图像生成模型训练、图像生成方法、装置、介质及设备与流程

1.本公开涉及图像处理技术领域，具体地，涉及一种图像生成模型训练、图像生成方法、装置、介质及设备。


背景技术：

2.随着移动终端和计算机技术的发展，出现越来越多的角色扮演游戏，为了满足不同玩家的个性化定制需求，在创建玩家对应的虚拟角色时，通常会为玩家增加一些捏脸功能，使得玩家能够根据自己的喜好创建自己喜欢的角色，例如，可以创建跟自己的真实人脸相似的虚拟角色。其中，如何提升虚拟人脸与玩家真实人脸的相似度成为虚拟角色捏脸的关键。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种图像生成模型训练方法，包括：获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；利用所述伪标签进行有监督模型训练，以得到图像生成模型。
5.第二方面，本公开提供一种图像生成方法，包括：响应于用户请求，获取目标对象图像；基于所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过本公开第一方面提供的所述图像生成模型训练方法进行训练所得；基于所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
6.第三方面，本公开提供一种图像生成模型训练装置，包括：第一获取模块，用于获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；生成模块，用于根据所述第一获取模块获取到的所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；训练模块，用于利用所述生成模块生成的所述伪标签进行有监督模型训练，以得到图像生成模型。
7.第四方面，本公开提供一种图像生成装置，包括：第二获取模块，用于响应于用户请求，获取目标对象图像；捏脸参数提取模块，用于基于所述第二获取模块获取到的所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过本公开第一方面提供的所述图像生成模型训练方法进行训练所得；渲染模块，用于基于所述捏脸参数提取模块提取到的所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
8.第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处
理装置执行时实现本公开第一方面或第二方面提供的所述方法的步骤。
9.第六方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面或第二方面提供的所述方法的步骤。
10.在上述技术方案中，根据获取到的样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签，这样，伪标签可以学习到虚拟人脸所特有的特征分布；之后，利用包含有虚拟人脸特征的伪标签进行有监督模型训练，可以使得图像生成模型不仅可以学习到真实人脸特征分布，还可以学习到虚拟人脸所特有的特征分布，从而提升模型的泛化能力，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，进而能够根据图像生成模型提取到的捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸的效率和相似度均较高。另外，利用包含有虚拟人脸特征的伪标签进行模型训练，可以避免人工标记样本对象图像对应的捏脸参数，从而提升了模型训练的效率，节省了人力成本。
11.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
12.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
13.图1是根据一示例性实施例示出的一种图像生成模型训练方法的流程图。
14.图2是根据一示例性实施例示出的一种根据样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签的方法的流程图。
15.图3是根据一示例性实施例示出的一种图像生成方法的流程图。
16.图4是根据一示例性实施例示出的一种图像生成模型训练装置的框图。
17.图5是根据一示例性实施例示出的一种图像生成装置的框图。
18.图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
19.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。
20.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。
21.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。
22.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。
23.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”。
24.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。
25.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
26.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
27.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
28.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
29.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
30.图1是根据一示例性实施例示出的一种图像生成模型训练方法的流程图。如图1所示，该方法包括以下s101～s103。
31.在s101中，获取样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数。
32.在本公开中，上述样本对象图像来自经过授权的公开数据集。样本对象图像可以为包含人脸的图像，示例地，该样本对象图像可以为样本人脸图像。
33.在一种实施方式中，样本捏脸参数包括骨骼点参数，其中，骨骼点参数是与脸型和人脸五官形状相关的参数。
34.在另一种实施方式中，样本捏脸参数包括妆容参数，其中，妆容参数包括唇色、眼影颜色、发型等。
35.在又一种实施方式中，样本捏脸参数包括骨骼点参数和妆容参数。这样，图像生成模型不但可以学习到与脸型、人脸五官形状相关的参数，还能够学习到唇色、眼影颜色、发型等妆容参数，从而提升后续捏脸的相似度。
36.在s102中，根据样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签。
37.在s103中，利用样本对象图像的伪标签进行有监督模型训练，以得到图像生成模型。
38.在上述技术方案中，根据获取到的样本对象图像、样本虚拟对象图像以及样本虚
拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签，这样，伪标签可以学习到虚拟人脸所特有的特征分布；之后，利用包含有虚拟人脸特征的伪标签进行有监督模型训练，可以使得图像生成模型不仅可以学习到真实人脸特征分布，还可以学习到虚拟人脸所特有的特征分布，从而提升模型的泛化能力，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，进而能够根据图像生成模型提取到的捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸的效率和相似度均较高。另外，利用包含有虚拟人脸特征的伪标签进行模型训练，可以避免人工标记样本对象图像对应的捏脸参数，从而提升了模型训练的效率，节省了人力成本。
39.下面针对上述s101中的获取样本虚拟对象图像和样本虚拟对象图像对应的样本捏脸参数的具体实施方式进行详细说明。
40.在一种实施方式中，可以通过调节预设的捏脸参数来捏出像真实人脸的虚拟人脸，之后，将包含捏出的虚拟人脸的图像作为样本虚拟对象图像，将该捏出的虚拟人脸对应的调节后的捏脸参数作为样本虚拟对象图像对应的样本捏脸参数。
41.在另一种实施方式中，可以随机生成样本捏脸参数；然后，基于该样本捏脸参数进行人脸渲染，得到该样本捏脸参数对应的样本虚拟对象图像。
42.具体来说，可以基于该样本捏脸参数，通过以下方式来得到该样本捏脸参数对应的样本虚拟对象图像：首先，基于该样本捏脸参数，利用预设渲染引擎进行人脸信息重建，得到该样本捏脸参数对应的重建人脸信息；然后，基于该样本捏脸参数对应的重建人脸信息，生成该样本捏脸参数对应的样本虚拟对象图像。这样，可以利用预设渲染引擎快速生成样本虚拟对象图像，省时省力。
43.其中，重建人脸信息对应于三维人脸模型，该三维人脸模型可以是基于该样本捏脸参数所确定。具体来说，可以基于该样本捏脸参数对应的参数值确定三维人脸模型，进而可以通过三维空间与二维空间的转换关系，生成该样本捏脸参数对应的样本虚拟对象图像。
44.示例地，在游戏技术领域中，上述预设渲染引擎可以是游戏引擎。
45.下面针对上述s102中的根据样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签的具体实施方式进行详细说明。具体来说，可以通过图2中所示的s201和s202来实现。
46.在s201中，根据样本虚拟对象图像和样本捏脸参数，对第一回归器进行模型参数更新。
47.在一种实施方式中，可以将样本虚拟对象图像输入到第一回归器中，得到第一预测捏脸参数；然后，根据第一预测捏脸参数和样本虚拟对象图像对应的样本捏脸参数，更新第一回归器的模型参数。
48.在s202中，根据样本对象图像，通过模型参数更新后所得的第一回归器生成样本对象图像的伪标签。
49.在一种实施方式中，可以将样本对象图像输入到模型参数更新后所得的第一回归器中，得到第二预测捏脸参数，将第二预测捏脸参数作为样本对象图像的伪标签。
50.下面针对上述根据第一预测捏脸参数和样本虚拟对象图像对应的样本捏脸参数，更新第一回归器的模型参数的具体实施方式进行详细说明。具体来说，可以通过以下步骤
(1)和步骤(2)来实现：
51.(1)根据第一预测捏脸参数和样本虚拟对象图像对应的样本捏脸参数，计算第一损失函数。
52.示例地，可以将第一预测捏脸参数和样本捏脸参数的差的绝对值确定为第一损失函数。
53.(2)根据第一损失函数，采用随机梯度下降的方式更新第一回归器的模型参数。
54.下面针对上述s103中的利用样本对象图像的伪标签进行有监督模型训练，以得到图像生成模型的具体实施方式进行详细说明。具体来说，可以通过以下步骤[1]～步骤[4]来实现：
[0055]
[1]根据样本对象图像和伪标签，对第二回归器进行模型参数更新。
[0056]
在一种实施方式中，可以将样本对象图像输入到第二回归器中，得到第三预测捏脸参数；然后，根据第三预测捏脸参数和伪标签，更新第二回归器的模型参数。
[0057]
[2]利用模型参数更新后所得的第二回归器的参数更新模型参数更新后所得的第一回归器的参数。
[0058]
在一种实施方式中，第一回归器包括第一特征提取模块和第一全连接模块；第二回归器包括第二特征提取模块和第二全连接模块，其中，第二特征提取模块与上述第一特征提取模块的结构相同。此时，可以利用模型参数更新后所得的第二回归器中第二特征提取模块的参数更新模型参数更新后所得的第一回归器中的第一特征提取模块的参数。
[0059]
示例地，第一特征提取模块和第二特征提取模块均由四个依次连接的残差卷积网络组成。
[0060]
第一全连接模块可以由一个全连接层组成，也可以由多个依次连接的全连接层组成，第二全连接模块可以由一个全连接层组成，也可以由多个依次连接的全连接层组成。其中，可以结合不同的训练目的设置第一全连接模块和第二全连接模块所包含的全连接层的数量，例如，第一全连接模块和第二全连接模块可以均由三个依次连接的全连接层组成。
[0061]
其中，需要说明的是，上述第一全连接模块和第二全连接模块的结构可以相同，也可以不同，本公开实施例不作具体限定。
[0062]
[3]判断是否满足预设训练截止条件。
[0063]
在本公开中，预设训练截止条件可以为训练次数达到预设次数，也可以为第一回归器的损失与第二回归器的损失的和小于预设损失阈值。
[0064]
若不满足上述预设训练截止条件，则返回获取新的样本对象图像、新的样本虚拟对象图像以及该新的样本虚拟对象图像对应的样本捏脸参数，并新的样本对象图像、新的样本虚拟对象图像以及该新的样本虚拟对象图像对应的样本捏脸参数，生成新的样本对象图像的伪标签；之后，利用新的样本对象图像的伪标签进行有监督模型训练，即返回上述s101，直到满足预设训练截止条件时为止，之后，执行以下步骤[4]。
[0065]
[4]将第二回归器作为图像生成模型。
[0066]
在上述实施方式中，利用样本虚拟对象图像和该样本虚拟对象图像对应的样本捏脸参数对用于提取虚拟人脸特征的第一回归器进行参数更新，可以使得第一回归器学习到虚拟人脸所特有的特征分布；利用包含有虚拟人脸特征的伪标签监督用于提取真实人脸特征的第二回归器的参数更新，可以通过迁移学习的方法，将虚拟人脸所特有的特征分布迁
移到真实人脸上，从而能够利用虚拟人脸和真实人脸之间的结构相似信息(包括五官的相对位置和比例等信息)辅助第二回归器对真实人脸特征分布的学习，从而使得第二回归器的训练能够快速收敛，缩短训练时间，并提升第二回归器提取到的捏脸参数的准确度，从而提升捏脸的相似度。
[0067]
另外，利用包含有虚拟人脸特征的伪标签监督用于提取真实人脸特征的第二回归器的参数更新，之后，将利用模型参数更新后所得的第二回归器中第二特征提取模块的参数更新模型参数更新后所得的第一回归器中的第一特征提取模块的参数，可以使得第一特征提取模块和第二特征提取模块均学习到真实人脸和虚拟人脸通用的特征，而第一全连接模块学习虚拟人脸所特有特征和第二全连接模块学习真实人脸所特有的特征。这样，可以使得第二回归器对真实人脸特提取具有较高的准确度，并使得第二回归器中保留虚拟人脸所特有的特征，即使得第二特征提取模块和第一全连接模块对虚拟人脸特征提取具有较高的准确度。
[0068]
下面针对上述步骤[1]中的根据第三预测捏脸参数和伪标签，更新第二回归器的模型参数的具体实施方式进行详细说明。具体来说，可以通过以下步骤1)和步骤2)来实现：
[0069]
1)根据第三预测捏脸参数和伪标签，计算第二损失函数。
[0070]
示例地，可以将第三预测捏脸参数和伪标签的差的绝对值确定为第二损失函数。
[0071]
2)根据第二损失函数，采用随机梯度下降的方式更新第二回归器的模型参数。
[0072]
此时，上述第一回归器的损失与第二回归器的损失的和即为第一损失函数与第二损失函数的和，即上述预设训练截止条件为第一损失函数与第二损失函数的和小于预设损失阈值。
[0073]
图3是根据一示例性实施例示出的一种图像生成方法的流程图。如图3所示，该方法包括以下s301～s303。
[0074]
在s301中，响应于用户请求，获取目标对象图像。
[0075]
在本公开中，用户请求可以为图像生成请求，上述目标对象图像(即真实人脸图像)可以是经过用户授权后所获取的包含用户人脸的图像，示例地，该目标对象图像可以为目标人脸图像。其中，该目标对象图像可以是用户利用图像获取终端(例如，智能手机、平板电脑等)拍摄得到的，也可以是用户预先存储的，本公开实施例不作具体限定。
[0076]
在s302中，基于目标对象图像，通过图像生成模型确定目标对象图像对应的目标捏脸参数。
[0077]
在本公开中，上述图像生成模型是通过本公开提供的上述图像生成模型训练方法进行训练所得。
[0078]
在s303中，基于目标捏脸参数进行人脸渲染，得到目标对象图像对应的样本虚拟对象图像。
[0079]
在本公开中，可以利用预设渲染引擎进行人脸渲染。具体来说，可以基于目标捏脸参数，利用预设渲染引擎进行人脸信息重建，得到目标捏脸参数对应的重建人脸信息；基于目标捏脸参数对应的重建人脸信息，生成与目标对应图像对应的目标虚拟对象图像。
[0080]
在上述技术方案中，基于获取到的目标对象图像，利用图像生成模型确定目标对象图像对应的目标捏脸参数；然后，基于目标捏脸参数进行人脸渲染，得到目标对应图像对应的目标虚拟对象图像。由于图像生成模型不仅可以学习到真实人脸特征分布，还可以学
习到虚拟人脸所特有的特征分布，因此，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，从而能够根据图像生成模型提取到的目标捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸的效率和相似度均较高。
[0081]
本公开还提供一种图像生成模型训练装置，如图4所示，图像生成模型训练装置400包括：
[0082]
第一获取模块401，用于获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；
[0083]
生成模块402，用于根据所述第一获取模块401获取到的所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；
[0084]
训练模块403，用于利用所述生成模块402生成的所述伪标签进行有监督模型训练，以得到图像生成模型。
[0085]
在上述技术方案中，根据获取到的样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数，生成样本对象图像的伪标签，这样，伪标签可以学习到虚拟人脸所特有的特征分布；之后，利用包含有虚拟人脸特征的伪标签进行有监督模型训练，可以使得图像生成模型不仅可以学习到真实人脸特征分布，还可以学习到虚拟人脸所特有的特征分布，从而提升模型的泛化能力，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，进而能够根据图像生成模型提取到的捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸的效率和相似度均较高。另外，利用包含有虚拟人脸特征的伪标签进行模型训练，可以避免人工标记样本对象图像对应的捏脸参数，从而提升了模型训练的效率，节省了人力成本。
[0086]
可选地，所述生成模块402包括：
[0087]
第一更新子模块，用于根据所述样本虚拟对象图像和所述样本捏脸参数，对第一回归器进行模型参数更新；
[0088]
第一生成子模块，用于根据所述样本对象图像，通过模型参数更新后所得的第一回归器生成所述样本对象图像的伪标签；
[0089]
所述训练模块403包括：
[0090]
第二更新子模块，用于根据所述样本对象图像和所述伪标签，对第二回归器进行模型参数更新；
[0091]
第三更新子模块，用于利用模型参数更新后所得的第二回归器的参数更新所述模型参数更新后所得的第一回归器的参数；
[0092]
确定子模块，用于当满足预设训练截止条件时，将第二回归器作为所述图像生成模型。
[0093]
可选地，所述第一更新子模块包括：
[0094]
第一输入子模块，用于将所述样本虚拟对象图像输入到第一回归器中，得到第一预测捏脸参数；
[0095]
第四更新子模块，用于根据所述第一预测捏脸参数和所述样本捏脸参数，更新所述第一回归器的模型参数。
[0096]
可选地，所述第四更新子模块包括：
[0097]
第一计算子模块，用于根据所述第一预测捏脸参数和所述样本捏脸参数，计算第
一损失函数；
[0098]
第五更新子模块，用于根据所述第一损失函数，采用随机梯度下降的方式更新所述第一回归器的模型参数。
[0099]
可选地，所述第一生成子模块用于将所述样本对象图像输入到模型参数更新后所得的第一回归器中，得到第二预测捏脸参数，将所述第二预测捏脸参数作为所述样本对象图像的伪标签。
[0100]
可选地，所述第二更新子模块包括：
[0101]
第二输入子模块，用于将所述样本对象图像输入到第二回归器中，得到第三预测捏脸参数；
[0102]
第六更新子模块，用于根据所述第三预测捏脸参数和所述伪标签，更新所述第二回归器的模型参数。
[0103]
可选地，所述第六更新子模块包括：
[0104]
第二计算子模块，用于根据所述第三预测捏脸参数和所述伪标签，计算第二损失函数；
[0105]
第七更新子模块，用于根据所述第二损失函数，采用随机梯度下降的方式更新所述第二回归器的模型参数。
[0106]
可选地，所述第一回归器包括第一特征提取模块和第一全连接模块，所述第二回归器包括第二特征提取模块和第二全连接模块，所述第二特征提取模块与所述第一特征提取模块的结构相同；
[0107]
所述第三更新子模块用于利用模型参数更新后所得的第二回归器中第二特征提取模块的参数更新所述模型参数更新后所得的第一回归器中的第一特征提取模块的参数。
[0108]
可选地，所述第一获取模块401包括：
[0109]
第二生成子模块，用于随机生成样本捏脸参数；
[0110]
渲染子模块，用于基于所述样本捏脸参数进行人脸渲染，得到所述样本捏脸参数对应的样本虚拟对象图像。
[0111]
可选地，所述渲染子模块包括：
[0112]
重建子模块，用于基于所述样本捏脸参数，利用预设渲染引擎进行人脸信息重建，得到重建人脸信息；
[0113]
第三生成子模块，用于基于所述重建人脸信息，生成所述样本捏脸参数对应的样本虚拟对象图像。
[0114]
可选地，所述样本捏脸参数包括骨骼点参数和/或妆容参数。
[0115]
图5是根据一示例性实施例示出的一种图像生成装置的框图。如图5所示，该图像生成装置500包括：
[0116]
第二获取模块501，用于响应于用户请求，获取目标对象图像；
[0117]
捏脸参数提取模块502，用于基于所述第二获取模块501获取到的所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过本公开提供的上述图像生成模型训练方法进行训练所得；
[0118]
渲染模块503，用于基于所述捏脸参数提取模块502提取到的所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
[0119]
在上述技术方案中，基于获取到的目标对象图像，利用图像生成模型确定目标对象图像对应的目标捏脸参数；然后，基于目标捏脸参数进行人脸渲染，得到目标对应图像对应的目标虚拟对象图像。由于图像生成模型不仅可以学习到真实人脸特征分布，还可以学习到虚拟人脸所特有的特征分布，因此，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，从而能够根据图像生成模型提取到的目标捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸的效率和相似度均较高。
[0120]
需要说明的是，上述图像生成模型训练装置300可以独立于图像生成装置500设置，也可以集成在图像生成装置500中，在本公开中不作具体限定。
[0121]
本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述图像生成方法的步骤，或者上述图像生成模型训练方法的步骤。
[0122]
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600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6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。
[0123]
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0124]
通常，以下装置可以连接至i/o接口605：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606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。
[0125]
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609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0126]
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、或半导体的系统、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系统、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系统、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。
[0127]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，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。
[0128]
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。
[0129]
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：获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；利用所述伪标签进行有监督模型训练，以得到图像生成模型。
[0130]
或者，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：响应于用户请求，获取目标对象图像；基于所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过本公开提供的上述图像生成模型训练方法进行训练所得；基于所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
[0131]
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)。
[0132]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0133]
描述于本公开实施例中所涉及到的模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取目标用户人脸图像的模块”。
[0134]
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)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0135]
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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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。
[0136]
根据本公开的一个或多个实施例，示例1提供了一种图像生成模型训练方法，包括：获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；利用所述伪标签进行有监督模型训练，以得到图像生成模型。
[0137]
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签，包括：根据所述样本虚拟对象图像和所述样本捏脸参数，对第一回归器进行模型参数更新；根据所述样本对象图像，通过模型参数更新后所得的第一回归器生成所述样本对象图像的伪标签；所述利用所述伪标签进行有监督模型训练，以得到图像生成模型，包括：根据所述样本对象图像和所述伪标签，对第二回归器进行模型参数更新；利用模型参数更新后所得的第二回归器的参数更新所述模型参数更新后所得的第一回归器的参数；当满足预设训练截止条件时，将第二回归器作为所述图像生成模型。
[0138]
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述样本虚拟对象图像和所述样本捏脸参数，对第一回归器进行模型参数更新，包括：将所述样本虚拟对象图像输入到第一回归器中，得到第一预测捏脸参数；根据所述第一预测捏脸参数和所述样本捏脸参数，更新所述第一回归器的模型参数。
[0139]
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述第一预测捏脸参数和所述样本捏脸参数，更新所述第一回归器的模型参数，包括：根据所述第一预测捏脸参数和所述样本捏脸参数，计算第一损失函数；根据所述第一损失函数，采用随机
梯度下降的方式更新所述第一回归器的模型参数。
[0140]
根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述根据所述样本对象图像，通过模型参数更新后所得的第一回归器生成所述样本对象图像的伪标签，包括：将所述样本对象图像输入到模型参数更新后所得的第一回归器中，得到第二预测捏脸参数，将所述第二预测捏脸参数作为所述样本对象图像的伪标签。
[0141]
根据本公开的一个或多个实施例，示例6提供了示例2的方法，所述根据所述样本对象图像和所述伪标签，对第二回归器进行模型参数更新，包括：将所述样本对象图像输入到第二回归器中，得到第三预测捏脸参数；根据所述第三预测捏脸参数和所述伪标签，更新所述第二回归器的模型参数。
[0142]
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述第三预测捏脸参数和所述伪标签，更新所述第二回归器的模型参数，包括：根据所述第三预测捏脸参数和所述伪标签，计算第二损失函数；根据所述第二损失函数，采用随机梯度下降的方式更新所述第二回归器的模型参数。
[0143]
根据本公开的一个或多个实施例，示例8提供了示例2的方法，所述第一回归器包括第一特征提取模块和第一全连接模块，所述第二回归器包括第二特征提取模块和第二全连接模块，所述第二特征提取模块与所述第一特征提取模块的结构相同；所述利用模型参数更新后所得的第二回归器的参数更新所述模型参数更新后所得的第一回归器的参数，包括：利用模型参数更新后所得的第二回归器中第二特征提取模块的参数更新所述模型参数更新后所得的第一回归器中的第一特征提取模块的参数。
[0144]
根据本公开的一个或多个实施例，示例9提供了示例1的方法，所述获取样本虚拟对象图像和所述样本虚拟对象图像对应的样本捏脸参数，包括：随机生成样本捏脸参数；基于所述样本捏脸参数进行人脸渲染，得到所述样本捏脸参数对应的样本虚拟对象图像。
[0145]
根据本公开的一个或多个实施例，示例10提供了示例9的方法，所述基于所述样本捏脸参数进行人脸渲染，得到所述样本捏脸参数对应的样本虚拟对象图像，包括：基于所述样本捏脸参数，利用预设渲染引擎进行人脸信息重建，得到重建人脸信息；基于所述重建人脸信息，生成所述样本捏脸参数对应的样本虚拟对象图像。
[0146]
根据本公开的一个或多个实施例，示例11提供了示例1-10中任一项所述的方法，所述样本捏脸参数包括骨骼点参数和/或妆容参数。
[0147]
根据本公开的一个或多个实施例，示例12提供了一种图像生成方法，包括：响应于用户请求，获取目标对象图像；基于所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过示例1-11中任一项所述的图像生成模型训练方法进行训练所得；基于所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
[0148]
根据本公开的一个或多个实施例，示例13提供了一种图像生成模型训练装置，包括：第一获取模块，用于获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；生成模块，用于根据所述第一获取模块获取到的所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；训练模块，用于利用所述生成模块生成的所述伪标签进行有监督模型训练，以得到图像生成模型。
[0149]
根据本公开的一个或多个实施例，示例14提供了一种图像生成装置，包括：第二获
取模块，用于响应于用户请求，获取目标对象图像；捏脸参数提取模块，用于基于所述第二获取模块获取到的所述目标对象图像，通过图像生成模型确定所述目标对象图像对应的目标捏脸参数，其中，所述图像生成模型是通过示例1-11中任一项所述的图像生成模型训练方法进行训练所得；渲染模块，用于基于所述捏脸参数提取模块提取到的所述目标捏脸参数进行人脸渲染，得到所述目标对象图像对应的目标虚拟对象图像。
[0150]
根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-12中任一项所述方法的步骤。
[0151]
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-12中任一项所述方法的步骤。
[0152]
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。
[0153]
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若干具体实现细节，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。
[0154]
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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。