【技术实现步骤摘要】
技术介绍
1、化身图像通常用于表示社交媒体环境、游戏世界或其他数字表示中的用户。通常，不同用户的数字表示遵循一个或多个美学风格，该一个或多个美学风格例如基于可被组合成用户面部表示的库存资产的目标域而被创建。在一些场景中，用户使用库存资产来创建化身图像，例如，通过从库存资产中手动选择头发风格、头发颜色、面部头发风格、嘴型等。然而，手动创建化身通常涉及从一大群艺术资产中费力地选择和调整，对于几乎没有先前经验的普通用户来说，这既耗时又困难。
2、肖像风格化技术可用于将来自用户的图像(例如，自拍)转换为接近目标域的风格化图像。敏捷生成对抗网络(agilegan)框架可用于从输入图像生成风格化图像，但是agilegan框架通常保持风格化图像的各种特性与输入图像的特性一致，诸如保持相同的姿势、面部表情、照明等。这些特性使目标域内的资产的进一步使用复杂化，诸如当生成不同的表情、动画等时。
3、关于这些和其他一般性考虑，已经描述了实施例。此外，尽管已经讨论了相对具体的问题，但应理解，实施例不应仅限于解决
技术介绍
中标识的具体问题。
技术实现思路
1、本公开的各方面涉及改进所生成图像的图像质量。
2、在一些示例中，提供了一种生成风格图像的方法。该方法包括接收主体的输入图像。该方法还包括使用生成对抗网络(gan)的第一编码器对输入图像进行编码，以获得第一潜伏码潜码。该方法还包括使用gan的第一解码器对第一潜伏码潜码进行解码以获得主体的规格化风格图像，其中根据输入图像
3、在一些示例中，该方法还包括通过反转反演真实面部图像的数据集来训练gan，以获得对针对数据集的w+空间的先验分布进行先验建模的多个潜伏码潜码。
4、在一些示例中，该方法还包括使用预训练的并且不同于第一解码器的第二编码器来反转反演真实面部图像的数据集，以获得多个潜伏码潜码。
5、在一些示例中，第二编码器是预训练的stylegan编码器。
6、在一些示例中，训练gan还包括执行从第二编码器到第一编码器的w+空间迁移学习。
7、在一些示例中，执行w+空间迁移学习包括使用仅具有主体的中性表情的规格化范本集。
8、在一些示例中，执行w+空间迁移学习包括使用仅具有主体的中性姿势的规格化范本集。
9、在一些示例中，执行w+空间迁移学习包括使用仅具有主体的中性照明的规格化范本集。
10、在一些示例中，该方法还包括使用第一面部分割模型和第二面部分割模型之间的差异来训练gan，第一面部分割模型使用真实面部图像被训练，的第一面部分割模型和第二面部分割模型使用风格范本作为损失函数的第二面部分割模型之间的差异来训练gan。
11、在一些示例中，语义区域包括主体的头发区域或主体的皮肤区域中的一个或多个者或多者。
12、在一些示例中，提供了一种用于生成风格图像的系统。该系统包括处理器和存储指令的存储器，这些指令在由处理器执行时，使系统执行一组操作集。该组操作集包括上述一个或多个方面。
13、在一些示例中，非瞬暂态计算机可读存储介质包括指令，该指令可由一个或多个处理器执行以使一个或多个处理器实现上述一个或多个方面。
14、提供本
技术实现思路
来以简化形式引入一系列概念，这些概念在下文的具体实施方式中被进一步描述。本
技术实现思路
不旨在标识所要求保护的主体题的关键特征或基本必要特征，也不旨在用于限制所要求保护的主体题的范围。
【技术保护点】
1.一种生成风格图像的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括通过反演真实面部图像的数据集来训练所述GAN，以获得对针对所述数据集的W+空间的先验分布进行建模的多个潜码。
3.根据权利要求2所述的方法，还包括使用被预训练的且不同于所述第一解码器的第二编码器来反演所述真实面部图像的数据集，以获得所述多个潜码。
4.根据权利要求3所述的方法，其中所述第二编码器是预训练的StyleGAN编码器。
5.根据权利要求2所述的方法，其中训练所述GAN还包括执行从所述第二编码器到所述第一编码器的W+空间迁移学习。
6.根据权利要求5所述的方法，其中执行所述W+空间迁移学习包括使用仅具有所述主体的中性表情的规格化范本集。
7.根据权利要求5所述的方法，其中执行所述W+空间迁移学习包括使用仅具有所述主体的中性姿势的规格化范本集。
8.根据权利要求5所述的方法，其中执行所述W+空间迁移学习包括使用仅具有所述主体的中性照明的规格化范本集。
9.根据权利要求1所述的方法，还包括使用第一脸部分
10.根据权利要求9所述的方法，其中所述语义区域包括所述主体的头发区域或所述主体的皮肤区域中的一者或多者。
11.一种用于生成风格图像的系统，所述系统包括：
12.根据权利要求11所述的方法，其中所述操作集还包括通过反演真实面部图像的数据集来训练所述GAN，以获得对针对所述数据集的W+空间的先验分布进行建模的多个潜码。
13.根据权利要求12所述的方法，其中所述操作集还包括使用被预训练的且不同于所述第一解码器的第二编码器来反演所述真实面部图像的数据集，以获得所述多个潜码。
14.根据权利要求13所述的方法，其中所述第二编码器是预训练的StyleGAN编码器。
15.根据权利要求12所述的方法，其中所述操作集还包括执行从所述第二编码器到所述第一编码器的W+空间迁移学习。
16.根据权利要求15所述的方法，其中所述操作集还包括使用仅具有所述主体的中性表情的规格化范本集。
17.根据权利要求15所述的方法，其中所述操作集还包括使用仅具有所述主体的中性姿势的规格化范本集。
18.根据权利要求15所述的方法，其中所述操作集还包括使用仅具有所述主体的中性照明的规格化范本集。
19.根据权利要求11所述的方法，其中所述操作集还包括使用第一脸部分割模型和第二脸部分割模型之间的差异来训练所述GAN，所述第一脸部分割模型使用真实脸部图像被训练，所述第二脸部分割模型使用风格范本作为所述损失函数。
20.根据权利要求19所述的方法，其中所述语义区域包括所述主体的头发区域或所述主体的皮肤区域中的一者或多者。
...【技术特征摘要】
1.一种生成风格图像的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括通过反演真实面部图像的数据集来训练所述gan，以获得对针对所述数据集的w+空间的先验分布进行建模的多个潜码。
3.根据权利要求2所述的方法，还包括使用被预训练的且不同于所述第一解码器的第二编码器来反演所述真实面部图像的数据集，以获得所述多个潜码。
4.根据权利要求3所述的方法，其中所述第二编码器是预训练的stylegan编码器。
5.根据权利要求2所述的方法，其中训练所述gan还包括执行从所述第二编码器到所述第一编码器的w+空间迁移学习。
6.根据权利要求5所述的方法，其中执行所述w+空间迁移学习包括使用仅具有所述主体的中性表情的规格化范本集。
7.根据权利要求5所述的方法，其中执行所述w+空间迁移学习包括使用仅具有所述主体的中性姿势的规格化范本集。
8.根据权利要求5所述的方法，其中执行所述w+空间迁移学习包括使用仅具有所述主体的中性照明的规格化范本集。
9.根据权利要求1所述的方法，还包括使用第一脸部分割模型和第二脸部分割模型之间的差异来训练所述gan，所述第一脸部分割模型使用真实脸部图像被训练，所述第二脸部分割模型使用风格范本作为所述损失函数。
10.根据权利要求9所述的方法，其中所述语义区域包括所述主体的头发区域或所述主体的皮肤区域中的一者或多者。
11.一种用于...
【专利技术属性】
技术研发人员：宋果鲜，桑燊，智天成，刘晶，罗琳捷，
申请(专利权)人：脸萌有限公司，
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。