【技术实现步骤摘要】
面部绑定模型的训练方法、面部绑定方法、装置及设备
[0001]本公开涉及人工智能
，尤其涉及深度学习
，可用于虚拟数字人场景。
技术介绍
[0002]目前数字人应用场景涉及大量的三维面部动画，而要驱动三维面部，必不可少的一个步骤是进行三维面部的绑定。传统的三维面部绑定流程需要投入大量的人力和时间，动画师需要进行反复的调优和测试才能得到一套可用的绑定。如何进行快速精准的三维面部绑定是一个亟待解决的技术难题。
技术实现思路
[0003]本公开提供了一种面部绑定模型的训练方法、面部绑定方法、装置及设备。
[0004]根据本公开的一方面，提供了一种面部绑定模型的训练方法，所述面部绑定模型包括第一面部绑定子模型和第二面部绑定子模型，该方法包括：
[0005]采用所述第一面部绑定子模型，对第一面部形变数据进行反向优化处理，得到所述第一面部形变数据对应的最优面部绑定参数；
[0006]采用所述第一面部绑定子模型，对所述最优面部绑定参数进行面部形变预测，得到所述第一面部形变数据对应的重建面
【技术保护点】
【技术特征摘要】
1.一种面部绑定模型的训练方法，所述面部绑定模型包括第一面部绑定子模型和第二面部绑定子模型，包括：采用所述第一面部绑定子模型，对第一面部形变数据进行反向优化处理，得到所述第一面部形变数据对应的最优面部绑定参数；采用所述第一面部绑定子模型，对所述最优面部绑定参数进行面部形变预测，得到所述第一面部形变数据对应的重建面部形变数据；根据所述第一面部形变数据和所述重建面部形变数据，对所述第二面部绑定子模型进行训练。2.根据权利要求1所述的方法，其中，所述第一面部绑定子模型的训练过程如下：对样本面部形变数据进行特征提取，得到所述样本面部形变数据的全局形状特征；对所述全局形状特征进行降维预测，得到所述样本面部形变数据对应的预测面部绑定参数；根据所述预测面部绑定参数和所述样本面部形变数据对应的样本面部绑定参数，对第一面部绑定子模型进行训练。3.根据权利要求2所述的方法，其中，所述对样本面部形变数据进行特征提取，得到所述样本面部形变数据的全局形状特征，包括：对所述样本面部形变数据中顶点进行特征提取，得到所述顶点的顶点特征；对所述顶点特征进行特征转换，得到所述样本面部形变数据的全局形状特征。4.根据权利要求3所述的方法，其中，所述对所述顶点特征进行特征转换，得到所述样本面部形变数据的全局形状特征，包括：按照特征顺序，对所述顶点特征进行转换，得到序列特征；对所述序列特征进行处理，得到所述样本面部形变数据的全局形状特征。5.根据权利要求1所述的方法，其中，所述采用所述第一面部绑定子模型，对第一面部形变数据进行反向优化处理，得到所述第一面部形变数据对应的最优面部绑定参数，包括：采用所述第一面部绑定子模型，对初始面部绑定参数进行面部形变预测，得到预测面部形变数据；根据所述预测面部形变数据和所述第一面部形变数据，确定最优面部绑定参数。6.根据权利要求5所述的方法，其中，所述根据所述预测面部形变数据和所述第一面部形变数据，确定最优面部绑定参数，包括：根据所述预测面部形变数据和所述第一面部形变数据，逐点构建参数优化损失；对所述参数优化损失进行优化，得到最优面部绑定参数。7.根据权利要求1所述的方法，其中，所述根据所述第一面部形变数据和所述重建面部形变数据，对所述第二面部绑定子模型进行训练，包括：对所述重建面部形变数据进行噪声处理，得到第二重建面部形变数据；根据所述第一面部形变数据和所述第二重建面部形变数据，对所述第二面部绑定子模型进行训练。8.根据权利要求7所述的方法，其中，所述对所述重建面部形变数据进行噪声处理，得到第二重建面部形变数据，包括：对所述重建面部形变数据添加噪声，得到第一重建面部形变数据；
对所述第一重建面部形变数据进行反向去噪处理，得到第二重建面部形变数据。9.一种面部绑定方法，包括：获取目标对象的目标面部绑定参数；采用面部绑定模型，对所述目标面部绑定参数进行面部形变预测，得到所述目标对象的目标面部形变数据；其中，所述面部绑定模型基于权利要求1
‑
8中任一项所述的面部绑定模型的训练方法训练得到。10.一种面部绑定模型的训练装置，所述面部绑定模型包括第一面部绑定子模型和第二面部绑定子模型，包括：最优绑定参数确定模块，用于采用所述第一面部绑定子模型，对第一面部形变数据进行反向优化处理，得到所述第一面部形变数据对应的最优面部绑定参数；重建面部数据确定模块，用于采用所述第一面部绑定子模型，对所述最优面部绑定参数进行面部形变预测，得到所述第一面部形变数据对应的重建面部形变数据；第二模型训练模块，用于根据...
【专利技术属性】
技术研发人员：范锡睿，赵亚飞，张世昌，陈毅，杜宗财，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。