人脸性别转换模型优化方法、装置及转换方法与流程

1.本发明涉及图像处理技术领域，具体而言，涉及一种脸性别转换模型优化方法、装置及转换方法。


背景技术：

2.人脸图像性别转换在现实中的各种场景下都有着重要的应用，现有的人脸图像性别调整已经难以满足用户的使用需求。
3.现有的人脸性别转换方法，主要基于物理建模或者卷积神经网络的方式实现。其中，基于物理建模方式实现的性别转换，在转换前后图像的五官差异大；基于卷积神经网络方式实现的性别转换图像的细节边缘模糊，不够真实。
4.因此，需要一种人脸性别转换方法，能够实现性别差异尽量明显，五官的变化尽量小，转换图像清晰的人脸性别转换。


技术实现要素：

5.本发明的目的在于，针对上述现有技术中的不足，提供一种人脸性别转换模型优化方法、装置、人脸性别转换方法、电子设备及存储介质。
6.为实现上述目的，本技术实施例采用的技术方案如下：
7.第一方面，本技术实施例提供了一种人脸性别转换模型优化方法，包括：
8.采集人脸样本集，所述人脸样本集包括：标注有性别信息的多个人脸图像；
9.根据所述人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，其中，所述初始人脸转换网络包括：初始生成器网络、整体判别器和局部判别器，所述初始生成器网络用于将人脸图像中的人脸进行性别转换，所述整体判别器获取整体判别概率，所述局部判别器用于识别细节判别概率，所述整体判别概率、所述细节判别概率均用于指示所述生成器转换结果的性别识别，所述局部判别器的全连接层数量大于所述整体判别器的全连接层数量。
10.可选的，所述初始人脸转换网络，还包括：编码器网络；所述根据所述人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，包括：
11.采用所述编码器网络提取所述人脸样本集中各人脸图像的潜码；
12.采用所述初始生成器网络根据所述潜码生成与各所述人脸图像性别相反的目标人脸图像；
13.通过所述整体判别器、所述局部判别器识别所述目标人脸图像，获取所述整体判别概率、所述细节判别概率；
14.根据所述整体判别概率、所述细节判别概率优化所述编码器网络和所述初始生成器网络，获取所述目标生成器网络。
15.可选的，所述根据所述整体判别概率、所述细节判别概率优化所述编码器网络和所述初始生成器网络，获取所述目标生成器网络，包括：
16.根据所述整体判别概率、所述细节判别概率以及损失函数优化所述编码器网络和所述初始生成器网络，直到所述损失函数满足预设条件，获取所述目标生成器网络。
17.可选的，所述采用所述编码器网络提取所述人脸样本集中各人脸图像的潜码，包括：
18.识别并裁剪获取所述人脸图像中人脸部分区域图像；
19.采用所述编码器网络提取所述人脸部分区域图像的潜码。
20.可选的，所述潜码包括：结构码和纹理码。
21.可选的，所述损失函数包括以下至少一项：对抗损失、块级的对抗损失、l1损失和感知损失。
22.第二方面，本技术实施例还提供了一种人脸性别转换方法，包括：
23.获取待转换人脸图像；
24.采用第一方面任一项所述的目标生成器网络对所述待转换人脸图像进行转换处理，获取性别转换后的目标人脸图像。
25.第三方面，本技术实施例还提供了一种人脸性别转换模型优化装置，包括：采集模块、训练模块；
26.所述采集模块，用于采集人脸样本集，所述人脸样本集包括：标注有性别信息的多个人脸图像；
27.所述训练模块，用于根据所述人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，其中，所述初始人脸转换网络包括：初始生成器网络、整体判别器和局部判别器，所述初始生成器网络用于将人脸图像中的人脸进行性别转换，所述整体判别器获取整体判别概率，所述局部判别器用于识别细节判别概率，所述整体判别概率、所述细节判别概率均用于指示所述生成器转换结果的性别识别，所述局部判别器的全连接层数量大于所述整体判别器的全连接层数量。
28.第四方面，本技术实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如第一方面任一所述的人脸性别转换模型优化方法的步骤。
29.第五方面，本技术实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的人脸性别转换模型优化方法的步骤。
30.本技术的有益效果是：本技术实施例提供一种人脸性别转换模型优化方法，采集人脸样本集后，根据人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络。其中，初始人脸转换网络中包括：初始生成器网络、整体判别器和局部判别器，利用整体判别器和局部判别器可以分别对初始生成器网络生成的性别转换后的人脸图像进行整体、局部判别，从而获取整体判别概率、细节判别概率，进而实现对初始生成器网络的全局属性、局部属性的监督，实现对性别转换后的人脸图像中更多细节信息的保护，提升了初始人脸转换网络转换效果的真实性。
附图说明
31.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
32.图1为本技术一实施例提供的一种人脸性别转换模型优化方法的流程图；
33.图2为本技术一实施例提供的一种初始人脸转换网络示意图；
34.图3为本技术一实施例提供的一种初始生成器网络的卷积网络结构示意图；
35.图4为本技术一实施例提供的一种整体判别器的卷积网络结构示意图；
36.图5为本技术一实施例提供的一种局部判别器的卷积网络结构示意图；
37.图6为本技术又一实施例提供的一种人脸性别转换模型优化方法的流程图；
38.图7为本技术一实施例提供的一种编码器网络的卷积网络结构示意图；
39.图8为本技术另一实施例提供的一种人脸性别转换模型优化方法的流程图；
40.图9为本技术一实施例提供的一种人脸性别转换方法的流程图；
41.图10为本技术一实施例提供的一种人脸性别转换模型优化装置的示意图；
42.图11为本技术一实施例提供的一种人脸性别转换装置的示意图；
43.图12为本技术实施例提供的一种电子设备的示意图。
具体实施方式
44.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
45.在本技术中，除非另有明确的规定和限定，术语“多个”的含义是至少两个，例如两个、三个，除非另有明确具体的限定。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
46.本技术的人脸性别转换模型优化方法应用于客户端，该客户端例如可以是个人数字助理(personal digital assistant，pda)、车载电脑、台式电脑、笔记本电脑、智能电视、智能手机等能够运行本技术程序的计算机设备。
47.人脸图像性别转换在现实中的各种场景下都有着重要的应用，如在影像类app中，上传男性或者女性的人脸图像，通过相应编辑后转换为相应的女性化或男性化的人脸图像，用于增强娱乐效果，提升用户体验。但是，人脸图像性别转换存在许多问题，脸部姿态，背景、光照条件等因素都会对人脸性别转换后的图像生成效果产生巨大的影响。目前实际应用中，人脸图像的性别转换正越来越受到人们广泛的关注。
48.目前人脸图像性别转换在应用上还有很多不足，例如表现为：
49.性别转换之后的人脸图像清晰度不够，边界模糊；
50.性别转换前后的五官差异大，无法保持良好的身份信息；
51.在如背景复杂，脸部姿态多样等多种场景下，性别转换之后的图像质量差。
52.在现有技术的人脸图像性别转换方法中，主要分为2类：第一类是传统图像处理的方法，比如以物理建模的方式转换，虽然可以达到性别转换的效果，但是转换前后五官差异比较大；第二类是基于卷积神经网络的深度学习方法，以像素-像素的方式训练，虽然可以达到不错的转换效果，但是图像的细节边缘还比较模糊，看起来不够真实。为此，本技术提出新的优化方法进行提升。
53.针对目前人脸性别转换五官差异大，真实度不足的问题，本技术实施例提供了多种可能的实现方式，以实现性别差异尽量明显，五官的变化尽量小，转换图像清晰的人脸性别转换。如下结合附图通过多个示例进行解释说明。
54.图1为本技术一实施例提供的一种人脸性别转换模型优化方法的流程图，该互动控制方法可由运行有上述方法的电子设备实现，该电子设备例如可以为终端设备，也可以为服务器。如图1所示，该方法包括：
55.步骤101：采集人脸样本集，人脸样本集包括：标注有性别信息的多个人脸图像。
56.在进行人脸性别转换模型训练之前，需要采集人脸样本集，人脸样本集中包括多个标注有性别信息的人脸图像。需要说明的是，人脸样本集中人脸图像的丰富程度会影响训练模型的准确性和真实性，因此，用户可以选择性别不同、拍摄角度不同、光线不同、背景不同等情况下的多个人脸图像加入人脸样本集。上述仅为实例说明，本技术对人脸样本集所包括的人脸图像的具体形式等不做限定。
57.在一种可能的实现方式中，可以通过将包含人脸图像的整张图像中的人脸区域裁剪下来，并对人脸的性别信息进行标注，从而得到人脸样本集。
58.步骤102：根据人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，其中，初始人脸转换网络包括：初始生成器网络、整体判别器和局部判别器，初始生成器网络用于将人脸图像中的人脸进行性别转换，整体判别器获取整体判别概率，局部判别器用于识别细节判别概率，整体判别概率、细节判别概率均用于指示生成器转换结果的性别识别，局部判别器的全连接层数量大于整体判别器的全连接层数量。
59.需要说明的是，根据步骤101采集的人脸样本集和初始人脸转换网络进行训练，可以获取优化后的目标生成器网络。其中，初始人脸转换网络包括：初始生成器网络、整体判别器和局部判别器。
60.初始生成器网络是一种生成器网络，其任务是生成看起来自然真实的、和原始数据相似的性别转换后的人脸图像，即将人脸图像中的人脸进行性别转换。判别器用于判断给定的人脸图像是真实的还是伪造的(例如真实图像来源于人脸样本集，伪造图像来源于生成器网络)。其中整体判别器是对生成器网络生成的人脸图像整体的判断，进而获取整体判别概率；局部判别器是对生成器网络生成的人脸图像局部的判断，进而获取识别细节判别概率。整体判别概率、细节判别概率均可以用于指示生成器转换结果的性别识别，即分别从整体、局部的角度对生成器网络生成的性别转换后的人脸图像进行评价。
61.在一种具体的实现方式中，图2为本技术一实施例提供的一种初始人脸转换网络示意图；如图2所示，初始人脸转换网络中包括：初始生成器网络21、整体判别器23和局部判别器25，初始生成器网络21根据人脸样本集中的人脸图像生成与该人脸图像性别相反的人脸图像，分别输出给整体判别器23和局部判别器25，整体判别器23和局部判别器25对该初
始生成器网络21处理后的人脸图像进行判别，得到整体判别概率和细节判别概率。在一种具体的实现方式中，初始生成器网络可以采用生成器网络(generator)，图3为本技术一实施例提供的一种初始生成器网络的卷积网络结构示意图，如图3所示。
62.还需要说明的是，局部判别器的全连接层数量大于所述整体判别器的全连接层数量，全连接层(fully connected layers，fc)在判别器中起到“分类器”的作用，根据局部判别器与整体判别器的使用目的不同，对其全连接层的数量进行设置。在一种具体的实现方式中，图4为本技术一实施例提供的一种整体判别器的卷积网络结构示意图，整体判别器采用判别器网络(discriminator)；图5为本技术一实施例提供的一种局部判别器的卷积网络结构示意图，局部判别器采用块级判别器网络(patchdiscriminator)；如图4、图5所示，在图4的整体判别器的卷积网络结构中包括一个全连接层，而在图5的局部判别器的卷积网络结构中包括四个全连接层，即局部判别器的全连接层数量大于所述整体判别器的全连接层数量。当然，具体实现时整体判别器、局部判别器中全连接层的数量可以根据需要灵活进行调整。
63.综上，本技术实施例提供一种人脸性别转换模型优化方法，采集人脸样本集后，根据人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络。本技术提出的初始人脸转换网络中包括：初始生成器网络、整体判别器和局部判别器，利用整体判别器和局部判别器可以分别对初始生成器网络生成的性别转换后的人脸图像进行整体、局部判别，从而获取整体判别概率、细节判别概率，进而实现对初始生成器网络的全局属性、局部属性的监督。初始人脸转换网络结构新颖、能力强大，通过整体与局部两部分对初始生成器网络进行判别，实现对性别转换后的人脸图像中更多细节信息的保护，提升了初始人脸转换网络转换效果的真实性。
64.可选的，在上述图1的基础上，本技术还提供一种人脸性别转换模型优化方法的可能实现方式，图6为本技术又一实施例提供的一种人脸性别转换模型优化方法的流程图；如图6所示，初始人脸转换网络，还包括：编码器网络；根据人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，包括：
65.步骤601：采用编码器网络提取人脸样本集中各人脸图像的潜码。
66.需要说明的是，编码器网络可以提取人脸样本集中各人脸图像的潜码，潜码可以包括人脸图像中一类或者多类信息，具体来说，潜码可以包括人脸图像中面部结构信息，也可以包括人脸图像中面目结构、色彩信息，上述仅为实例说明，在实际实现中，潜码所包含的具体信息，用户可以根据需要进行灵活设定，本技术对此不做限定。
67.在一种具体的实现方式中，图7为本技术一实施例提供的一种编码器网络的卷积网络结构示意图，编码器网络采用编码器网络(encoder)；如图7所示，编码器网络获取人脸样本集中各人脸图像(即原始图像后，可以通过计算得到结构码和纹理码(即潜码)。
68.步骤602：采用初始生成器网络根据潜码生成与各人脸图像性别相反的目标人脸图像。
69.在一种可能的实现方式中，将男生/女生人脸的人脸图像(即原始图像)输入编码器网络中，编码器网络从原始图像中提取潜码；然后初始生成器网络将提取后的潜码(可以包括结构码和/或纹理码)输入初始生成器网络中得到对应的女生/男生人脸图像，即与各人脸图像性别相反的目标人脸图像。
70.步骤603：通过整体判别器、局部判别器识别目标人脸图像，获取整体判别概率、细节判别概率。
71.在一种可能的实现方式中，将初始生成器网络得到的目标人脸图像输入判别器和局部判别器，进而得到整体判别概率和细节判别概率。
72.步骤604：根据整体判别概率、细节判别概率优化编码器网络和初始生成器网络，获取目标生成器网络。
73.根据整体判别概率、细节判别概率对编码器网络和初始生成器网络进行优化，从而得到目标生成器网络。需要说明的是，整体判别概率、细节判别概率体现的是人脸图片经过编码器网络提取潜码后，再由初始生成器网络生成的目标图像被整体判别器或者局部判别器判别为真实图像的概率，这个概率值越大，则表示经过编码器网络和初始生成器网络生成的目标图像越接近真实图像，即是转换前后五官差异越小、转换前后图像细节差异越小，因此，可以根据整体判别概率、细节判别概率对编码器网络和初始生成器网络进行优化。
74.在一种具体的实现方式中，可以基于构建编、解码结构的生成式对抗网络(gan,generative adversarial networks)网络框架实现人脸性别转换模型优化，具体而言，在gan网络中包括：编码器网络(encoder)(即上述实施例中的编码器网络)，生成器网络(generator)(即上述实施例中的初始生成器网络或目标生成器网络)，判别器网络(discriminator)(即上述实施例中的整体判别器)和块级判别器网络(patchdiscriminator)(即上述实施例中的局部判别器)四个子网络。利用能力强大的gan网络来构建性别转换的初始人脸转换网络，进一步提升人脸图像性别转换的效果。
75.可选的，在上述图6的基础上，本技术还提供一种人脸性别转换模型优化方法的可能实现方式，根据整体判别概率、细节判别概率优化编码器网络和初始生成器网络，获取目标生成器网络，包括：
76.根据整体判别概率、细节判别概率以及损失函数优化编码器网络和初始生成器网络，直到损失函数满足预设条件，获取目标生成器网络。
77.需要说明的时，损失函数(loss function)是一种衡量预测函数拟合真实值优劣的一种函数，在本技术中，损失函数可以衡量初始生成器网络生成人脸图像的真实性优劣。一般来说，损失函数越小，模型的鲁棒性便越好。其中，上述预设条件可以包括：收敛条件、预设的阈值条件等在此不作限制，在不满足预设条件时，可以调整初始生成器网络中的相关参数等，以不断优化编码器网络和初始生成器网络。
78.还需要说明的是，通过对编码器网络和初始生成器网络进行优化获取目标生成器网络时，可以根据整体判别概率、细节判别概率以及损失函数是否满足预设条件，判断目标生成器网络是否生成。在一种可能的实现方式中，可以通过根据整体判别概率、细节判别概率以及损失函数的收敛情况进行判断，即当整体判别概率、细节判别概率以及损失函数满足预设的收敛条件时，获得的初始生成器网络即为目标生成器网络。通过对编码器网络和初始生成器网络进行优化获取目标生成器网络时，还可以根据整体判别概率、细节判别概率以及损失函数的具体数值进行判断，即当整体判别概率、细节判别概率以及损失函数满足预设的阈值条件时，获得的初始生成器网络即为目标生成器网络。上述仅为实例说明，在实际实现中，对初始生成器网络到目标生成器网络的评价还可以由其他方式，本技术对此
不做限定。
79.可选的，在上述图6的基础上，本技术还提供一种人脸性别转换模型优化方法的可能实现方式，图8为本技术另一实施例提供的一种人脸性别转换模型优化方法的流程图；如图8所示，采用编码器网络提取人脸样本集中各人脸图像的潜码，包括：
80.步骤801：识别并裁剪获取人脸图像中人脸部分区域图像。
81.在一种可能的实现方式中，可以先对人脸图像中人脸部分区域图像进行识别与裁剪，从而得到人脸部分区域图像，从而排除训练中背景图像或其他图像可能对训练产生的干扰。通过将包含人脸部分区域图像的人脸图像中的人脸部分区域图像裁剪下来，并对裁剪的人脸部分区域图像的人脸性别信息进行标注，得到人脸样本集。
82.步骤802：采用编码器网络提取人脸部分区域图像的潜码。
83.在一种可能的实现方式中，将裁剪后的男生/女生人脸的人脸部分区域图像(即原始图像)输入编码器网络中，编码器网络从原始图像中提取潜码；然后初始生成器网络将提取后的潜码(可以包括结构码和/或纹理码)输入初始生成器网络中得到对应的女生/男生人脸部分区域图像，即与各人脸部分区域图像性别相反的目标人脸图像。
84.可选的，在上述图6-图8的基础上，本技术还提供一种人脸性别转换模型优化方法的可能实现方式，潜码包括：结构码和纹理码。
85.需要说明的是，编码器网络可以提取人脸样本集中各人脸图像的潜码，潜码中可以包括结构码和纹理码。其中，结构码包括人脸图像的结构信息，纹理吗包括人脸图像的纹理信息。通过提取结构码和纹理码两部分潜码，提升了目标生成器生成图像的纹理真实感。
86.可选的，在上述实施例的基础上，本技术还提供一种人脸性别转换模型优化方法的可能实现方式，损失函数包括以下至少一项：对抗损失、块级的对抗损失、l1损失和感知损失。
87.需要说明的是，损失函数中包括对抗损失、块级的对抗损失、l1损失和感知损失四项中至少一项。其中利用整体判别器获取的整体判别概率构建对抗损失；利用局部判别器获取细节判别概率构建块级的对抗损失；利用转换后图像(即初始生成器网络生成的图像)与转换前图像(即采集的初始人脸图像)构建l1损失；利用图像纹理、五官信息等细节构建感知损失。
88.在一种可能的实现方式中，块级的对抗损失基于图像块构建，将初始生成器网络生成的图像和参考图像随机截取相同数量相同尺寸大图像块，并将得到的图像块输入局部判别器得到对应的统计概率值(即细节判别概率)，针对细节判别概率构造块级的对抗损失。
89.在另一种可能的实现方式中，通过计算转换后图像(即初始生成器网络生成的图像)与参考图像(即采集的初始人脸图像)之间绝对差值的平均值，得到l1损失。
90.在又一种可能的实现方式中，可以通过vgg loss获取感知损失，从而更好保留原图像纹理、五官信息等细节。
91.在一种具体的实现方式中，将初始生成器网络输出的目标人脸图像和参考图像(参考图像是满足用户条件的转换后的人脸图像)输入整体网络结构的损失函数中，计算损失。
92.通过以上损失函数对初始人脸转换网络的性能进行评价，除了对抗损失和像素级
的l1损失之外，还加入了块级的对抗损失和特征级的感知损失，提升生成图像的纹理真实感，进一步提升性别转换任务的生成图像质量，可以更好地训练初始生成器网络的学习能力，进而生成性别转换效果更好的人脸图像。
93.本技术还提供一种人脸性别转换方法的可能实现方式，图9为本技术一实施例提供的一种人脸性别转换方法的流程图；如图9所示，该方法包括：
94.步骤901：获取待转换人脸图像。
95.步骤902：采用上述任一人脸性别转换模型优化方法实施例的目标生成器网络对待转换人脸图像进行转换处理，获取性别转换后的目标人脸图像。
96.通过上述实施例生成目标生成器之后，可以将待转换人脸图像，采取上述采用上述任一人脸性别转换模型优化方法实施例的目标生成器网络对待转换人脸图像进行转换，即可获取性别转换后的目标人脸图像。从而实现对待转换人脸图像的性别转换。
97.下述对用以执行本技术所提供的人脸性别转换模型优化装置、人脸性别转换装置、电子设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
98.本技术实施例提供一种人脸性别转换模型优化装置的可能实现示例，能够执行上述实施例提供的人脸性别转换模型优化方法。图10为本技术一实施例提供的一种人脸性别转换模型优化装置的示意图。如图10所示，上述人脸性别转换模型优化装置100，包括：采集模块11、训练模块13；
99.采集模块11，用于采集人脸样本集，人脸样本集包括：标注有性别信息的多个人脸图像；
100.训练模块13，用于根据人脸样本集和初始人脸转换网络进行训练，获取优化后的目标生成器网络，其中，初始人脸转换网络包括：初始生成器网络、整体判别器和局部判别器，初始生成器网络用于将人脸图像中的人脸进行性别转换，整体判别器获取整体判别概率，局部判别器用于识别细节判别概率，整体判别概率、细节判别概率均用于指示生成器转换结果的性别识别，局部判别器的全连接层数量大于整体判别器的全连接层数量。
101.可选的，初始人脸转换网络，还包括：编码器网络；训练模块13，用于采用编码器网络提取人脸样本集中各人脸图像的潜码；采用初始生成器网络根据潜码生成与各人脸图像性别相反的目标人脸图像；通过整体判别器、局部判别器识别目标人脸图像，获取整体判别概率、细节判别概率；根据整体判别概率、细节判别概率优化编码器网络和初始生成器网络，获取目标生成器网络。
102.可选的，训练模块13，用于根据整体判别概率、细节判别概率以及损失函数优化编码器网络和初始生成器网络，直到损失函数满足预设条件，获取目标生成器网络。
103.可选的，训练模块13，用于识别并裁剪获取人脸图像中人脸部分区域图像；采用编码器网络提取人脸部分区域图像的潜码。
104.可选的，潜码包括：结构码和纹理码。
105.可选的，损失函数包括以下至少一项：对抗损失、块级的对抗损失、l1损失和感知损失。
106.本技术实施例提供一种人脸性别转换装置的可能实现示例，能够执行上述实施例提供的人脸性别转换方法。图11为本技术一实施例提供的一种人脸性别转换装置的示意
图。如图11所示，上述人脸性别转换装置300，包括：获取模块111、转换模块113；
107.获取模块111，用于获取待转换人脸图像。
108.转换模块113，用于采用人脸性别转换模型优化方法任一实施例的目标生成器网络对待转换人脸图像进行转换处理，获取性别转换后的目标人脸图像。
109.上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
110.以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital singnal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
111.本技术实施例提供一种电子设备的可能实现示例，能够执行上述实施例提供的人脸性别转换模型优化方法。图12为本技术实施例提供的一种电子设备的示意图，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。
112.该电子设备包括：处理器1201、存储介质1202和总线，存储介质存储有处理器可执行的程序指令，当控制设备运行时，处理器与存储介质之间通过总线通信，处理器执行程序指令，以执行时执行上述人脸性别转换模型优化方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
113.本技术实施例提供一种计算机可读存储介质的可能实现示例，能够执行上述实施例提供的人脸性别转换模型优化方法，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述人脸性别转换模型优化方法的步骤。
114.存储在一个存储介质中的计算机程序，可以包括若干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)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-only memory，简称：rom)、随机存取存储器(英文：random access memory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
115.在本发明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，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。
116.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。
117.另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。
118.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干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)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-only memory，简称：rom)、随机存取存储器(英文：random access memory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
119.以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。