 1989-05-31 | 1990-12-13 | Ishikawajima-Harima Jukogyo Kabushiki Kaisha | Procede de mesure de textures et procede et appareil de commande de textures utilisant ce procede |
CN111882643A (zh) * | 2020-08-10 | 2020-11-03 | 网易(杭州)网络有限公司 | 三维人脸构建方法、装置和电子设备 |
CN113240792A (zh) * | 2021-04-29 | 2021-08-10 | 浙江大学 | 一种基于人脸重建的图像融合生成式换脸方法 |
CN113313631A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 图像渲染方法和装置 |
Non-Patent Citations (3)
Title |
---|
3D face reconstruction with geometry details from a single image;Jiang L等;《 IEEE Transactions on Image Processing》;20181231;第27卷(第10期);4756-4770 * |
基于多项式纹理的Lengyel毛发实时绘制;唐勇等;《计算机工程》;20090920;第35卷(第18期);203-205 * |
基于小波变换的PET/CT图像融合算法研究进展;李印等;《中国医学影像技术》;20180820;第34卷(第08期);1267-1270 * |
Also Published As
Publication number | Publication date |
---|---|
CN113963110A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113657289B (zh) | 阈值估计模型的训练方法、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 | |
CN112562069A (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113033801A (zh) | 神经网络模型的预训练方法、装置、电子设备和介质 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN113627361A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN114092616B (zh) | 渲染方法、装置、电子设备和存储介质 | |
CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
CN114549785A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
CN114529649A (zh) | 图像处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |