-
公开(公告)号：CN112581358A
公开(公告)日：2021-03-30
申请号：CN202011497173.0
申请日：2020-12-17
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开提供了一种图像处理模型的训练方法、装置、电子设备及存储介质，属于多媒体技术领域。方法包括：将第一样本人脸图像对应的第一头发图像输入图像处理模型中的头发线条迁移网络，得到第二头发图像；获取第一样本风格图像对应的第三头发图像；将该第一样本人脸图像、该第二头发图像以及该第三头发图像输入该图像处理模型中待训练的风格图像生成网络，以该第三头发图像为监督信息，对该待训练的风格图像生成网络进行迭代训练，得到训练完毕的图像处理模型。上述方案，通过在风格图像生成网络的训练过程中加入包括增强后的头发边缘信息的头发图像，使得图像处理模型所输出的风格图像中包括更多表示发丝的线条，提高了该风格图像的精确度。
-
公开(公告)号：CN112669441B
公开(公告)日：2023-10-17
申请号：CN202011431958.8
申请日：2020-12-09
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开关于一种对象重建方法、装置、电子设备和存储介质，其中，对象重建方法包括：将多帧待处理图像输入第一编码器进行特征提取，得到每帧待处理图像对应的第一特征信息；将第一特征信息输入对象重建模型中的特征提取网络进行特征提取，得到非固有特征信息和一个固有特征信息；将每个非固有特征信息分别和固有特征信息进行拼接，得到每帧待处理图像对应的一个全局特征信息；将全局特征信息输入对象重建模型中的渲染器进行渲染处理，得到每帧待处理图像对应的一个三维重建图像。这种方式下，可以使得在对象的特征提取时，将固有特征信息和非固有特征信息进行解耦，便于特征的迁移，如此，可以在渲染器进行图像重建时，得到效果更好的重建图像。
-
公开(公告)号：CN112581358B
公开(公告)日：2023-09-26
申请号：CN202011497173.0
申请日：2020-12-17
Applicant: 北京达佳互联信息技术有限公司
IPC: G06T3/00 , G06V40/16 , G06V10/26 , G06V10/44 , G06V10/82 , G06N3/0475 , G06N3/0464 , G06N3/09
Abstract: 本公开提供了一种图像处理模型的训练方法、装置、电子设备及存储介质，属于多媒体技术领域。方法包括：将第一样本人脸图像对应的第一头发图像输入图像处理模型中的头发线条迁移网络，得到第二头发图像；获取第一样本风格图像对应的第三头发图像；将该第一样本人脸图像、该第二头发图像以及该第三头发图像输入该图像处理模型中待训练的风格图像生成网络，以该第三头发图像为监督信息，对该待训练的风格图像生成网络进行迭代训练，得到训练完毕的图像处理模型。上述方案，通过在风格图像生成网络的训练过程中加入包括增强后的头发边缘信息的头发图像，使得图像处理模型所输出的风格图像中包括更多表示发丝的线条，提高了该风格图像的精确度。
-
公开(公告)号：CN112907725A
公开(公告)日：2021-06-04
申请号：CN202110087579.X
申请日：2021-01-22
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开关于一种图像生成、图像处理模型的训练、图像处理方法和装置，涉及图像处理技术领域。方法包括：确定用于生成人脸图像的第一隐变量；将第一隐变量输入至编码器，得到第一隐变量的面部特征；获取目标表情参数；将第一隐变量的面部特征和目标表情参数输入至解码器中，通过解码器将第一隐变量对应的表情参数调整为目标表情参数，得到第二隐变量；基于第二隐变量，生成目标表情参数对应的面部表情图像。通过上述方案，实现了通过表情参数控制面部图像中的表情，而不对面部表情图像中的其他因素产生影响，从而提高了获取的面部表情图像的准确率，进而降低了获取面部表情图像的难度。
-
公开(公告)号：CN111047507A
公开(公告)日：2020-04-21
申请号：CN201911210676.2
申请日：2019-11-29
Applicant: 北京达佳互联信息技术有限公司
Inventor： 张知行
Abstract: 本公开关于图像生成模型的训练方法、图像生成方法及装置，该训练方法包括：获取训练样本图像和目标生成图像；将训练样本图像输入图像生成模型的生成器输出训练结果图像，根据目标生成图像、训练结果图像和损失函数阈值确定辅助损失函数；根据图像生成模型的优化损失函数、辅助损失函数和辅助损失函数的权重得到生成器的最终损失函数；根据最终损失函数对生成器进行训练，直至满足收敛条件。本公开选择最小化绝对误差损失函数或最小化平方误差损失函数作为辅助损失函数，既可以实现像素值差别较小的像素点的梯度得到稳定保证，又可以实现像素值差别较大的像素点具有更大的梯度，提升图像生成模型的图像处理效果。
-
Patent Agency Ranking
公开(公告)号：CN111047507B
公开(公告)日：2024-03-26
申请号：CN201911210676.2
申请日：2019-11-29
Applicant: 北京达佳互联信息技术有限公司
Inventor： 张知行
IPC: G06T3/04 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本公开关于图像生成模型的训练方法、图像生成方法及装置，该训练方法包括：获取训练样本图像和目标生成图像；将训练样本图像输入图像生成模型的生成器输出训练结果图像，根据目标生成图像、训练结果图像和损失函数阈值确定辅助损失函数；根据图像生成模型的优化损失函数、辅助损失函数和辅助损失函数的权重得到生成器的最终损失函数；根据最终损失函数对生成器进行训练，直至满足收敛条件。本公开选择最小化绝对误差损失函数或最小化平方误差损失函数作为辅助损失函数，既可以实现像素值差别较小的像素点的梯度得到稳定保证，又可以实现像素值差别较大的像素点具有更大的梯度，提升图像生成模型的图像处理效果。
-
公开(公告)号：CN113706369A
公开(公告)日：2021-11-26
申请号：CN202010437578.9
申请日：2020-05-21
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开关于一种图像处理方法、装置、电子设备及存储介质，以至少解决利用生成式对抗网络GAN，将形状与参考对象的形状差异大的待处理对象处理为参考对象的类型的图片时，准确性差的问题。该方法包括：获取原始图像；原始图像包括待处理对象；对待处理对象进行图像变形处理，将图像变形处理后的待处理对象的形状处理为参考对象的形状，得到中间图像；对中间图像中图像变形处理后的待处理对象进行纹理处理，将纹理处理后的待处理对象的纹理处理为参考对象的纹理，得到目标图像。
-
公开(公告)号：CN112669441A
公开(公告)日：2021-04-16
申请号：CN202011431958.8
申请日：2020-12-09
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开关于一种对象重建方法、装置、电子设备和存储介质，其中，对象重建方法包括：将多帧待处理图像输入第一编码器进行特征提取，得到每帧待处理图像对应的第一特征信息；将第一特征信息输入对象重建模型中的特征提取网络进行特征提取，得到非固有特征信息和一个固有特征信息；将每个非固有特征信息分别和固有特征信息进行拼接，得到每帧待处理图像对应的一个全局特征信息；将全局特征信息输入对象重建模型中的渲染器进行渲染处理，得到每帧待处理图像对应的一个三维重建图像。这种方式下，可以使得在对象的特征提取时，将固有特征信息和非固有特征信息进行解耦，便于特征的迁移，如此，可以在渲染器进行图像重建时，得到效果更好的重建图像。
-
公开(公告)号：CN112907725B
公开(公告)日：2023-09-26
申请号：CN202110087579.X
申请日：2021-01-22
Applicant: 北京达佳互联信息技术有限公司
IPC: G06T17/00 , G06V40/16 , G06V10/82 , G06N3/044 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本公开关于一种图像生成、图像处理模型的训练、图像处理方法和装置，涉及图像处理技术领域。方法包括：确定用于生成人脸图像的第一隐变量；将第一隐变量输入至编码器，得到第一隐变量的面部特征；获取目标表情参数；将第一隐变量的面部特征和目标表情参数输入至解码器中，通过解码器将第一隐变量对应的表情参数调整为目标表情参数，得到第二隐变量；基于第二隐变量，生成目标表情参数对应的面部表情图像。通过上述方案，实现了通过表情参数控制面部图像中的表情，而不对面部表情图像中的其他因素产生影响，从而提高了获取的面部表情图像的准确率，进而降低了获取面部表情图像的难度。
-
公开(公告)号：CN113642551A
公开(公告)日：2021-11-12
申请号：CN202010344582.0
申请日：2020-04-27
Applicant: 北京达佳互联信息技术有限公司
Inventor： 张知行
Abstract: 本公开关于一种指甲关键点检测方法、装置、电子设备及存储介质，其中方法通过获取具有指甲区域的待检测图像，并将待检测图像输入关键点检测模型中进行关键点提取，从而得到与指甲区域中指甲的方向对应的指甲关键点坐标，由于关键点检测模型是采用包括了角度损失项和距离损失项的预设损失函数进行训练后得到的，从而保证了模型输出结果的稳定性与准确性，即得到的指甲关键点坐标具有稳定的方向性，因此，避免了传统技术中因指甲关键点存在方向抖动，而导致难以完成素材贴合的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.034 seconds)
