用于生成图像的方法和装置制造方法及图纸

本申请公开了用于生成图像的方法和装置。该方法的一具体实施方式包括：获取从目标视频中提取的至少两帧人脸图像；将至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像，生成模型在训练过程中利用损失函数更新模型参数，而该损失函数是基于单张人脸生成图像为真实人脸图像的概率和该单张人脸生成图像与标准人脸图像之间的相似度确定的。该实施方式可以提高生成模型所生成的单张人脸图像的真实性，进而提高了基于视频得到的人脸图像的质量。

【技术实现步骤摘要】
用于生成图像的方法和装置
本申请涉及计算机
，具体涉及图像处理领域，尤其涉及用于生成图像的方法和装置。
技术介绍
近年来，人脸识别技术发展迅速，应用的领域也越来越广。由于视频在拍摄中会受外界因素(例如，噪声、光线等)的影响，且视频中存在大量质量较差，姿态较大的人脸，这些都给人脸识别带来了很大的干扰，造成人脸识别效果不理想，例如不能从视频中识别出清楚、真实的人脸图像，又例如，将视频中的A错误的识别为B，这些问题会给后续的工作带来极大的不便，因此，如何从视频中获取高质量的人脸图像，并且保证获取的人脸图像是视频中人的人脸图像是亟需解决的问题。
技术实现思路
本申请的目的在于提出一种改进的用于生成图像的方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请实施例提供了一种用于生成图像的方法，该方法包括：获取从目标视频中提取的至少两帧人脸图像；将上述至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像，上述生成模型是通过以下训练步骤得到的：将由初始生成模型输出的单张人脸生成图像输入预先训练的判别模型，生成上述单张人脸生成图像为真实人脸图像的概率；基于上述概率和上述单张人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数，其中，上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息；利用上述损失函数更新上述初始生成模型的模型参数，得到生成模型。在一些实施例中，上述确定上述初始生成模型的损失函数，包括：使用预先训练的识别模型分别提取上述单张人脸生成图像的特征信息和上述标准人脸图像的特征信息，并计算上述单张人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离；基于上述概率和上述欧式距离得到上述初始生成模型的损失函数。在一些实施例中，上述初始生成模型是通过以下方式训练得到的：利用机器学习方法，将从初始训练用视频中提取的至少两帧初始训练用人脸样本图像作为输入，将预先设定的初始训练用人脸图像作为输出，训练得到初始生成模型，其中，上述至少两帧初始训练用人脸样本图像和上述初始训练用人脸图像包含同一人的人脸信息。在一些实施例中，上述判别模型是通过以下方式训练得到的：利用机器学习方法，将第一样本图像作为输入，将第一样本图像的标注信息作为输出，训练得到判别模型，其中，上述第一样本图像包括带有标注信息的正样本图像和带有标注信息的负样本图像，其中，上述负样本图像为上述生成模型输出的图像。在一些实施例中，上述识别模型是通过以下方式训练得到的：利用机器学习方法，将第二样本图像作为输入，上述第二样本图像的特征信息作为输出，训练得到识别模型。在一些实施例中，上述生成模型为长短期记忆网络模型。第二方面，本申请实施例提供了一种用于生成图像的装置，该装置包括：获取单元，用于获取从目标视频中提取的至少两帧人脸图像；生成单元，用于将上述至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像；生成模型训练单元，用于训练上述生成模型；以及上述生成模型训练单元包括：概率生成单元，用于将由初始生成模型输出的单张人脸生成图像输入预先训练的判别模型，生成上述单张人脸生成图像为真实人脸图像的概率；确定单元，用于基于上述概率和上述单张人脸生成图像与标准人脸图像之间的相似度确定上述初始生成模型的损失函数，其中，上述标准人脸图像和上述单张人脸生成图像包含同一人的人脸信息；更新单元，用于利用上述损失函数更新上述初始生成模型的模型参数，得到生成模型。在一些实施例中，上述确定单元进一步用于：使用预先训练的识别模型分别提取上述单张人脸生成图像的特征信息和上述标准人脸图像的特征信息，并计算上述单张人脸生成图像的特征信息与上述标准人脸图像的特征信息之间的欧式距离；基于上述概率和上述欧式距离得到上述初始生成模型的损失函数。在一些实施例中，上述装置还包括初始生成模型生成单元，上述初始生成模型生成单元用于：利用机器学习方法，将从初始训练用视频中提取的至少两帧初始训练用人脸样本图像作为输入，将预先设定的初始训练用人脸图像作为输出，训练得到初始生成模型，其中，上述至少两帧初始训练用人脸样本图像和上述初始训练用人脸图像包含同一人的人脸信息。在一些实施例中，上述装置还包括判别模型训练单元，上述判别模型训练单元用于：利用机器学习方法，将第一样本图像作为输入，将第一样本图像的标注信息作为输出，训练得到判别模型，其中，上述第一样本图像包括带有标注信息的正样本图像和带有标注信息的负样本图像，其中，上述负样本图像为上述生成模型输出的图像。在一些实施例中，上述装置还包括识别模型训练单元，上述识别模型训练单元用于：利用机器学习方法，将第二样本图像作为输入，上述第二样本图像的特征信息作为输出，训练得到识别模型。在一些实施例中，上述生成模型为长短期记忆网络模型。第三方面，本申请实施例提供了一种终端，该终端包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于生成图像的方法和装置，基于预先训练的生成模型使用从目标视频中提取的至少两帧人脸图像生成单张人脸图像，上述生成模型在训练过程中利用损失函数更新模型参数，而该损失函数是基于单张人脸生成图像为真实人脸图像的概率和该单张人脸生成图像与标准人脸图像之间的相似度确定的，因此，可以提高生成模型所生成的单张人脸图像的真实性，进而提高了基于视频得到的人脸图像的质量。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的用于生成图像的方法的一个实施例的流程图；图3是根据本申请的用于生成图像的方法的一个应用场景的示意图；图4是根据本申请的用于生成图像的装置的一个实施例的结构示意图；图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的用于生成图像的方法或用于生成图像的装置的实施例的示例性系统架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如游戏类应用、动画展示类应用、即时通信工具、社交平台软件等本文档来自技高网...

【技术保护点】
一种用于生成图像的方法，其特征在于，所述方法包括：获取从目标视频中提取的至少两帧人脸图像；将所述至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像，所述生成模型是通过以下训练步骤得到的：将由初始生成模型输出的单张人脸生成图像输入预先训练的判别模型，生成所述单张人脸生成图像为真实人脸图像的概率；基于所述概率和所述单张人脸生成图像与标准人脸图像之间的相似度确定所述初始生成模型的损失函数，其中，所述标准人脸图像和所述单张人脸生成图像包含同一人的人脸信息；利用所述损失函数更新所述初始生成模型的模型参数，得到生成模型。

【技术特征摘要】
1.一种用于生成图像的方法，其特征在于，所述方法包括：获取从目标视频中提取的至少两帧人脸图像；将所述至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像，所述生成模型是通过以下训练步骤得到的：将由初始生成模型输出的单张人脸生成图像输入预先训练的判别模型，生成所述单张人脸生成图像为真实人脸图像的概率；基于所述概率和所述单张人脸生成图像与标准人脸图像之间的相似度确定所述初始生成模型的损失函数，其中，所述标准人脸图像和所述单张人脸生成图像包含同一人的人脸信息；利用所述损失函数更新所述初始生成模型的模型参数，得到生成模型。2.根据权利要求1所述的方法，其特征在于，所述确定所述初始生成模型的损失函数，包括：使用预先训练的识别模型分别提取所述单张人脸生成图像的特征信息和所述标准人脸图像的特征信息，并计算所述单张人脸生成图像的特征信息与所述标准人脸图像的特征信息之间的欧式距离；基于所述概率和所述欧式距离得到所述初始生成模型的损失函数。3.根据权利要求1所述的方法，其特征在于，所述初始生成模型是通过以下方式训练得到的：利用机器学习方法，将从初始训练用视频中提取的至少两帧初始训练用人脸样本图像作为输入，将预先设定的初始训练用人脸图像作为输出，训练得到初始生成模型，其中，所述至少两帧初始训练用人脸样本图像和所述初始训练用人脸图像包含同一人的人脸信息。4.根据权利要求1所述的方法，其特征在于，所述判别模型是通过以下方式训练得到的：利用机器学习方法，将第一样本图像作为输入，将第一样本图像的标注信息作为输出，训练得到判别模型，其中，所述第一样本图像包括带有标注信息的正样本图像和带有标注信息的负样本图像，其中，所述负样本图像为所述生成模型输出的图像。5.根据权利要求2所述的方法，其特征在于，所述识别模型是通过以下方式训练得到的：利用机器学习方法，将第二样本图像作为输入，所述第二样本图像的特征信息作为输出，训练得到识别模型。6.根据权利要求1所述的方法，其特征在于，所述生成模型为长短期记忆网络模型。7.一种用于生成图像的装置，其特征在于，所述装置包括：获取单元，用于获取从目标视频中提取的至少两帧人脸图像；生成单元，用于将所述至少两帧人脸图像输入预先训练的生成模型，生成单张人脸图像；生成模型训练单元，用于训练所述生成模型；以及所述生...

【专利技术属性】
技术研发人员：何涛，张刚，刘经拓，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11