图像处理的方法、装置、电子设备和存储介质与流程

1.本公开涉及增强/虚拟现实、图像处理领域，尤其涉及三维人脸重建中的图像处理的方法、装置、电子设备和存储介质。


背景技术：

2.目前，人脸重建中对于纹理图像的生成，依赖于纹理基底的颜色涵盖能力以及纹理系数的预测精度，而用于进行三维人脸重建的纹理基底，其开源方法都是手动绘制的。


技术实现要素：

3.本公开提供了一种用于图像处理的方法、装置、电子设备和存储介质。
4.根据本公开的一方面，提供了一种图像处理方法，包括：获取二维人脸图像的第一纹理系数；基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像；基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底；响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
5.根据本公开的另一方面，提供了一种图像处理装置，包括：获取单元，用于获取二维人脸图像的第一纹理系数；生成单元，用于基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像；更新单元，用于基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底；重建单元，用于响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1-8中任一项所述的方法。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是根据本公开实施例的一种图像处理方法的示意图；
12.图2是根据本公开实施例的一种渲染图生成流程的示意图；
13.图3是基于图2所示的一种计算损失度的方法的示意图；
14.图4是用来实现本公开实施例的图像处理装置的结构图；
15.图5是根据本公开实施例一种电子设备的示意性框图。
具体实施方式
16.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
17.下面对本公开实施例的图像处理方法进行介绍。
18.传统计算机图形学中纹理基底使用固定的一组正交纹理图像，再通过拟合的方式计算出纹理系数。这种方式有局限性，固定的纹理基底决定了这个三维人脸重建模型最终表征颜色的范围，比如使用欧洲人脸基底，无论如何训练纹理系数都无法表征亚洲人脸。而纹理基底如果使用训练方式生成，同时训练纹理基底和纹理系数会导致训练不收敛不稳定。
19.图1是根据本公开实施例的一种图像处理方法的流程图。如图1所示，该方法可以包括以下步骤：
20.步骤s101，获取二维人脸图像的第一纹理系数。
21.在本公开上述步骤s101提供的技术方案中，在获取二维人脸图像的第一纹理系数之前，需要收集一张二维人脸图像。
22.在该实施例中，第一纹理系数可以是通过将收集到的二维人脸图像输入至目标网络模型中进行处理得到。
23.可选地，第一纹理系数可以通过将二维人脸图像输入至目标网络模型中进行预测得到，如将二维人脸图像输入至卷积神经网络(convolutional neural networks，简称为cnn)中，进行预测得到第一纹理系数，卷积神经网络的输入层可以处理多维数据，卷积神经网络在计算机视觉领域中应用较广，因此在介绍其结构时预先假设了三维输入数据，即平面上的二位像素点和颜色通道(rgb通道)，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。
24.步骤s102，基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像。
25.在本公开上述步骤s102提供的技术方案中，在获取二维人脸图像的第一纹理系数之后，可以基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像。
26.在该实施例中，第一纹理基底是收集到的二维人脸图像的纹理基底的值，第一纹理系数与第一纹理基底进行线性求和的计算，进而生成二维人脸图像的第一纹理图像。
27.步骤s103，基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底。
28.在本公开上述步骤s103提供的技术方案中，基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像之后，可以基于第一纹理图像判断第一
纹理系数是否满足第一目标条件，如果基于第一纹理图像判断出第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底。
29.在该实施例中，第一目标条件可以用于判断第一纹理图像与二维人脸图像对应的目标真值图之间的差异是否在能接受的范围内，当生成的第一纹理图像符合第一目标条件时，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底。
30.可选地，第一目标条件可以是第一纹理图像的损失度降低到rgb平均单通道损失值在一定阈值范围内，则可以确定纹理系数训练稳定了，比如，第一目标条件可以是第一纹理图像的损失度降低到rgb平均单通道损失值10以内。
31.步骤s104，响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
32.在本公开上述步骤s104提供的技术方案中，在基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底之后，可以通过判断第二纹理基底是否收敛，来决定是否基于第二纹理基底对二维人脸图像进行三维重建，以得到三维人脸图像。如果响应于第二纹理基底收敛，则可以基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
33.通过上述步骤s101至步骤s104，获取二维人脸图像的第一纹理系数；基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像；基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底；响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。也就是说，本公开通过交互训练纹理系数和纹理基底的方式，直到响应于纹理基底是收敛的，则基于收敛的纹理基底对二维人脸图像进行三维重建，得到三维人脸图像，实现了训练纹理图像的纹理基底达到收敛，从而解决了三维人脸图像重建的效率低的技术问题，达到了提高三维人脸图像重建的效率的技术效果。
34.下面对该实施例的上述方法进行进一步地详细介绍。
35.作为一种可选的实施方式，步骤s104，响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像，包括：响应于第二纹理基底未收敛，则基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像；基于第二纹理图像确定第二纹理基底满足第二目标条件，则对第一纹理系数进行更新，得到第二纹理系数；将第二纹理系数确定为第一纹理系数，将第二纹理基底确定为第一纹理基底，并执行基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像的步骤，直至响应于第二纹理基底收敛。
36.在该实施例中，响应于第二纹理基底未收敛，则基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像，可以是通过可微分渲染器渲染出第二纹理图像，可选地，将第一纹理系数和第二纹理基底进行线性运算，得到第二人脸图像，然后将第二人脸图像贴到3d点云上得到mesh，将mesh和obj输入至可微分渲染器中，进行第二纹理图像的渲染，进而得到第二纹理图像。
37.在该实施例中，基于第二纹理图像确定第二纹理基底满足第二目标条件，则对第一纹理系数进行更新，得到第二纹理系数，其中，第二目标条件用于判断第二纹理基底是否符合要求，第二目标条件可以是纹理基底的表达范围加大，对第一纹理系数进行更新之前，还包括：对目标网络模型的参数的权重进行更新，并基于更新后的目标网络模型将第一纹
理系数调整为第二纹理系数，当训练纹理系数达到稳定值的时候，纹理基底作为一个张量，其自身的梯度参与卷积神经网络的梯度回传过程，权重开始更新，进而得到第二纹理系数。
38.在该实施例中，将第二纹理系数确定为第一纹理系数，将第二纹理基底确定为第一纹理基底，并执行基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像的步骤，直至响应于第二纹理基底收敛，基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像，第一纹理系数是通过步骤s101中将二维人脸图像输入至目标网络模型cnn中预测得到的，而第一纹理基底是上述输入至目标网络模型用于预测第一纹理系数的人脸图像的纹理基底的值，可选地，预先准备的二维人脸图像的纹理基底可以是155*1024*1024维的张量(tensor)，也就是说，在训练开始的时候，第一纹理基底是一个固定的值，训练过程中，响应于第二纹理基底未收敛，依据渲染图的损失度反馈到纹理基底时候的梯度定，然后，更新纹理系数，第二纹理基底作为一个张量参与训练过程，第一纹理系数与第一纹理基底进行线性求和的计算，进而再次生成二维人脸图像的纹理图像。
39.作为一种可选的实施方式，基于第二纹理图像确定第二纹理基底满足第二目标条件包括：对第二纹理图像进行渲染处理，得到第一渲染图像；获取第一渲染图像和二维人脸图像对应的目标真值图之间的第一损失度；确定第一损失度在目标阈值范围内，则确定第二纹理基底满足第二目标条件。
40.在该实施例中，第二目标条件可以是训练纹理基底的表达范围加大了。
41.在该实施例中，在对第一纹理图像进行渲染处理时，可以将生成的第二纹理图像输入至可微分渲染器中，以得到第一渲染图像。可微分渲染器下的逆向绘制过程是：第一纹理图像与目标网络模型cnn中的3d模型文件(obj)合并得到mesh，也就是将第一纹理图像贴到3d点云上得到mesh，然后，将mesh输入至可微分渲染器中，渲染出第二纹理图像。
42.在该实施例中，上述obj可以是模型中给出的，也可以是通过训练生成的，在此不作限制。
43.在该实施例中，获取第一渲染图像和二维人脸图像对应的目标真值图之间的第一损失度，通过比较由第二纹理图像进行渲染处理得到的第一渲染图与二维人脸图像之间的差异，将差异进行量化，计算出第一渲染图像和二维人脸图像对应的目标真值图之间的第一损失度。
44.在该实施例中，确定第一损失度在目标阈值范围内，则确定第二纹理基底满足第二目标条件，其中，目标阈值范围可以是损失度降低到rgb平均单通道损失值在10以内，即纹理系数训练稳定了，第二目标条件可以是训练纹理基底的表达范围加大了，为了使得第一渲染图和二维人脸图像对应的目标真值图之间的差别更小，确定目标阈值范围应该是一个足够小的取值范围，也就是说，要求的严格性越高，目标阈值范围就越小，第一渲染图也就越接近二维人脸图像对应的目标真值图。
45.作为一种可选的实施方式，步骤s101，获取二维人脸图像的第一纹理系数包括：将二维人脸图像输入至目标网络模型中进行处理，得到第一纹理系数，其中，目标网络模型用于预测输入图像的纹理系数；对第一纹理系数进行更新，得到第二纹理系数包括：对目标网络模型的参数的权重进行更新，并基于更新后的目标网络模型将第一纹理系数调整为第二纹理系数。
46.在该实施例中，将二维人脸图像输入至目标网络模型中进行处理，得到第一纹理系数，其中，目标网络模型用于预测输入图像的纹理系数，目标网络模型可以是卷积神经网络，卷积神经网络的输入层可以处理多维数据，卷积神经网络在计算机视觉领域中应用较广，因此在介绍其结构时预先假设了三维输入数据，即平面上的二位像素点和rgb通道，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。
47.在该实施例中，对第一纹理系数进行更新，得到第二纹理系数包括：对目标网络模型的参数的权重进行更新，并基于更新后的目标网络模型将第一纹理系数调整为第二纹理系数，对目标网络模型的参数的权重进行更新，并基于更新后的目标网络模型将第一纹理系数调整为第二纹理系数，当训练纹理系数达到稳定值的时候，纹理基底作为一个张量，其自身的梯度参与卷积神经网络的梯度回传过程，权重开始更新，因此卷积神经网络重新预测人脸图像的纹理系数，进而实现对第一纹理系数的更新，得到第一纹理系数更新后的第二纹理系数，之后，在交替训练纹理系数和纹理图像的过程中，纹理基底作为一个张量参与卷积神经网络梯度回传过程，并更新权重，从而实现交替训练过程中的第一纹理系数的更新。
48.作为一种可选的实施方式，步骤s103，基于第一纹理图像确定第一纹理系数满足第一目标条件，包括：对第一纹理图像进行渲染处理，得到第二渲染图像；获取第二渲染图像和二维人脸图像对应的目标真值图之间的第二损失度；确定第二损失度在目标阈值范围内，则确定第一纹理系数满足第一目标条件。
49.在该实施例中，对第一纹理图像进行渲染处理，得到第二渲染图像，在对第一纹理图像进行渲染处理时，可以将步骤s102生成的第一纹理图像输入至可微分渲染器中，以得到第二渲染图像。可微分渲染器下的逆向绘制过程是：第一纹理图像与目标网络模型cnn中的3d模型文件(obj)合并得到mesh，也就是将第一纹理图像贴到3d点云上得到mesh，然后，将mesh输入至可微分渲染器中，渲染出第二纹理图像。
50.在该实施例中，获取第二渲染图像和二维人脸图像对应的目标真值图之间的第二损失度，计算第二渲染图像和二维人脸图像对应的目标真值图之间的第二损失度，也就是比较第二渲染图像和二维人脸图像对应的目标真值图之间的差别，用第二损失度这一数值将这种差别进行量化。
51.在该实施例中，确定第二损失度在目标阈值范围内，则确定第一纹理系数满足第一目标条件，通过判断第二损失度是否在目标阈值范围内，进一步判断第一纹理系数是否满足第一目标条件，为了使得第二渲染图和二维人脸图像对应的目标真值图之间的差别更小，确定目标阈值范围应该是一个足够小的取值范围，也就是说，要求的严格性越高，目标阈值范围就越小，第二渲染图也就越接近二维人脸图像对应的目标真值图，第一目标条件可以是第二损失度降低到rgb平均单通道损失值在10以内，即纹理系数训练稳定了。
52.作为一种可选的实施方式，步骤s103，基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底包括：基于第二损失度将第一纹理基底调整为第二纹理基底。
53.在该实施例中，第二损失度降低到rgb平均单通道损失值在10以内，即纹理系数训练稳定了。
54.作为一种可选的实施方式，基于第二损失度对第一纹理基底的张量进行调整；将调整后的张量对应的纹理基底，确定为第二纹理基底。
55.在该实施例中，纹理基底在初始化化时是一个张量(tensor)，在纹理系数训练的时候，纹理基底作为一个张量，其梯度为零，权重不会更新，而当训练纹理系数达到了稳定值之后，纹理基底参与训练过程，第二损失度在目标阈值范围之内，则基于第二损失度，对第一纹理基底的张量进行更新，然后，将更新后的张量对应的纹理基底确定为第二纹理基底。
56.作为一种可选的实施方式，步骤s104，基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像包括：基于第一纹理系数和第二纹理基底，生二维人脸图像的第二纹理图像；基于第二纹理图像对二维人脸图像进行三维重建，得到三维人脸图像。
57.在该实施例中，响应于第二纹理基底收敛，则交替训练过程结束，收敛的第二纹理基底和第一纹理系数，通过线性求和计算，可以生成第二纹理图像，然后将第一纹理图像贴到3d点云上得到mesh，通过mesh渲染出三维人脸图像。
58.该实施例通过响应于第二纹理基底未收敛，则基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像；基于第二纹理图像确定第二纹理基底满足第二目标条件，则对第一纹理系数进行更新，得到第二纹理系数；将第二纹理系数确定为第一纹理系数，将第二纹理基底确定为第一纹理基底，并执行基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像的步骤，直至响应于第二纹理基底收敛，从而进一步保证纹理基底的收敛效果，解决了三维人脸重建的效率低的技术问题，达到了提高三维人脸重建的效率的技术效果。
59.图2是根据本公开实施例的一种渲染图生成流程的示意图，如图2所示，该流程可以包括以下步骤：
60.首先，准备单张2d人脸图像；
61.其次，将准备的单张2d人脸图像输入至目标网络模型中，进行预测第一纹理系数，其中目标网络模型可以是卷积神经网络(cnn)，卷积神经网络输出2d人脸图像的纹理系数(tex param)；
62.然后，2d人脸图像提供了纹理基底(tex base)，将纹理基底和纹理系数进行线性求和计算，生成纹理图像；
63.最后，将生成的纹理图像与3d模型文件obj进行合并，得到mesh，将mesh输入至可微分渲染器中，生成2d渲染图。
64.在该实施例中，通过将纹理系数和纹理基底进行线性求和计算，得到第一纹理图像，将纹理图像贴到3d点云上得到mesh，然后，将mesh输入至可微分渲染器中，渲染出第二纹理图像，生成的渲染图用于与目标真值图之间计算损失度loss，进而确定损失度loss在目标阈值范围内。
65.图3是基于图2所示的渲染图生成流程的一种计算损失度的方法的示意图，如图所示，该方法可以包括以下步骤：
66.步骤s301，准备单张二维人脸图像。
67.步骤s302，将二维人脸图像输入至目标网络模型cnn。
68.在本公开上述步骤s302提供的技术方案中，目标网络模型cnn用于预测二维人脸图像的第一纹理系数，并且，在响应于第二纹理基底未收敛，则基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像；基于第二纹理图像确定第二纹理基底满足第
二目标条件，则对第一纹理系数进行更新，得到第二纹理系数；将第二纹理系数确定为第一纹理系数，将第二纹理基底确定为第一纹理基底，并执行基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像的步骤，直至响应于第二纹理基底收敛的过程中，纹理系数均由目标网络模型cnn预测得到，其中，纹理系数在目标网络模型cnn中的权重也在更新。
69.步骤s303，将纹理系数与纹理基底进行线性求和计算，生成纹理图像。
70.步骤s304，生成的纹理图像与模型的obj文件合并，得到mesh，将mesh输入至可微分渲染器中，生成2d渲染图。
71.步骤s305，计算2d人脸渲染图与目标人脸真值图(gt图)的损失度loss。
72.在本公开上述步骤s305提供的技术方案中，损失度loss降低到rgb平均单通道损失10以内，即纹理系数训练稳定了。
73.在该实施例中，通过计算训练过程中生成的纹理图的二维渲染图像与目标真值图之间的损失度loss，在步骤103中，确定第二损失度在目标阈值范围内，进一步确定第一纹理系数满足第一目标条件，基于第二损失度将第一纹理基底调整为第二纹理基底，基于第二损失度对第一纹理基底的张量进行调整，另外，在一种可选的实施例中，基于第二纹理图像确定第二纹理基底满足第二目标条件包括：确定第一损失度在目标阈值范围内，则确定第二纹理基底满足第二目标条件。
74.本公开实施例还提供了一种用于执行图1所示实施例的图像处理装置。
75.图4是根据本公开实施例的一种图像处理装置的示意图。如图4所示，该数据处理装置40可以包括：获取单元41，生成单元42，更新单元43，重建单元44。
76.获取单元41，用于获取二维人脸图像的第一纹理系数，其中，可以用卷积神经网络(cnn)作为目标网络模型，将二维人脸图像输入至cnn中进行预测第一纹理系数，在交替训练的过程中，获取单元41用于预测基于第二纹理基底生成的第二纹理图像的第二纹理系数，然后将第二纹理系数作为第一纹理系数，继续训练纹理基底，直到纹理基底达到稳定。
77.生成单元42，用于基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像，生成单元42包括可微分渲染器，具体地，在生成单元中，第一纹理系数和第一纹理基底进行线性求和计算，得到第一人脸图像，然后将第一人脸图像贴到3d点云上得到mesh，将mesh和obj输入至可微分渲染器中，进行纹理图像的渲染，进而得到第一纹理图像。
78.更新单元43，用于基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底，而在交替训练的过程中，响应于第二纹理基底未收敛，则基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像，基于第二纹理图像确定所述第二纹理基底满足第二目标条件，其中，第二目标条件可以是训练纹理基底表达范围加大，通过对目标网络模型的参数的权重进行更新，进而对第一纹理系数进行更新，通过cnn模型预测得到第二纹理系数，然后，将第二纹理系数确定为第一纹理系数，将第二纹理基底确定为第一纹理基底，并执行基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像的步骤，直至响应于第二纹理基底收敛。
79.重建单元44，用于响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图
像进行三维重建，得到三维人脸图像，当响应于第二纹理基底收敛时，基于第一纹理系数和第二纹理基底，生成二维人脸图像的第二纹理图像；基于第二纹理图像对所二维人脸图像进行三维重建，得到三维人脸图像。
80.在该实施例的图像处理装置中，通过卷积神经网络预测二维人脸图像的纹理系数，交替训练二维人脸图像的纹理基底和纹理系数，最终使纹理图像的纹理基底达到收敛，解决了三维人脸重建的效率低的技术问题，达到了提高三维人脸图像重建的效率的技术效果。
81.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
82.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
83.本公开的实施例提供了一种电子设备，该电子设备可以包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的图像处理方法。
84.可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
85.可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
86.s101,获取二维人脸图像的第一纹理系数；
87.s102，基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像；
88.s103，基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底；
89.s104，响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
90.可选地，在本实施例中，上述非瞬时计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
91.根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现以下步骤：
92.s101,获取二维人脸图像的第一纹理系数；
93.s102，基于第一纹理系数和二维人脸图像的第一纹理基底，生成二维人脸图像的第一纹理图像；
94.s103，基于第一纹理图像确定第一纹理系数满足第一目标条件，则基于第一纹理图像对第一纹理基底进行更新，得到第二纹理基底；
95.s104，响应于第二纹理基底收敛，则基于第二纹理基底对二维人脸图像进行三维重建，得到三维人脸图像。
96.图5是根据本公开实施例的一种电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
97.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
98.如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
99.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
100.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法计算生成的纹理图像的二维渲染图与目标真值图之间损失度。例如，在一些实施例中，方法计算生成的纹理图像的二维渲染图与目标真值图之间损失度可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的方法计算生成的纹理图像的二维渲染图与目标真值图之间损失度的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法计算生成的纹理图像的二维渲染图与目标真值图之间损失度。
101.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算
机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
102.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
103.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
104.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
105.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
106.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
107.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
108.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开
的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。