基于多级损失的高细粒度卡通人脸生成方法及其相关组件技术

本发明专利技术公开了基于多级损失的高细粒度卡通人脸生成方法及其相关组件，该方法包括：将人脸样本图片特征图输入至人脸生成模型的多个连续的解码模块进行解码，获取每个解码模块进行解码后的特征映射图；基于人脸样本图片特征图和每个解码模块进行解码后的特征映射图计算每个解码模块的损失，将每个解码模块的损失进行联合，得到多级损失；利用多级损失计算并更新人脸生成模型的权重，利用更新后的人脸生成模型对人脸目标图片特征图进行卡通人脸转换，得到卡通人脸图片。本发明专利技术利用多级损失对人脸生成模型的权重进行更新，从而使多级损失具备了作为监督信号影响卡通人脸生成效果的作用，提升了人脸生成模型细粒度上的生成效果。果。果。

【技术实现步骤摘要】
基于多级损失的高细粒度卡通人脸生成方法及其相关组件


[0001]本专利技术涉及图像转换
，尤其涉及基于多级损失的高细粒度卡通人脸生成方法及其相关组件。

技术介绍

[0002]目前，国内外流量较大的视频创意类软件都有卡通动漫人脸生成这一功能，例如剪映软件中有相应卡通风格模板，用户可以上传图片生成特定卡通风格人脸；苹果应用商店中的Snapchat(色拉布)软件也提供了cartoon(漫画)滤镜，可以根据输入的人脸图像生成专属的卡通动漫人脸。这些卡通人脸生成的主流方法都是基于CycleGAN网络结构实现，采用非成对训练数据集，将真实人脸图像作为源域，将特定风格的卡通动漫人脸作为目标域，使得网络在训练时可以“学习”源域和目标域的关键不同点，从而在给定源域的情况下，根据目标域的风格生成特定卡通人脸。现有卡通动漫人脸生成算法虽然可以较准确生成相应卡通风格人脸，但存在诸多改进点：1.卡通人脸生成算法大多基于CycleGAN网络结构实现，CycleGAN网络中包含生成器和判别器，生成器和判别器主要是采用编码
‑
解码结构，但是在生成器中对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多级损失的高细粒度卡通人脸生成方法，其特征在于，包括：将人脸样本图片特征图输入至人脸生成模型的多个连续的解码模块进行解码，并获取每个所述解码模块进行解码后的特征映射图；基于所述人脸样本图片特征图和每个所述解码模块进行解码后的特征映射图计算每个所述解码模块的损失，并将每个所述解码模块的损失进行联合，得到多级损失；利用所述多级损失计算并更新人脸生成模型的权重，得到更新后的人脸生成模型，利用更新后的人脸生成模型对人脸目标图片特征图进行卡通人脸转换，得到卡通人脸图片。2.根据权利要求1所述的基于多级损失的高细粒度卡通人脸生成方法，其特征在于，所述将人脸样本图片特征图输入至人脸生成模型的多个连续的解码模块进行解码，并获取每个所述解码模块进行解码后的特征映射图，包括：将第一个解码模块作为当前解码模块，并将所述人脸样本图片特征图作为当前特征图；解码步骤：将所述当前特征图输入至所述当前解码模块进行解码，输出对应的特征映射图；将所述当前解码模块输出的特征映射图作为当前特征图，并将所述当前解码模块的下一个解码模块作为当前解码模块，返回执行解码步骤，直至最后一个解码模块完成解码操作并输出对应的最终特征映射图。3.根据权利要求2所述的基于多级损失的高细粒度卡通人脸生成方法，其特征在于，所述将所述当前特征图输入至所述当前解码模块进行解码，输出对应的特征映射图，包括：将所述当前特征图输入至所述当前解码模块中的残差部分进行多次卷积操作，得到初始特征映射图；基于所述初始特征映射图和当前特征图进行融合处理，输出对应的特征映射图。4.根据权利要求3所述的基于多级损失的高细粒度卡通人脸生成方法，其特征在于，所述将所述当前特征图输入至所述当前解码模块中的残差部分进行多次卷积操作，得到初始特征映射图，包括：将所述当前特征图输入至所述残差部分的第一卷积单元进行卷积处理，得到第一卷积结果；利用ReLU激活函数对第一卷积结果进行加速收敛，并将收敛结果输入至所述残差部分的第二卷积单元进行卷积处理，得到初始特征映射图。5.根据权利要求4所述的基于多级损失的高细粒度卡通人脸生成方法，其特征在于，所述将所述当前特征图输入至所述残差部分的第一卷积单元进行卷积处理，得到第一卷积结果，包括：对所述当前特征...

【专利技术属性】
技术研发人员：王健，
申请(专利权)人：深圳万兴软件有限公司，
类型：发明
国别省市：