图像生成模型训练、图像生成方法、装置、介质及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114863214A(43)申请公布日2022.08.05(21)申请号202210533820.1(22)申请日2022.05.16(71)申请人北京字跳网络技术有限公司地址100190北京市海淀区紫金数码园4号楼2层0207(72)发明人杨司琪(74)专利代理机构北京英创嘉友知识产权代理事务所(普通合伙)11447专利代理师曹寒梅(51)Int.Cl.G06V10/774(2022.01)G06V40/16(2022.01)G06K9/62(2022.01)A63F13/60(2014.01)权利要求书3页说明书13页附图3页(54)发明名称图像生成模型训练、图像生成方法、装置、介质及设备(57)摘要本公开涉及一种图像生成模型训练、图像生成方法、装置、介质及设备。训练方法包括：获取样本对象图像、样本虚拟对象图像以及样本虚拟对象图像对应的样本捏脸参数；根据样本对象图像、样本虚拟对象图像以及样本捏脸参数，生成样本对象图像的伪标签；利用伪标签进行有监督模型训练，以得到图像生成模型。这样，图像生成模型可同时学习到真实人脸特征分布和虚拟人脸所特有的特征分布，提升模型泛化能力，减少真实人脸特征分布与虚拟人脸特征分布之间的差异性，进而能根据图像生成模型提取到的捏脸参数快速渲染出与用户人脸相似的虚拟人脸，捏脸效率和相似度均较高。另外，利用伪标签进行模型训练，可避免人工标记相应捏脸参数，提升模型训练效率。CN114863214ACN114863214A权利要求书1/3页1.一种图像生成模型训练方法，其特征在于，包括：获取样本对象图像、样本虚拟对象图像以及所述样本虚拟对象图像对应的样本捏脸参数；根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签；利用所述伪标签进行有监督模型训练，以得到图像生成模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本对象图像、所述样本虚拟对象图像以及所述样本捏脸参数，生成所述样本对象图像的伪标签，包括：根据所述样本虚拟对象图像和所述样本捏脸参数，对第一回归器进行模型参数更新；根据所述样本对象图像，通过模型参数更新后所得的第一回归器生成所述样本对象图像的伪标签；所述利用所述伪标签进行有监督模型训练，以得到图像生成模型，包括：根据所述样本对象图像和所述伪标签，对第二回归器进行模型参数更新；利用模型参数更新后所得的第二回归器的参数更新所述模型参数更新后所得的第一回归器的参数；当满足预设训练截止条件时，将第二回归器作为所述图像生成模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本虚拟对象图像和所述样本捏脸参数，对第一回归器进行模型参数更新，包括：将所述样本虚拟对象图像输入到第一回归器中，得到第一预测捏脸参数；根据所述第一预测捏脸参数和所述样本捏脸参数，更新所述第一回归器的模型参数。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一预测捏脸参数和所述样本捏脸参数，更新所述第一回归器的模型参数，包括：根据所述第一预测捏脸参数和所述样本捏脸参数，计算第一损失函数；根据所述第一损失函数，采用随机梯度下降的方式更新所述第一回归器的模型参数。5.根据权利要求2所述的方法，其特征在于，所述根据所述样本对象图像，通过模型参数更新后所得的第一回归器生成所述样本对象图像的伪标签，包括：将所述样本对象图像输入到模型参数更新后所得的第一回归器中，得到第二预测捏脸参数，将所述第二预测捏脸参数作为所述样本对象图像的伪标签。6.根据权利要求2所述的方法，其特征在于，所述根据所述样本对象图像和所述伪标签，对第二回归器进行模型参数更新，包括：将所述样本对象图像输入到第二回归器中，得到第三预测捏脸参数；根据所述第三预测捏脸参数和所述伪标签，更新所述第二回归器的模型参数。7.根据权利要求6所述的方法，其特征在于，所述根据所述第三预测捏脸参数和所述伪标签，更新所述第二回归器的模型参数，包括：根据所述第三预测捏脸参数和所述伪标签，计算第二损失函数；根据所述第二损失函数，采用随机梯度下降的方式更新所述第二回归器的模型参数。8.根据权利要求2所述的方法，其特征在于，所述第一回归器包括第一特征提取模块和第一全连接模块，所述第二回归器包括第二特征提取模块和第二全连接模块，所述第二特征提取模块与所述第一特征提取模块的结构相同；2CN114863214A权利要求书2/3页所述利用模型参数更新后所得的第二回归器的参数更新所述模型参数更新后所得的第一回归器的参数，包括：利用模型参数更新后所得的第二回归器中第二特征提取模块的参数更新所述模型参数更新后所得的第一回归器中的第一特征提取模块的参数。9.根据权利要求1所述的方法，其特征在于，所述获取样