人脸图像生成模型训练方法、装置、电子设备和可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人脸图像生成模型训练方法、装置、电子设备和可读介质。

背景技术

人脸图像生成模型训练方法，是用于人脸年龄编辑的一项技术。目前，在人脸年龄编辑时，通常采用的方式为：先统计每个年龄段的平均人脸，然后将不同年龄段之间的差异作为平均差异。从而，根据平均差异合成指定年龄的人脸。

然而，发明人发现，当采用上述方式进行人脸年龄编辑时，经常会存在如下技术问题：

第一，由于不同人脸之间存在差异，使得平均差异缺少个体人脸特征，从而，导致根据平均差异合成的人脸不真实，由此，导致降低了人脸年龄编辑的稳定性；

第二，由于邻近年龄的人脸差异较小(例如18岁和19岁)，使得邻近年龄的平均差异对比不明确，由此，导致根据平均差异合成的目标邻近年龄的人脸没有区别，从而，导致降低了人脸年龄编辑的准确性。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了人脸图像生成模型训练方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种人脸图像生成模型训练方法，该方法包括：对预设的初始人脸图像集进行优化处理，以生成人脸图像集；基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器；基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器；基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型；对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像；响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。

第二方面，本公开的一些实施例提供了一种人脸图像生成模型训练装置，该装置包括：优化处理单元，被配置成对预设的初始人脸图像集进行优化处理，以生成人脸图像集；第一训练处理单元，被配置成基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器；第二训练处理单元，被配置成基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器；第三训练处理单元，被配置成基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型；训练单元，被配置成对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像；生成单元，被配置成响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。

第三方面，本公开的一些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上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些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上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的人脸图像生成模型训练方法，可以增加人脸年龄编辑的稳定性。具体来说，造成人脸年龄编辑的稳定性较低的原因在于：由于不同人脸之间存在差异，使得平均差异缺少个体人脸特征，从而，导致根据平均差异合成的人脸不真实，由此，导致降低了人脸年龄编辑的稳定性。基于此，本公开的一些实施例的人脸图像生成模型训练方法，首先，对预设的初始人脸图像集进行优化处理，以生成人脸图像集。然后，基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器。接着，基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器。然后，基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型。接着，对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像。最后，响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。由于人脸图像生成模型是根据个体人脸差异值对应的特征向量进行人脸年龄编辑。由此，避免了由于不同人脸之间存在差异，使得平均差异缺少个体人脸特征，从而，导致根据平均差异合成的人脸不真实，由此，导致降低了人脸年龄编辑的稳定性的情况。进而，可以在避免平均差异缺少个体人脸特征的同时，增加人脸年龄编辑的稳定性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的人脸图像生成模型训练方法的一些实施例的流程图；

图2是根据本公开的人脸图像生成模型训练装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的人脸图像生成模型训练方法的一些实施例的流程100。该人脸图像生成模型训练方法，包括以下步骤：

步骤101，对预设的初始人脸图像集进行优化处理，以生成人脸图像集。

在一些实施例中，人脸图像生成模型训练方法的执行主体可以对预设的初始人脸图像集进行优化处理，以生成人脸图像集。

作为示例，上述初始人脸图像集可以包括但不限于以下至少一项：CelebA(CelebFaces Attributes Dataset，人脸属性数据集)、PubFig Dataset(人脸数据集)等。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于上述预设的初始人脸图像集和预设的初始人脸图像特征向量集，对预设的初始人脸图像生成模型进行训练，得到训练后人脸图像生成模型。其中，上述训练后人脸图像生成模型可以用于根据上述人脸图像特征向量集，得到上述人脸图像集。另外，可以通过预设的特征提取算法对上述初始人脸图像集进行特征提取，得到上述初始人脸图像特征向量集。

作为示例，上述特征提取算法可以包括但不限于以下至少一项：Resnet(ResidualNetwork，残差神经网络)模型、VGG(Visual Geometry Group Network，视觉几何组网络)模型、GoogLeNet(深度神经网络)模型等。上述初始人脸图像生成模型可以包括但不限于以下至少一项：VAE(Variational Autoencoders，自变量模型)、GAN(Generative AdversarialNetworks，生成式对抗网络)、Diffusion Model(扩散模型)等。

步骤102，基于人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器。

在一些实施例中，上述执行主体可以基于上述人脸图像集和预设的人脸图像特征向量集，对上述预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器。其中，上述人脸图像特征向量集可以通过上述特征提取算法对上述人脸图像集进行特征提取，在此不再赘述。此外，上述初始人脸解码器可以是一个深度学习网络。例如，卷积神经网络、全连接神经网络等。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于上述人脸图像集和上述人脸图像特征向量集，对上述初始人脸解码器进行训练处理，得到上述训练后人脸解码器。其中，训练后解码器可以用于根据输入的人脸图像，生成人脸图像特征向量。例如，将一张人脸图像输入至训练后解码器，可以得到一个512维的特征向量。

步骤103，基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器。

在一些实施例中，上述执行主体可以基于上述预设的年龄数据集，对上述预设的初始年龄分类器进行训练处理，以生成上述训练后年龄分类器。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器。其中，上述初始年龄分类器可以是一个预设的分类算法。此外，上述训练后年龄分类器可以用于对年龄数据集进行分类。例如，可以把数值0～99确定为100个类，作为0～99岁。进而，对年龄数据集进行分类。其中，分类区间可以依据年龄数据集进行调整。

作为示例，上述分类算法可以包括但不限于以下至少一项：贝叶斯分类算法、多标签分类算法等。

步骤104，基于人脸图像集和训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型。

在一些实施例中，上述执行主体可以基于人脸图像集和训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型。

在一些实施例的一些可选的实现方式中，上述执行主体可以包括以下步骤：

第一步，将上述人脸图像集输入至上述训练后年龄分类器，以生成年龄数据集。

第二步，基于上述年龄数据集和上述预设的人脸图像特征向量集，对上述预设的初始年龄拟合模型进行训练处理，以生成上述训练后年龄拟合模型。其中，上述训练后年龄拟合模型用于根据输入的特征向量，得到对应的年龄值。

可选的，上述年龄拟合模型可以是一个以特征向量为输入，以年龄值为输出的预定义模型。预定义模型可以分为三层：

第一层可以是输入层，用于将用户输入的特征向量传递给第二层。

第二层可以是隐藏层，用于将输入层传递的特征向量进行维度扩充，得到扩充后特征向量。其中，维度扩充可以防止预定义模型欠拟合。从而，可以减小预定义模型拟合结果的误差。例如，输入层传递一个512维的特征向量，扩充为一个1024维的特征向量。

第三层可以是输出层，用于接收上述隐藏层的扩充后特征向量，对扩充后特征向量进行提取分析，得到年龄值。例如，接收一个1024维的扩充后特征向量，得到年龄值18。

上述步骤104及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于邻近年龄的人脸差异较小(例如18岁和19岁)，使得邻近年龄的平均差异对比不明确，由此，导致根据平均差异合成的目标邻近年龄的人脸没有区别，从而，导致降低了人脸年龄编辑的准确性”。导致人脸年龄编辑的准确性降低的因素往往如下：由于邻近年龄的人脸差异较小(例如18岁和19岁)，使得邻近年龄的平均差异对比不明确，由此，导致根据平均差异合成的目标邻近年龄的人脸没有区别。如果解决了上述因素，就能提高人脸年龄编辑的准确性。为了达到这一效果，首先，在进行人脸年龄编辑时，采用对个体人脸进行年龄编辑。以避免邻近年龄的平均差异对比不明确的问题。其次，对个体人脸进行解码，得到对应的特征向量。接着，使用年龄拟合模型对特征向量进行维度扩充，由此，可以使得年龄拟合模型更好的区分不同年龄对应的特征向量。接着，确定年龄差异值以及差异值对应的特征向量梯度值。另外，还可以通过对特征向量梯度值进行优化。使得进一步提升目标人脸年龄对应的特征向量梯度值的准确性，以此提高人脸图像生成模型对人脸编辑的准确度。从而，可以在避免邻近年龄的平均差异对比不明确的同时，提高人脸年龄编辑的准确性。

步骤105，对人脸图像集中每个人脸图像，执行以下训练步骤：

步骤1051，将人脸图像输入至训练后人脸解码器，得到解码后特征向量。

在一些实施例中，上述执行主体可以将人脸图像输入至训练后人脸解码器，得到解码后特征向量。例如，将一张人脸图像输入至上述训练后人脸解码器，得到一个256维的特征向量。

步骤1052，将解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量。

在一些实施例中，上述执行主体可以将解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量。其中，上述对应人脸图像特征向量可以用于表征解码后特征向量对应人脸的噪声特征。

步骤1053，将对应人脸图像特征向量输入至训练后年龄拟合模型，以生成对应年龄值。

在一些实施例中，上述执行主体可以将对应人脸图像特征向量输入至训练后年龄拟合模型，以生成对应年龄值。例如，可以将一个512维的特征向量输入至上述训练后年龄拟合模型，得到一个年龄值18。

步骤1054，基于对应年龄值与预设人脸图像生成模型，生成目标人脸图像。

在一些实施例中，上述执行主体可以基于对应年龄值与预设人脸图像生成模型，生成目标人脸图像。在一些实施例的一些可选的实现方式中，上述执行主体基于对应年龄值与预设人脸图像生成模型，生成目标人脸图像。可以包括以下子步骤：第一子步骤，确定上述对应年龄值与上述人脸图像目标年龄值的差异值。其中，上述目标年龄值可以是用户预设的年龄值。例如，预设的年龄值可以为60岁。此外，可以通过预设的确定梯度值的算法得到上述差异值。作为示例，上述确定梯度值的算法可以包括但不限于以下至少一项：数值法、解析法、反向传播算法。

第二子步骤，基于上述差异值，确定上述对应人脸图像特征向量的梯度值。其中，可以使用上述确定梯度值的算法和预设损失函数得到上述梯度值。作为示例，上述损失函数可以包括但不限于以下至少一项：MSE Loss(Mean-Squared Loss，均方误差损失函数)、Cross Entropy Loss(交叉熵损失函数)、Contrastive Loss(对比损失函数)等。

第三子步骤，基于上述梯度值，生成目标特征向量梯度值。其中，上述目标特征向量梯度值可以根据以下公式确定：

其中，

第四子步骤，将上述目标特征向量梯度值输入至上述预设人脸图像生成模型，以生成目标人脸图像。其中，目标人脸图像可以将上述人脸图像的年龄编辑到目标年龄。

步骤106，响应于确定人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。

在一些实施例中，上述执行主体可以响应于确定人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。其中，上述预设条件可以是上述各个人脸图像均执行完上述训练步骤。

可选的，响应于确定上述人脸图像集中存在不满足预设条件的人脸图像，再次执行上述训练步骤。

可选的，上述人脸图像生成模型用于根据获取的预设目标人脸图像特征向量，生成目标年龄人脸图像。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的人脸图像生成模型训练方法，可以增加人脸年龄编辑的稳定性。具体来说，造成人脸年龄编辑的稳定性较低的原因在于：由于不同人脸之间存在差异，使得平均差异缺少个体人脸特征，从而，导致根据平均差异合成的人脸不真实，由此，导致降低了人脸年龄编辑的稳定性。基于此，本公开的一些实施例的人脸图像生成模型训练方法，首先，对预设的初始人脸图像集进行优化处理，以生成人脸图像集。然后，基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器。接着，基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器。然后，基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型。接着，对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像。最后，响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。由此，避免了由于不同人脸之间存在差异，使得平均差异缺少个体人脸特征，从而，导致根据平均差异合成的人脸不真实，由此，导致降低了人脸年龄编辑的稳定性的情况。进而，可以增加人脸年龄编辑的稳定性。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种人脸图像生成模型训练装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的人脸图像生成模型训练装置200包括：优化处理单元201、第一训练处理单元202、第二训练处理单元203、第三训练处理单元204、训练单元205、生成单元206。其中，优化处理单元201，被配置成对预设的初始人脸图像集进行优化处理，以生成人脸图像集；第一训练处理单元202，被配置成基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器；第二训练处理单元203，被配置成基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器；第三训练处理单元204，被配置成基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型；训练单元205，被配置成对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像；生成单元206，被配置成响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。

可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：对预设的初始人脸图像集进行优化处理，以生成人脸图像集；基于上述人脸图像集和预设的人脸图像特征向量集，对预设的初始人脸解码器进行训练处理，以生成训练后人脸解码器；基于预设的年龄数据集，对预设的初始年龄分类器进行训练处理，以生成训练后年龄分类器；基于上述人脸图像集和上述训练后年龄分类器，对预设的初始年龄拟合模型进行训练处理，以生成训练后年龄拟合模型；对上述人脸图像集中每个人脸图像，执行以下训练步骤：将上述人脸图像输入至上述训练后人脸解码器，得到解码后特征向量；将上述解码后特征向量输入至预设人脸图像生成模型，以生成对应人脸图像特征向量；将上述对应人脸图像特征向量输入至上述训练后年龄拟合模型，以生成对应年龄值；基于上述对应年龄值与上述预设人脸图像生成模型，生成目标人脸图像；响应于确定上述人脸图像集中的各个人脸图像满足预设条件，生成人脸图像生成模型。

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公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用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)——连接到用户计算机，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，图示了按照本公开各种实施例的系统、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。

描述于本公开的一些实施例中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：一种处理器包括优化处理单元、第一训练处理单元、第二训练处理单元、第三训练处理单元、训练单元、生成单元。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，优化处理单元还可以被描述为“对预设的初始人脸图像集进行优化处理，以生成人脸图像集的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。