三维面部扫描增强制造技术

本说明书描述了使用神经网络增强3D面部数据的方法，以及训练神经网络增强3D面部数据的方法。根据本发明专利技术的第一方面，描述了一种训练生成器神经网络以将低质量3D面部扫描转换为高质量3D面部扫描的方法，所述方法包括：将所述生成器神经网络应用于低质量空间UV图，生成候选高质量空间UV图；将鉴别器神经网络应用于所述候选高质量空间UV图，生成重建的候选高质量空间UV图；将所述鉴别器神经网络应用于高质量地面真值空间UV图，生成重建的高质量地面真值空间UV图，其中，所述高质量地面真值空间UV图对应于所述低质量空间UV图；根据所述候选高质量空间UV图和所述重建的候选高质量空间UV图的比较，更新所述生成神经网络的参数；根据所述候选高质量空间UV图和所述重建的候选高质量空间UV图的比较以及所述高质量地面真值空间UV图和所述重建的高质量地面真值空间UV图的比较，更新所述鉴别器神经网络的参数。更新所述鉴别器神经网络的参数。更新所述鉴别器神经网络的参数。

【技术实现步骤摘要】
【国外来华专利技术】三维面部扫描增强


[0001]本说明书描述了使用神经网络增强三维面部数据的方法，以及训练神经网络增强三维面部数据的方法。

技术介绍

[0002]图像到图像转换是图像处理中普遍存在的问题，在图像到图像转换中，输入图像被转换为保持原始输入图像某些属性的合成图像。图像到图像转换的示例包括将图像从黑白转换为彩色，将白天场景转换为夜间场景，从而提高图像质量和/或处理图像的面部属性。然而，当前执行图像到图像转换的方法仅限于二维(two
‑
dimension，2D)纹理图像。
[0003]随着深度摄像机的引入，三维(three
‑
dimension，3D)图像数据的捕获和使用变得越来越普遍。然而，在此类3D图像数据上使用形状到形状转换(图像到图像转换的3D模拟)受到几个因素的限制，包括许多深度摄像机的低质量输出。这在非线性经常存在的3D面部数据中尤其如此。

技术实现思路

[0004]根据本专利技术的第一方面，描述了一种训练生成器神经网络以将低质量三维面部扫描转换为高质量三维面部扫描的方法，所述方法包本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种训练生成器神经网络以将低质量三维面部扫描转换为高质量三维面部扫描的方法，所述方法包括联合训练鉴别器神经网络和生成器神经网络，其特征在于，所述联合训练包括：将所述生成器神经网络应用于低质量空间UV图，生成候选高质量空间UV图；将所述鉴别器神经网络应用于所述候选高质量空间UV图，生成重建的候选高质量空间UV图；将所述鉴别器神经网络应用于高质量地面真值空间UV图，生成重建的高质量地面真值空间UV图，其中，所述高质量地面真值空间UV图对应于所述低质量空间UV图；根据所述候选高质量空间UV图和所述重建的候选高质量空间UV图的比较，更新所述生成器神经网络的参数；根据所述候选高质量空间UV图和所述重建的候选高质量空间UV图的比较以及所述高质量地面真值空间UV图和所述重建的高质量地面真值空间UV图的比较，更新所述鉴别器神经网络的参数。2.根据权利要求1所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络包括一组编码层和一组解码层，其中，所述编码层用于将输入空间UV图转换为嵌入，所述解码层用于将所述嵌入转换为输出空间UV图。3.根据权利要求2所述的方法，其特征在于，在所述生成器神经网络和所述鉴别器神经网络的所述联合训练期间，一个或多个所述解码层的参数是固定的。4.根据权利要求2或3所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络的所述解码层包括所述解码层的初始层中的一个或多个跳跃连接。5.根据上述权利要求中任一项所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络包括多个卷积层。6.根据上述权利要求中任一项所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络包括一个或多个全连接层。7.根据上述权利要求中任一项所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络包括一个或多个上采样层和/或子采样层。8.根据上述权利要求中任一项所述的方法，其特征在于，所述生成器神经网络和/或所述鉴别器神经网络的网络结构相同。9.根据上述权利要求中任一项所述的方法，其特征在于，更...

【专利技术属性】
技术研发人员：斯蒂利亚诺斯，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：