[发明专利]一种去除图片人物双下巴模型的训练方法

权利要求书

1.一种去除图片人物双下巴模型的训练方法，其特征在于，包括：

获取原始人物图像数据以及基于原始人物图像数据生成的伪双下巴图像数据；

将伪双下巴图像数据输入双下巴去除模型输出模型识别的双下巴区域mask以及模型生成的无双下巴的正常下巴图像数据；

将正常下巴图像数据与原始人物图像数据融合生成结果图；

利用结果图与原始人物图像数据计算loss函数并利用梯度反向传播法更新迭代双下巴去除模型直至模型收敛。

2.如权利要求1所述的一种去除图片人物双下巴模型的训练方法，其特征在于，

获取原始人物图像数据以及基于原始人物图像数据生成的伪双下巴图像数据，具体包括：

利用算法识别原始人物图像数据中的人脸区域；

基于人脸区域识别人物下巴区域，并将人物下巴区域沿脖子方向随机移动；

将随机移动后的人物下巴区域与原始人物图像数据融合并在人物下巴区域添加阴影后输出伪双下巴图像数据。

3.如权利要求1所述的一种去除图片人物双下巴模型的训练方法，其特征在于，

将正常下巴图像数据与原始人物图像数据融合生成结果图，具体包括：

正常下巴图像数据利用双下巴区域mask与原始人物图像数据进行mask融合获得结果图，mask融合公式如下：

R＝Mask*C+(1-Mask)*A

其中，R为结果图，C为正常下巴图像数据，A为原始人物图像数据。

4.如权利要求1所述的一种去除图片人物双下巴模型的训练方法，其特征在于，

所述loss函数包括VGGloss以及GANloss；

其中GANloss公式如下：

min_Gmax_DV(D,G)＝Ex～pdata(x)[logD(x)]+Ez～pz(z)[log(1-D(G(z)))]

其中，G是生成器，D是判别器，pdata是真实数据的分布，pz是噪声的分布。Gz)表示从噪声z生成的假数据。Dx是判别器对输入x的输出，表示输入x为真实数据的概率。V(D,G)是损失函数，表示判别器和生成器之间的博弈关系。在训练过程中，生成器的目标是让判别器无法区分生成的假数据和真实的数据，而判别器的目标是尽可能准确地区分真实数据和假数据；

VGGLOSS公式如下：

其中，I_fake为生成的假图像，I_real为真实图像，φ_i表示VGG网络中第i层的特征表示。

5.如权利要求1所述的一种去除图片人物双下巴模型的训练方法，其特征在于，

利用结果图与原始人物图像数据计算loss函数并利用梯度反向传播发更新迭代双下巴去除模型，之后还包括：

计算原始人物图像数据与结果图的图像叠加diff残差，公式如下：

I_res(x)＝(x)-_ref(x)

其中，I(x)为原始图像，I_ref(x)为结果图，I_res(x)为计算的残差图像。

6.一种去除图片人物双下巴的方法，其特征在于，包括：

获取待处理的双下巴人物图像；

将待处理的双下巴人物图像输入双下巴去除模型，模型处理后输出去除双下巴后的图像；

其中，所述双下巴去除模型通过如权利要求1-5任一项所述的一种去除图片人物双下巴模型的训练方法训练而成。