[发明专利]一种样本相似度抑制的大尺度三维人脸合成方法

权利要求书

1.一种样本相似度抑制的大尺度三维人脸合成方法，其特征在于，包括：

步骤1，获取三维人脸模型，并对所获取的三维人脸模型进行预处理，得到第一三维人脸模型集；

步骤2，构建大尺度三维人脸合成网络模型，将所述第一三维人脸模型集输入至大尺度三维人脸合成网络模型进行人脸三维模型的合成，得到合成三维人脸模型；以及，对所述第一三维人脸模型集进行下采样，得到第二三维人脸模型集；

步骤3，基于训练好的丢弃深度网络模型构建样本相似度抑制网络模型；所述样本相似度抑制网络模型通过特征提取的方式计算所述合成三维人脸模型与所述第二三维人脸模型集的相似度，并输出相似度低于阈值的合成三维人脸模型，以抑制所述合成三维人脸模型与所述第二三维人脸模型集的相似度。

2.如权利要求1所述的方法，其特征在于，所述丢弃深度网络模型的网络模型为：

p_o＝f^q(m_o)＝f^q(w_i*m_i*p_i+b)

其中，m_o表示人脸模型所有网格节点基于丢弃网络模型编码的标量输出，f^q表示对该输出归一化概率校验函数，其中，i＝1，...，|z|，|z|表示人脸结构化表示网格节点m_i的节点数，所述f^q函数为激活函数或高斯函数；p_i为预设概率；w_i为节点i的权重，b为偏置项。

3.如权利要求1所述的方法，其特征在于，所述步骤1包括：

步骤101，获取三维人脸模型及其点云数据，对所获取的三维人脸模型的点云数据进行最大边界线性归一化处理，得到所述三维人脸模型对应的深度图；

步骤102，对所得深度图进行网格化曲面拟合，得到所述三维人脸模型对应的网格深度图矩阵，所得网格深度图矩阵即为所述第一三维人脸模型集。

4.如权利要求3所述的方法，其特征在于，通过梯度约束的平滑化法以及岭回归求解法对所得深度图进行网格化曲面拟合。

5.如权利要求1-4任一所述的方法，其特征在于，基于训练好的融合自注意力网络的生成式对抗网络模型构建所述大尺度三维人脸合成网络模型。

6.如权利要求5所述的方法，其特征在于，通过引入谱范数提升所述融合自注意力网络的生成式对抗网络模型的训练稳定性。

7.如权利要求6所述的方法，其特征在于，通过引入双时间尺度的更新规则减少所述融合自注意力网络的生成式对抗网络模型的训练时间。

8.如权利要求5所述的方法，其特征在于，采用嵌入式高斯函数作为所述自注意力网络的计算函数，并基于非局部操作算子将所述自注意力网络的输出层构造为残差形式。