[發明專利]模型訓練方法、圖像處理方法及裝置、設備和介質

有效

• 申請號: 201910290469.6
• 申請日: 2019-04-11
• 公開（公告）號: CN109902767B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 袁燚;申屠溢醇;鄭彥波
• 申請（專利權）人: 網易（杭州）網絡有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62;G06T13/00
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 袁禮君;闞梓瑄

本公開是關于一種模型訓練方法、圖像處理方法及裝置、電子設備以及存儲介質，涉及圖像處理技術領域，可以應用于根據輸入的初始人臉圖像生成游戲場景中所使用的游戲人臉圖像的場景。該模型訓練方法包括：將樣本圖像輸入至編碼模型進行編碼處理后得到第一特征參數；獲取預先配置的用于描述圖像特征的第二特征參數；其中，第二特征參數的維度與第一特征參數的維度相同；結合第一特征參數與第二特征參數計算像素損失函數和分類損失函數；基于像素損失函數與分類損失函數確定目標損失函數；基于目標損失函數調整編碼模型的參數以訓練編碼模型。本公開可以在游戲的捏臉過程中輸出捏臉參數，并且輸出的捏臉參數能夠被游戲客戶端識別并應用。

技術領域

本公開涉及圖像處理技術領域，具體而言，涉及一種模型訓練方法、模型訓練裝置、應用于游戲的圖像處理方法、應用于游戲的圖像處理裝置、電子設備以及存儲介質。

背景技術

近年來，深度學習技術在圖像處理方面取得了顯著的效果，例如，利用神經網絡實現風格遷移(style transfer)：將圖片A的藝術風格遷移到圖片B上生成圖片C，生成的圖片C兼具圖片A的藝術風格與圖片B的內容信息。

生成式對抗網絡(Generative Adversarial Networks，GAN)是一種常見的風格遷移模型，在創建游戲人物時，玩家使用捏臉玩法根據自身的想法對游戲人物的臉型、發型等進行改變以滿足玩家在游戲中個性化的需求。

然而，基于GAN模型完成捏臉任務時，GAN的訓練參數眾多，訓練時間長，得到的高維臉部特征難以直接導入游戲客戶端，所以不能被客戶端識別并應用。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種模型訓練方法、模型訓練裝置、電子設備以及計算機可讀存儲介質，進而至少在一定程度上克服現有的捏臉算法無法快速輸出游戲客戶端可識別的捏臉特征參數的問題。

根據本公開的第一方面，提供一種模型訓練方法，包括：將樣本圖像輸入至編碼模型進行編碼處理后得到第一特征參數；獲取預先配置的用于描述圖像特征的第二特征參數；其中，第二特征參數的維度與第一特征參數的維度相同；結合第一特征參數與第二特征參數計算像素損失函數和分類損失函數；基于像素損失函數與分類損失函數確定目標損失函數，并根據目標損失函數調整編碼模型的參數以訓練編碼模型。

可選的，結合第一特征參數與第二特征參數計算像素損失函數和分類損失函數包括：將第一特征參數與第二特征參數進行組合處理后得到第三特征參數；基于第一特征參數、第二特征參數與第三特征參數計算像素損失函數和分類損失函數。

可選的，將第一特征參數與第二特征參數進行組合處理后得到第三特征參數包括：確定第一特征參數對應的第一連續參數；確定第二特征參數對應的第二離散參數；將第一連續參數與第二離散參數進行組合得到第三特征參數。

可選的，基于第一特征參數、第二特征參數與第三特征參數計算像素損失函數和分類損失函數包括：對第二特征參數輸入至解碼模型進行解碼處理后得到第一人臉圖像；對第三特征參數輸入至解碼模型進行解碼處理后得到第二人臉圖像；確定第一特征參數對應的第一離散參數以及第二特征參數對應的第二離散參數；計算第一人臉圖像與第二人臉圖像之間的像素損失函數以及第一離散參數與第二離散參數之間的分類損失函數。

可選的，根據目標損失函數調整編碼模型的參數以訓練編碼模型包括：采用梯度下降法調整編碼模型的參數；如果目標損失函數未收斂，則獲取一圖像作為新的樣本圖像，將新的樣本圖像輸入至經過參數調整后的編碼模型，直至目標損失函數收斂。