一种三维人脸模型的参数配置方法、装置、设备及介质

    公开(公告)号:CN109598749B

    公开(公告)日:2023-03-10

    申请号:CN201811458670.2

    申请日:2018-11-30

    IPC分类号: G06T7/33 G06T17/00

    摘要: 本申请提供了一种三维人脸模型的参数配置方法,包括:获取人脸参照图;对人脸参照图进行人脸关键点检测得到关键点坐标,作为参照坐标;根据参照坐标从人脸参数取值空间中确定人脸参数的推荐值;其中,该人脸参数的推荐值对应的三维人脸模型,投影至参照坐标的坐标系所得的人脸关键点的投影坐标与参照坐标的接近程度满足预设条件,如此,将该推荐值用于三维人脸模型的参数配置,可以捏出与指定人物相似的虚拟相貌。该方法基于人脸参照图提供了人脸参数的推荐值,无需用户根据自己的主观判断不断调整人脸参数的值,通过简单操作即可实现参数配置,降低了用户操作难度,提高了配置效率。本申请还提供了对应的装置、设备以及介质。

    一种视频的生成方法、装置、设备及存储介质

    公开(公告)号:CN114387326A

    公开(公告)日:2022-04-22

    申请号:CN202210032871.6

    申请日:2022-01-12

    摘要: 本申请实施例公开了一种视频的生成方法、装置、设备及存储介质,相关实施例可应用于云技术、人工智能、智慧交通等各种场景,用于提高视频的视觉效果以及视频内容信息的准确度。本申请实施例方法包括:获取原始图像以及原始图像对应的深度图像,从原始图像中获取第一包围盒以及第一包围盒对应的扩张搜索范围,根据像素条件从扩张搜索范围中搜索微动区域,根据微动区域在原始图像上的位置生成第二包围盒,微动区域置于第二包围盒内,根据深度图像中的每个像素点的深度值确定微动区域的第一平均深度值以及第二包围盒所选中区域的第二平均深度值,若第一平均深度值小于第二平均深度值,则基于原始图像、微动区域以及深度图像进行渲染得到视频。

    一种三维人脸模型的参数配置方法、装置、设备及介质

    公开(公告)号:CN109598749A

    公开(公告)日:2019-04-09

    申请号:CN201811458670.2

    申请日:2018-11-30

    IPC分类号: G06T7/33 G06T17/00

    摘要: 本申请提供了一种三维人脸模型的参数配置方法,包括:获取人脸参照图;对人脸参照图进行人脸关键点检测得到关键点坐标,作为参照坐标;根据参照坐标从人脸参数取值空间中确定人脸参数的推荐值;其中,该人脸参数的推荐值对应的三维人脸模型,投影至参照坐标的坐标系所得的人脸关键点的投影坐标与参照坐标的接近程度满足预设条件,如此,将该推荐值用于三维人脸模型的参数配置,可以捏出与指定人物相似的虚拟相貌。该方法基于人脸参照图提供了人脸参数的推荐值,无需用户根据自己的主观判断不断调整人脸参数的值,通过简单操作即可实现参数配置,降低了用户操作难度,提高了配置效率。本申请还提供了对应的装置、设备以及介质。

    一种数据的处理方法、装置以及存储介质

    公开(公告)号:CN116450808A

    公开(公告)日:2023-07-18

    申请号:CN202310708207.3

    申请日:2023-06-15

    摘要: 本申请公开了一种数据的处理方法、装置以及存储介质。通过获取坏例样本;然后根据坏例样本生成样本三元组;并对推荐模型的主干网络进行参数冻结;然后对推荐模型中配置的投影矩阵进行训练得到目标矩阵;进而获取推荐模型的主干网络根据目标内容输出的特征向量,以基于特征向量和目标矩阵确定输出特征,并执行推荐任务。从而实现推荐模型基于坏例样本进行快速调整的过程,由于对主干网络进行参数冻结,并采用投影矩阵基于坏例样本构架的三元组对推荐模型进行训练微调,无需对主干网络进行调整,减小了数据处理量,提高了模型的训练效率。

    一种数据的处理方法、装置以及存储介质

    公开(公告)号:CN116450808B

    公开(公告)日:2023-09-19

    申请号:CN202310708207.3

    申请日:2023-06-15

    摘要: 本申请公开了一种数据的处理方法、装置以及存储介质。通过获取坏例样本;然后根据坏例样本生成样本三元组;并对推荐模型的主干网络进行参数冻结;然后对推荐模型中配置的投影矩阵进行训练得到目标矩阵;进而获取推荐模型的主干网络根据目标内容输出的特征向量,以基于特征向量和目标矩阵确定输出特征,并执行推荐任务。从而实现推荐模型基于坏例样本进行快速调整的过程,由于对主干网络进行参数冻结,并采用投影矩阵基于坏例样本构架的三元组对推荐模型进行训练微调,无需对主干网络进行调整,减小了数据处理量,提高了模型的训练效率。