一种捏脸参数生成、模型训练方法及装置与流程

1.本发明涉及人工智能技术领域，特别是涉及一种捏脸参数生成、模型训练方法及装置。


背景技术：

2.为了提高用户的兴趣与积极性，越来越多的应用程序加入了捏脸功能，捏脸功能中提供了可以供用户调整的、各捏脸维度的捏脸参数，各捏脸维度对应于各个预设的捏脸部位，用户能够通过调整捏脸参数调整各个捏脸部位的蒙皮位置，从而改变各捏脸部位在预设捏脸模型上的展现方式，进而自定义应用程序中虚拟角色的脸部外观。
3.一些情况下，用户想要将虚拟角色的脸部外观捏成自己的脸部外观，以提高自身的参与感。但是，用户自身的捏脸水平是有限的，难以通过调整捏脸参数将虚拟角色的脸部外观调整为自己的脸部外观。
4.为此，需要提供一种捏脸参数生成方案，以提高为用户生成想要的脸部外观的准确率。


技术实现要素：

5.本发明实施例的目的在于提供一种捏脸参数生成、模型训练方法及装置，以提高为用户生成想要的脸部外观的准确率。具体技术方案如下：
6.在本发明实施的第一方面，首先提供了一种捏脸参数生成方法，所述方法包括：
7.对脸部图像进行三维重建，得到第一重建脸部模型；
8.获得表征所述第一重建脸部模型内模型点相对位置关系的目标点位位置信息；
9.基于所述目标点位位置信息，生成各捏脸部位对应的捏脸参数。
10.在本发明实施的第二方面，提供了一种模型训练方法，包括：
11.获得包含各捏脸部位对应的捏脸参数的样本捏脸参数；
12.根据所述样本捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置，生成样本渲染脸部模型；
13.获得表征所述样本渲染脸部模型内模型点相对位置关系的样本点位位置信息；
14.将所述样本点位位置信息输入预设的神经网络模型进行捏脸参数值预测，得到所述神经网络模型输出的、包含各捏脸部位对应的捏脸参数的预测捏脸参数；
15.根据所述预测捏脸参数与所述样本捏脸参数之间的差异，对所述神经网络模型进行网络参数调整，得到捏脸参数生成模型。
16.在本发明实施的第三方面，提供了一种捏脸参数生成装置，所述装置包括：
17.三维重建模块，用于对脸部图像进行三维重建，得到第一重建脸部模型；
18.点位位置信息获得模块，用于获得表征所述第一重建脸部模型内模型点相对位置关系的目标点位位置信息；
19.捏脸参数生成模块，用于基于所述目标点位位置信息，生成各捏脸部位对应的捏
脸参数。
20.在本发明实施的第四方面，提供了一种模型训练装置，所述装置包括：
21.样本捏脸参数获得模块，用于获得包含各捏脸部位对应的捏脸参数的样本捏脸参数；
22.样本渲染脸部模型获得模块，用于根据所述样本捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置，生成样本渲染脸部模型；
23.样本点位位置信息获得模块，用于获得表征所述样本渲染脸部模型内模型点相对位置关系的样本点位位置信息；
24.捏脸参数值预测模块，用于将所述样本点位位置信息输入预设的神经网络模型进行捏脸参数值预测，得到所述神经网络模型输出的、包含各捏脸部位对应的捏脸参数的预测捏脸参数；
25.网络参数调整模块，用于根据所述预测捏脸参数与所述样本捏脸参数之间的差异，对所述神经网络模型进行网络参数调整，得到捏脸参数生成模型。
26.在本发明实施的第五方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
27.存储器，用于存放计算机程序；
28.处理器，用于执行存储器上所存放的程序时，实现本发明实施例提供捏脸参数生成方法或模型训练方法。
29.在本发明实施的第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供捏脸参数生成方法或模型训练方法。
30.在本发明实施的第七方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例提供捏脸参数生成方法或模型训练方法。
31.由以上可见，应用本发明实施例提供的方案生成捏脸参数时，首先对脸部图像进行三维重建，得到第一重建脸部模型，然后获得表征第一重建脸部模型内模型点相对位置关系的目标点位位置信息，再使用所获得的目标点位位置信息，生成各捏脸部位对应的捏脸参数。其中，由于第一重建脸部模型是对脸部图像进行三维重建得到的，其能够较高程度的还原脸部图像中的人脸外观，第一重建脸部模型的目标点位位置信息反映了第一重建脸部模型内模型点的相对位置关系，因此，基于目标点位位置信息，可以得到用于生成趋近于上述第一重建脸部模型的虚拟外观模型的捏脸参数，从而基于上述捏脸参数生成的虚拟脸部模型与脸部图像中脸部外观相似度较高，提高了为用户生成想要的脸部外观的准确率。
附图说明
32.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
33.图1为本发明实施例提供的第一种捏脸参数生成方法的流程示意图；
34.图2为本发明实施例提供的一种捏脸参数生成流程的示意图；
35.图3为本发明实施例提供的第二种捏脸参数生成方法的流程示意图；
36.图4为本发明实施例提供的一种模型训练方法的流程示意图；
37.图5为本发明实施例提供的一种神经网络模型的架构示意图；
38.图6为本发明实施例提供的一种模型训练流程的示意图；
39.图7为本发明实施例提供的一种捏脸参数生成装置的结构示意图；
40.图8为本发明实施例提供的一种模型训练装置的结构示意图；
41.图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
42.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.由于用户自身的捏脸能力是有限的，难以通过调整捏脸参数将虚拟角色的脸部外观调整为自己的脸部外观，因此，本发明实施例提供了一种捏脸参数生成、模型训练方法装置、设备及存储介质，以提高为用户生成想要的脸部外观的准确率。下面分别进行介绍。
44.本发明的一个实施例中，提供了一种捏脸参数生成方法，上述方法包括：
45.对脸部图像进行三维重建，得到第一重建脸部模型；
46.获得表征所述第一重建脸部模型内模型点相对位置关系的目标点位位置信息；
47.基于所述目标点位位置信息，生成各捏脸部位对应的捏脸参数。
48.由以上可见，应用本发明实施例提供的方案生成捏脸参数时，由于第一重建脸部模型是对脸部图像进行三维重建得到的，其能够较高程度的还原脸部图像中的人脸外观，第一重建脸部模型的目标点位位置信息反映了第一重建脸部模型内模型点的相对位置关系，因此，基于目标点位位置信息，可以得到用于生成趋近于上述第一重建脸部模型的虚拟外观模型的捏脸参数，从而基于上述捏脸参数生成的虚拟脸部模型与脸部图像中脸部外观相似度较高，提高了为用户生成想要的脸部外观的准确率。
49.本发明实施例中涉及了多个模型，为便于区分这些模型，下面先对这些模型进行介绍。
50.1、第一重建脸部模型，该模型是三维重建模型，是通过对脸部图像进行三维重建得到的。
51.2、样本渲染脸部模型，该模型是三维模型，是通过样本捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置得到的。
52.3、捏脸参数生成模型，该模型是神经网络模型，用于生成捏脸参数，是通过对预设的神经网络模型进行训练得到的。
53.由以上可以看出，本发明实施例中涉及到的大多数模型是从模型获得方式或模型用途角度进行命名的，主要是为了从名称上能够直观的体现出模型的获得方式或用途。
54.下面对本发明实施例所提供捏脸参数生成方法的执行主体进行说明。
55.本发明实施例所提供捏脸参数生成方法的执行主体可以为具有捏脸功能的应用程序所在的客户端，也可以是上述应用程序的后台服务器。
56.在执行主体不同时，采用上述捏脸参数进行捏脸从而生成虚拟脸部外观模型的流程存在区别，鉴于此，下面再对执行主体不同时上述虚拟脸部外观模型的生成流程进行简
要说明。
57.当执行主体为客户端时，用户将脸部图像上传至客户端，客户端根据本发明实施例提供捏脸参数生成方法得到脸部图像对应的捏脸参数，根据得到的捏脸参数对初始脸部模型进行参数设置以改变各捏脸部位的大小、形状等，并可以进一步的对参数设置后的模型进行渲染，最终得到虚拟脸部外观模型。
58.当执行主体为后台服务器时，用户将脸部图像上传至客户端，客户端将脸部图像发送至后台服务器，后台服务器根据本发明实施例提供捏脸参数生成方法得到脸部图像对应的捏脸参数，并将捏脸参数返回至客户端，从而客户端根据得到的捏脸参数得到上述虚拟脸部外观模型。
59.下面通过具体实施例对本发明实施例提供的捏脸参数生成方法进行详细说明。
60.参见图1，图1为本发明实施例提供的第一种捏脸参数生成方法的流程示意图，上述方法包括以下步骤s101-s103。
61.步骤s101：对脸部图像进行三维重建，得到第一重建脸部模型。
62.上述脸部图像可以为图像采集设备对脸部区域拍摄后得到的、包含脸部区域的图像，由用户通过客户端上传，用户希望捏脸得到的虚拟角色的脸部外观近似于上述脸部图像中的脸部外观。
63.具体的，可以采用三维重建算法对上述脸部图像进行三维重建，得到第一重建脸部模型。
64.例如，上述三维重建算法可以是3dmm(3d morphable face model，可变形人脸模型)算法、立体匹配算法、sfm(structure from motion，运动恢复结构)算法等。
65.需要说明的是，根据所选用的算法的不同，需要用户上传的脸部图像的数量可以不同。
66.例如，采用3dmm算法进行三维重建时，可以仅需要一张正面脸部区域图像；采用sfm算法进行三维重建时，可以需要多张不同角度的脸部区域图像等。
67.步骤s102：获得表征第一重建脸部模型内模型点相对位置关系的目标点位位置信息。
68.第一重建脸部模型由模型点构成，第一重建脸部模型中模型点的数量由对脸部图像进行三维重建时采用的三维重建算法决定。
69.如，上述三维重建算法为3dmm算法，则得到的第一重建脸部模型中模型点的数量可以为5万等。
70.目标点位位置信息表征了第一重建脸部模型内模型点相对位置关系，基于目标点位位置信息，可以还原出第一重建模型。
71.具体的，可以通过以下方式获取上述目标点位位置信息。
72.一种实施方式中，对脸部图像进行三维重建之后，可以得到obj格式的文件，上述obj文件中记录有描述第一重建脸部模型的数据，具体的，可以记录有第一重建脸部模型内模型点相对位置关系，得到了obj文件也即得到了第一重建脸部模型。这种情况下可以从上述obj文件中得到目标点位位置信息。
73.另一种实施方式中，可以根据第一重建脸部模型中各模型点的三维坐标得到上述目标点位位置信息。由于第一重建脸部模型由模型点构成，每一模型点均与一个三维坐标
对应，因此根据各模型点的三维坐标，可以通过坐标的运算得到各模型点的相对位置关系，也即得到上述目标点位位置信息。
74.步骤s103：基于目标点位位置信息，生成各捏脸部位对应的捏脸参数。
75.首先对捏脸部位和捏脸参数进行说明。
76.提供捏脸功能的应用程序中，会提供一个用于渲染虚拟角色的脸部外观的初始脸部模型，上述初始脸部模型中可以调整变形的脸部区域即为上述捏脸部位，例如，捏脸部位可以为鼻部区域、嘴部区域、眼睛区域、眉毛区域、颧骨区域、苹果肌区域等。
77.捏脸参数即为上述捏脸区域对应的调节指标，用户可以通过调节捏脸参数来改变各捏脸区域在初始脸部模型中的形状、大小等，上述各捏脸部位的在初始脸部模型中的形状、大小等也可以称为各捏脸部位的蒙皮位置，这样通过调整各捏脸部位的蒙皮位置可以得到不同的虚拟脸部模型。为了便于描述，以下将上述各捏脸区域在初始脸部模型中的形状、大小等简称为各捏脸区域在初始脸部模型中的展现方式。
78.其中，一个捏脸部位可以对应一个捏脸参数，也可以对应多个捏脸参数，下面通过举例进行说明。
79.例如，捏脸区域a为鼻部区域，对应一个捏脸参数a1，a1表征鼻部区域高度；又如，捏脸区域b为嘴部区域，分别对应3个捏脸参数b1、b2和b3，b1表征嘴部区域高度，b2表征嘴唇厚度，b3表征嘴角倾斜程度等。
80.具体的，得到上述目标点位位置信息之后，可以通过以下方式生成各捏脸部位对应的捏脸参数。
81.一种实施方式中，可以根据重建模型的点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定目标点位位置信息对应的各捏脸部位的捏脸参数。具体实施方式详见后续图3所示实施例中步骤s303，这里暂不详述。
82.另一种实施方式中，可以将目标点位位置信息输入预先训练的捏脸参数生成模型，得到捏脸参数生成模型输出的各捏脸部位对应的捏脸参数。
83.其中，上述捏脸参数生成模型为：以样本渲染脸部模型的样本点位位置信息为输入信息、样本捏脸参数为训练标注对预设的神经网络模型进行训练得到的、用于生成捏脸参数的模型，样本渲染脸部模型为：基于样本捏脸参数对初始脸部模型进行参数设置生成的脸部模型。
84.上述捏脸参数生成模型的具体训练方式详见后续图4所示的实施例，这里暂不详述。
85.这样通过预先训练的捏脸参数生成模型得到上述目标点位位置信息对应的各捏脸部位的捏脸参数，减少了获得上述捏脸参数的时间，提高了获得上述捏脸参数的效率。并且，上述捏脸参数生成模型是通过大量的样本训练得到的，在训练过程中可以学习到丰富的点位位置信息与捏脸参数间的关系，能够较为准确的根据点位位置信息生成捏脸参数，因此通过上述模型可以更加准确的根据目标点位位置信息得到对应的捏脸参数。
86.由以上可见，应用本发明实施例提供的方案生成捏脸参数时，首先对脸部图像进行三维重建，得到第一重建脸部模型，然后获得表征第一重建脸部模型内模型点相对位置关系的目标点位位置信息，再使用所获得的目标点位位置信息，生成各捏脸部位对应的捏脸参数。其中，由于第一重建脸部模型是对脸部图像进行三维重建得到的，其能够较高程度
的还原脸部图像中的人脸外观，第一重建脸部模型的目标点位位置信息反映了第一重建脸部模型内模型点的相对位置关系，因此，基于目标点位位置信息，可以得到用于生成趋近于上述第一重建脸部模型的虚拟外观模型的捏脸参数，从而基于上述捏脸参数生成的虚拟脸部模型与脸部图像中脸部外观相似度较高，提高了为用户生成想要的脸部外观的准确率。
87.由于捏脸参数用于还原用户通过客户端上传的脸部图像中脸部外观，因此这样可以使得用户的客户端生成与用户上传的脸部图像相似度高的虚拟脸部外观模型，提高了捏脸功能的可玩性，有利于激发用户的兴趣，提高用户的参与感以及分享欲，从而增加用户使用应用程序的粘性。
88.本发明的一个实施例中，前述步骤s102中获得目标点位位置信息可以通过以下步骤a和步骤b实现。
89.步骤a：若第一重建脸部模型的模型拓扑结构不为初始脸部模型的拓扑结构，则将第一重建脸部模型映射为初始脸部模型的拓扑结构的第二重建脸部模型。
90.第一重建脸部模型的模型拓扑结构由对脸部图像进行三维重建时采用的三维重建算法决定，一些情况下，第一重建脸部模型的模型拓扑结构与应用程序中提供的、用于捏脸的初始脸部模型的拓扑结构并不相同。
91.一种实施方式中，可以通过对比模型中包含的模型点数量来判断模型的拓扑结构是否相同。
92.例如，第一重建脸部模型为采用3dmm算法得到的模型，包含5万个模型点，而初始脸部模型中包含1万个模型点，这样上述两个模型中包含的模型点数量不同，也就是上述两个模型的拓扑结构不同。
93.这种情况下，为了便于获得初始脸部模型中各捏脸部位对应的捏脸参数，可以将第一重建脸部模型映射为具有初始脸部模型的拓扑结构的第二重建脸部模型。
94.具体的，可以采用mesh差值映射等方式，将第一重建脸部模型的拓扑结构映射到初始脸部模型的拓扑结构，得到第二重建脸部模型。
95.步骤b：获得表征第二重建脸部模型内模型点相对位置关系的目标点位位置信息。
96.获得上述第二重建脸部模型的目标点位位置信息的方式与前述步骤s102中获得第一重建脸部模型的目标点位位置信息的方式类似，区别仅为重建脸部模型不同，这里不再赘述。
97.这样在第一重建脸部模型的模型拓扑结构与初始脸部模型的拓扑结构不相同时，可以将第一重建脸部模型的模型拓扑结构映射为具有初始脸部模型的拓扑结构的第二重建脸部模型，有利于后续根据第二重建脸部模型的目标点位位置信息获得初始脸部模型中各捏脸部位对应的捏脸参数。
98.本发明的一个实施例中，客户端基于捏脸参数对初始脸部模型进行参数设置以改变各捏脸部位的蒙皮位置，最终得到虚拟脸部外观模型之后，还可以进一步对得到的虚拟脸部外观模型进行美化处理。例如，上述美化处理可以是对脸部皮肤纹理进行细化、对脸部皮肤的光影效果进行优化等。
99.下面结合图2，介绍采用预先训练的捏脸参数生成模型生成捏脸参数时的简要流程。
100.参见图2，图2为本发明实施例提供的一种捏脸参数生成流程的示意图，下面通过
步骤s201-步骤s205介绍图2所示的捏脸参数生成流程。
101.步骤s201：获得输入图像。
102.上述输入图像为前述提及的用户上传的脸部图像。
103.步骤s202：获得第一点位位置信息。
104.具体的，得到输入图像后，通过对输出图像进行3维重建，可以得到obj格式的文件，上述obj文件中记录有第一重建脸部模型内模型点相对位置关系，得到了obj文件也即得到了第一重建脸部模型。这种情况下可以从上述obj文件中得到表征第一重建脸部模型内模型点相对位置关系的第一点位位置信息。
105.步骤s203：获得第二点位位置信息。
106.具体的，可以对第一重建脸部模型进行拓扑结构映射，得到具有初始脸部模型的拓扑结构的第二重建脸部模型，上述第二重建脸部模型也是通过obj格式的文件保存的，obj文件中记录有第二重建脸部模型内模型点相对位置关系，这样可以从上述obj文件中得到表征第二重建脸部模型内模型点相对位置关系的第二点位位置信息。
107.步骤s204：输入捏脸参数生成模型。
108.具体的，由于第二重建脸部模型是通过obj格式的文件保存的，文件中记录有第二重建脸部模型的第二点位位置信息，因此可以将上述obj文件输入预先训练的捏脸参数生成模型，这样也就是将第二点位位置信息输入了捏脸参数生成模型。
109.步骤s205：输出捏脸参数。
110.将第二点位位置信息输入捏脸参数生成模型后，模型通过预测，可以生成并输出第二点位位置信息对应的各捏脸部位的捏脸参数。
111.需要说明的是，图2所示的流程为第一重建脸部模型的模型拓扑结构与初始脸部模型的拓扑结构不相同时的捏脸参数生成流程，若上述两种拓扑结构相同，则上述流程可以不包含s203。
112.在图1所示实施例的基础上，在基于目标点位位置信息生成捏脸参数时，可以根据点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定目标点位位置信息对应的各捏脸部位的捏脸参数。鉴于上述情况，本发明实施例提供了第二种捏脸参数生成方法。
113.参见图3，为本发明实施例提供的第二种捏脸参数生成方法的流程示意图，上述方法包括以下步骤s301-步骤s303。
114.步骤s301：对脸部图像进行三维重建，得到第一重建脸部模型。
115.步骤s302：获得表征第一重建脸部模型内模型点相对位置关系的目标点位位置信息。
116.上述步骤s301和步骤s302与前述图1所示实施例中步骤s101和步骤s102相同，这里不再赘述。
117.步骤s303：基于目标点位位置信息以及点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定目标点位位置信息对应的各捏脸部位的捏脸参数。
118.其中，上述对应关系根据批量选取的捏脸参数以及渲染脸部模型的点位位置信息确定，渲染脸部模型为：基于所选取的捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置生成的脸部模型。
119.可见，上述渲染脸部模型为基于所选取的捏脸参数对初始脸部模型进行参数设置
生成的脸部模型，也就是捏脸参数确定之后可以得到渲染脸部模型，这样通过批量选取捏脸参数，并基于所选取的捏脸参数生成渲染脸部模型，可以得到渲染脸部模型的点位位置信息与捏脸参数之间的对应关系。
120.下面介绍上述批量选取的捏脸参数的来源。
121.一种实施方式中，批量选取的捏脸参数包括：从预设的各捏脸部位对应的捏脸参数极限值开始，按照预设步长间隔选取在各捏脸部位对应的捏脸参数范围内的捏脸参数。上述预设间隔可以根据预期获取的捏脸参数数量设定。
122.例如，可以在各捏脸部位对应的捏脸参数极小值的基础上依次累加预设步长，选取每次累加后得到的捏脸参数，直到累加后得到的捏脸参数大于各捏脸部位对应的捏脸参数极大值。
123.另一种实施方式中，批量选取的捏脸参数包括：在预设的各捏脸部位对应的捏脸参数范围内按照正态分布第一预设数量次随机选取的各捏脸部位对应的捏脸参数。上述第一预设数量可以根据预期获取的捏脸参数数量设定。
124.采用正态分布的方式在预设的各捏脸部位对应的捏脸参数范围内随机选取捏脸参数，可以使得最终得到的各捏脸部位对应的捏脸参数满足正态分布的特点，即最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数中间取值越接近的捏脸参数越多，与各捏脸部位对应的捏脸参数中间取值差距越大的捏脸参数越少。
125.对于各捏脸部位来说，其捏脸参数的中间取值在初始脸部模型中对应的展现方式往往是该捏脸部位最为符合真实人脸特点的展现方式。
126.例如，捏脸区域a为鼻部区域，对应表征鼻部区域高度的捏脸参数a1，a1的取值范围为0-100，取值越大表征鼻部区域在初始脸部模型中位置越高。那么，当a1取值为0时，表征鼻部区域在初始脸部模型中位置较低；当a1取值为100时，其表征鼻部区域在初始脸部模型中位置较高；当a1取值为50时，表征鼻部区域在初始脸部模型中高度适中。也就是，当a1取值为50时，其表征的鼻部区域在初始脸部模型中的位置最符合真实人脸的特点。
127.因此，各捏脸部位对应的捏脸参数的中间取值也往往是用户最常设置的取值。
128.可见，这样可以有利于使得选取的在中间取值附近的捏脸参数数量较多，有利于使得捏脸参数表征的捏脸部位在初始脸部模型中对应的展现方式更加符合真实人脸的特点，也更加符合真实场景下用户选取捏脸参数时的特点。
129.再一种实施方式中，批量选取的捏脸参数还包括在各捏脸部位对应的捏脸参数极限值的预设浮动范围内第二预设数量次随机选取的捏脸参数。具体实施方式详见后续实施例，这里暂不详述。
130.具体的，得到渲染脸部模型的点位位置信息与各捏脸部位的对应关系之后，可以按照上述对应关系，确定出第一重建脸部模型的目标点位位置信息对应的各捏脸部位的捏脸参数。
131.其中，上述渲染脸部模型是对初始脸部模型进行参数设置得到的，其拓扑结构与初始脸部模型的拓扑结构相同。
132.一种情况下，若第一重建脸部模型的拓扑结构与初始脸部模型不同，可以将第一重建脸部模型映射为具有初始脸部模型的拓扑结构的第二重建脸部模型，基于第二重建脸部模型的目标点位位置信息和上述对应关系确定目标点位位置信息对应的各捏脸部位的
捏脸参数。将第一重建脸部模型映射为具有初始脸部模型的拓扑结构的第二重建脸部模型的方式已在前述实施例中说明，这里不再赘述。
133.由以上可见，应用本发明实施例提供的捏脸参数生成方法生成捏脸参数时，可以基于目标点位位置信息以及点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定目标点位位置信息对应的各捏脸部位的捏脸参数。其中，上述对应关系根据批量选取的捏脸参数以及渲染脸部模型的点位位置信息确定，由于渲染脸部模型是根据各捏脸部位对应的捏脸参数得到的，因此，基于渲染脸部模型的点位位置信息与捏脸参数之间的对应关系，可以准确的得到目标点位位置信息对应的各捏脸部位的捏脸参数。
134.下面对前述选取捏脸方式一种实施方式进行说明。
135.再一种实施方式中，批量选取的捏脸参数除了包括在各捏脸部位对应的捏脸参数范围内按照正态分布第一预设数量次随机选取的各捏脸部位对应的捏脸参数之外，还包括在各捏脸部位对应的捏脸参数极限值的预设浮动范围内第二预设数量次随机选取的捏脸参数。
136.上述第二预设数量可以根据预期获取的捏脸参数数量设定，预设浮动范围可以由工作人员根据经验设定。
137.这样还额外增加了最终得到的捏脸参数中在各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量。
138.由前述步骤s303中介绍的实施方式可知，对于各捏脸部位来说，其捏脸参数的中间取值在初始脸部模型中对应的展现方式往往是该捏脸部位最为符合真实人脸特点的展现方式，相对的，捏脸参数极取值附近的取值在初始脸部模型中对应的展现方式往往不符合真实人脸特点。
139.然而，经调查发现，用户除了常常设置各捏脸部位对应的捏脸参数中间取值之外，出于新鲜、猎奇等心理，也会经常设置各捏脸部位对应的捏脸参数极限值附近的取值，以使得基于上述捏脸参数生成的虚拟人脸模型与真实人脸反差较大。因此，选取极限值附近的捏脸参数是符合真实场景下用户选取捏脸参数的特点的。
140.综上，采用上述方式批量选取捏脸参数时，一方面，由于批量选取的捏脸参数包含在各捏脸部位对应的捏脸参数范围内按照正态分布随机选取的各捏脸部位对应的捏脸参数，这样可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数中间取值接近的捏脸参数的数量较多，有利于使得批量选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点；另一方面，还可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量也较多，这样考虑了多种用户在实际场景中选取的捏脸参数取值分布特点，进一步有利于使得选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点。
141.与上述捏脸参数生成方法相对应的，本发明还提供了一种模型训练方法。
142.参见图4，为本发明实施例提供的一种模型训练方法的流程示意图，上述方法包括以下步骤s401-步骤s405。
143.步骤s401：获得包含各捏脸部位对应的捏脸参数的样本捏脸参数。
144.具体的，可以通过以下方式获取上述样本捏脸参数。
145.一种实施方式中，可以从预设的各捏脸部位对应的捏脸参数极限值开始，按照预
设步长间隔选取在各捏脸部位对应的捏脸参数范围内的捏脸参数，将每次选取到的各捏脸部位对应的捏脸参数作为样本捏脸参数。
146.上述实施方式已在前述图3所示实施例中步骤s303中说明，这里不再赘述。
147.另一种实施方式中，可以在各捏脸部位对应的捏脸参数范围内，按照正态分布随机选取各捏脸部位对应的捏脸参数，将每次选取到的各捏脸部位对应的捏脸参数作为样本捏脸参数。
148.其中，选取各捏脸部位对应的捏脸参数的次数可以根据预期获取的样本捏脸参数总数设定，例如，上述选取次数可以为5万。
149.这样可以使得选取的各捏脸部位对应的捏脸参数满足正态分布的特点，即最终得到的捏脸参数中，在各捏脸部位对应的捏脸参数中间取值附近的捏脸参数数量较多。
150.结合前述实施例可知，各捏脸部位对应的捏脸参数的中间取值往往是用户最常设置的取值，可见，这样有利于使得选取的捏脸参数符合真实场景下用户选取的捏脸参数特点，从而使得样本捏脸参数符合真实场景下用户选取的捏脸参数特点，进而有利于使得采用上述样本捏脸参数对于模型的训练与真实场景更加匹配。
151.再一种实施方式中，可以在各捏脸部位对应的捏脸参数范围内，按照正态分布随机选取各捏脸部位对应的捏脸参数，并在各捏脸部位对应的捏脸参数极限值的预设浮动范围内随机选取捏脸参数，将每次选取到的各捏脸部位对应的捏脸参数作为样本捏脸参数。
152.其中，在各捏脸部位对应的捏脸参数极限值的预设浮动范围内随机选取捏脸参数的次数可以根据预期获取的样本捏脸参数总数设定，例如，上述次数可以为2万。
153.这样还额外增加了选取的捏脸参数中在各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量。
154.结合前述实施例可知，用户在真实场景下会经常设置各捏脸部位对应的捏脸参数极限值附近的取值，因此，选取极限值附近的捏脸参数符合真实场景下用户选取捏脸参数的特点，从而得到的样本捏脸参数更加符合真实场景下用户选取的捏脸参数的特点
155.综上，采用上述方式批量选取捏脸参数时，一方面，由于批量选取的捏脸参数包含在各捏脸部位对应的捏脸参数范围内按照正态分布随机选取的各捏脸部位对应的捏脸参数，这样可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数中间取值接近的捏脸参数的数量较多，有利于使得批量选取的捏脸参数符合真实场景下用户选取的捏脸参数的特点；另一方面，还可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量也较多，进一步有利于使得选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点。这样考虑了多种用户在实际场景中选取的捏脸参数取值分布特点，综合采用上述两种捏脸参数选择方式，使得基于选取的捏脸参数得到的样本捏脸参数更加符合真实场景下用户选取的捏脸参数的特点，进一步使得采用上述样本捏脸参数对于模型的训练与真实场景更加匹配。
156.步骤s402：根据样本捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置，生成样本渲染脸部模型。
157.具体的，捏脸参数与初始脸部模型中的参数可以有预先设置的映射关系，这样基于样本捏脸参数以及上述映射关系，可以对初始脸部模型进行参数设置，从而调整初始脸部模型中各捏脸部位的展现方式，生成样本渲染脸部模型。
158.步骤s403：获得表征样本渲染脸部模型内模型点相对位置关系的样本点位位置信息。
159.上述样本点位位置信息的获取方式与前述图1所示实施例中步骤s102介绍的目标点位位置信息的获取方式类似，区别仅为模型点所属的模型不同，这里不再赘述。
160.步骤s404：将样本点位位置信息输入预设的神经网络模型进行捏脸参数值预测，得到神经网络模型输出的、包含各捏脸部位对应的捏脸参数的预测捏脸参数。
161.一种实施方式中，上述预设的神经网络模型包括：
162.第三预设数量个子网络、第四预设数量个全连接层和一个输出层。
163.其中，各个子网络包括：一个卷积层、一个批量归一化bn(batch normalization，批量归一化)层以及一个relu激活函数层，输出层用于对输出层的输入参数进行映射处理，并输出映射结果；各个子网络结构相同、且依次级联，各个全连接层依次级联，最后一个子网络和第一个全连接层相连，最后一个全连接层与输出层相连。
164.上述各子网络中的批量归一化bn层可以通过规范化与线性变换使得前一层网络的输入数据的均值与方差都在一定范围内，从而使得后一层网络不必不断去适应底层网络中输入数据的变化，从而实现了网络中层与层之间的解耦，允许每一层进行独立学习，有利于减少各网络层的参数，提高整个神经网络的学习速度。
165.上述输出层可以是一个sigmod层，用于将输出层的输入参数映射为[0-1]间的取值并输出。
[0166]
这样采用多个包含一个卷积层、一个批量归一化bn层以及一个relu激活函数层的子网络依次级联的架构方式，有利于减少各网络层的参数，使得模型更加精炼，且有利于加快模型的学习速度。
[0167]
下面结合图5，说明上述神经网络模型的架构方式。
[0168]
参见图5，为本发明实施例提供的一种神经网络模型的架构示意图。
[0169]
由图可以看出，该神经网络模型包括子网络1、子网络2
……
子网络5这5个子网络，2个全连接层以及1个输出层。
[0170]
其中，每一子网络均包括一个卷积层、一个批量归一化bn层以及一个relu激活函数层，各个子依次级联，最后一个子网络5和第一个全连接层1相连，全连接层1和全连接层2依次级联，最后一个全连接层2与输出层相连。
[0171]
需要说明的是，图5仅为便于理解而做出的示例，本发明实施例并不限定神经网络模型中包含的子网络或网络层的数量，也不限定神经网络模型中包含的网络层的种类。上述子网络或网络层的数量、网络层的种类均可以根据实际应用场景确定。
[0172]
例如，一些情况下，可以在上述全连接层的上一层增加一个flatten特征压平层，用于把多维的输入特征一维化，作为子网络与全连接层之间的过渡等。
[0173]
步骤s405：根据预测捏脸参数与样本捏脸参数之间的差异，对神经网络模型进行网络参数调整，得到捏脸参数生成模型。
[0174]
具体的，可以根据上述预测捏脸参数与样本捏脸参数之间的差异计算神经网络模型生成捏脸参数时产生的损失值，采用上述损失值对神经网络模型的网络参数进行调整，基于调整后的参数继续迭代训练，在满足预设的训练结束条件后完成训练，得到训练完成的捏脸参数生成模型。
[0175]
上述预设的训练结束条件可以是损失值小于预设值、达到预设的训练次数、达到第五预设数量个训练周期等。其中，一个训练周期表示采用全部样本点位位置信息对模型进行一轮训练。
[0176]
例如，对于本实施例的模型训练方法来说，训练20周期时模型开始收敛，训练50周期后损失值降低到接近最低值，即上述预设数量可以为50。
[0177]
本发明不对计算损失值的具体计算方式进行限定，计算损失值的具体方式可以是采用损失函数计算，例如，上述损失函数可以是均方差损失函数、交叉熵损失函数等。
[0178]
由以上可见，应用本发明实施例提供的方案进行模型训练时，首先获得了包含各捏脸部位对应的捏脸参数的样本捏脸参数以及基于样本捏脸参数得到的样本渲染脸部模型，然后获得表征样本渲染脸部模型内模型点相对位置关系的样本点位位置信息，进而将样本点位位置信息输入模型，将样本捏脸参数作为样本点位位置信息的标注信息对模型进行训练，能够使得模型逆向学习到样本点位位置信息与样本捏脸参数之间的关系，进而使得训练后的模型能够基于输入的点位位置信息输出上述点位位置信息对应的捏脸参数，从而训练得到能够生成捏脸参数的模型。
[0179]
另外，样本点位位置信息表示样本渲染模型的模型点相对位置关系，通过样本点位位置信息可以得到样本渲染模型。因此，捏脸参数生成模型学习到样本点位位置信息与样本捏脸参数之间的关系，也可以理解为，捏脸参数生成模型学习到了样本渲染模型模型与捏脸参数之间的关系，从而能够根据输入的点位位置信息生成用于还原上述点位位置信息对应的渲染模型的捏脸参数。
[0180]
下面再结合图6，对上述模型的训练流程进行介绍。
[0181]
参见图6，为本发明实施例提供的一种模型训练流程的示意图，以下通过步骤s601-步骤s604说明图6所示的模型训练流程。
[0182]
步骤s601：选取样本捏脸参数。
[0183]
步骤s602：获得样本渲染模型。
[0184]
具体的，采用选取样本捏脸参数对初始脸部模型进行模型参数调整，得到样本渲染模型。
[0185]
步骤s603：获得样本点位位置信息。
[0186]
步骤s604：获得捏脸参数生成模型。
[0187]
具体的，将样本点位位置信息作为模型输入，将批量选取的捏脸参数作为训练标注，进行模型训练，得到捏脸参数生成模型。
[0188]
与上述捏脸参数生成方法相对应的，本发明实施例还提供了一种捏脸参数生成装置。
[0189]
参见图7，为本发明实施例提供的一种捏脸参数生成装置的结构示意图，上述装置包括以下模块701-703。
[0190]
三维重建模块701，用于对脸部图像进行三维重建，得到第一重建脸部模型；
[0191]
点位位置信息获得模块702，用于获得表征所述第一重建脸部模型内模型点相对位置关系的目标点位位置信息；
[0192]
捏脸参数生成模块703，用于基于所述目标点位位置信息，生成各捏脸部位对应的捏脸参数。
[0193]
由以上可见，应用本发明实施例提供的方案生成捏脸参数时，首先对脸部图像进行三维重建，得到第一重建脸部模型，然后获得表征第一重建脸部模型内模型点相对位置关系的目标点位位置信息，再使用所获得的目标点位位置信息，生成各捏脸部位对应的捏脸参数。其中，由于第一重建脸部模型是对脸部图像进行三维重建得到的，其能够较高程度的还原脸部图像中的人脸外观，第一重建脸部模型的目标点位位置信息反映了第一重建脸部模型内模型点的相对位置关系，因此，基于目标点位位置信息，可以得到用于生成趋近于上述第一重建脸部模型的虚拟外观模型的捏脸参数，从而基于上述捏脸参数生成的虚拟脸部模型与脸部图像中脸部外观相似度较高，提高了为用户生成想要的脸部外观的准确率。
[0194]
本发明的一个实施例中，所述捏脸参数生成模块703，具体用于基于所述目标点位位置信息以及点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定所述目标点位位置信息对应的各捏脸部位的捏脸参数，其中，所述对应关系根据批量选取的捏脸参数以及渲染脸部模型的点位位置信息确定，所述渲染脸部模型为：基于所选取的捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置生成的脸部模型。
[0195]
由以上可见，应用本发明实施例提供的捏脸参数生成方法生成捏脸参数时，可以基于目标点位位置信息以及点位位置信息与捏脸部位对应的捏脸参数之间的对应关系，确定目标点位位置信息对应的各捏脸部位的捏脸参数。其中，上述对应关系根据批量选取的捏脸参数以及渲染脸部模型的点位位置信息确定，由于渲染脸部模型是根据各捏脸部位对应的捏脸参数得到的，因此，基于渲染脸部模型的点位位置信息与捏脸参数之间的对应关系，可以准确的得到目标点位位置信息对应的各捏脸部位的捏脸参数。
[0196]
本发明的一个实施例中，所述批量选取的捏脸参数包括：在预设的各捏脸部位对应的捏脸参数范围内按照正态分布第一预设数量次随机选取的各捏脸部位对应的捏脸参数。
[0197]
可见，这样可以有利于使得选取的在中间取值附近的捏脸参数数量较多，有利于使得捏脸参数表征的捏脸部位在初始脸部模型中对应的展现方式更加符合真实人脸的特点，也更加符合真实场景下用户选取捏脸参数时的特点。
[0198]
本发明的一个实施例中，所述批量选取的捏脸参数还包括：在各捏脸部位对应的捏脸参数极限值的预设浮动范围内第二预设数量次随机选取的捏脸参数。
[0199]
综上，采用上述方式批量选取捏脸参数时，一方面，由于批量选取的捏脸参数包含在各捏脸部位对应的捏脸参数范围内按照正态分布随机选取的各捏脸部位对应的捏脸参数，这样可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数中间取值接近的捏脸参数的数量较多，有利于使得批量选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点；另一方面，还可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量也较多，这样考虑了多种用户在实际场景中选取的捏脸参数取值分布特点，进一步有利于使得选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点。
[0200]
本发明的一个实施例中，所述捏脸参数生成模块703，具体用于将所述目标点位位置信息输入预先训练的捏脸参数生成模型，得到所述捏脸参数生成模型输出的各捏脸部位对应的捏脸参数；其中，所述捏脸参数生成模型为：以样本渲染脸部模型的样本点位位置信息为输入信息、样本捏脸参数为训练标注对预设的神经网络模型进行训练得到的、用于生
成捏脸参数的模型，所述样本渲染脸部模型为：基于所述样本捏脸参数对所述初始脸部模型进行参数设置生成的脸部模型。
[0201]
这样通过预先训练的捏脸参数生成模型得到上述目标点位位置信息对应的各捏脸部位的捏脸参数，减少了获得上述捏脸参数的时间，提高了获得上述捏脸参数的效率。
[0202]
本发明的一个实施例中，所述点位位置信息获得模块702，具体用于若所述第一重建脸部模型的模型拓扑结构不为所述初始脸部模型的拓扑结构，则将所述第一重建脸部模型映射为具有所述初始脸部模型的拓扑结构的第二重建脸部模型；获得表征所述第二重建脸部模型内模型点相对位置关系的目标点位位置信息。
[0203]
这样在第一重建脸部模型的模型拓扑结构与初始脸部模型的拓扑结构不相同时，可以将第一重建脸部模型的模型拓扑结构映射为具有初始脸部模型的拓扑结构的第二重建脸部模型，有利于后续根据第二重建脸部模型的目标点位位置信息获得初始脸部模型中各捏脸部位对应的捏脸参数。
[0204]
与上述模型训练方法相对应的，本发明实施例还提供了一种模型训练装置。
[0205]
参见图8，为本发明实施例提供的一种模型训练装置的结构示意图，上述装置包括以下模块801-805。
[0206]
样本捏脸参数获得模块801，用于获得包含各捏脸部位对应的捏脸参数的样本捏脸参数；
[0207]
样本渲染脸部模型获得模块802，用于根据所述样本捏脸参数对用于渲染虚拟角色的脸部外观的初始脸部模型进行参数设置，生成样本渲染脸部模型；
[0208]
样本点位位置信息获得模块803，用于获得表征所述样本渲染脸部模型内模型点相对位置关系的样本点位位置信息；
[0209]
捏脸参数值预测模块804，用于将所述样本点位位置信息输入预设的神经网络模型进行捏脸参数值预测，得到所述神经网络模型输出的、包含各捏脸部位对应的捏脸参数的预测捏脸参数；
[0210]
网络参数调整模块805，用于根据所述预测捏脸参数与所述样本捏脸参数之间的差异，对所述神经网络模型进行网络参数调整，得到捏脸参数生成模型。
[0211]
由以上可见，应用本发明实施例提供的方案进行模型训练时，首先获得了包含各捏脸部位对应的捏脸参数的样本捏脸参数以及基于样本捏脸参数得到的样本渲染脸部模型，然后获得表征样本渲染脸部模型内模型点相对位置关系的样本点位位置信息，进而将样本点位位置信息输入模型，将样本捏脸参数作为样本点位位置信息的标注信息对模型进行训练，能够使得模型逆向学习到样本点位位置信息与样本捏脸参数之间的关系，进而使得训练后的模型能够基于输入的点位位置信息输出上述点位位置信息对应的捏脸参数，从而训练得到能够生成捏脸参数的模型。
[0212]
本发明的一个实施例中，所述样本捏脸参数获得模块801，具体用于在各捏脸部位对应的捏脸参数范围内，按照正态分布随机选取各捏脸部位对应的捏脸参数，将每次选取到的各捏脸部位对应的捏脸参数作为样本捏脸参数。
[0213]
各捏脸部位对应的捏脸参数的中间取值往往是用户最常设置的取值，可见，这样有利于使得选取的捏脸参数符合真实场景下用户选取的捏脸参数特点，从而使得样本捏脸参数符合真实场景下用户选取的捏脸参数特点，进而有利于使得采用上述样本捏脸参数对
于模型的训练与真实场景更加匹配。
[0214]
本发明的一个实施例中，所述样本捏脸参数获得模块801，具体用于在各捏脸部位对应的捏脸参数范围内，按照正态分布随机选取各捏脸部位对应的捏脸参数，并在各捏脸部位对应的捏脸参数极限值的预设浮动范围内随机选取捏脸参数，将每次选取到的各捏脸部位对应的捏脸参数作为样本捏脸参数。
[0215]
综上，采用上述方式批量选取捏脸参数时，一方面，由于批量选取的捏脸参数包含在各捏脸部位对应的捏脸参数范围内按照正态分布随机选取的各捏脸部位对应的捏脸参数，这样可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数中间取值接近的捏脸参数的数量较多，有利于使得批量选取的捏脸参数符合真实场景下用户选取的捏脸参数的特点；另一方面，还可以使得最终得到的捏脸参数中，与各捏脸部位对应的捏脸参数极限值附近的捏脸参数的数量也较多，进一步有利于使得选取的捏脸参数符合真实场景下用户选取捏脸参数时的特点。这样考虑了多种用户在实际场景中选取的捏脸参数取值分布特点，采用多种捏脸参数选择方式，使得基于选取的捏脸参数得到的样本捏脸参数更加符合真实场景下用户选取的捏脸参数的特点，进一步使得采用上述样本捏脸参数对于模型的训练与真实场景更加匹配。
[0216]
本发明的一个实施例中，所述预设的神经网络模型包括：第三预设数量个子网络、第四预设数量个全连接层和一个输出层，其中，各个子网络包括：一个卷积层、一个批量归一化bn层以及一个relu激活函数层，所述输出层用于对所述输出层的输入参数进行映射处理，并输出映射结果；各个子网络结构相同、且依次级联，各个全连接层依次级联，最后一个子网络和第一个全连接层相连，最后一个全连接层与所述输出层相连。
[0217]
这样采用多个包含一个卷积层、一个批量归一化bn层以及一个relu激活函数层的子网络依次级联的架构方式，有利于减少各网络层的参数，使得模型更加精炼，且有利于加快模型的学习速度。
[0218]
本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，
[0219]
存储器903，用于存放计算机程序；
[0220]
处理器901，用于执行存储器903上所存放的程序时，实现本发明实施例提供的捏脸参数生成方法或模型训练方法。
[0221]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0222]
通信接口用于上述终端与其他设备之间的通信。
[0223]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0224]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器
(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0225]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述本发明实施例提供的捏脸参数生成方法或模型训练方法。
[0226]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例提供的捏脸参数生成方法或模型训练方法。
[0227]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0228]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0229]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备以及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0230]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。