人脸转换模型训练方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例提供了人脸转换模型训练方法、装置、设备及介质，本发明专利技术实施例通过在人脸图像集中随机选取一个人脸图像输入至预设的人脸转换神经网络中，提取特征向量；基于特征向量和人脸转换神经网络中保存的目标人脸图像，生成换脸图像；计算与换脸图像和目标人脸图像的损失值；判断损失值是否达到预设条件；基于损失值调整人脸转换神经网络的参数；在剩余的人脸图像中随机选取一个人脸图像，输入至调整过参数的人脸转换神经网络中，提取特征向量；生成人脸转换模型。能够基于多个不同人物的人脸图像对人脸转换神经网络进行训练，进而能够得到人脸转换模型，该人脸转换模型能够提高人脸转换的处理速度。

【技术实现步骤摘要】
人脸转换模型训练方法、装置、设备及介质
本专利技术涉及数字图像处理
，尤其涉及一种人脸转换模型训练方法、装置、设备及介质。
技术介绍
人脸转换是计算机视觉领域中一个比较热门的应用，人脸转换一般可以用于视频合成、提供隐私服务、肖像更换或者其他有创新性的应用。目前，人工智能(ArtificialIntelligence，AI)技术在人脸转换上的应用得到了广泛的关注。其中，基于深度换脸(Deepfake)原理，通过训练神经网络模型实现点对点式人脸转换，即，仅能训练神经模型从A转换为B，其中，A和B是不会发生改变的。若A或B发生了改变，神经网络模型就需要重新进行训练学习。因此，点对点式人脸转换在处理多个不同人脸的时候，处理速度慢，效率低。
技术实现思路
本专利技术实施例提供了一种人脸转换模型训练方法、装置、设备及介质，能够基于多个不同人物的人脸图像对人脸转换神经网络进行训练，进而能够得到人脸转换模型，该人脸转换模型能够提高人脸转换的处理速度。第一方面，本专利技术实施例提供了一种人脸转换模型训练方法，方法包括：获取人脸图像集；所述人脸图像集包括多个不同人物的人脸图像；执行下述迭代操作：S101，在所述人脸图像集中随机选取一个人脸图像输入至预设的人脸转换神经网络中，提取特征向量，执行S102；S102，基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，执行S103；S103，计算与所述换脸图像和所述目标人脸图像的损失值，执行S104；S104，判断所述损失值是否达到预设条件；若是，则执行S107；若否，则执行S105；S105，基于损失值调整所述人脸转换神经网络的参数，执行S106；S106，在剩余的人脸图像中随机选取一个人脸图像，输入至调整过参数的人脸转换神经网络中，提取特征向量，执行S102；S107，生成人脸转换模型；其中所述预设的人脸转换神经网络由通用编码器和多个解码器构成。根据本专利技术实施例的提供的人脸转换模型训练方法，所述人脸转换神经网络中保存有多个解码器；所述基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，包括：将所述特征向量分别输入至解码器中；基于每一个所述解码器中保存的目标人脸图像和所述特征向量，生成多个换脸图像；其中，每一个解码器中保存的目标人脸图像为不同目标人物的人脸图像。根据本专利技术实施例的提供的人脸转换模型训练方法，所述人脸转换神经网络中保存有多个解码器；所述换脸图像与所述解码器一一对应；所述计算与所述换脸图像和所述目标人脸图像的损失值，包括：针对每一个解码器，计算该解码器对应的换脸图像与该解码器中保存的目标人脸图像的损失值。根据本专利技术实施例的提供的人脸转换模型训练方法，所述人脸转换神经网络包括通用编码器；所述基于损失值调整所述人脸转换神经网络的参数，包括：计算得到每一个所述解码器得到的损失值后，使用所述损失值调整该损失值对应的解码器参数，并基于每一个所述解码器得到的损失值调整所述通用编码器参数。根据本专利技术实施例的提供的人脸转换模型训练方法，所述人脸转换神经网络设计有多个损失函数；所述损失函数至少包括生成对抗式网络损失函数(GenerativeAdversarialNetsLOSS，GANLOSS)、一点绝对损失函数L1LOSS、视觉几何组损失函数(VisualGeometryGroupLOSS，VGGLOSS)。根据本专利技术实施例的提供的人脸转换模型训练方法，所述计算与所述换脸图像和所述目标人脸图像的损失值，包括：使用所述GANLOSS判断所述换脸图像与所述目标人脸图像是否一致；使用所述L1LOSS对所述换脸图像与所述目标人脸图像进行逐像素做差后，对所得到的差值进行求和；使用所述VGGLOSS对所述换脸图像和所述目标人脸图像进行对比。根据本专利技术实施例的提供的人脸转换模型训练方法，所述基于损失值调整所述人脸转换神经网络的参数，包括：依次根据所述多个损失函数得到的损失值，调整所述人脸转换神经网络的参数。第二方面，本专利技术实施例提供了一种人脸转换模型训练装置，装置包括：获取模块，用于获取人脸图像集；所述人脸图像集包括多个不同人物的人脸图像；迭代模块，用于执行下述迭代操作：S101，在所述人脸图像集中随机选取一个人脸图像输入至预设的人脸转换神经网络中，提取特征向量，执行S102；S102，基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，执行S103；S103，计算与所述换脸图像和所述目标人脸图像的损失值，执行S104；S104，判断所述损失值是否达到预设条件；若是，则执行S107；若否，则执行S105；S105，基于损失值调整所述人脸转换神经网络的参数，执行S106；S106，在剩余的人脸图像中随机选取一个人脸图像，输入至调整过参数的人脸转换神经网络中，提取特征向量，执行S102；S107，生成人脸转换模型；其中所述预设的人脸转换神经网络由通用编码器和多个解码器构成。第三方面，本专利技术实施例提供了一种计算机设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7任一项所述的方法。第四方面，本专利技术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指令，其特征在于，当所述计算机程序指令被处理器执行时实现如第一方面的方法。本专利技术实施例提供的人脸转换模型训练方法、装置、设备及介质，通过将人脸图像依次输入至人脸转换神经网络中，能够得到换脸图像，基于换脸图像和人脸转换神经网络中保存的目标人脸图像之间的损失值，调整人脸转换神经网络的参数，并将调整后的人脸转换神经网络用于下一张人脸图像的转换中，如此迭代，直至损失值是否达到预设条件，生成人脸转换模型，本专利技术实施例基于多个不同人物的人脸图像对人脸转换神经网络进行训练，进而能够得到人脸转换模型，该人脸转换模型能够提高人脸转换的处理速度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了根据本专利技术一些实施例提供的一种人脸转换模型训练方法流程图；图2示出了根据本专利技术一些实施例提供的一种人脸转换模型训练装置的结构图；图3示出了根据本专利技术一些实施例提供的一种人脸转换模型训练设备的结构图。具体实施方式下面将详细描述本专利技术的各个方面的特征和示例性实施例，为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本专利技术，本文档来自技高网...

【技术保护点】
1.一种人脸转换模型训练方法，其特征在于，所述方法包括：/n获取人脸图像集；所述人脸图像集包括多个不同人物的人脸图像；/n执行下述迭代操作：/nS101，在所述人脸图像集中随机选取一个人脸图像输入至预设的人脸转换神经网络中，提取特征向量，执行S102；/nS102，基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，执行S103；/nS103，计算与所述换脸图像和所述目标人脸图像的损失值，执行S104；/nS104，判断所述损失值是否达到预设条件；若是，则执行S107；若否，则执行S105；/nS105，基于损失值调整所述人脸转换神经网络的参数，执行S106；/nS106，在剩余的人脸图像中随机选取一个人脸图像，输入至调整过参数的人脸转换神经网络中，提取特征向量，执行S102；/nS107，生成人脸转换模型；其中所述预设的人脸转换神经网络由通用编码器和多个解码器构成。/n

【技术特征摘要】
1.一种人脸转换模型训练方法，其特征在于，所述方法包括：
获取人脸图像集；所述人脸图像集包括多个不同人物的人脸图像；
执行下述迭代操作：
S101，在所述人脸图像集中随机选取一个人脸图像输入至预设的人脸转换神经网络中，提取特征向量，执行S102；
S102，基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，执行S103；
S103，计算与所述换脸图像和所述目标人脸图像的损失值，执行S104；
S104，判断所述损失值是否达到预设条件；若是，则执行S107；若否，则执行S105；
S105，基于损失值调整所述人脸转换神经网络的参数，执行S106；
S106，在剩余的人脸图像中随机选取一个人脸图像，输入至调整过参数的人脸转换神经网络中，提取特征向量，执行S102；
S107，生成人脸转换模型；其中所述预设的人脸转换神经网络由通用编码器和多个解码器构成。


2.根据权利要求1所述的方法，其特征在于，所述人脸转换神经网络中保存有多个解码器；
所述基于所述特征向量和所述人脸转换神经网络中保存的目标人脸图像，生成换脸图像，包括：
将所述特征向量分别输入至解码器中；
基于每一个所述解码器中保存的目标人脸图像和所述特征向量，生成多个换脸图像；其中，每一个解码器中保存的目标人脸图像为不同目标人物的人脸图像。


3.根据权利要求1所述的方法，其特征在于，所述人脸转换神经网络中保存有多个解码器；所述换脸图像与所述解码器一一对应；
所述计算与所述换脸图像和所述目标人脸图像的损失值，包括：
针对每一个解码器，计算该解码器对应的换脸图像与该解码器中保存的目标人脸图像的损失值。


4.根据权利要求3所述的方法，其特征在于，所述人脸转换神经网络包括通用编码器；
所述基于损失值调整所述人脸转换神经网络的参数，包括：
计算得到每一个所述解码器得到的损失值后，使用所述损失值调整该损失值对应的解码器参数，并基于每一个所述解码器得到的损失值调整所述通用编码器参数。


5.根据权利要求1所述的方法，其特征在于，所述人脸转换神经网络设计有多个损失函数；
所...

【专利技术属性】
技术研发人员：周润楠，郑天祥，覃威宁，张涛，王志浩，张少龙，段英伦，
申请(专利权)人：北京陌陌信息技术有限公司，
类型：发明
国别省市：北京;11