[发明专利]一种人脸图像属性编辑方法、装置、存储介质及设备

说明书

本发明公开了一种人脸图像属性编辑方法、装置、存储介质及设备；其中方法使用两个独立的人脸属性编码器和图像背景编码器在特征空间中解离属性和背景，在特征空间对属性向量进行编辑操作，并经由人脸向量解码器生成目标图像。人脸向量解码器在处理时采用跳跃连接的方式，并在跳跃连接操作中对特征图各个通道按照对结果的贡献度权重进行加权，增大贡献度大的特征图通道数值。人脸向量解码器得到的生成图再经过一次人脸属性编码器和图像背景编码器，使用均方误差损失约束编码过程中的属性向量和内容向量的前后一致性。本发明有效地避免了人脸多属性编辑时属性混叠的现象，提升了图像生成质量的清晰度和图像属性编辑时的可控性。

技术领域

本发明公开了一种人脸图像属性编辑方法、装置、存储介质及设备，属于计算推算的技术领域。

背景技术

在过去的几十年中，许多与面部有关的流行研究主题在计算机视觉方向中得到了发展，人脸识别、人脸美化等人脸相关任务逐渐成为研究重点和热点。近年来，人脸研究已从人工的工程特征转变为使用深度学习方法。在这些方法中，数据起着核心作用，因为深度神经网络的性能在很大程度上取决于训练数据的数量和质量。本发明涉及的人脸图像属性编辑是指操纵面部图像的单个或者多个属性，即生成具有某种期望属性的新面部图像，同时保留原图像的身份信息和其他面部细节不变。常见的人脸属性包含性别、年龄、五官、发色、妆容等，每个人脸面部图像都有其明确的属性。本发明涉及的人脸图像属性编辑常见处理任务为单眼皮变为双眼皮、人脸衰老、性别转换等。

人脸图像属性编辑自2014年来，基于卷积神经网络的快速发展，已有多种属性编辑的方法问世，主要有属性分离表征和端到端网络映射两种类别。其中端到端网络映射利用一个循环生成对抗网络学习到某单个属性在高维流型空间的表征，进而将图像在高维流型空间进行映射操作，生成具有某种期望属性的图像，其缺点在于单个网络参数只能表征存储某单个属性的特征，无法扩展应用到多个属性的共同编辑中，在实际应用中存在较大的局限性。属性分离表征以DNA生成对抗网络为例，主要思想是讲人脸属性通过编码器生成特定的属性潜向量。近年来该方法逐渐成为了深度学习领域人脸图像属性编辑的主流。

现有的人脸图像属性转换方法有着明显的局限性，通常利用编码器将人脸属性编码的方法涉及到多个属性同步操纵，单一编码器编码的属性潜向量之间有一定的相关性，造成的多属性混叠现象会严重影响人脸图像生成的质量和可观度。

通常图像编辑需要借助自编码器结构，其损失函数为考虑全局像素的均方误差函数，在处理高分辨率图像中会造成严重的模糊现象。此外，自编码器编解码时在高维空间中的单一串联方式降低了低维特征图的权重，造成高低维特征的配比失衡，进一步影响到图像生成质量。因此研究一种可以克服上述缺点的人脸图像属性编辑方法具有重要的研究意义和实用价值。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种人脸图像属性编辑方法、装置、存储介质及设备，实现了针对多属性同步编辑和提升图像生成质量的人脸属性转换，有效地避免了人脸多属性编辑时属性混叠的现象，提升了图像生成质量的清晰度和图像属性编辑时的可控性。

本发明为实现上述发明目的采用如下技术方案：一种人脸图像属性编辑方法，其特征在于：包括如下步骤：

S1、构建注意力自编码器的网络结构，网络结构包括：

人脸属性编码器，用于将人脸图像编码为属性向量；

图像背景编码器，用于将无关属性的背景以及人脸五官信息向量；

人脸向量解码器，用于负责将向量还原为图像；

生成对抗网络的判别器，用于负责判定图像是否为真、假；

S2、准备训练数据集和测试数据集，对网络结构进行训练和测试；其中训练包括如下分步骤：

S21、对训练数据集进行预处理；