CN114445301A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114445301A CN114445301A CN202210114114.3A CN202210114114A CN114445301A CN 114445301 A CN114445301 A CN 114445301A CN 202210114114 A CN202210114114 A CN 202210114114A CN 114445301 A CN114445301 A CN 114445301A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- processed
- processing
- sample
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 733
- 238000003672 processing method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 261
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000001815 facial effect Effects 0.000 claims description 245
- 238000012549 training Methods 0.000 claims description 89
- 238000006243 chemical reaction Methods 0.000 claims description 58
- 238000012937 correction Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 37
- 238000003702 image correction Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 210000000697 sensory organ Anatomy 0.000 description 13
- 210000001508 eye Anatomy 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 210000001061 forehead Anatomy 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开实施例公开了一种图像处理方法、装置、电子设备及存储介质,其中,该方法通过获取目标对象的待处理目标面部图像,将该待处理目标面部图像输入至预先训练过的目标面部处理模型中,得到具备目标面部效果的面部处理目标图像,具体可以通过初步待处理样本集中的待处理参考面部图像,以及初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像,进而通过各待处理样本面部图像以及对应的面部处理样本图像对目标面部处理模型进行训练,使得训练完成的目标面部处理模型可以实现针对面部局部区域的处理,提高了面部图像的处理效果,并且,无需用户手动调整,降低了面部图像的处理复杂度。
Description
技术领域
本公开实施例涉及图像技术领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
现有的人脸处理技术,多以传统图像处理技术为主,通过一键美颜对面部图像直接进行磨皮处理以提高面部整体亮度和平整度,然而,这种方式会对面部图像的分辨率造成较大损失,丢失面部图像的细节,美颜效果较差。并且,不能实现对面部图像各个局部区域的优化,如去除皱纹、填充面部凹陷等。
为了实现对面部图像各个局部区域的优化,现有技术通常是由用户在图像处理软件上对各个局部区域进行手动调整,如调整脸型、修改眼睛大小等,在调整的过程中用户需要不断与图像处理软件进行交互,操作步骤复杂。
因此,现有技术存在不能实现针对面部图像中的各个局部区域的自动精细化处理的技术问题。
发明内容
本公开实施例提供了一种图像处理方法、装置、电子设备及存储介质,以实现针对面部图像中的各局部区域的自动处理,提高面部图像的处理效果,降低面部处理的复杂度。
第一方面,本公开实施例提供了一种图像处理方法,包括:
获取目标对象的待处理目标面部图像;
将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
第二方面,本公开实施例还提供了一种图像处理装置,包括:
获取模块,用于获取目标对象的待处理目标面部图像;
处理模块,用于将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
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,使得所述一个或多个处理器实现本公开任意实施例所提供的图像处理方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本公开任意实施例所提供的图像处理方法。
本公开实施例的技术方案,通过获取目标对象的待处理目标面部图像,将该待处理目标面部图像输入至预先训练过的目标面部处理模型中,得到具备目标面部效果的面部处理目标图像,具体可以通过初步待处理样本集中的待处理参考面部图像,以及初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像,进而通过各待处理样本面部图像以及与之对应的面部处理样本图像对目标面部处理模型进行训练,使得训练完成的目标面部处理模型可以针对面部局部区域的自动处理,解决了相关技术在进行图像处理时所导致的面部细节损失较多、交互频繁以及图像处理耗时等技术问题,提高了面部图像的处理效果,并且,无需用户手动调整,降低了面部图像的处理复杂度。
附图说明
为了更加清楚地说明本公开示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本公开实施例一所提供的一种图像处理方法的流程示意图;
图2为本公开实施例二所提供的一种图像处理方法中训练目标面部处理模型的流程示意图;
图3A为本公开实施例三所提供的一种图像处理方法中训练目标面部处理模型的流程示意图;
图3B为本公开实施例三所提供的一种生成配对的面部图像的过程示意图;
图4为本公开实施例四所提供的一种图像处理方法中训练目标面部处理模型的流程示意图;
图5为本公开实施例五所提供的一种图像处理方法的流程示意图;
图6A为本公开实施例六所提供的一种优选的图像处理方法的流程示意图;
图6B为本公开实施例六所提供的一种基于初步待处理样本集和初步处理效果集的模型训练示意图;
图7为本公开实施例七所提供的一种图像处理装置的结构示意图;
图8为本公开实施例八所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例一所提供的一种图像处理方法的流程示意图,本实施例可适用于对用户当前拍摄的面部图像或选取的历史面部图像进行处理,以得到包含目标面部效果的处理图像的情况,如,填充面部图像中的面部凹陷区域、提升面部图像中的面部紧致度、降低面部紧致度、修正面部图像中的面部肤色等,该方法可以由图像处理装置来执行,该装置可以通过软件和/或硬件来实现,可配置于终端和/或服务器中来实现本公开实施例中的图像处理方法。
如图1所示,本实施例的方法具体可包括:
S110、获取目标对象的待处理目标面部图像。
其中,目标对象可以是需要进行面部处理的对象,如人、动物及其模型等。待处理目标面部图像可以是包含目标对象的面部区域的图像。待处理目标面部图像的获取方式有多种,如,用户当前拍摄的面部图像、用户当前拍摄的视频片段内的图像帧或用户选取的历史面部图像等。
示例性的,所述获取目标对象的待处理目标面部图像,可以包括:响应于接收到的用于生成目标面部效果的面部处理目标图像的处理触发操作,基于图像拍摄装置拍摄目标对象的待处理目标面部图像,或者,接收基于图像上传控件上传的目标对象的待处理目标面部图像。
其中,处理触发操作可以是用户触发界面上展示的处理控件,以生成目标面部效果的面部处理目标图像。具体的,在检测到处理触发操作后,可以在界面上展示图像拍摄控件以及图像上传控件,若检测到针对图像拍摄控件的拍摄触发操作,则可以基于图像拍摄装置拍摄目标对象的待处理目标面部图像,若检测到针对触发图像上传控件的上传触发操作,则可以接收用户上传的目标对象的待处理目标面部图像。
当然,获取目标对象的待处理目标面部图像,还可以是:响应于接收到的用于生成目标面部效果的面部处理目标图像的处理触发操作,基于图像拍摄装置拍摄目标对象的待处理目标面部视频,基于待处理目标面部视频确定待处理目标面部图像。在该示例中,通过图像拍摄装置或图像上传控件,获取用户拍摄或上传的待处理目标面部图像,实现了待处理目标面部图像的多样化,提高了用户的使用体验感。
在一种可选的实施方式中,考虑到获取的待处理目标面部图像中可能存在除面部区域之外的冗余区域,如大量背景区域或除面部以外的其余部位区域等,因此,在所述获取到目标对象的待处理目标面部图像之后,还可以包括:基于预先训练的面部检测模型对所述待处理目标面部图像进行切割,以使切割后的待处理目标面部图像仅包括面部区域。
具体的,面部检测模型可以在待处理目标面部图像中定位出面部区域,并将待处理目标面部图像中除面部区域以外的其余区域剔除;或者,切割并保留待处理目标面部图像中包含面部区域的设定大小的区域,如包含面部区域的 512*512大小区域。通过该方式,可以剔除待处理目标面部图像中的冗余区域,降低冗余区域对处理过程的影响,提高面部图像的处理效率以及处理精度。
S120、将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像。
其中,目标面部效果是预先设置的面部处理效果。在本实施例中,目标面部效果可以是针对待处理目标面部图像进行美化或丑化的效果。示例性的,美化类型的目标面部效果可以是面部饱满、面部提亮、面部提拉紧致、脸型修正、去除斑点、淡化黑眼圈、添加眼神光、调整面部五官比例或五官颜色修正;丑化类型的目标面部效果可以是增加皮肤年龄、缩小眼部大小、降低面部紧致度或面部暗沉等。具体的,目标面部效果可以包括上述效果中的至少一种。
具体的,预先训练完成的目标面部处理模型可以输出具备目标面部效果的处理图像,在获取到待处理目标面部图像后,将其输入至目标面部处理模型,即可得到目标面部处理模型输出的面部处理目标图像。
在本实施例中,所述目标面部处理模型基于如下步骤训练得到:
步骤1、获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
步骤2、根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
步骤3、根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
其中,待处理参考面部图像可以是未处理的真实面部图像;面部处理参考图像可以是具备目标面部效果的面部图像。具体的,可以采集一定数量的待处理参考面部图像构成初步待处理样本集,并采集一定数量的面部处理参考图像构成初步处理效果集。为了提高目标面部处理模型的精度,可以采集各种角度、各种肤色或各种年龄段下的待处理参考面部图像和面部处理参考图像。
在采集的过程中,可以通过提取图像的结构特征判断该图像是否能作为面部处理参考图像,即是否具备目标面部效果。例如,若目标面部效果为面部饱满,即面部具备立体感且不存在凹陷部位,则可以提取各图像的棱角点,若棱角点的数量小于预设数量阈值,则可以确定该图像具备面部饱满的效果,将该图像确定为面部处理参考图像。又或者,还可以通过提取图像的线条特征判断图像是否为面部饱满的图像。如,可以通过边缘检测算法划分面部图像中的面颊凹陷区域、下颚凹陷区域和额头凹陷区域,若面颊凹陷区域占面颊的比例超过预设面颊凹陷比例阈值,则可以确定该图像不具备目标面部效果;或者,若下颚凹陷区域的比例超过预设下颚凹陷比例阈值,则可以确定该图像不具备目标面部效果;或者,若额头凹陷区域的比例超过预设额头凹陷比例阈值,则可以确定该图像不具备目标面部效果。
又例如,若目标面部效果为去除斑点,则可以确定图像中除五官之外的面部区域,并基于除五官之外的面部区域的各像素点的像素值,确定面部区域是否存在斑点,若不存在,则可以确定该图像为面部处理参考图像。若目标面部效果为淡化黑眼圈,则可以在图像中确定眼部的关联区域,基于眼部的关联区域的像素均值与其余面部区域的像素均值之间的差距,判断该图像是否具备目标面部效果,如,图像中眼部的关联区域的像素均值与其余面部区域的像素均值之间的差距小于预设差距阈值,则可以确定图像具备目标面部效果。
进一步的,根据已构建的初步待处理样本集中的待处理参考面部图像,以及已构建的初步处理效果集中的面部处理参考图像,可以生成配对的待处理样本面部图像和面部处理样本图像。
其中,待处理样本面部图像可以是初步待处理样本集中的待处理参考面部图像,还可以是新生成的未处理的面部图像。示例性的,可以通过初步待处理样本集训练基于样式的生成对抗网络,基于训练的生成对抗网络生成新的未处理的面部图像。例如,初步待处理样本集包括500张待处理参考面部图像,通过500张待处理参考面部图像训练一个图像生成网络,通过训练完成的图像生成网络生成2000张新的待处理面部图像,则用于训练目标面部处理模型的待处理样本面部图像可以是2500张图像中的全部图像和部分图像。
与待处理样本面部图像对应的面部处理样本图像,可以是新生成的具备目标面部效果的面部图像。例如,可以通过初步处理效果集训练另一个图像生成网络,将待处理样本面部图像对应的向量输入至该训练后的图像生成网络,得到与该待处理样本面部图像配对的面部处理样本图像。需要说明的是,待处理样本面部图像和与该待处理样本面部图像对应的面部处理样本图像,可以是针对同一目标对象的两幅面部图像,也可以是分别针对两个相似的不同目标对象的面部图像。通过初步待处理样本集和初步处理效果集分别训练的图像生成网络可以是相同的网络,也可以是不同的网络。如,图像生成网络可以是基于样式的生成对抗网络、像素递归神经网络、变分自动编码器等。
需要说明的是,本实施例中确定待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像的目的在于:考虑到采集数据时难以获取到大量参考图像,并且,难以获取到已配对的待处理图像和具备目标面部效果的面部图像;因此,本实施例可以通过采集少量的待处理参考面部图像以及面部处理参考图像,生成配对的待处理样本面部图像和面部处理样本图像,解决了现有技术无法获取到大量配对的面部图像的技术问题,为目标面部处理模型的训练提供了数据支持,进而确保了训练的目标面部处理模型的预测精度。
在本实施例中,进一步的,在确定出各待处理样本面部图像以及与各待处理样本面部图像对应的面部处理样本图像后,可以根据配对的待处理样本面部图像、面部处理样本图像对已构建的初始面部处理模型进行训练,根据初始面部处理模型的预测结果计算损失,并反向调整初始面部处理模型中的网络参数,如果损失函数达到收敛条件,则将训练的初始面部处理模型作为得到目标面部处理模型。
其中,目标面部处理模型可以是诸如残差网络、全卷积网络等卷积神经网络模型,或者,还可以是生成式对抗网络模型中训练完成的生成模型。
在一种可选的实施方式中,所述初始面部处理模型包括处理效果生成模型和处理效果判别模型;所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型,可以包括如下步骤:
步骤1、将所述待处理样本面部图像输入至所述处理效果生成模型中,得到处理效果生成图像;步骤2、根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整;步骤3、根据所述处理效果判别模型对所述处理效果生成图像的判别结果确定所述处理效果生成模型是否结束调整,将调整结束时得到的处理效果生成模型作为目标面部处理模型。
其中,处理效果生成模型可以是初始面部处理模型中的生成器,处理效果判别模型可以是初始面部处理模型中的判别器。具体的,处理效果生成模型可以生成为待处理样本面部图像添加目标面部效果的面部图像,即处理效果生成图像。
在该可选的实施方式中,可以根据处理效果生成模型输出的处理效果生成图像、输入的待处理样本面部图像,以及与该待处理样本面部图像对应的面部处理样本图像,对损失函数进行计算,基于损失函数的计算结果调整处理效果生成模型的内部参数。
处理效果生成模型输出的处理效果生成图像,还可以输入至处理效果判别模型,处理效果判别模型可以根据待处理样本面部图像对应的面部处理样本图像对该处理效果生成图像进行判别,输出该处理效果生成图像与该面部处理样本图像属于同一类别的概率,即输出对该处理效果生成图像的判别结果;根据判别结果确定是否继续调整处理效果生成模型。
其中,判别结果的取值可以是[0,1],0表示处理效果生成图像与面部处理样本图像不属于同一类别,即处理效果生成图像为“假”,处理效果较差;1表示处理效果生成图像与面部处理样本图像属于同一类别,即处理效果生成图像为“真”,处理效果较好。示例性的,若判别结果大于预设判别阈值,则可以终止对处理效果生成模型的参数调整;或者,若判别结果大于预设判别阈值的次数超过预设次数阈值,则可以终止对处理效果生成模型的参数调整。
在该可选的实施方式中,通过处理效果生成模型输出的处理效果生成图像,以及处理效果判别模型针对处理效果生成图像的判别结果,对处理效果生成模型进行反向调整,实现了目标面部处理模型的准确训练,相比于卷积神经网络,生成对抗式的目标面部处理模型可以提高面部图像的处理精度。
在上述步骤中,通过待处理样本面部图像、处理效果生成图像以及面部处理样本图像对处理效果生成模型进行调整,还可以是面部高维语义特征矫正和面部低维纹理特征矫正。
即,所述根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整,具体可以是:确定所述待处理样本面部图像与所述处理效果生成图像之间的第一面部特征损失,以及并确定所述处理效果生成图像与所述待处理样本面部图像对应的面部处理样本图像之间的第二面部特征损失;根据所述第一面部特征损失和所述第二面部特征损失对所述处理效果生成模型进行调整。
其中,第一面部特征损失可以理解为处理效果生成模型的输入与输出之间的损失;第二面部特征损失可以理解为处理效果生成模型的输入对应的标签与输出之间的损失。具体的,根据第一面部特征损失和第二面部特征损失对处理效果生成模型进行调整,可以是:以第一面部特征损失小于预设第一损失阈值、第二面部特征损失小于预设第二损失阈值为调整终止条件,对处理效果生成模型进行调整。
需要说明的是,以第一面部特征损失小于预设第一损失阈值、第二面部特征损失小于预设第二损失阈值为调整终止条件的目的在于:在确保处理效果生成模型的处理效果的同时,降低处理效果生成模型的输入与输出之间的差距,确保处理后的面部图像尽可能保留初始的面部信息。
在另一种实施方式中,根据第一面部特征损失和第二面部特征损失对处理效果生成模型进行调整,还可以是:基于第一面部特征损失、第一面部特征损失对应的权重、第二面部特征损失以及第二面部特征损失对应的权重计算总损伤,基于总损伤对处理效果生成模型进行调整。
在该可选的实施方式中,通过计算第一面部特征损失以及第二面部特征损失,对处理效果生成模型进行调整,实现了人脸高维语义特征矫正和低维纹理特征矫正,在提高处理效果生成模型的处理精度的同时,确保处理后的面部图像尽可能保留更多初始面部信息,避免面部图像处理后的严重失真。
本实施例的技术方案,通过获取目标对象的待处理目标面部图像,将该待处理目标面部图像输入至预先训练过的目标面部处理模型中,得到具备目标面部效果的面部处理目标图像,具体可以通过初步待处理样本集中的待处理参考面部图像,以及初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像,进而通过各待处理样本面部图像以及与之对应的面部处理样本图像对目标面部处理模型进行训练,使得训练完成的目标面部处理模型可以实现针对面部局部区域的自动处理,提高了面部图像的处理效果,降低了面部图像的处理复杂度。
实施例二
图2为本公开实施例二所提供的一种图像处理方法中训练目标面部处理模型的流程示意图,本实施例在本公开实施例中任一可选技术方案的基础上,可选的,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型;根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型;根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。
如图2所示,本实施例提供的目标面部处理模型的训练方法包括如下步骤:
S210、获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集。
S220、根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型,根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型。
其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。示例性的,基于样式的生成对抗网络可以是style-based generator(StyleGAN)。当然,第一初始图像生成模型和第二初始图像生成模型也可以采用无监督的神经网络。
具体的,第一初始图像生成模型可以包括生成网络和判别网络。示例性的,待处理图像生成模型的训练过程可以是:首先,通过生成网络生成多个用于训练判别器的模拟待处理面部图像;获取为各模拟待处理面部图像设置的标签(如 0,表示为假)以及为各待处理参考面部图像设置的标签(如1,表示为真);基于模拟待处理面部图像、待处理参考面部图像、模拟待处理面部图像对应的标签以及待处理参考面部图像对应的标签,构成用于训练判别网络的训练集,对判别网络进行训练。其中,在判别网络的训练过程中,判别网络可以根据输入的模拟待处理面部图像和待处理参考面部图像,确定模拟待处理面部图像与待处理参考面部图像属于同一类别的概率,即模拟待处理面部图像为真的概率;或者,可以根据输入的两张待处理参考面部图像,确定两张待处理参考面部图像属于同一类别的概率。
进一步的,在完成判别网络的训练后,对于生成网络的训练目的是使生成网络生成尽可能逼真的待处理面部图像,具体的,可以是通过生成网络再次生成多个模拟待处理面部图像,将新生成的模拟待处理面部图像输入至判别网络,基于判别网络对该模拟待处理面部图像的判别结果反向调整生成网络,直至判别网络对生成网络生成的模拟待处理面部图像的判别结果为真,得到待处理图像生成模型。
在本实施例中,第二初始图像生成模型也可以包括生成网络和判别网络。具体的,第二初始图像生成模型的训练过程可以是:通过生成网络生成多个用于训练判别器的模拟处理面部图像,基于模拟处理面部图像、面部处理参考图像、模拟处理面部图像对应的标签以及面部处理参考图像对应的标签对判别网络进行训练,然后,再通过生成网络再次生成多个模拟处理面部图像,将新生成的模拟处理面部图像输入至判别网络,基于判别网络对该模拟处理面部图像的判别结果调整生成网络,得到样本效果图像生成模型。
S230、根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像。
具体的,在训练得到待处理图像生成模型以及样本效果图像生成模型后,可以通过待处理图像生成模型生成待处理样本面部图像,并通过样本效果图像生成模型生成与待处理样本面部图像对应的面部处理样本图像。
示例性的,可以向待处理图像生成模型中传入随机噪声(即随机向量),得到待处理图像生成模型输出的与该随机噪声对应的待处理样本面部图像,并且,向样本效果图像生成模型传入相同的随机噪声,得到与该随机噪声对应的面部处理样本图像,此时,待处理图像生成模型输出的待处理样本面部图像与样本效果图像生成模型输出的面部处理样本图像配对。
换言之,通过分别向待处理图像生成模型和样本效果图像生成模型输入相同的向量,可以得到待处理样本面部图像以及与该待处理样本面部图像对应的面部处理样本图像。通过该方式,可以确定出大量待处理样本面部图像以及与之配对的面部处理样本图像,扩大用于训练目标面部处理模型的样本集。
需要说明的是,由于待处理样本面部图像也可以是初步待处理样本集中的待处理参考面部图像,因此,针对初步待处理样本集中的待处理参考面部图像,也可以直接将待处理参考面部图像确定为待处理样本面部图像,并将该待处理参考面部图像对应的向量输入至样本效果图像生成模型。
S240、根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
本实施例的技术方案,通过初步待处理样本集中的待处理参考面部图像,对基于样式的生成对抗网络进行训练得到待处理图像生成模型,并通过初步处理效果集中的面部处理参考图像,对基于样式的生成对抗网络进行训练得到样本效果图像生成模型,进而根据待处理图像生成模型和样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,实现了目标面部处理模型的训练数据的扩展,解决了现有技术无法获取到大量配对的待处理图像和面部处理图像的技术问题,提高了目标面部处理模型的处理精度。
实施例三
图3A为本公开实施例三所提供的一种图像处理方法中训练目标面部处理模型的流程示意图,本实施例在本公开实施例中任一可选技术方案的基础上,可选的,所述根据所述待处理图像生成模型和所述样本效果图像生成模型生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,其中,所述目标图像转换模型用于将输入所述目标图像转换模型的图像转化为目标图像向量;根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像。如图3A所示,本实施例提供的目标面部处理模型的训练方法包括如下步骤:
S310、获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集。
S320、根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型,根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型。
其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。
S330、根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,其中,所述目标图像转换模型用于将输入所述目标图像转换模型的图像转化为目标图像向量。
在本实施例中,通过目标图像转换模型将图像转化为目标图像向量的目的在于:获取待配对的图像对应的向量,以将该图像对应的向量输入至待处理图像生成模型和样本效果图像生成模型,得到配对的待处理样本面部图像和面部处理样本图像。其中,待配对的图像可以是初步待处理样本集中的待处理参考面部图像,也可以基于待处理图像生成模型生成的图像。
具体的,可以通过初步待处理样本集和待处理图像生成模型,训练得到目标图像转换模型。示例性的,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,可以包括如下步骤:
步骤1、将所述初步待处理样本集中的待处理参考面部图像输入至初始图像转化模型中,得到模型转化向量;
步骤2、将所述模型转化向量输入至所述待处理图像生成模型中,得到与所述模型转化向量对应的模型生成图像;
步骤3、根据所述模型生成图像以及与输入的与所述模型生成图像对应的待处理参考面部图像之间的损失对所述初始图像转化模型进行参数调整,以得到目标图像转换模型。
在上述示例性步骤中,通过将待处理参考面部图像输入至构建好的初始图像转化模型,可以得到初始图像转化模型输出的与该待处理参考面部图像对应的模型转化向量;进一步的,再将该模型转化向量输入至已训练的待处理图像生成模型中,得到与该模型转化向量对应的模型生成图像;最后,通过待处理参考面部图像以及模型生成图像计算损失函数,根据损失函数的计算结果调整初始图像转化模型的参数,直至达到训练截止条件。其中,训练截止条件可以是待处理参考面部图像与模型生成图像之间的损失收敛且趋近于零,即待处理图像生成模型输出的模型生成图像与初始待处理样本集中的待处理参考面部图像无限接近。
在上述步骤中,通过将待处理参考面部图像输入至初始图像转化模型,并将初始图像转化模型输出的模型转化向量输入至待处理图像生成模型,根据待处理参考面部图像以及待处理图像生成模型输出的模型生成图像之间的损失,对初始图像转化模型进行参数调整,实现了目标图像转换模型的准确训练,提高了目标图像转换模型输出的图像向量的精度,进而提高了配对的待处理样本面部图像、面部处理样本图像的精度。
S340、根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像。
具体的,可以是通过待处理图像生成模型生成待处理样本面部图像,将待处理样本面部图像输入至目标图像编码模型,得到该待处理样本面部图像对应的目标图像向量,进一步的,将该目标图像向量输入至样本效果图像生成模型,生成与该待处理样本面部图像对应的面部处理样本图像。
在另一种可选的实施方式中,所述根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像,还可以是:将所述待处理参考面部图像输入至所述目标图像编码模型中,得到与所述待处理参考面部图像对应的目标图像向量;将所述目标图像向量输入至所述待处理图像生成模型中,得到待处理样本面部图像;将所述目标图像向量输入至所述样本效果图像生成模型中,得到与所述待处理样本面部图像对应的面部处理样本图像。
即,如图3B所示,展示了一种生成配对的面部图像的过程示意图。将初步待处理样本集中的待处理参考面部图像输入至目标图像编码模型,得到待处理参考面部图像对应的目标图像向量;并将目标图像向量分别输入至待处理图像生成模型、样本效果图像生成模型,得到待处理样本面部图像和待处理样本面部图像对应的面部处理样本图像。
通过该可选的实施方式,实现了配对的面部图像的准确构建,进而实现了目标面部处理模型的训练数据的确定,解决了现有技术无法获取到配对的面部图像的技术问题。
S350、根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
本实施例的技术方案,通过初步待处理样本集中的待处理参考面部图像和待处理图像生成模型,确定可以将图像转化为向量的目标图像转换模型,并通过该目标图像转换模型、待处理图像生成模型以及样本效果图像生成模型,生成待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像,实现了配对的面部图像的自动获取,解决了现有技术无法获取到大量配对数据的技术问题,并且,无需人为筛选出可以配对的面部图像,降低了开发成本。
实施例四
图4为本公开实施例四所提供的一种图像处理方法中训练目标面部处理模型的流程示意图,本实施例在本公开实施例中任一可选技术方案的基础上,可选的,在所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练之前,还包括:根据所述待处理样本面部图像对与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,其中,所述图像修正处理包括面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。如图4所示,本实施例提供的目标面部处理模型的训练方法包括如下步骤:
S410、获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集。
S420、根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型,根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型。
S430、根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像。
S440、对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,其中,所述图像修正处理包括面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。
具体的,为了使得训练后的目标面部处理模型在实现对面部图像进行局部处理的同时,还可以尽可能的保留多的初始面部信息,减少处理后的面部图像与初始面部图像之间的差距,提高用户的使用体验感,本实施例还可以在训练目标面部处理模型之前,对训练目标面部处理模型所需的待处理样本面部图像对应的面部处理样本图像进行调整,以使面部处理样本图像中包括较多的待处理样本面部图像的特征,进而使得训练出的目标面部处理模型的处理效果更真实。
在本实施例中,可以通过待处理样本面部图像对与其对应的面部处理样本图像进行面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。其中,面部颜色矫正处理可以是通过矫正面部处理样本图像中各区域的颜色,使得矫正后的面部处理样本图像中各区域的颜色与待处理样本面部图像中相同区域的颜色接近。面部形变修正处理可以是通过修正面部处理样本图像中五官形状和/或人脸角度,使得修正后的面部处理样本图像与待处理样本面部图像之间的五官形状和/或人脸角度一致。面部妆容还原处理可以是通过确定面部处理样本图像中的化妆信息,将该化妆信息添加至与该面部处理样本图像对应的待处理样本面部图像,使得添加后的待处理样本面部图像与面部处理样本图像之间的化妆信息一致。
示例性的,当所述图像修正处理包括面部颜色矫正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,可以包括:确定所述待处理样本面部图像中的待处理面部皮肤区域,并确定所述待处理面部皮肤区域中各个像素点对应的参考颜色平均值;确定与所述待处理样本面部图像对应的面部处理样本图像中的待调整面部皮肤区域,并确定所述待调整面部皮肤区域中各个像素点对应的待调整颜色平均值;根据所述参考颜色平均值和所述待调整颜色平均值对所述待调整面部皮肤区域各个像素点对应的颜色值进行调整。
其中,待处理面部皮肤区域可以是需要进行颜色校正的区域,如面颊区域、额头区域、下颚区域等。可选的,可以直接根据预设面部划分模板在待处理样本面部图像中划分出面颊区域、额头区域和下颚区域,将划分出的各区域确定为待处理面部皮肤区域。又或者,还可以按照待处理样本面部图像中的五官进行待处理面部皮肤区域的划分,如,确定所述待处理样本面部图像中的待处理面部皮肤区域,可以是:确定待处理样本面部图像中五官所在位置,根据五官所在位置对待处理样本面部图像进行划分,得到各待处理面部皮肤区域。
进一步的,确定待处理面部皮肤区域中各个像素点对应的参考颜色平均值。其中,参考颜色平均值可以是待处理面部皮肤区域中除五官之外的其它区域的像素点的颜色均值,又或者,也可以是待处理面部皮肤区域中除五官之外的中心区域的像素点的颜色均值。同时,还可以确定出面部处理样本图像中与该待处理面部皮肤区域对应的区域,即待调整面部皮肤区域,并确定待调整面部皮肤区域中各个像素点对应的待调整颜色平均值。其中,待调整颜色平均值可以是待调整面部皮肤区域中除五官之外的其它区域的像素点的颜色均值,又或者,也可以是待调整面部皮肤区域中除五官之外的中心区域的像素点的颜色均值。
根据参考颜色平均值和待调整颜色平均值对待调整面部皮肤区域各个像素点对应的颜色值进行调整,可以是:确定与参考颜色平均值相比待调整颜色平均值对应的颜色偏差量,将待调整面部皮肤区域各个像素点对应的颜色值与该颜色偏差量相加,以更新待调整面部皮肤区域各个像素点对应的颜色值。其中,颜色偏差量可以通过参考颜色平均值与待调整颜色平均值相减计算得到,颜色偏差量可以是正值,即待调整颜色平均值小于参考颜色平均值,也可以是负值,即待调整颜色平均值大于参考颜色平均值。
在该示例中,通过确定待处理样本面部图像中的待处理面部皮肤区域、待处理面部皮肤区域中各个像素点对应的参考颜色平均值、面部处理样本图像中的待调整面部皮肤区域以及待调整面部皮肤区域中各个像素点对应的待调整颜色平均值,通过参考颜色平均值以及待调整颜色平均值,对待调整面部皮肤区域各个像素点对应的颜色值进行调整,实现了针对面部处理样本图像的面部颜色矫正处理,使得配对的面部处理样本图像中的面部颜色更接近待处理样本面部图像中的面部颜色,进而使得训练出的目标面部处理模型在实现面部处理的同时,尽可能的保持最初的面部颜色,提高用户的体验感。
在另一个示例中,当所述图像修正处理包括面部妆容还原处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,可以包括:如果所述面部处理样本图像中的面部区域包括化妆信息,则根据所述化妆信息对与所述面部处理样本图像对应的待处理样本面部图像进行化妆处理。
其中,可以根据如下方式确定面部处理样本图像中的面部区域是否包括化妆信息,即:基于预设的面部化妆区域划分模板,在待处理样本面部图像中划分出各待判别面部区域,并在面部处理样本图像中划分出各待比对面部区域,基于待比对面部区域的颜色均值以及与该待比对面部区域对应的待判别面部区域的颜色均值,判断待判别面部区域是否包括化妆信息;其中,面部化妆区域划分模板可以包括嘴唇关联区域、鼻梁关联区域和眼部关联区域。又或者,还可以基于待比对面部区域的轮廓信息以及与该待比对面部区域对应的待判别面部区域的轮廓信息,判断待判别面部区域是否包括化妆信息;其中,面部化妆区域划分模板还包括眉毛关联区域和眼部延伸区域。
在确定出面部处理样本图像中的面部区域包括化妆信息后,可以采用化妆信息迁移策略,将该化妆信息复制至待处理样本面部图像中;或分析该化妆信息所包括的化妆位置以及化妆位置对应的操作信息,基于该化妆位置以及化妆位置对应的操作信息对待处理样本面部图像进行化妆处理。
在该示例中,可以通过面部处理样本图像中的面部区域中的化妆信息,对与该面部处理样本图像对应的待处理样本面部图像进行化妆处理,使得待处理样本面部图像中的化妆信息与配对的面部处理样本图像中的化妆信息保持一致,进而使得训练出的目标面部处理模型在实现面部处理的同时,尽可能的保持最初的面部妆容,提高用户的体验感。
在另一个示例中,当所述图像修正处理包括面部形变修正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,可以包括:分别确定所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像中面部区域的修正关键点;根据所述待处理样本面部图像中修正关键点的位置对所述面部处理样本图像中修正关键点的位置,对所述面部处理样本图像中面部区域的形状进行调整。
其中,修正关键点可以是在待处理样本面部图像和面部处理样本图像中定位的面部关键点。如,可以获取待处理样本面部图像和面部处理样本图像的五官轮廓和面部轮廓,在五官轮廓和面部轮廓中确定各修正关键点;或者,还可以基于ASM(Active Shape Model,主动形状模型),AAM(Active Appearance Model,主动外观模型),CPR(Cascaded PoseRegression,级联姿势回归)等方法在待处理样本面部图像和面部处理样本图像中确定修正关键点。
需要说明的是,待处理样本面部图像和面部处理样本图像中确定的修正关键点的数量应该一致,待处理样本面部图像中的修正关键点可以与面部处理样本图像中的修正关键点一一对应。
进一步的,可以基于待处理样本面部图像中修正关键点的位置,对面部处理样本图像中与该修正关键点对应的修正关键点的位置进行调整,以对面部处理样本图像中面部区域的形状进行调整,使得调整后的面部处理样本图像中面部区域的形状接近待处理样本面部图像中面部区域的形状,包括五官形状和面部角度。
在该示例中,通过分别确定待处理样本面部图像以及配对的面部处理样本图像中面部区域的修正关键点,根据修正关键点的位置对面部处理样本图像中面部区域的形状进行调整,使得待处理样本面部图像和与其对应的面部处理样本图像的面部形状尽量保持一致,进而使得训练出的目标面部处理模型在实现面部处理的同时,尽可能的保持最初的面部形状,提高用户的体验感。
S450、根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
本实施例的技术方案,在根据待处理样本面部图像以及与待处理样本面部图像对应的面部处理样本图像,对初始面部处理模型进行训练之前,对待处理样本面部图像或与该待处理样本面部图像对应的面部处理样本图像进行面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一种,减少了待处理样本面部图像与面部处理样本图像之间的面部颜色差距、面部形变差距或面部妆容差距,进而使得训练出的目标面部处理模型可以输出保持较多初始面部信息的处理图像,提高了用户的使用体验感。
实施例五
图5为本公开实施例五所提供的一种图像处理方法的流程示意图,本实施例在本公开实施例中任一可选技术方案的基础上,可选的,在所述得到目标面部效果的面部处理目标图像之后,还包括:于目标展示区域内展示所述面部处理目标图像。如图5所示,本实施例提供的图像处理方法包括如下步骤:
S510、获取目标对象的待处理目标面部图像,将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像。
S520、于目标展示区域内展示所述面部处理目标图像。
其中,目标展示区域可以是预先设置的用于展示面部处理目标图像的区域。示例性的,目标展示区域可以是显示界面的整个区域。或者,目标展示区域也可以是显示界面的局部区域。
具体的,可以将显示界面可以划分为两个局部区域。如两个大小一致、分别位于显示界面上下方的局部区域;或,两个大小一致、分别位于显示界面左右方的局部区域;或,两个大小不一致、分别位于显示界面中不同位置处的独立区域。
在显示界面中设置局部区域作为目标展示区域的好处在于:便于同时展示面部处理目标图像和待处理目标面部图像,进而使得用户可以对比面部处理目标图像和待处理目标面部图像,即对比处理前后的面部图像,提高用户的体验感。
在本实施例中,可以直接在目标展示区域内展示面部处理目标图像,还可以在目标展示区域内分别直接展示不同处理程度的面部处理目标图像;又或者,还可以根据用户的操作展示与该操作相对应的处理程度的面部处理目标图像。
即,可选的,在所述得到目标面部效果的面部处理目标图像之后,还包括:于所述目标展示区域内展示用于调整图像处理程度的效果调整控件;当接收针对所述效果调整控件输入的处理程度调整操作,于所述目标展示区域内展示与所述处理程度调整操作对应的面部处理目标图像。
其中,效果调整控件可以是以多个选择框的形式存在,也可以以进度条的形式存在。用户可以通过触发效果调整控件中的选择框选取处理程度,或者,通过拖动触发效果调整控件中的进度条选取处理程度。
具体的,在获取到用户针对效果调整控件输入的处理程度调整操作,即选取的选择框或拖动进度条的位置,可以在目标展示区域内展示与该处理程度调整操作对应的面部处理目标图像。其中,不同的处理程度调整操作对应的面部处理目标图像中的目标面部效果的程度不同。如,可以根据处理程度调整操作确定处理程度,基于处理程度确定该处理程度调整操作对应的面部处理目标图像。
在该可选的实施方式中,通过展示用于调整图像处理程度的效果调整控件,并在接收到针对效果调整控件输入的处理程度调整操作后,展示与该处理程度调整操作对应的面部处理目标图像,实现了不同处理程度的面部处理目标图像的展示,为用户提供了处理程度的选择,并且,提高了处理图像的多样性,极大地提高了用户使用体验感。
在一种具体的实施方式中,所述于所述目标展示区域内展示与所述调整操作对应的面部处理目标图像,包括:确定与所述处理程度调整操作对应的目标权重值,根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,并于所述目标展示区域内展示调整后的面部处理目标图像。
其中,所述预置面部掩膜图像中面部皮肤区域的像素值为1,除所述面部皮肤区域之外的区域像素值为0。具体的,可以将像素值的取值区间[0,255]映射到区间[0,1],0表示黑色,1表示白色。即,预置面部掩膜图像中面部皮肤区域可以为白色;除面部皮肤区域之外的区域,如五官区域,为黑色。
通过预置面部掩膜图像,可以实现仅对面部皮肤区域进行处理程度调整,避免对除所述面部皮肤区域之外的区域进行处理程度的调整。具体的,可以通过预置面部掩膜图像确定出面部处理目标图像和待处理目标面部图像中的面部皮肤区域,进一步的,通过目标权重值对面部处理目标图像和待处理目标面部图像中的面部皮肤区域的像素值进行加权计算,得到处理程度调整操作对应的面部处理目标图像。
需要说明的是,在通过目标权重值对面部处理目标图像和待处理目标面部图像中的面部皮肤区域的像素值进行加权计算的过程中,若处理程度越小,则待处理目标面部图像中的面部皮肤区域的像素值的权重计算值越大,若处理程度越大,则面部处理目标图像中的面部皮肤区域的像素值的权重计算值越大。
在该实施方式中,通过预置面部掩膜图像、处理程度调整操作对应的目标权重值、待处理目标面部图像以及面部处理目标图像,确定与处理程度调整操作对应的面部处理目标图像,实现了针对面部皮肤区域的处理程度的调整,避免对除面部皮肤区域之外的区域的调整,进而避免了除面部皮肤区域之外的区域的失真,提高了用户的体验感。
在上述过程中,可选的,所述根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,还可以是:根据所述目标权重值对预置面部掩膜图像中各个像素点的像素值进行加权处理,得到每个像素点对应的目标调整权值;针对所述面部处理目标图像中面部区域的每个待调整像素点,根据所述待调整像素点在所述待处理目标面部图像中的原始像素值、在所述面部处理目标图像中的当前像素值以及所述待调整像素点对应的目标调整权值计算所述待调整像素点的目标像素值,以得到与所述处理程度调整操作对应的面部处理目标图像。
即,还可以通过目标权重值对预置面部掩膜图像中的像素值进行加权处理,得到每个像素点的目标调整权重。进一步的,针对面部处理目标图像中面部区域的每个待调整像素点,可以根据待调整像素点在待处理目标面部图像中的原始像素值、在面部处理目标图像中的当前像素值以及待调整像素点对应的目标调整权值,进行加权计算,得到待调整像素点的目标像素值。通过该方式,可以实现对面部处理目标图像中面部区域的每一个待调整像素点的处理程度调整,得到处理程度调整操作对应的面部处理目标图像。
示例性的,上述可选的实施方式可以用如下公式表示:
output=a×(1-t×mask)+b×(t×mask)
其中,output表示处理程度调整操作对应的面部处理目标图像,a表示待调整像素点在待处理目标面部图像中的原始像素值,b表示待调整像素点在面部处理目标图像中的当前像素值,t表示处理程度调整操作对应的目标权重值, t×mask表示待调整像素点对应的目标调整权值。
在该可选的实施方式中,可以通过目标权重值以及预置面部掩膜图像,得到每个像素点对应的目标调整权重,进而针对面部处理目标图像中面部区域的每个待调整像素点,通过该待调整像素点对应的目标调整权重、该待调整像素点在待处理目标面部图像中的原始像素值以及该待调整像素点在面部处理目标图像中的当前像素值,计算目标像素值,实现了基于处理程度调整操作的面部处理目标图像的像素值调整,进而实现了面部处理目标图像的处理程度的精确调整,提高了用户的体验感。
本实施例的技术方案,通过获取目标对象的待处理目标面部图像,将待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像,并在目标展示区域内展示该面部处理目标图像,实现了与用户的交互,便于用户观看处理后的面部图像,提高了用户的体验感。
实施例六
图6A为本公开实施例六所提供的一种优选的图像处理方法的流程示意图,如图6A所示,该方法包括如下步骤:
S610、获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集。
S620、根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型,根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型。
S630、根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型。
示例性的,如图6B所示,展示了一种基于初步待处理样本集和初步处理效果集的模型训练示意图,首先,通过初步待处理样本集训练得到待处理图像生成模型,通过初步处理效果集训练得到样本效果图像生成模型;然后,通过待处理图像生成模型以及初步待处理样本集训练得到目标图像转换模型。
S640、将所述待处理参考面部图像输入至所述目标图像编码模型中,得到与所述待处理参考面部图像对应的目标图像向量。
S650、将所述目标图像向量输入至所述待处理图像生成模型中,得到待处理样本面部图像,将所述目标图像向量输入至所述样本效果图像生成模型中,得到与所述待处理样本面部图像对应的面部处理样本图像。
S660、对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理。
S670、根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
S680、获取目标对象的待处理目标面部图像,将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像。
S690、于目标展示区域内展示用于调整图像处理程度的效果调整控件,当接收针对所述效果调整控件输入的处理程度调整操作,于所述目标展示区域内展示与所述处理程度调整操作对应的面部处理目标图像。
本实施例的技术方案,实现了大量配对的待处理样本面部图像以及面部处理样本图像的确定,为目标面部处理模型的训练提供了数据支持,确保了目标面部处理模型的输出精度,使得目标面部处理模型可以针对面部图像中的各个局部区域自动进行精细的处理,提高了面部图像的处理效果,并且,无需用户手动调整,降低了面部图像的处理复杂度。该目标面部处理模型还可以在针对局部区域进行处理的同时,更多的保留原始的面部图像信息,提高用户的体验感。
实施例七
图7为本公开实施例七提供的一种图像处理装置的结构示意图,本实施例所提供的图像处理装置可以通过软件和/或硬件来实现,可配置于终端和/或服务器中来实现本公开实施例中的图像处理方法。该装置具体可包括:
获取模块710,用于获取目标对象的待处理目标面部图像;
处理模块720,用于将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
在本公开实施例中任一可选技术方案的基础上,可选的,所述装置还包括第一模型训练模块,第二模型训练模块以及图像配对模块;所述第一模型训练模块,用于根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型;所述第二模型训练模块,用于根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型;所述图像配对模块,用于根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。
在本公开实施例中任一可选技术方案的基础上,可选的,所述图像配对模块包括转换模型训练单元和图像生成单元,其中,所述转换模型训练单元,用于根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,其中,所述目标图像转换模型用于将输入所述目标图像转换模型的图像转化为目标图像向量;所述图像生成单元,用于根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像。
在本公开实施例中任一可选技术方案的基础上,可选的,所述转换模型训练单元,具体用于:
将所述初步待处理样本集中的待处理参考面部图像输入至初始图像转化模型中,得到模型转化向量;将所述模型转化向量输入至所述待处理图像生成模型中,得到与所述模型转化向量对应的模型生成图像;根据所述模型生成图像以及与输入的与所述模型生成图像对应的待处理参考面部图像之间的损失对所述初始图像转化模型进行参数调整,以得到目标图像转换模型。
在本公开实施例中任一可选技术方案的基础上,可选的,所述图像生成单元,具体用于:
将所述待处理参考面部图像输入至所述目标图像编码模型中,得到与所述待处理参考面部图像对应的目标图像向量;将所述目标图像向量输入至所述待处理图像生成模型中,得到待处理样本面部图像;将所述目标图像向量输入至所述样本效果图像生成模型中,得到与所述待处理样本面部图像对应的面部处理样本图像。
在本公开实施例中任一可选技术方案的基础上,可选的,所述装置还包括训练预处理模块,所述训练预处理模块,用于在所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练之前,对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,其中,所述图像修正处理包括面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。
在本公开实施例中任一可选技术方案的基础上,可选的,所述训练预处理模块包括颜色矫正单元,所述颜色矫正单元,用于当所述图像修正处理包括面部颜色矫正处理时,确定所述待处理样本面部图像中的待处理面部皮肤区域,并确定所述待处理面部皮肤区域中各个像素点对应的参考颜色平均值;确定与所述待处理样本面部图像对应的面部处理样本图像中的待调整面部皮肤区域,并确定所述待调整面部皮肤区域中各个像素点对应的待调整颜色平均值;根据所述参考颜色平均值和所述待调整颜色平均值对所述待调整面部皮肤区域各个像素点对应的颜色值进行调整。
在本公开实施例中任一可选技术方案的基础上,可选的,所述训练预处理模块包括妆容还原单元,所述妆容还原单元,用于当所述图像修正处理包括面部妆容还原处理时,如果所述面部处理样本图像中的面部区域包括化妆信息,则根据所述化妆信息对与所述面部处理样本图像对应的待处理样本面部图像进行化妆处理。
在本公开实施例中任一可选技术方案的基础上,可选的,所述训练预处理模块包括形变修正单元,所述形变修正单元,用于当所述图像修正处理包括面部形变修正处理时,分别确定所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像中面部区域的修正关键点;根据所述待处理样本面部图像中修正关键点的位置对所述面部处理样本图像中修正关键点的位置,对所述面部处理样本图像中面部区域的形状进行调整。
在本公开实施例中任一可选技术方案的基础上,可选的,所述初始面部处理模型包括处理效果生成模型和处理效果判别模型;所述装置还包括目标模型训练模块,所述目标模型训练模块包括效果生成单元、第一调整单元和第二调整单元;其中,
所述效果生成单元,用于将所述待处理样本面部图像输入至所述处理效果生成模型中,得到处理效果生成图像;
所述第一调整单元,用于根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整;
所述第二调整单元,用于根据所述处理效果判别模型对所述处理效果生成图像的判别结果确定所述处理效果生成模型是否结束调整,将调整结束时得到的处理效果生成模型作为目标面部处理模型。
在本公开实施例中任一可选技术方案的基础上,可选的,所述第一调整单元,具体用于:
确定所述待处理样本面部图像与所述处理效果生成图像之间的第一面部特征损失,以及并确定所述处理效果生成图像与所述待处理样本面部图像对应的面部处理样本图像之间的第二面部特征损失;根据所述第一面部特征损失和所述第二面部特征损失对所述处理效果生成模型进行调整。
在本公开实施例中任一可选技术方案的基础上,可选的,所述获取模块710,具体用于:
响应于接收到的用于生成目标面部效果的面部处理目标图像的处理触发操作,基于图像拍摄装置拍摄目标对象的待处理目标面部图像,或者,接收基于图像上传控件上传的目标对象的待处理目标面部图像。
在本公开实施例中任一可选技术方案的基础上,可选的,所述装置还包括图像展示模块,所述图像展示模块,用于于目标展示区域内展示所述面部处理目标图像。
在本公开实施例中任一可选技术方案的基础上,可选的,所述图像展示模块,包括控件展示单元和效果调整单元;所述控件展示单元,用于于所述目标展示区域内展示用于调整图像处理程度的效果调整控件;所述效果调整单元,用于当接收针对所述效果调整控件输入的处理程度调整操作,于所述目标展示区域内展示与所述处理程度调整操作对应的面部处理目标图像。
在本公开实施例中任一可选技术方案的基础上,可选的,所述效果调整单元包括效果展示子单元,所述效果展示子单元,用于确定与所述处理程度调整操作对应的目标权重值,根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,并于所述目标展示区域内展示调整后的面部处理目标图像,其中,所述预置面部掩膜图像中面部皮肤区域的像素值为1,除所述面部皮肤区域之外的区域像素值为0。
在本公开实施例中任一可选技术方案的基础上,可选的,所述效果展示子单元,具体用于:
确定与所述处理程度调整操作对应的目标权重值,根据所述目标权重值对预置面部掩膜图像中各个像素点的像素值进行加权处理,得到每个像素点对应的目标调整权值;针对所述面部处理目标图像中面部区域的每个待调整像素点,根据所述待调整像素点在所述待处理目标面部图像中的原始像素值、在所述面部处理目标图像中的当前像素值以及所述待调整像素点对应的目标调整权值计算所述待调整像素点的目标像素值,以得到与所述处理程度调整操作对应的面部处理目标图像;于所述目标展示区域内展示调整后的面部处理目标图像。
上述图像处理装置可执行本公开任意实施例所提供的图像处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
实施例八
图8为本公开实施例八所提供的一种电子设备的结构示意图。下面参考图 8,其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线805彼此相连。编辑/输出(I/O) 接口804也连接至总线805。
通常,以下装置可以连接至I/O接口804:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM802 被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例九
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的图像处理方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、 RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取目标对象的待处理目标面部图像;
将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器 (EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,【示例一】提供了一种图像处理方法,该方法包括:
获取目标对象的待处理目标面部图像;
将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
根据本公开的一个或多个实施例,【示例二】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:
根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型;
根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型;
根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。
根据本公开的一个或多个实施例,【示例三】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述待处理图像生成模型和所述样本效果图像生成模型生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:
根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,其中,所述目标图像转换模型用于将输入所述目标图像转换模型的图像转化为目标图像向量;
根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像。
根据本公开的一个或多个实施例,【示例四】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,包括:
将所述初步待处理样本集中的待处理参考面部图像输入至初始图像转化模型中,得到模型转化向量;
将所述模型转化向量输入至所述待处理图像生成模型中,得到与所述模型转化向量对应的模型生成图像;
根据所述模型生成图像以及与输入的与所述模型生成图像对应的待处理参考面部图像之间的损失对所述初始图像转化模型进行参数调整,以得到目标图像转换模型。
根据本公开的一个或多个实施例,【示例五】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像,包括:
将所述待处理参考面部图像输入至所述目标图像编码模型中,得到与所述待处理参考面部图像对应的目标图像向量;
将所述目标图像向量输入至所述待处理图像生成模型中,得到待处理样本面部图像;
将所述目标图像向量输入至所述样本效果图像生成模型中,得到与所述待处理样本面部图像对应的面部处理样本图像。
根据本公开的一个或多个实施例,【示例六】提供了一种图像处理方法,该方法,还包括:
可选的,在所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练之前,还包括:
对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,其中,所述图像修正处理包括面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。
根据本公开的一个或多个实施例,【示例七】提供了一种图像处理方法,该方法,还包括:
可选的,当所述图像修正处理包括面部颜色矫正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
确定所述待处理样本面部图像中的待处理面部皮肤区域,并确定所述待处理面部皮肤区域中各个像素点对应的参考颜色平均值;
确定与所述待处理样本面部图像对应的面部处理样本图像中的待调整面部皮肤区域,并确定所述待调整面部皮肤区域中各个像素点对应的待调整颜色平均值;
根据所述参考颜色平均值和所述待调整颜色平均值对所述待调整面部皮肤区域各个像素点对应的颜色值进行调整。
根据本公开的一个或多个实施例,【示例八】提供了一种图像处理方法,该方法,还包括:
可选的,当所述图像修正处理包括面部妆容还原处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
如果所述面部处理样本图像中的面部区域包括化妆信息,则根据所述化妆信息对与所述面部处理样本图像对应的待处理样本面部图像进行化妆处理。
根据本公开的一个或多个实施例,【示例九】提供了一种图像处理方法,该方法,还包括:
可选的,当所述图像修正处理包括面部形变修正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
分别确定所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像中面部区域的修正关键点;
根据所述待处理样本面部图像中修正关键点的位置对所述面部处理样本图像中修正关键点的位置,对所述面部处理样本图像中面部区域的形状进行调整。
根据本公开的一个或多个实施例,【示例十】提供了一种图像处理方法,该方法,还包括:
可选的,所述初始面部处理模型包括处理效果生成模型和处理效果判别模型;所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型,包括:
将所述待处理样本面部图像输入至所述处理效果生成模型中,得到处理效果生成图像;
根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整;
根据所述处理效果判别模型对所述处理效果生成图像的判别结果确定所述处理效果生成模型是否结束调整,将调整结束时得到的处理效果生成模型作为目标面部处理模型。
根据本公开的一个或多个实施例,【示例十一】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整,包括:
确定所述待处理样本面部图像与所述处理效果生成图像之间的第一面部特征损失,以及并确定所述处理效果生成图像与所述待处理样本面部图像对应的面部处理样本图像之间的第二面部特征损失;
根据所述第一面部特征损失和所述第二面部特征损失对所述处理效果生成模型进行调整。
根据本公开的一个或多个实施例,【示例十二】提供了一种图像处理方法,该方法,还包括:
可选的,所述获取目标对象的待处理目标面部图像,包括:
响应于接收到的用于生成目标面部效果的面部处理目标图像的处理触发操作,基于图像拍摄装置拍摄目标对象的待处理目标面部图像,或者,接收基于图像上传控件上传的目标对象的待处理目标面部图像。
根据本公开的一个或多个实施例,【示例十三】提供了一种图像处理方法,该方法,还包括:
可选的,在所述得到目标面部效果的面部处理目标图像之后,还包括:
于目标展示区域内展示所述面部处理目标图像。
根据本公开的一个或多个实施例,【示例十四】提供了一种图像处理方法,该方法,还包括:
可选的,在所述得到目标面部效果的面部处理目标图像之后,还包括:
于所述目标展示区域内展示用于调整图像处理程度的效果调整控件;
当接收针对所述效果调整控件输入的处理程度调整操作,于所述目标展示区域内展示与所述处理程度调整操作对应的面部处理目标图像。
根据本公开的一个或多个实施例,【示例十五】提供了一种图像处理方法,该方法,还包括:
可选的,所述于所述目标展示区域内展示与所述调整操作对应的面部处理目标图像,包括:
确定与所述处理程度调整操作对应的目标权重值,根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,并于所述目标展示区域内展示调整后的面部处理目标图像,其中,所述预置面部掩膜图像中面部皮肤区域的像素值为1,除所述面部皮肤区域之外的区域像素值为0。
根据本公开的一个或多个实施例,【示例十六】提供了一种图像处理方法,该方法,还包括:
可选的,所述根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,包括:
根据所述目标权重值对预置面部掩膜图像中各个像素点的像素值进行加权处理,得到每个像素点对应的目标调整权值;
针对所述面部处理目标图像中面部区域的每个待调整像素点,根据所述待调整像素点在所述待处理目标面部图像中的原始像素值、在所述面部处理目标图像中的当前像素值以及所述待调整像素点对应的目标调整权值计算所述待调整像素点的目标像素值,以得到与所述处理程度调整操作对应的面部处理目标图像。
根据本公开的一个或多个实施例,【示例十七】提供了一种图像处理装置,该装置,包括:
获取模块,用于获取目标对象的待处理目标面部图像;
处理模块,用于将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了如果干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (19)
1.一种图像处理方法,其特征在于,包括:
获取目标对象的待处理目标面部图像;
将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:
根据所述初步待处理样本集中的待处理参考面部图像对预先建立的第一初始图像生成模型进行训练,得到待处理图像生成模型;
根据所述初步处理效果集中的面部处理参考图像对预先建立的第二初始图像生成模型进行训练,得到样本效果图像生成模型;
根据所述待处理图像生成模型和所述样本效果图像生成模型,生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
其中,所述第一初始图像生成模型和所述第二初始图像生成模型为基于样式的生成对抗网络。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待处理图像生成模型和所述样本效果图像生成模型生成待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像,包括:
根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,其中,所述目标图像转换模型用于将输入所述目标图像转换模型的图像转化为目标图像向量;
根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述初步待处理样本集中的待处理参考面部图像以及所述待处理图像生成模型确定目标图像转换模型,包括:
将所述初步待处理样本集中的待处理参考面部图像输入至初始图像转化模型中,得到模型转化向量;
将所述模型转化向量输入至所述待处理图像生成模型中,得到与所述模型转化向量对应的模型生成图像;
根据所述模型生成图像以及与输入的与所述模型生成图像对应的待处理参考面部图像之间的损失对所述初始图像转化模型进行参数调整,以得到目标图像转换模型。
5.根据权利要求3所述的方法,其特征在于,所述根据所述待处理图像生成模型生成待处理样本面部图像,并根据所述待处理样本面部图像、所述目标图像编码模型和所述样本效果图像生成模型,生成与所述待处理样本面部图像对应的面部处理样本图像,包括:
将所述待处理参考面部图像输入至所述目标图像编码模型中,得到与所述待处理参考面部图像对应的目标图像向量;
将所述目标图像向量输入至所述待处理图像生成模型中,得到待处理样本面部图像;
将所述目标图像向量输入至所述样本效果图像生成模型中,得到与所述待处理样本面部图像对应的面部处理样本图像。
6.根据权利要求2所述的方法,其特征在于,在所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练之前,还包括:
对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,其中,所述图像修正处理包括面部颜色矫正处理、面部形变修正处理以及面部妆容还原处理中的至少一项。
7.根据权利要求6所述的方法,其特征在于,当所述图像修正处理包括面部颜色矫正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
确定所述待处理样本面部图像中的待处理面部皮肤区域,并确定所述待处理面部皮肤区域中各个像素点对应的参考颜色平均值;
确定与所述待处理样本面部图像对应的面部处理样本图像中的待调整面部皮肤区域,并确定所述待调整面部皮肤区域中各个像素点对应的待调整颜色平均值;
根据所述参考颜色平均值和所述待调整颜色平均值对所述待调整面部皮肤区域各个像素点对应的颜色值进行调整。
8.根据权利要求6所述的方法,其特征在于,当所述图像修正处理包括面部妆容还原处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
如果所述面部处理样本图像中的面部区域包括化妆信息,则根据所述化妆信息对与所述面部处理样本图像对应的待处理样本面部图像进行化妆处理。
9.根据权利要求6所述的方法,其特征在于,当所述图像修正处理包括面部形变修正处理时,所述对所述待处理样本面部图像或与所述待处理样本面部图像对应的面部处理样本图像进行图像修正处理,包括:
分别确定所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像中面部区域的修正关键点;
根据所述待处理样本面部图像中修正关键点的位置对所述面部处理样本图像中修正关键点的位置,对所述面部处理样本图像中面部区域的形状进行调整。
10.根据权利要求1所述的方法,其特征在于,所述初始面部处理模型包括处理效果生成模型和处理效果判别模型;所述根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型,包括:
将所述待处理样本面部图像输入至所述处理效果生成模型中,得到处理效果生成图像;
根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整;
根据所述处理效果判别模型对所述处理效果生成图像的判别结果确定所述处理效果生成模型是否结束调整,将调整结束时得到的处理效果生成模型作为目标面部处理模型。
11.根据权利要求10所述的方法,其特征在于,所述根据所述待处理样本面部图像、所述处理效果生成图像以及与所述待处理样本面部图像对应的面部处理样本图像,对所述处理效果生成模型进行调整,包括:
确定所述待处理样本面部图像与所述处理效果生成图像之间的第一面部特征损失,以及并确定所述处理效果生成图像与所述待处理样本面部图像对应的面部处理样本图像之间的第二面部特征损失;
根据所述第一面部特征损失和所述第二面部特征损失对所述处理效果生成模型进行调整。
12.根据权利要求1所述的方法,其特征在于,所述获取目标对象的待处理目标面部图像,包括:
响应于接收到的用于生成目标面部效果的面部处理目标图像的处理触发操作,基于图像拍摄装置拍摄目标对象的待处理目标面部图像,或者,接收基于图像上传控件上传的目标对象的待处理目标面部图像。
13.根据权利要求1所述的方法,其特征在于,在所述得到目标面部效果的面部处理目标图像之后,还包括:
于目标展示区域内展示所述面部处理目标图像。
14.根据权利要求13所述的方法,其特征在于,在所述得到目标面部效果的面部处理目标图像之后,还包括:
于所述目标展示区域内展示用于调整图像处理程度的效果调整控件;
当接收针对所述效果调整控件输入的处理程度调整操作,于所述目标展示区域内展示与所述处理程度调整操作对应的面部处理目标图像。
15.根据权利要求14所述的方法,其特征在于,所述于所述目标展示区域内展示与所述调整操作对应的面部处理目标图像,包括:
确定与所述处理程度调整操作对应的目标权重值,根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,并于所述目标展示区域内展示调整后的面部处理目标图像,其中,所述预置面部掩膜图像中面部皮肤区域的像素值为1,除所述面部皮肤区域之外的区域像素值为0。
16.根据权利要求15所述的方法,其特征在于,所述根据所述待处理目标面部图像、所述面部处理目标图像、所述目标权重值以及预置面部掩膜图像,确定与所述处理程度调整操作对应的面部处理目标图像,包括:
根据所述目标权重值对预置面部掩膜图像中各个像素点的像素值进行加权处理,得到每个像素点对应的目标调整权值;
针对所述面部处理目标图像中面部区域的每个待调整像素点,根据所述待调整像素点在所述待处理目标面部图像中的原始像素值、在所述面部处理目标图像中的当前像素值以及所述待调整像素点对应的目标调整权值计算所述待调整像素点的目标像素值,以得到与所述处理程度调整操作对应的面部处理目标图像。
17.一种图像处理装置,其特征在于,包括:
获取模块,用于获取目标对象的待处理目标面部图像;
处理模块,用于将所述待处理目标面部图像输入至预先训练完成的目标面部处理模型中,以得到目标面部效果的面部处理目标图像;
其中,所述目标面部处理模型基于如下方式训练得到:
获取多张待处理参考面部图像构建初步待处理样本集,并获取多张具备目标面部效果的面部处理参考图像构建初步处理效果集;
根据所述初步待处理样本集中的待处理参考面部图像以及所述初步处理效果集中的面部处理参考图像,确定待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像;
根据所述待处理样本面部图像以及与所述待处理样本面部图像对应的面部处理样本图像对初始面部处理模型进行训练,得到目标面部处理模型。
18.一种电子设备,其特征在于,所述电子设备包括:
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,使得所述一个或多个处理器实现如权利要求1-16中任一所述的图像处理方法。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-16中任一所述的图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114114.3A CN114445301A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
PCT/CN2023/072089 WO2023143126A1 (zh) | 2022-01-30 | 2023-01-13 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114114.3A CN114445301A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445301A true CN114445301A (zh) | 2022-05-06 |
Family
ID=81371587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114114.3A Pending CN114445301A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114445301A (zh) |
WO (1) | WO2023143126A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937010A (zh) * | 2022-08-17 | 2023-04-07 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及介质 |
WO2023143126A1 (zh) * | 2022-01-30 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978792A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成图像增强模型的方法 |
CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
CN111861867A (zh) * | 2020-07-02 | 2020-10-30 | 泰康保险集团股份有限公司 | 图像背景虚化方法和装置 |
CN112989904A (zh) * | 2020-09-30 | 2021-06-18 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN113850716A (zh) * | 2021-10-09 | 2021-12-28 | 北京字跳网络技术有限公司 | 模型训练方法、图像处理方法、装置、电子设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263737A (zh) * | 2019-06-25 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN111080528B (zh) * | 2019-12-20 | 2023-11-07 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
CN111325851B (zh) * | 2020-02-28 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN111369468B (zh) * | 2020-03-09 | 2022-02-01 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111754596B (zh) * | 2020-06-19 | 2023-09-19 | 北京灵汐科技有限公司 | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 |
CN111815533B (zh) * | 2020-07-14 | 2024-01-19 | 厦门美图之家科技有限公司 | 妆容处理方法、装置、电子设备和可读存储介质 |
CN114445301A (zh) * | 2022-01-30 | 2022-05-06 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-30 CN CN202210114114.3A patent/CN114445301A/zh active Pending
-
2023
- 2023-01-13 WO PCT/CN2023/072089 patent/WO2023143126A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978792A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成图像增强模型的方法 |
CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
CN111861867A (zh) * | 2020-07-02 | 2020-10-30 | 泰康保险集团股份有限公司 | 图像背景虚化方法和装置 |
CN112989904A (zh) * | 2020-09-30 | 2021-06-18 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN113850716A (zh) * | 2021-10-09 | 2021-12-28 | 北京字跳网络技术有限公司 | 模型训练方法、图像处理方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
施富凯: "基于生成对抗网络的红外图像数据扩充方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 05, pages 032 - 46 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143126A1 (zh) * | 2022-01-30 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115937010A (zh) * | 2022-08-17 | 2023-04-07 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及介质 |
CN115937010B (zh) * | 2022-08-17 | 2023-10-27 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023143126A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846793B (zh) | 基于图像风格转换模型的图像处理方法和终端设备 | |
CN108921782B (zh) | 一种图像处理方法、装置及存储介质 | |
CN107852533B (zh) | 三维内容生成装置及其三维内容生成方法 | |
CN112989904B (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
US11043011B2 (en) | Image processing method, apparatus, terminal, and storage medium for fusing images of two objects | |
CN110046546B (zh) | 一种自适应视线追踪方法、装置、***及存储介质 | |
WO2022001509A1 (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
US20160328825A1 (en) | Portrait deformation method and apparatus | |
EP3992919B1 (en) | Three-dimensional facial model generation method and apparatus, device, and medium | |
CN114445301A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2022068451A1 (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
CN110838084B (zh) | 一种图像的风格转移方法、装置、电子设备及存储介质 | |
CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
WO2023143129A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114419300A (zh) | 风格化图像生成方法、装置、电子设备及存储介质 | |
WO2023273247A1 (zh) | 人脸图像处理方法及装置、计算机可读存储介质、终端 | |
CN107153806B (zh) | 一种人脸检测方法及装置 | |
CN114913061A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN113658065A (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
CN113487670A (zh) | 一种化妆镜及状态调整方法 | |
CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
US10354125B2 (en) | Photograph processing method and system | |
CN110766631A (zh) | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 | |
CN112150387B (zh) | 对照片中的人像增强五官立体感的方法及装置 |
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 |