模型的训练方法、视频生成方法和装置、设备、介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种模型的训练方法、视频生成方法和装置、设备、介质。


背景技术：

2.随着人工智能技术的发展，基于人脸驱动虚拟对象的方法在很多领域中被广泛应用。例如，可通过虚拟对象的人脸形象在视频中与用户进行交互。目前，主要通过对真实的人脸图像进行人脸特征提取，并通过神经网络模型进行渲染，以生成清晰真实的虚拟人脸图像。但是，目前的神经网络模型大多是基于gan，即对整个人脸进行渲染，导致渲染范围过大，从而影响模型的训练效率。


技术实现要素：

3.本公开实施例的主要目的在于提出一种模型的训练方法、视频生成方法和装置、设备、介质，能够提高模型的训练效率。
4.为实现上述目的，本公开实施例的第一方面提出了一种模型的训练方法，训练方法用于训练虚拟人脸图像生成模型，包括：
5.获取人脸图像，对所述人脸图像进行特征提取处理，得到第一特征图像；
6.将所述第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像；
7.通过预设的自注意力模型对所述第一特征图像进行自注意力处理，得到第二特征图像；
8.对所述联合特征图像和所述第二特征图像进行特征提取处理，得到第三特征图像；
9.根据所述第三特征图像对预设的神经网络模型进行训练，得到虚拟人脸图像生成模型。
10.在一些实施例，所述获取人脸图像，包括：
11.获取真实人脸视频；
12.获取所述真实人脸视频中每一帧对应的视频帧图像；
13.提取所述视频帧图像的3dmm特征和下半脸区域；
14.将所述3dmm特征与所述下半脸区域进行贴合处理，得到所述人脸图像。
15.在一些实施例，所述自注意力模型包括：第一神经网络和第二神经网络；所述通过预设的自注意力模型对所述第一特征图像进行自注意力处理，得到第二特征图像，包括：
16.通过所述第一神经网络对所述第一特征图像进行特征提取处理，得到第一特征矩阵；
17.通过所述第二神经网络对所述第一特征图像进行强化处理，得到第二特征矩阵；
18.对所述第一特征矩阵和所述第二特征矩阵相乘，得到第三特征矩阵；
19.对所述第三特征矩阵进行卷积和谱归一化处理，得到第四特征图像；
20.将所述第一特征图像的像素与所述第四特征图像的像素相加，得到所述第二特征图像。
21.在一些实施例，所述第二神经网络包括卷积层、归一化层、池化层和分类器；所述通过所述第二神经网络对所述第一特征图像进行强化处理，得到第二特征矩阵，包括：
22.通过所述卷积层对所述第一特征图像进行卷积处理，得到卷积矩阵；
23.通过所述归一化层对所述卷积矩阵进行谱归一化处理，得到归一化矩阵；
24.通过所述池化层对所述归一化矩阵进行最大池化处理，得到最大池化矩阵；
25.将所述归一化矩阵和所述最大池化矩阵相乘，得到第四特征矩阵；
26.通过所述分类器对所述第四特征矩阵进行分类处理，得到所述第二特征矩阵。
27.在一些实施例，所述神经网络模型包括判别器；所述根据所述第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型，包括：
28.通过所述判别器计算所述第三特征图像的图像真实值；
29.根据所述图像真实值对所述神经网络模型的损失函数进行计算，得到损失值；
30.将所述损失值作为反向传播量，调整所述神经网络模型的模型参数，以训练所述神经网络模型，得到所述虚拟人脸图像生成模型。
31.本公开实施例的第二方面提出了一种视频生成方法，用于生成目标人脸视频，包括：
32.获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
33.将所述文本数据和所述虚拟人脸特征数据输入至虚拟人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述虚拟人脸图像生成模型根据如本技术第一方面实施例任一项所述的训练方法训练得到；
34.对所述多个连续帧说话图像进行图像拼接处理，得到初始人脸视频；
35.对所述文本数据进行语音转换处理，得到目标语音；
36.根据所述目标语音对所述初始视频进行语音合成处理，得到目标人脸视频。
37.本公开实施例的第三方面提出了一种模型的训练装置，用于训练虚拟人脸图像生成模型，包括：
38.第一特征提取模块：用于获取人脸图像，对所述人脸图像进行特征提取处理，得到第一特征图像；
39.第一拼接模块：用于将所述第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像；
40.自注意力处理模块：用于通过预设的自注意力模型对所述第一特征图像进行自注意力处理，得到第二特征图像；
41.第二特征提取模块：用于对所述联合特征图像和所述第二特征图像进行特征提取处理，得到第三特征图像；
42.模型训练模块：用于根据所述第三特征图像对预设的神经网络模型进行训练，得到虚拟人脸图像生成模型。
43.本公开实施例的第四方面提出了一种视频生成装置，用于生成目标人脸视频，包括：
44.数据获取模块：用于获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
45.图像生成模块：用于将所述文本数据和所述虚拟人脸特征数据输入至虚拟人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；其中，所述虚拟人脸图像生成模型根据如权利要求1至5任一项所述的训练方法训练得到；
46.第二拼接模块：用于对所述多个连续帧说话图像进行图像拼接处理，得到初始人脸视频；
47.语音转换模块：用于对所述文本数据进行语音转换处理，得到目标语音；
48.语音合成模块：用于根据所述目标语音对所述初始视频进行语音合成处理，得到目标人脸视频。
49.本公开实施例的第五方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本技术第一方面实施例任一项所述的方法或如本技术第二方面实施例任一项所述的方法。
50.本公开实施例的第六方面提出了一种存储介质，该存储介质为计算机可读存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本技术第一方面实施例任一项所述的方法或如本技术第二方面实施例任一项所述的方法。
51.本公开实施例提出的模型的训练方法、视频生成方法和装置、设备、介质，通过获取人脸图像，对人脸图像进行特征提取处理，得到第一特征图像；将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像，能够保证训练出不同类型的虚拟人脸图像，满足用户的个性化需求；通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像，通过多次对图像进行特征提取处理，能够提高虚拟人脸的渲染效果，并提高虚拟人脸的真实度；根据第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型；其中，虚拟人脸图像生成模型用于生成虚拟人脸图像。本公开实施例通过加入自注意力模型，能够在训练过程中让神经网络模型更专注于重点区域的学习，减少模型训练的时间，从而提高模型的训练效率。
附图说明
52.图1是本公开实施例提供的模型的训练方法的流程图；
53.图2是图1中的步骤s110的流程图；
54.图3是图1中的步骤s130的流程图；
55.图4是图3中的步骤s132的流程图；
56.图5是图1中的步骤s150的流程图；
57.图6为本公开实施例提供的神经网络模型和自注意力模型的示意图；
58.图7为本公开实施例提供的自注意力模型进行自注意力处理的实际应用流程图；
59.图8为本公开实施例提供的视频生成方法的流程图；
60.图9为本公开实施例提供的模型的训练装置的模块结构框图；
61.图10为本公开实施例提供的视频生成装置的模块结构框图；
62.图11是本公开实施例提供的计算机设备的硬件结构示意图。
具体实施方式
63.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
64.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
65.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
66.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
67.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
68.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
69.首先，对本技术中涉及的若干名词进行解析：
70.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
71.unet网络：是一种图像语义分割网络，图像语义分割网络让计算机根据图像的语义来进行分割，从而输出指定分割的图片。
72.虚拟现实(virtual reality，vr)，即虚拟和现实相互结合，是一种可以创建和体验虚拟世界的计算机仿真系统，它利用计算机生成一种模拟环境，使用户沉浸到该环境中。虚拟现实技术就是利用现实生活中的数据，通过计算机技术产生的电子信号，将其与各种输出设备结合使其转化为能够让人们感受到的现象，通过三维模型表现出来。
73.虚拟主播(virtual youtuber)：虚拟主播以原创的虚拟人格设定，是基于语音、nlp、视觉等领先科技，使用虚拟形象在视频中与用户进行交互的主播或者客服。
74.自注意力机制(attention mechanism)：注意力机制可以使得神经网络具备专注
于其输入(或特征)子集的能力，选择特定的输入，可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。
75.感兴趣区域(region of interest，roi)：机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。
76.可变性人脸模型(3d morphable face model，3dmm)：3dmm是一种人脸形状和外观的统计模型，首先利用高精度仪器扫描多组人脸3d数据，并进行对齐，之后利用pca从这些三维形状和颜色数据中得到更低维的子空间，可变性体现在可以在这些pca子空间进行组合变形，将一个人脸的特性转移到另外一个人脸，或者生成新的人脸。
77.基准线(baseline)：相当于以基础模型为基准来比较训练模型的改进是否有效，用来评估新的训练模型的效果。
78.编码器－解码器(encoder-decoder)：是深度学习中常见的模型框架，很多常见的应用都是利用编码－解码框架设计的，encoder和decoder部分可以是任意文字、语音、图像和视频数据等，基于encoder-decoder可以设计出各种各样的模型。
79.编码(encoder):编码，就是将输入序列转化成一个固定长度的向量；解码(decoder)，就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
80.sa(shuffle attention)模块：该模块采用shuffle单元有效地结合了两种类型的注意机制。具体而言，sa首先将通道维分组为多个子特征，然后再并行处理它们。然后，对于每个子特征，sa利用shuffle单元在空间和通道维度上描绘特征依赖性。之后，将所有子特征汇总在一起，并使用“通道混洗”运算符来启用不同子特征之间的信息通信。
81.softmax分类器：为逻辑回归分类器面对多个分类的一般化归纳，输出的是属于不同类别的概率值。
82.激活函数(activation functions)：对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中，在神经元中，输入的inputs通过加权，求和后，还被作用了一个函数，这个函数就是激活函数，引入激活函数是为了增加神经网络模型的非线性。
83.嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给dnn，以提高效率。
84.最大池化(max-pooling)：即取局部接受域中值最大的点。
85.生成器：输入一个向量，输出一个高维向量(可以是图片，文字等)通常input向量的每一个维度都代表着一些特征。
86.判别器(discriminator)：也称鉴别器，它的输入是你想产生的东西(即生成器产生的output)，比如一张图片，或者一段语音等，它的输出是一个标量，这个标量代表的是这个input的质量如何，这个数字越大，表示这个输入越真实。此外，生成器和判别器的关系为：生成器生成一个东西，输入到判别器中，然后由判别器来判断这个输入是真实的数据还是机器生成的，如果没有骗过判别器，那么生成器继续进化，输出第二代output，再输入判别器，判别器同时也在进化，对生成器的output有了更严格的要求。
87.从文本到语音(text to speech，tts)：tts在内置芯片的支持之下，通过神经网络的设计，把文字智能地转化为自然语音流。tts技术对文本文件进行实时转换。tts是语音合成应用的一种，它将储存于电脑中的文件，如帮助文件或者网页，转换成自然语音输出。
88.利普希茨连续条件：也称lipschitz条件，是一个比通常连续更强的光滑性条件。直觉上，利普希茨连续函数限制了函数改变的速度，符合利普希茨条件的函数的斜率，必小于一个称为利普希茨常数的实数(该常数依函数而定)。
89.随着人工智能技术的发展，基于人脸驱动虚拟对象的方法在很多领域中被广泛应用。例如，可通过虚拟对象的人脸形象在视频中与用户进行交互。目前，主要通过对真实的人脸图像进行人脸特征提取，并通过神经网络模型进行渲染，以生成清晰真实的虚拟人脸图像。但是，目前的神经网络模型大多是基于gan，即对整个人脸进行渲染，但是实际生成的虚拟形象所改变的只是口唇效果，但是上半脸和背景信息在最终效果上是没有变化的，因此采用传统的神经网络模型对整个人脸进行渲染，其会导致渲染范围过大，从而影响模型的训练效率。
90.基于此，本公开实施例提出一种模型的训练方法、视频生成方法和装置、设备、介质，通过获取人脸图像，对人脸图像进行特征提取处理，得到第一特征图像；将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像，能够保证训练出不同类型的虚拟人脸图像，满足用户的个性化需求；通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像，通过多次对图像进行特征提取处理，能够提高虚拟人脸的渲染效果，并提高虚拟人脸的真实度；根据第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型；其中，虚拟人脸图像生成模型用于生成虚拟人脸图像。本公开实施例通过加入自注意力模型，能够在训练过程中让神经网络模型更专注于重点区域的学习，减少模型训练的时间，从而提高模型的训练效率。
91.本公开实施例提供模型的训练方法、视频生成方法和装置、计算机设备、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的模型的训练方法。
92.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
93.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
94.本公开实施例提供的模型的训练方法，涉及人工智能领域，也涉及虚拟现实领域。本公开实施例提供的模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现模型的训练方法的应用等，但并不局限于以上形式。
95.本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
96.参照图1，根据本公开实施例第一方面实施例的模型的训练方法，包括但不限于包括步骤s110至步骤s180。
97.步骤s110，获取人脸图像，对人脸图像进行特征提取处理，得到第一特征图像；
98.步骤s120，将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像；
99.步骤s130，通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；
100.步骤s140，对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像；
101.步骤s150，根据第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型。
102.在一些实施例的步骤s110中，获取真实人脸数据，其中真实人脸数据是指富含脸部特征或信息的一些数据，其脸部数据的形式是多样的，包括真实人脸的照片、视频等。需要说明的是，真实人脸的脸部图像可以是多张的，每一张脸部图像的拍摄角度、光照、颜色、说话口型和表情等皆可不同。对真实人脸数据进行初步处理，得到人脸图像，由于获取到的真实人脸数据是多样的，所以在训练虚拟人脸图像生成模型之前，需要对真实人脸数据进行初步处理，得到符合模型训练条件的人脸图像。将人脸图像输入至预设的神经网络模型；其中，神经网络模型包括用于进行特征提取的encoder网络，encoder网络包括多个卷积层，神经网络模型还包括用于进行特征提取的decoder网络，decoder网络同样包括多个反卷积层。获取人脸图像之后，通过encoder网络对人脸图像进行特征提取处理，得到第一特征图像，具体地，以unet网络为基准线，使人脸图像经过encoder网络的多个卷积层，以提取人脸图像不同尺寸的特征，得到不同尺寸下的第一特征图像和对应的第一特征数据，其中，第一特征数据包括第一特征图像的颜色特征、纹理特征、形状特征、空间关系特征以及人脸关键
点特征等。
103.在一些实施例的步骤s120中，将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像，其中预设的虚拟人脸特征数据可以指虚拟人脸的id通过自然语言处理技术，例如通embedding进行特征提取后得到，这样能够使每个虚拟人脸的id唯一，且能够用较少的特征表示较多的id，用于描述不同的虚拟主播形象。在实际应用中，可以通过神经网络模型的全连接层对第一特征图像和虚拟人脸特征数据进行拼接，得到联合特征图像。
104.在一些实施例的步骤s130中，通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像，其中，自注意力模型设置在encoder网络和decoder网络之间，用于学习图像需要关注的部分，例如下半脸的渲染和口齿生成部分，或者减少学习图像不变的部分，例如图像中的背景、头发、脸部轮廓和上半脸不变的部分，从而降低迭代次数，减少训练时间。
105.需要说明的是，自注意力模型可以为sa模块，每个sa模块可以包括一个或多个自注意力网络层，sa模块可以根据训练数据的表现选择更多的层添加，也可根据实际需求在encoder网络和decoder网络之前设置多个sa模块，本公开实施例不做具体限制。
106.在一些实施例的步骤s140中，通过decoder网络对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像。具体地，通过decoder网络对联合特征图像和第二特征图像进行解码处理，调整至与人脸图像尺寸相同的第三特征图像。
107.在一些实施例的步骤s150中，根据第三特征图像对预设的神经网络模型进行训练处理，得到用于生成虚拟人脸图像的虚拟人脸图像生成模型，使通过虚拟人脸图像生成模型生成的虚拟人脸图像达到真实和自然的效果。其中，预设的神经网络包括上述实施例提到的encoder网络和decoder网络。
108.在一些实施例中，如图2所示，步骤s110具体包括但不限于步骤s111至步骤s114。
109.步骤s111，获取真实人脸视频；
110.步骤s112，获取真实人脸视频中每一帧对应的视频帧图像；
111.步骤s113，提取视频帧图像的3dmm特征和下半脸区域；
112.步骤s114，将3dmm特征与下半脸区域进行贴合处理，得到人脸图像。
113.在一些实施例的步骤s111至步骤s112中，获取真实人脸视频，在实际应用中，可通过对真人主播进行录制，或者直接获取真人主播的视频，得到真实人脸视频。获取真实人脸视频之后，提取真实人脸视频中的每一帧所对应的视频帧图像。
114.在一些实施例的步骤s113中，提取视频帧图像的3dmm特征，也即人脸关键点，主要包括人脸轮廓、眼睛、鼻子和嘴巴的内外边界点等，其中，人脸关键点能够反映人脸各个部位的脸部特征。需要说明的是，本领域技术人员能够根据实际的训练需求，设置不同的人脸关键点，在此不再赘述。
115.在一些实施例的步骤s114中，将3dmm特征与下半脸区域进行贴合处理，得到人脸图像，换句话说，从真实人脸视频的每一帧中提取了3dmm特征之后，将提取到的3dmm特征贴回到真实人脸视频对应帧的下半脸，由此完成对真实人脸数据进行初步处理的过程。需要说明的是，将3dmm特征与下半脸进行贴合，能够更好地渲染虚拟人脸的下半脸以及口型变化，且使神经网络模型更专注下半脸的渲染效果，以减少训练时间，提高模型的训练效率。
116.在一些实施例中，自注意力模型包括：第一神经网络和第二神经网络，如图3所示，步骤s130具体包括但不限于步骤s131至步骤s135。
117.步骤s131，通过第一神经网络对第一特征图像进行特征提取处理，得到第一特征矩阵；
118.步骤s132，通过第二神经网络对第一特征图像进行强化处理，得到第二特征矩阵；
119.步骤s133，对第一特征矩阵和第二特征矩阵相乘，得到第三特征矩阵；
120.步骤s134，对第三特征矩阵进行卷积和谱归一化处理，得到第四特征图像；
121.步骤s135，将第一特征图像的像素与第四特征图像的像素相加，得到第二特征图像。
122.在一些实施例的步骤s131中，将第一特征图像输入至自注意力模型，通过自注意力模型的第一神经网络对第一特征图像进行特征提取处理，得到第一特征矩阵。具体地，第一神经网络包括卷积层、谱归一化层和最大池化层，第一特征图像经过第一神经网络的卷积层、谱归一化层和池化层，依次进行卷积处理、谱归一化处理和最大池化操作，得到新的特征图，该特征图的多个像素点可构成第一特征矩阵。
123.需要说明的是，本公开实施例所提到的卷积处理指的是图像的卷积操作，或称为核操作，是进行图像处理的一种常用手段。其中，图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系，通过加权求和的操作，实现模糊、锐化和边缘检测等功能。图像卷积的计算过程就是卷积核按步长对图像局部像素块进行加权求和的过程。卷积核实质上是一个固定大小的权重数组，该数组中的锚点通常位于中心。
124.本公开实施例所提到的谱归一化是实施在判别器的每一层的权重矩阵上的，其实也就是权重矩阵的谱范数，谱归一化操作则是让每层网络的网络参数除以该层参数矩阵的谱范数满足预设的条件约束，即满足lipschitz＝1的约束。
125.本公开实施例所提到的最大池化操作，类似于卷积的过程，本质就是进行采样，对于像素特征图划分多个池或多个块，取每个池或者每个块的最大值进行组合。
126.在一些实施例的步骤s132中，将第一特征图输入至自注意力模型，通过自注意力模型的第二神经网络对第一特征图像进行强化处理，得到第三特征矩阵，通过进行强化处理，能够使神经网络模型更专注于需要重点关注的区域，例如人脸的下半脸和口唇部分，减少上半脸以及背景信息的生成。需要说明的是，由于上半脸和背景信息对于生成的虚拟人脸图像，其在最终效果上是不存在变化的，因此只需要重点渲染好下半脸，尤其是口唇部分的效果，即可得到真实自然的虚拟人脸图像，在提高模型训练效率的基础上，还能够生成最好的效果。
127.在一些实施例的步骤s133中，对第一特征矩阵和第二特征矩阵相乘，得到第三特征矩阵。
128.在一些实施例的步骤s134中，第三特征矩阵再进行一次卷积处理和谱归一化处理，得到包括多个像素点的第三特征矩阵，由第三特征矩阵可构成第四特征图像。
129.在一些实施例的步骤s135中，将第一特征图像的像素与第四特征图像的像素进行相加，得到自注意力模型的输出，即第二特征图像。在实际应用中，自注意力模型输出的第四特征图像与decoder网络中的反卷积层的特征图像进行拼接后送入decoder网络的下一层卷积层。
130.在一些实施例中，如图4所示，步骤s132具体包括但不限于步骤s1321至步骤s1325。
131.步骤s1321，通过卷积层对第一特征图像进行卷积处理，得到卷积矩阵；
132.步骤s1322，通过归一化层对卷积矩阵进行谱归一化处理，得到归一化矩阵；
133.步骤s1323，通过池化层对归一化矩阵进行最大池化处理，得到最大池化矩阵；
134.步骤s1324，将归一化矩阵和最大池化矩阵相乘，得到第四特征矩阵；
135.步骤s1325，通过分类器对第四特征矩阵进行分类处理，得到第二特征矩阵。
136.在一些实施例的步骤s1321中，将第一特征图像输入至第二神经网络，其中，第二神经网络也包括卷积层、归一化层和池化层，还包括分类器。具体地，通过第二神经网络的卷积层对第一特征图像进行卷积处理，得到卷积矩阵。
137.在一些实施例的步骤s1322中，通过第二神经网络的归一化层对卷积矩阵进行谱归一化处理，得到归一化矩阵。
138.在一些实施例的步骤s1323中，通过第二神经网络的池化层对归一化矩阵进行最大池化处理，得到最大池化矩阵。
139.在一些实施例的步骤s1324中，将归一化矩阵和最大池化矩阵相乘，得到第四特征矩阵。
140.在一些实施例的步骤s1325中，通过第二神经网络的分类器对第四特征矩阵进行分类处理，得到自注意力的第二特征矩阵，具体地，第二神经网络的分类器可采用softmax分类器。
141.在一些实施例中，如图5所示，步骤s150具体包括但不限于步骤s151至步骤s153。
142.步骤s151，通过判别器计算第三特征图像的图像真实值；
143.步骤s152，根据图像真实值对神经网络模型的损失函数进行计算，得到损失值；
144.步骤s153，将损失值作为反向传播量，调整神经网络模型的模型参数，以训练神经网络模型，得到虚拟人脸图像生成模型。
145.在一些实施例的步骤s151中，将第三特征图像输入至神经网络模型的判别器中，由判别器判断输入的图像是真实图像还是通过神经网络模型所生成的图像，得到图像真实值。
146.在一些实施例的步骤s152中，根据图像真实值对神经网络模型的损失函数进行计算，得到损失值，具体地可以计算判别器对应的损失函数，以及生成器对应的损失函数，得到损失值。在实际应用中，可以将下半脸掩膜对应的li损失函数加入至神经网络的损失函数中，并提升权重，能够加快神经网络模型渲染口唇效果的学习速度。
147.在一些实施例的步骤s153中，将损失值作为反向传播量，调整神经网络模型的模型参数，以训练神经网络模型，得到虚拟人脸图像生成模型，使神经网络模型生成的虚拟人脸图像更为真实和自然。
148.在一些实施例中，如图6所示，神经网络模型包括encoder网络和decoder网络，其中encoder网络包括多个卷积层，decoder网络包括多个反卷积层，通过encoder网络和decoder网络中的多个卷积层和反卷积层，对输入图像，即经过初步处理后的人脸图像进行多次特征提取处理，并以unet网络为基线，可以在中间某层加入sa模块，即自注意力模型，用于让decoder网络关注encoder网络中重要的部分，重点学习口唇效果。需要说明的是，sa
模块可以根据数据的表现选择更多的层添加，本公开实施例为了便于描述，只加了一层用来说明整个网络。此外，在encoder和decoder中间加入了emdedding，用于描述不同的主播形象。
149.具体地，sa模块的结构如图7所示，在本公开实施例中，将encoder部分中经过其中一个卷积层后得到的特征图x输入至sa模块，sa模块将特征图x划分为三个分支。其中，第一个分支的特征图x通过第一神经网络依次进行卷积、谱归一化以及最大池化处理，得到第一分支的特征矩阵；第二个分支的特征图x通过第二神经网络依次进行卷积和谱归一化处理，得到第二分支的特征矩阵；第三个分支的特征图x通过第二神经网络依次进行卷积、谱归一化和最大池化处理，得到第三分支的特征矩阵。接着，将第二分支的特征矩阵与第三分支的特征矩阵相乘后送入softmax分类器得到自注意力矩阵。随后，将第一分支的特征矩阵与自注意力矩阵相乘后，再进行一次卷积和谱归一化处理，得到新的特征图；将新的特征图与特征图x相加后得到sa的输出，即目标特征图。sa输出后的目标特征图与decoder网络中的反卷积层进行拼接后送入下一层的反卷积层进行特征提取处理。
150.本公开实施例提出的模型的训练方法、视频生成方法和装置、设备、介质，通过获取人脸图像，对人脸图像进行特征提取处理，得到第一特征图像；将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像，能够保证训练出不同类型的虚拟人脸图像，满足用户的个性化需求；通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像，通过多次对图像进行特征提取处理，能够提高虚拟人脸的渲染效果，并提高虚拟人脸的真实度；根据第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型；其中，虚拟人脸图像生成模型用于生成虚拟人脸图像。本公开实施例通过加入自注意力模型，能够在训练过程中让神经网络模型更专注于重点区域的学习，减少模型训练的时间，从而提高模型的训练效率。
151.参照图8，本公开实施例还提供一种视频生成方法，用于生成虚拟人脸视频，包括但不限于步骤s210至步骤s250。
152.步骤s210，获取文本数据和目标虚拟人脸的虚拟人脸特征数据；
153.步骤s220，将文本数据和虚拟人脸特征数据输入至虚拟人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；
154.步骤s230，对多个连续帧说话图像进行图像拼接处理，得到初始人脸视频；
155.步骤s240，对文本数据进行语音转换处理，得到目标语音；
156.步骤s250，根据目标语音对初始视频进行语音合成处理，得到目标人脸视频。
157.在一些实施例的步骤s210中，获取文本数据和目标虚拟人脸的虚拟人脸特征数据，其中文本数据指目标虚拟人脸所需要说话的文本内容，虚拟人脸特征数据为标识不同虚拟人脸的数据，例如人脸id和序列号等。
158.在一些实施例的步骤s220中，将文本数据和虚拟人脸特征数据输入至虚拟人脸图像生成模型进行图像生成处理，就得到多个与目标虚拟人脸对应形象的连续帧说话图像，连续帧说话图像表示目标虚拟人脸在不同情况下，例如说话时的口型以及表情等的状态。其中，虚拟人脸图像生成模型根据如本公开第一方面实施例任一项的训练方法训练得到；
159.在一些实施例的步骤s230中，对多个连续帧说话图像进行图像拼接处理，以得到
初始人脸视频，其中初始人脸视频为虚拟人脸根据文本数据的内容进行说话但没有声音的视频。根据文本数据对初始人脸虚拟说话视频进行处理，以得到目标人脸视频，其中目标视频为目标虚拟人脸根据文本数据的内容进行说话并且包含声音的视频。
160.在一些实施例的步骤s240和步骤s250中，对文本数据进行语音转换处理，例如使用tts技术将文本数据转换成语音，以得到目标语音，将目标语音和初始人脸视频合成在一起，以得到目标视频。
161.本公开实施例还提供一种模型的训练装置，用于训练虚拟人脸图像生成模型，如图9所示，可以实现上述模型的训练方法，该装置包括：第一特征提取模块310、第一拼接模块320、自注意力处理模块330、第二特征提取模块340和模型训练模块350。其中，第一特征提取模块310用于获取人脸图像，对人脸图像进行特征提取处理，得到第一特征图像；第一拼接模块320用于将第一特征图像和预设的虚拟人脸特征数据进行特征拼接处理，得到联合特征图像；自注意力处理模块330用于通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；第二特征提取模块340用于对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像；模型训练模块350用于根据第三特征图像对预设的神经网络模型进行训练，得到虚拟人脸图像生成模型。
162.本公开实施例的模型的训练装置用于执行上述实施例中的模型的训练方法，其具体处理过程与上述实施例中的模型的训练方法相同，此处不再一一赘述。
163.本公开实施例还提供一种视频生成装置，用于生成目标人脸视频，如图10所示，可以实现上述视频生成方法，该装置包括：数据获取模块410、图像生成模块420、第二拼接模块430、语音转换模块440和语音合成模块450，其中数据获取模块410用于获取文本数据和目标虚拟人脸的虚拟人脸特征数据；图像生成模块420用于将文本数据和虚拟人脸特征数据输入至虚拟人脸图像生成模型进行图像生成处理，得到多个连续帧说话图像；虚拟人脸图像生成模型根据本公开第一方面实施例任一项的训练方法训练得到；第二拼接模块430用于对多个连续帧说话图像进行图像拼接处理，得到初始人脸视频；语音转换模块440用于对文本数据进行语音转换处理，得到目标语音；语音合成模块450用于根据目标语音对初始视频进行语音合成处理，得到目标人脸视频。
164.本公开实施例的视频生成装置用于执行上述实施例中的视频生成方法，其具体处理过程与上述实施例中的视频生成方法相同，此处不再一一赘述。
165.本公开实施例还提供了一种计算机设备，包括：
166.至少一个处理器，以及，
167.与至少一个处理器通信连接的存储器；其中，
168.存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如本技术第一方面实施例或如本技术第二方面实施例中任一项的方法。
169.下面结合图11对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器510、存储器520、输入/输出接口530、通信接口540和总线550。
170.处理器510，可以采用通用的cpu(central processin unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
171.存储器520，可以采用rom(read only memory，只读存储器)、静态存储设备、动态
存储设备或者ram(random access memory，随机存取存储器)等形式实现。存储器520可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器520中，并由处理器510来调用执行本公开实施例的模型的训练方法或者执行本公开实施例的视频生成方法；
172.输入/输出接口530，用于实现信息输入及输出；
173.通信接口540，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；和
174.总线550，在设备的各个组件(例如处理器510、存储器520、输入/输出接口530和通信接口540)之间传输信息；
175.其中处理器510、存储器520、输入/输出接口530和通信接口540通过总线550实现彼此之间在设备内部的通信连接。
176.本公开实施例还提供一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行本公开实施例的模型的训练方法或者执行本公开实施例的视频生成方法。
177.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
178.本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
179.本领域技术人员可以理解的是，图1、图2、图3、图4、图5和图8中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
180.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
181.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
182.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
183.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两
个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
184.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
185.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
186.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
187.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
188.以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。