模型训练方法、人脸视频生成方法、装置、设备和介质

技术领域

本申请涉及人工智能领域，尤其涉及计算机视觉和深度学习技术，具体涉及一种模型训练方法、人脸视频生成方法、装置、设备、介质和程序产品。

背景技术

随着理论和算力的发展，深度学习算法已经成为了人工智能领域最为重要的技术。而在训练深度学习模型的过程中，损失函数起着至关重要的作用。一个好的损失函数，往往需要能够正确度量当前模型的好坏，并指引模型在训练的过程中往有正向收益的方向去收敛。

现有技术中，一个常用的手段是用一个已经训练好的模型作为“专家”去监督另一个模型的训练，并把这个专家模型作为损失函数之一。这种方式在很多任务上都取得了很好的效果。然而，在有些数据集上，这些“专家”模型的表现本身就不是特别稳定，因此无法通过计算得出正确的损失值，甚至最后计算出的损失值由于与真实数值差别较大，对模型的训练反而有害。

发明内容

本申请提供一种模型训练方法、人脸视频生成方法、装置、设备、介质和程序产品，以提高模型训练的准确性。

第一方面，本申请提供了一种模型训练方法，包括：

将用于训练主模型的输入数据输入所述主模型，得到所述主模型的输出数据；

利用预先训练的专家模型，根据所述输入数据和输出数据计算初始损失值；

利用所述专家模型，计算所述输入数据及其对应的训练标注结果的匹配概率；

将所述匹配概率与所述初始损失值进行融合，得到目标损失值，其中，所述目标损失值用于对所述主模型进行监督训练。

第二方面，本申请还提供了一种基于语音驱动的人脸视频生成方法，包括：

利用预先训练的语音驱动唇形模型，根据输入的人脸图像和语音数据输出人脸唇形序列，其中，所述语音驱动唇形模型是按照如本申请任意实施例所述的模型训练方法训练得到；

基于所述人脸唇形序列，在所述人脸图像上生成所述语音数据驱动的人脸视频。

第三方面，本申请还提供了一种模型训练装置，包括：

输出数据确定模块，用于将用于训练主模型的输入数据输入所述主模型，得到所述主模型的输出数据；

初始损失值确定模块，用于利用预先训练的专家模型，根据所述输入数据和输出数据计算初始损失值；

匹配概率计算模块，用于利用所述专家模型，计算所述输入数据及其对应的训练标注结果的匹配概率；

目标损失值确定模块，用于将所述匹配概率与所述初始损失值进行融合，得到目标损失值，其中，所述目标损失值用于对所述主模型进行监督训练。

第四方面，本申请还提供了一种基于语音驱动的人脸视频生成装置，包括：

人脸唇形序列确定模块，用于利用预先训练好的语音驱动唇形模型，根据输入的人脸图像和语音数据得到人脸唇形序列，其中，所述语音驱动唇形模型是由如权利要求8-13中任一项所述的模型训练装置训练得到；

人脸视频生成模块，用于基于所述人脸唇形序列，在所述人脸图像上生成所述语音数据驱动的人脸视频。

第五方面，本申请还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的模型训练方法。

第六方面，本申请还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，所述计算机指令用于使所述计算机执行本申请任意实施例所述的模型训练方法。

第七方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任意实施例所述的模型训练方法。

第八方面，本申请还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的基于语音驱动的人脸视频生成方法。

第九方面，本申请还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，所述计算机指令用于使所述计算机执行本申请任意实施例所述的基于语音驱动的人脸视频生成方法。

第十方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任意实施例所述的基于语音驱动的人脸视频生成方法。

应当理解，本部分所描述的内容并非旨在标识本申请的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例的模型训练方法的流程示意图；

图2是根据本申请实施例的模型训练方法的流程示意图；

图3是根据本申请实施例的模型训练方法的流程示意图；

图4是根据本申请实施例的基于语音驱动的人脸视频生成方法的流程示意图；

图5是根据本申请实施例的模型训练装置的结构示意图；

图6是根据本申请实施例的基于语音驱动的人脸视频生成装置的结构示意图；

图7是用来实现本申请实施例的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

图1是根据本申请实施例的模型训练方法的流程示意图，本实施例可适用于利用专家模型对主模型进行监督训练的情况，涉及计算机视觉和深度学习技术。该方法可由一种模型训练装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备等。如图1所示，该方法具体包括如下：

S101、将用于训练主模型的输入数据输入主模型，得到主模型的输出数据。

其中，主模型是待训练模型，例如语音驱动唇形模型等执行任意深度学习任务的模型，模型根据输入数据得到输出数据。

S102、利用预先训练的专家模型，根据输入数据和输出数据计算初始损失值。

其中，专家模型是预先训练的模型，例如音唇同步模型等。专家模型训练好后，会固定专家模型的参数，将其切换到测试模式，并将主模型的输入数据和输出数据输入专家模型，利用专家模型来计算主模型的输入数据与输出数据的匹配度，然后根据匹配度确定初始损失值，例如，将专家模型作为损失函数之一，根据匹配度和损失函数来计算初始损失值。对专家模型的训练方法以及计算损失值的方法可选择现有技术中的任一种，此处不再赘述。

S103、利用专家模型，计算输入数据及其对应的训练标注结果的匹配概率。

其中，训练标注结果即为预先标注的与训练用的输入数据对应的真实标注结果。将输入数据和训练标注结果输入专家模型，由专家模型计算出输入数据和训练标注结果的匹配概率。

由于训练标注结果是真实的与输入数据对应的结果，输入数据与训练标注结果是完全匹配的，因此，理论上，专家模型计算出的匹配概率应该等于1.0，而实际上，专家模型在一些数据集上表现并不稳定。因此，如果匹配概率越接近1.0，说明专家模型对输入的数据对的评判越准确，这时也可以越相信这个“专家”；反之，如果匹配概率越远离1.0，则说明专家模型评判越不准确，越不值得信任，而此时，若仍然用该专家模型来计算损失值并监督主模型的训练，则会影响训练效果，影响模型训练的准确性。

S104、将匹配概率与初始损失值进行融合，得到目标损失值，其中，目标损失值用于对主模型进行监督训练。

本申请实施例中，通过让专家模型计算输入数据和训练标注结果的匹配概率，即可将该匹配概率看作一个置信度，以帮助判断专家模型到底有多可信，从而利用匹配概率来动态地调整初始损失值，让损失函数变成自适应的动态函数，融合后计算出来的目标损失值也是一个动态调整值，从而规避当专家模型在某些数据集上表现不好时影响主模型训练效果的问题。因此，本申请还能加速模型的收敛，提高模型的训练速度，从而在整体上提升硬件执行效率，节约硬件资源。

本申请实施例的技术方案，在计算出初始损失值之后，利用专家模型计算出输入数据及其对应的训练标注结果的匹配概率，从而将匹配概率与初始损失值进行融合，得到动态调整的目标损失值，继而，通过引入自适应的动态损失函数，可以更好的引导主模型的训练。哪怕在专家模型或者损失函数不够好的情况，也能够自适应的根据当前情况去调整最后的损失值，提高模型训练的效果和准确性。

图2是根据本申请实施例的模型训练方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：

S201、将用于训练主模型的输入数据输入主模型，得到主模型的输出数据。

S202、利用专家模型计算输入数据和输出数据的匹配度。

S203、根据匹配度和预先配置的损失函数计算初始损失值。

S204、利用专家模型，计算输入数据及其对应的训练标注结果的匹配概率。

S205、判断匹配概率是否高于预先设定的阈值，如果高于，则执行S206，反之，则执行S207。

S206、将匹配概率作为权重与初始损失值相乘，得到目标损失值，其中，目标损失值用于对主模型进行监督训练。

S207、将匹配概率置零，不计算当前的目标损失值。

其中，所述阈值可以根据需要预先设定，示例性地可以将阈值设为0.5，也即，当匹配概率高于0.5，则表明专家模型表现较好值得信任，若不高于0.5，则表明专家模型在当前数据集上表现不好不值得信任，说明此时，专家模型的置信度过低，甚至会引导主模型往坏的方向去迭代。因此，当匹配概率不高于阈值，则将匹配概率置零，不计算当前的目标损失值，以避免影响主模型训练。

而当匹配概率高于阈值，则可以将匹配概率作为权重与初始损失值相乘，从而使得计算出来的目标损失值为一个动态调整的值，而且是根据专家模型的置信度来动态调整的值，因此，计算出来的目标损失值则更加准确，利用该目标损失值来监督主模型训练则更加准确。

本申请实施例的技术方案，通过阈值来判断专家模型的置信度是否过低，从而避免专家模型引导主模型往坏的方向去迭代，从而影响主模型的训练，提高主模型的训练效果。

图3是根据本申请实施例的模型训练方法的流程示意图，本实施例中以语音驱动唇形任务为例，在上述实施例的基础上进一步进行优化。如图3所示，该方法具体包括如下：

S301、将用于训练语音驱动唇形模型的人脸图像和语音数据输入语音驱动唇形模型，得到语音驱动唇形模型输出的人脸唇形序列。

在本实施例中，语音驱动唇形模型即为待训练的主模型，用于训练的输入数据则包括人脸图像和语音数据，语音驱动唇形模型则根据输入数据输出人脸唇形序列，根据该人脸唇形序列即可在人脸图像上生成由输入的语音数据驱动的人脸视频。

S302、将预先训练的音唇同步模型作为专家模型，利用专家模型计算语音数据和人脸唇形序列的匹配度。

其中，专家模型为音唇同步模型，用于计算输入的语音数据与人脸唇形序列之间的匹配度。

S303、根据匹配度和预先配置的损失函数计算初始损失值。

例如，将专家模型作为损失函数之一，根据匹配度和损失函数来计算初始损失值。其中，损失函数可以根据实际情况进行配置。

S304、利用专家模型，计算语音数据及其对应的训练标注结果的匹配概率。

S305、判断匹配概率是否高于预先设定的阈值，如果高于，则执行S306之后执行S307，反之则执行S308。

S306、将匹配概率作为权重与初始损失值相乘，得到目标损失值。

S307、利用目标损失值对语音驱动唇形模型进行监督训练。

S308、将匹配概率置零，不计算本轮目标损失值。

其中，为了衡量作为专家模型的音唇同步模型的可信度，将语音数据和标注的真值训练标注结果输入专家模型，来计算语音数据与训练标注结果的匹配概率，如果匹配概率越接近1.0，说明音唇同步模型对输入的数据对的评判越准确，这时也可以越相信这个“专家”；反之，如果匹配概率越远离1.0，则说明音唇同步模型评判越不准确，越不值得信任。因此，可以将匹配概率看作音唇同步模型的置信度。

而且，为了避免音唇同步模型的置信度过低，甚至会引导语音驱动唇形模型往坏的方向去迭代，本实施例预先设置阈值，当匹配概率不高于阈值，则将匹配概率置零，不计算当前的目标损失值，以避免影响语音驱动唇形模型训练，当匹配概率高于阈值，则将匹配概率作为权重与初始损失值相乘，得到目标损失值，从而根据音唇同步模型的置信度的高低引入动态损失，并利用动态的目标损失值对语音驱动唇形模型进行监督训练，提高模型训练的准确性，提升语音驱动唇形模型的预测精度。

本申请实施例的技术方案，通过引入自适应的动态损失函数，动态调整损失值，不论音唇同步模型表现是否足够好，都能提高语音驱动唇形模型训练的准确性，可以更好的去引导模型的训练，哪怕在所谓的“专家”模型或者损失函数不够好的情况，也能够自适应的根据当前情况去调整最后的损失值。而且，本申请实施例的技术方案，除了可以应用在语音驱动唇形任务中，还可以扩展到很多不同的深度学习任务上，可移植性强。

图4是根据本申请实施例的基于语音驱动的人脸视频生成方法的流程示意图，本实施例可适用于利用专家模型对语音驱动唇形模型进行监督训练，并利用训练好的语音驱动唇形模型生成基于语音驱动的人脸视频的情况，涉及计算机视觉和深度学习技术。该方法可由一种基于语音驱动的人脸视频生成装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备等。如图4所示，该方法具体包括如下：

S401、利用预先训练的语音驱动唇形模型，根据输入的人脸图像和语音数据输出人脸唇形序列，其中，语音驱动唇形模型是按照本申请任意实施例所述的模型训练方法训练得到。

S402、基于人脸唇形序列，在人脸图像上生成语音数据驱动的人脸视频。

按照本申请任意实施例所述的模型训练方法，通过引入自适应的动态损失函数，动态调整损失值，不论音唇同步模型表现是否足够好，都能提高语音驱动唇形模型训练的准确性，可以更好的去引导语音驱动唇形模型的训练，哪怕在所谓的“专家”模型或者损失函数不够好的情况，也能够自适应的根据当前情况去调整最后的损失值。因此，按照本申请任意实施例所述的模型训练方法训练的语音驱动唇形模型，在语音驱动唇形任务上具有更好的表现，能够更加准确地根据输入的人脸图像和语音数据预测出人脸唇形序列，从而得到更加准确的语音数据驱动的人脸视频。

图5是根据本申请实施例的模型训练装置的结构示意图，本实施例可适用于利用专家模型对模型进行监督训练的情况，涉及计算机视觉和深度学习技术。该装置可实现本申请任意实施例所述的模型训练方法。如图5所示，该装置500具体包括：

输出数据确定模块501，用于将用于训练主模型的输入数据输入所述主模型，得到所述主模型的输出数据；

初始损失值确定模块502，用于利用预先训练的专家模型，根据所述输入数据和输出数据计算初始损失值；

匹配概率计算模块503，用于利用所述专家模型，计算所述输入数据及其对应的训练标注结果的匹配概率；

目标损失值确定模块504，用于将所述匹配概率与所述初始损失值进行融合，得到目标损失值，其中，所述目标损失值用于对所述主模型进行监督训练。

可选的，所述初始损失值确定模块502包括：

匹配度计算单元，用于利用所述专家模型计算所述输入数据和输出数据的匹配度；

初始损失值计算单元，用于根据所述匹配度和预先配置的损失函数计算所述初始损失值。

可选的，所述目标损失值确定模块504具体用于：

将所述匹配概率作为权重与所述初始损失值相乘，得到所述目标损失值。

可选的，所述目标损失值确定模块504包括：

第一确定单元，用于如果所述匹配概率高于预先设定的阈值，则将所述匹配概率作为权重与所述初始损失值相乘，得到所述目标损失值；

第二确定单元，用于如果所述匹配概率不高于所述阈值，则将所述匹配概率置零。

可选的，所述输入数据包括人脸图像和语音数据；所述主模型为语音驱动唇形模型；所述输出数据包括人脸唇形序列。

可选的，所述专家模型为音唇同步模型，用于计算语音数据与人脸唇形序列的匹配度。

本申请实施例提供的模型训练装置500可执行本申请任意实施例提供的模型训练方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

图6是根据本申请实施例的基于语音驱动的人脸视频生成装置的结构示意图，本实施例可适用于利用专家模型对语音驱动唇形模型进行监督训练，并利用训练好的语音驱动唇形模型生成基于语音驱动的人脸视频的情况，涉及计算机视觉和深度学习技术。该装置可实现本申请任意实施例所述的基于语音驱动的人脸视频生成方法。如图6所示，该装置600具体包括：

人脸唇形序列确定模块601，用于利用预先训练好的语音驱动唇形模型，根据输入的人脸图像和语音数据得到人脸唇形序列，其中，语音驱动唇形模型是由本申请任意实施例所述的模型训练装置训练得到；

人脸视频生成模块602，用于基于人脸唇形序列，在人脸图像上生成语音数据驱动的人脸视频。

本申请实施例提供的基于语音驱动的人脸视频生成装置600可执行本申请任意实施例提供的基于语音驱动的人脸视频生成方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请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。

图7示出了可以用来实施本公开的实施例的示例电子设备700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。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。

计算单元701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701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701执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练方法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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

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)、负载可编程逻辑设备(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。

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。

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。

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。

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)、区块链网络和互联网。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。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。

此外，根据本申请的实施例，本申请还提供了另一种电子设备、另一种可读存储介质和另一种计算机程序产品，用于执行本申请任意实施例所述的基于语音驱动的人脸视频生成方法的一个或多个步骤。其具体的结构和程序代码可参见如图7所示的实施例的内容描述，此处不再赘述。

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。

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。