视频生成方法及装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及一种视频生成方法及装置。

背景技术

人像视频合成是目前计算机视觉领域中的一个重要课题，可以作为一些视频分析任务的数据增强方法，并且在很多场景下都有运用，比如电影制作和交互式应用。

目前的人像视频合成技术主要分成两种：第一种是基于单一的人像图片与附加条件，合成一个维持人像外观的视频，其中，视频需要根据附加条件得到对应的动作，附加条件可以是人的动作标签、人的连续姿态信息等；第二种是基于一个人像视频与附加条件，合成动作相同的人像的视频，其中，视频需要根据附加条件替换人物的属性，附加条件可以是另一个人像图片、上衣图片等。

发明内容

本申请实施例提出了一种视频生成方法及装置。

第一方面，本申请实施例提供了一种视频生成方法，包括：获取目标图像和目标连续姿态序列；将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息，视频生成模型用于表征目标图像、目标连续姿态序列与待处理视频之间的对应关系；将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，其中，连贯性模型用于表征待处理视频与连贯视频的对应关系。

在一些实施例中，上述将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，包括：将目标连续姿态序列拆分成多个单帧姿态信息；针对于多个单帧姿态信息中的每个单帧姿态信息，基于目标图像，生成与该单帧姿态信息匹配的单帧图像；根据每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，合成包括每个单帧图像的待处理视频。

在一些实施例中，上述将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，包括：将待处理视频输入连贯性模型，通过如下方式得到连贯视频中的每个视频帧：基于待处理视频中的目标视频帧前的预设数量个视频帧、目标视频帧以及连贯视频中该视频帧前的预设数量个视频帧，确定连贯视频中上一视频帧与该视频帧之间的光流信息和该视频帧的预测视频帧，其中，待处理视频中的目标视频帧对应于连贯视频中的该视频帧；根据预测图像和光流信息，得到该视频帧。

在一些实施例中，视频生成模型和连贯性模型通过如下方式训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：样本图像、样本连续姿态序列和样本视频；获取初始视频模型，其中，初始视频模型包括生成网络和判别网络，生成网络包括初始视频生成模型和初始连贯性模型，用于利用样本图像、样本连续姿态序列生成视频，判别网络用于区分生成网络生成的视频和样本视频；利用机器学习方法，将训练样本中的样本图像、样本连续姿态序列作为生成网络的输入，将生成网络生成的视频、训练样本中的样本视频作为判别网络的输入，对初始视频模型进行训练，将训练后的初始视频生成模型确定为视频生成模型，将训练后的初始连贯性模型确定为连贯性模型。

在一些实施例中，判别网络包括视频帧判别网络和视频判别网络，视频帧判别网络用于区分生成网络生成的视频的视频帧和样本视频的视频帧，视频判别网络用于区分生成网络生成的视频和样本视频。

第二方面，本申请实施例提供了一种视频生成装置，包括：获取单元，被配置成获取目标图像和目标连续姿态序列；生成单元，被配置成将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息，视频生成模型用于表征目标图像、目标连续姿态序列与待处理视频之间的对应关系；得到单元，被配置成将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，其中，连贯性模型用于表征待处理视频与连贯视频的对应关系。

在一些实施例中，生成单元，进一步被配置成：将目标连续姿态序列拆分成多个单帧姿态信息；针对于多个单帧姿态信息中的每个单帧姿态信息，基于目标图像，生成与该单帧姿态信息匹配的单帧图像；根据每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，合成包括每个单帧图像的待处理视频。

在一些实施例中，得到单元，进一步被配置成：将待处理视频输入连贯性模型，通过如下方式得到连贯视频中的每个视频帧：基于待处理视频中的目标视频帧前的预设数量个视频帧、目标视频帧以及连贯视频中该视频帧前的预设数量个视频帧，确定连贯视频中上一视频帧与该视频帧之间的光流信息和该视频帧的预测视频帧，其中，待处理视频中的目标视频帧对应于连贯视频中的该视频帧；根据预测图像和光流信息，得到该视频帧。

在一些实施例中，视频生成模型和连贯性模型通过如下方式训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：样本图像、样本连续姿态序列和样本视频；获取初始视频模型，其中，初始视频模型包括生成网络和判别网络，生成网络包括初始视频生成模型和初始连贯性模型，用于利用样本图像、样本连续姿态序列生成视频，判别网络用于区分生成网络生成的视频和样本视频；利用机器学习方法，将训练样本中的样本图像、样本连续姿态序列作为生成网络的输入，将生成网络生成的视频、训练样本中的样本视频作为判别网络的输入，对初始视频模型进行训练，将训练后的初始视频生成模型确定为视频生成模型，将训练后的初始连贯性模型确定为连贯性模型。

在一些实施例中，判别网络包括视频帧判别网络和视频判别网络，视频帧判别网络用于区分生成网络生成的视频的视频帧和样本视频的视频帧，视频判别网络用于区分生成网络生成的视频和样本视频。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。

第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。

本申请实施例提供的视频生成方法及装置，通过获取目标图像和目标连续姿态序列；将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息；将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，从而在视频生成模型生成的高质量的待处理视频的各视频帧的基础上，通过连贯性模型提升待处理视频的连贯性，得到高质量和较好连贯性的待处理视频，提高了生成视频的质量和连贯性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请视频生成方法的一个实施例的流程图；

图3是根据本实施例的视频生成方法的应用场景的示意图；

图4是根据本申请的视频生成方法的又一个实施例的流程图；

图5是根据本申请的视频生成装置的一个实施例的结构图；

图6是适于用来实现本申请实施例的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的视频生成方法及装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如基于终端设备101、102、103发送的目标图像和目标连续姿态序列，连贯视频的后台处理服务器。后台处理服务器可以将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息；将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频。可选的，后台处理服务器还可以将连贯视频反馈给终端设备，以供终端设备显示。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的视频生成方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，视频生成装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当视频生成方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括视频生成方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了视频生成方法的一个实施例的流程200，包括以下步骤：

步骤201，获取目标图像和目标连续姿态序列。

本实施例中，视频生成方法的执行主体(例如图1中的终端设备或服务器)可以通过有线连接方式或者无线连接方式从远程，或从本地获取目标图像和目标连续姿态序列。

其中，目标图像中包括的对象可以是各种各样的对象，包括但不限于是人物对象、动物对象、卡通对象等。目标连续姿态序列用于表征目标图像中包括的对象所要呈现的运动姿态信息。

作为示例，目标图像中包括的对象为人物对象，目标连续姿态序列表征跳舞的运动姿态信息。当基于上述目标图像和上述目标连续姿态序列生成视频，所生成的视频中，上述人物对象呈现目标连续姿态序列表征的跳舞的运动姿态信息。

本实施例中，目标连续姿态序列可以是从目标视频中提取的姿态序列。作为示例，针对于目标视频中的每个视频帧，上述执行主体提取该视频帧中的姿态信息。针对从目标视频中提取的所有姿态信息，上述执行主体根据目标视频的视频帧的播放顺序，生成包括所有姿态信息的目标连续姿态序列。

步骤202，将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频。

本实施例中，上述执行主体可以将步骤201得到的目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频。其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息，视频生成模型用于表征目标图像、目标连续姿态序列与待处理视频之间的对应关系。

上述视频生成模型可以通过如下方式训练得到：

首先，获取训练样本集。其中，训练样本集中的训练样本包括：样本图像、样本连续姿态序列和样本视频。

然后，采用机器学习算法，将样本图像、样本连续姿态序列输入初始视频生成模型，将所输入的训练样本中的样本图像作为期望输出，训练得到视频输出模型。

在本实施例的一些可选的实现方式中，上述执行主体可以采用如下方式执行上述步骤202：

首先，将目标连续姿态序列拆分成多个单帧姿态信息。

作为示例，拆分后的每个单帧姿态信息可以对应于一个视频帧。

然后，针对于多个单帧姿态信息中的每个单帧姿态信息，基于目标图像，生成与该单帧姿态信息匹配的单帧图像。

在单帧图像中，所包括的对象呈现该单帧姿态信息所表征的动作。

最后，根据每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，合成包括每个单帧图像的待处理视频。

对于每个单帧图像，其中的对象呈现一个单帧姿态信息中的动作，将所有的单帧图像按照每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，即可合成包括每个单帧图像的待处理视频。

可以理解，待处理视频由单帧图像合成，可能存在连贯性问题，需要根据后续步骤改善其连贯性。

步骤203，将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频。

本实施例中，上述执行主体可以将步骤202得到的待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频。其中，连贯性模型用于表征待处理视频与连贯视频的对应关系。

连贯性模型可以是具有提高视频连贯性的任一网络模型，例如是视频到视频合成(Video-to-Video Synthesis)模型。

在本实施例的一些可选的实现方式中，上述执行主体可以采用如下方式执行上述步骤203：

将待处理视频输入连贯性模型，通过如下方式得到连贯视频中的每个视频帧：

首先，基于待处理视频中的目标视频帧前的预设数量个视频帧、目标视频帧以及连贯视频中该视频帧前的预设数量个视频帧，确定连贯视频中上一视频帧与该视频帧之间的光流信息和该视频帧的预测视频帧，其中，待处理视频中的目标视频帧对应于连贯视频中的该视频帧。

其中，预设数量可以根据实际情况具体设置。例如，预设数量可以设置为2。

然后，根据预测图像和光流信息，得到该视频帧。

具体的，上述执行主体可以通过连贯性模型可以得到上一视频帧与该视频帧之间的光流信息，该视频帧的预测视频帧和权重掩码信息，并通过如下公式得到该视频帧：

x

其中，x

在本实施例的一些可选的实现方式中，视频生成模型和连贯性模型共同训练而成。具体的，视频生成模型和连贯性模型通过如下方式训练得到：

首先，获取训练样本集，其中，训练样本集中的训练样本包括：样本图像、样本连续姿态序列和样本视频。、

然后，获取初始视频模型，其中，初始视频模型包括生成网络和判别网络，生成网络包括初始视频生成模型和初始连贯性模型，用于利用样本图像、样本连续姿态序列生成视频，判别网络用于区分生成网络生成的视频和样本视频。

最后，利用机器学习方法，将训练样本中的样本图像、样本连续姿态序列作为生成网络的输入，将生成网络生成的视频、训练样本中的样本视频作为判别网络的输入，对初始视频模型进行训练，将训练后的初始视频生成模型确定为视频生成模型，将训练后的初始连贯性模型确定为连贯性模型。

在一些可选的实现方式中，上述判别网络包括视频帧判别网络和视频判别网络，视频帧判别网络用于区分生成网络生成的视频的视频帧和样本视频的视频帧，视频判别网络用于区分生成网络生成的视频和样本视频。基于视频帧和视频的双重判别，可以进一步提升连贯模型所得到的连贯视频的连贯性。

继续参见图3，图3是根据本实施例的视频生成方法的应用场景的一个示意图。在图3的应用场景中，用户301进行视频处理的过程中，在终端设备302中选取目标图像303和目标连续姿态序列304，并通过终端设备302将所选取的目标图像303和目标连续姿态序列304反馈至服务器305。服务器305将目标图像303和目标连续姿态序列304输入预先训练的视频生成模型306，生成待处理视频307。其中，待处理视频307表征目标图像303所包括的对象呈现目标连续姿态序列304所表征的姿态信息。然后，将待处理视频307输入预先训练的连贯性模型308，提升待处理视频的连贯性，得到连贯视频309，并将连贯视频309反馈至终端设备302。

本公开的上述实施例提供的方法，通过获取目标图像和目标连续姿态序列；将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息；将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，从而在视频生成模型生成的高质量的待处理视频的各视频帧的基础上，通过连贯性模型提升待处理视频的连贯性，得到高质量和较好连贯性的待处理视频，提高了生成的视频的质量和连贯性。

继续参考图4，示出了根据本申请的视频生成方法的另一个实施例的示意性流程400，包括以下步骤：

步骤401，获取目标图像和目标连续姿态序列。

步骤402，将目标连续姿态序列拆分成多个单帧姿态信息。

步骤403，针对于多个单帧姿态信息中的每个单帧姿态信息，基于目标图像，生成与该单帧姿态信息匹配的单帧图像。

步骤404，根据每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，合成包括每个单帧图像的待处理视频。

步骤405，将待处理视频输入连贯性模型，通过如下方式得到连贯视频中的每个视频帧：

步骤4051，基于待处理视频中的目标视频帧前的预设数量个视频帧、目标视频帧以及连贯视频中该视频帧前的预设数量个视频帧，确定连贯视频中上一视频帧与该视频帧之间的光流信息和该视频帧的预测视频帧，其中，待处理视频中的目标视频帧对应于连贯视频中的该视频帧.

步骤4052，根据预测图像和光流信息，得到该视频帧。

从本实施例中可以看出，与图2对应的实施例相比，本实施例中的视频生成方法的流程400具体说明了待处理视频的生成过程和针对待处理视频改善其连贯性的过程。如此，本实施例进一步提高了生成视频的质量和连贯性。

继续参考图5，作为对上述各图所示方法的实现，本公开提供了一种视频生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，视频生成装置包括：包括：获取单元501被配置成获取目标图像和目标连续姿态序列；生成单元502被配置成将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息，视频生成模型用于表征目标图像、目标连续姿态序列与待处理视频之间的对应关系；得到单元503被配置成将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，其中，连贯性模型用于表征待处理视频与连贯视频的对应关系。

在一些实施例中，生成单元502进一步被配置成：将目标连续姿态序列拆分成多个单帧姿态信息；针对于多个单帧姿态信息中的每个单帧姿态信息，基于目标图像，生成与该单帧姿态信息匹配的单帧图像；根据每个单帧图像所对应的单帧姿态信息在目标连续姿态序列中的顺序，合成包括每个单帧图像的待处理视频。

在一些实施例中，得到单元503进一步被配置成：将待处理视频输入连贯性模型，通过如下方式得到连贯视频中的每个视频帧：基于待处理视频中的目标视频帧前的预设数量个视频帧、目标视频帧以及连贯视频中该视频帧前的预设数量个视频帧，确定连贯视频中上一视频帧与该视频帧之间的光流信息和该视频帧的预测视频帧，其中，待处理视频中的目标视频帧对应于连贯视频中的该视频帧；根据预测图像和光流信息，得到该视频帧。

在一些实施例中，视频生成模型和连贯性模型通过如下方式训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：样本图像、样本连续姿态序列和样本视频；获取初始视频模型，其中，初始视频模型包括生成网络和判别网络，生成网络包括初始视频生成模型和初始连贯性模型，用于利用样本图像、样本连续姿态序列生成视频，判别网络用于区分生成网络生成的视频和样本视频；利用机器学习方法，将训练样本中的样本图像、样本连续姿态序列作为生成网络的输入，将生成网络生成的视频、训练样本中的样本视频作为判别网络的输入，对初始视频模型进行训练，将训练后的初始视频生成模型确定为视频生成模型，将训练后的初始连贯性模型确定为连贯性模型。

在一些实施例中，判别网络包括视频帧判别网络和视频判别网络，视频帧判别网络用于区分生成网络生成的视频的视频帧和样本视频的视频帧，视频判别网络用于区分生成网络生成的视频和样本视频。

本实施例中，视频生成装置中的获取单元获取目标图像和目标连续姿态序列；生成单元将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息；得到单元将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，从而在视频生成模型生成的高质量的待处理视频的各视频帧的基础上，通过连贯性模型提升待处理视频的连贯性，得到高质量和较好连贯性的待处理视频，提高了生成视频的质量和连贯性。

下面参考图6，其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括处理器(例如CPU，中央处理器)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。处理器601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、生成单元和得到单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，得到单元还可以被描述为“将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频”的单元。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：获取目标图像和目标连续姿态序列；将目标图像和目标连续姿态序列输入预先训练的视频生成模型，生成待处理视频，其中，待处理视频表征目标图像所包括的对象呈现目标连续姿态序列所表征的姿态信息，视频生成模型用于表征目标图像、目标连续姿态序列与待处理视频之间的对应关系；将待处理视频输入预先训练的连贯性模型，提升待处理视频的连贯性，得到连贯视频，其中，连贯性模型用于表征待处理视频与连贯视频的对应关系。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。