一种人脸属性编辑方法、装置、智能终端及存储介质

技术领域

本发明涉及计算机视觉技术领域，尤其涉及的是一种人脸属性编辑方法、装置、智能终端及存储介质。

背景技术

随着计算机视觉技术和图形学的快速发展，图像逐渐成为人们日常信息交流的主要载体。人脸作为人体上差异化信息的主要体现部位，在信息交流中起到很大的作用，在此基础上，对于人脸图像的人脸属性编辑也逐渐成为研究热点。传统的使用深度学习算法进行人脸编辑的方法主要基于生成对抗网络(GANs，Generative Adversarial Networks)。

现有技术中，在人脸属性编辑中对人脸图像进行处理主要采用非监督学习的方式，主要包括基于风格的生成器架构的生成对抗网络(A Style-Based GeneratorArchitecture for Generative Adversarial Networks，以下简称 StyleGANs)、注入结构噪声实现解耦的方法。现有技术的问题在于，通过 StyleGANs或注入结构噪声实现解耦的方法进行人脸图像处理时，不能单独的改变人脸特定的属性，不利于进行人脸编辑。

因此，现有技术还有待改进和发展。

发明内容

针对现有技术中基于StyleGANs或注入结构噪声实现解耦的方法进行人脸属性编辑时不能单独的改变人脸特定的属性，不利于进行人脸编辑的技术问题，本发明提供一种人脸属性编辑方法、装置、智能终端及存储介质，可获取基于结构纹理分量独立生成的生成式对抗网络；通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；训练上述生成式对抗网络；基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。本发明方案获取基于结构纹理分量独立生成的生成式对抗网络，结合权重分解和正交正则化技术控制人脸图像生成过程，从而可实现在人脸属性编辑过程中对特定的属性进行单独编辑的技术效果。

为了实现上述技术效果，本发明第一方面提供一种人脸属性编辑方法，其中，上述方法包括：

获取基于结构纹理分量独立生成的生成式对抗网络；

通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；

训练上述生成式对抗网络；

基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。

可选的，上述通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程，包括：

获取风格矩阵和学习矩阵，通过组装得到权重矩阵，其中，上述权重矩阵控制上述图像生成过程；

通过正交正则化技术对上述学习矩阵的正交性进行约束，使上述风格矩阵中每一个元素所对应的特征矩阵相互独立。

可选的，上述基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑，包括：

基于训练后的上述生成式对抗网络生成目标人脸；

在上述目标人脸的生成过程中以非监督的方式控制上述目标人脸的属性。

可选的，上述在上述目标人脸的生成过程中以非监督的方式控制上述目标人脸的属性，包括：

在上述目标人脸的生成过程中，初始化上述风格矩阵；

基于初始化后的上述风格矩阵控制上述目标人脸的属性。

本发明第二方面提供一种人脸属性编辑装置，其中，上述装置包括：

生成式对抗网络获取模块，用于获取基于结构纹理分量独立生成的生成式对抗网络；

控制模块，用于通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；

训练模块，用于训练上述生成式对抗网络；

编辑模块，用于基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。

可选的，上述控制模块包括：

矩阵获取单元，获取风格矩阵和学习矩阵，并通过组装得到权重矩阵通过组装得到权重矩阵，其中，上述权重矩阵控制上述图像生成过程；

约束单元，通过正交正则化技术对上述学习矩阵的正交性进行约束，使上述风格矩阵中每一个元素所对应的特征矩阵相互独立。

可选的，上述编辑模块包括：

人脸生成单元，用于基于训练后的上述生成式对抗网络生成目标人脸；

属性控制单元，用于在上述目标人脸的生成过程中以非监督的方式控制上述目标人脸的属性。

可选的，上述属性控制单元包括：

初始化子单元，用于在上述目标人脸的生成过程中，初始化上述风格矩阵；

人脸属性控制子单元，用于基于初始化后的上述风格矩阵控制上述目标人脸的属性。

本发明第三方面提供一种智能终端，包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的程序，上述程序被上述处理器执行时实现上述任意一种人脸属性编辑方法的步骤。

本发明第四方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述任意一种人脸属性编辑方法的步骤。

由上可见，本发明方案获取基于结构纹理分量独立生成的生成式对抗网络；通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；训练上述生成式对抗网络；基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。由于本发明方案获取基于结构纹理分量独立生成的生成式对抗网络，结合权重分解和正交正则化技术控制人脸图像生成过程，从而可在人脸属性编辑过程中对特定的属性进行单独编辑。因此，相较于现有技术中基于StyleGANs或注入结构噪声实现解耦的方法进行人脸图像处理的方案，本方案可实现对特定的属性进行单独编辑，有利于达到更好的人脸属性编辑效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种人脸属性编辑方法的流程示意图；

图2是本发明实施例图1中步骤S200的具体流程示意图；

图3是本发明实施例图1中步骤S400的具体流程示意图；

图4是本发明实施例图3中步骤S402的具体流程示意图；

图5是本发明实施例提供的一种生成式对抗网络的生成器架构图；

图6是本发明实施例提供的一种生成式对抗网络的判别器架构图；

图7是本发明实施例提供的一种人脸属性编辑装置的结构示意图；

图8是本发明实施例图7中控制模块720的具体结构示意图；

图9是本发明实施例图7中编辑模块740的具体结构示意图；

图10是本发明实施例图9中属性控制单元742的具体结构示意图；

图11是本发明实施例提供的一种智能终端的内部结构原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

人脸属性编辑即对人脸图像中的人脸属性进行编辑，人脸属性编辑应用领域广泛，可以用于辅助进行人脸识别，或者进行人脸美化等。人脸属性编辑可以包括人脸风格化编辑、人脸年龄编辑、人脸姿态编辑以及人脸表情编辑等。传统的人脸图像编辑过程中的人脸处理可以采用监督学习或非监督学习，现有技术中，在人脸属性编辑中对人脸图像进行处理主要采用非监督学习的方式，主要包括基于风格的生成器架构的生成对抗网络StyleGANs、注入结构噪声实现解耦的方法。

其中，StyleGANs通过自适应实例规范化或者改进的权重解调技术，利用风格向量S去调整每个卷积层的图像风格，通过这种方式，可以直接以不同的程度去控制特征图的强度，最终以非监督的方式将高层和低层的图片分开。但 StyleGANs处理后高层和低层特征跟人脸属性的联系是不清楚的，权重解调技术会导致权重矩阵和风格向量S耦合，因此不能单独的处理人脸属性，不利于达到更好的人脸编辑。注入结构噪声实现解耦的方法是使输入噪声控制生成的图像，用解耦的方式去改变全局或者局部特征。但处理后的全局或者局部特征与人脸属性的关系也是不清楚的，也无法单独的改变人脸特定的属性。因此，本发明提供了一种能实现对特定的属性进行单独编辑，从而更好的进行人脸属性编辑的人脸属性编辑方法。

为了解决现有技术中的问题，本发明提供一种人脸属性编辑方法，在本发明实施例中，当要进行人脸属性编辑时，获取基于结构纹理分量独立生成的生成式对抗网络；通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；训练上述生成式对抗网络；基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。如此，获取基于结构纹理分量独立生成的生成式对抗网络，结合权重分解和正交正则化技术控制人脸图像生成过程，从而可在人脸属性编辑过程中对特定的属性进行单独编辑。因此，相较于现有技术中基于StyleGANs或注入结构噪声实现解耦的方法进行人脸图像处理的方案，本方案可实现对特定的属性进行单独编辑，有利于达到更好的人脸属性编辑效果。

如图1所示，本发明实施例提供一种人脸属性编辑方法，上述方法包括如下步骤：

步骤S100，获取基于结构纹理分量独立生成的生成式对抗网络。

可选的，上述生成式对抗网络包括生成器和判别器，上述生成器的输出结果可以分别匹配结构分量和纹理分量，有助于结构分量和纹理分量分开。

步骤S200，通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程。

可选的，在上述步骤S200中，可以使得图像生成过程中每个风格向量对应一个特征矩阵，通过正交正则化技术可以保证风格矩阵中风格向量的正交性，有利于实现属性解耦。

步骤S300，训练上述生成式对抗网络。

步骤S400，基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。

可选的，在上述步骤S300中，可以利用通用的神经网络训练方法对上述生成式对抗网络进行训练，使得训练后的上述生成式对抗网络能有效地生成各类人脸。从而在步骤S400中基于训练后的上述生成式对抗网络生成所需类别的人脸，并结合分开的结构分量和纹理分量实现对于特定人脸属性的编辑。

可选的，上述结构分量和上述纹理分量是解耦的，因此对于某一结构分量的调整只会影响对应的结构属性，不会影响其它属性，对于某一纹理分量的调整也只会影响对应的纹理属性，不会影响其它属性。因此可以基于上述结构分量和上述纹理分量实现对于特定属性的单独编辑，有利于达到更好的人脸属性编辑效果。

由上可见，本发明实施例提供的人脸属性编辑方法获取基于结构纹理分量独立生成的生成式对抗网络；通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；训练上述生成式对抗网络；基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。由于本发明方案获取基于结构纹理分量独立生成的生成式对抗网络，结合权重分解和正交正则化技术控制人脸图像生成过程，从而可在人脸属性编辑过程中对特定的属性进行单独编辑。因此，相较于现有技术中基于StyleGANs或注入结构噪声实现解耦的方法进行人脸图像处理的方案，本方案可实现对特定的属性进行单独编辑，有利于达到更好的人脸属性编辑效果。

具体的，如图2所示，本实施例中，上述步骤S200包括：

步骤S201，获取风格矩阵和学习矩阵，通过组装得到权重矩阵，其中，上述权重矩阵控制上述图像生成过程。

步骤S202，通过正交正则化技术对上述学习矩阵的正交性进行约束，使上述风格矩阵中每一个元素所对应的特征矩阵相互独立。

具体的，分别获取风格矩阵S＝[s

其中，

进一步的，在上述生成式对抗网络的生成器的对抗目标函数中应用正交正则化技术，促使上述特征矩阵

R

其中，R

其中，n和m为大于等于1且小于i的正整数。通过上述公式(3)可知，通过正交正则化技术对上述学习矩阵U和V进行约束后可以确保上述特征矩阵

具体的，如图3所示，本实施例中，上述步骤S400包括：

步骤S401，基于训练后的上述生成式对抗网络生成目标人脸；

步骤S402，在上述目标人脸的生成过程中以非监督的方式控制上述目标人脸的属性。

可选的，上述目标人脸可以为某一类想要生成的人脸，也可以为具体某一个想要生成的人脸，在此不做具体限定。其中，上述生成式对抗网络是基于结构纹理分量独立生成的，可以在生成上述目标人脸的过程中以非监督的方式控制上述目标人脸的属性，实现人脸属性解耦，以对特定的属性进行单独编辑。

具体的，如图4所示，本实施例中，上述步骤S402包括：

步骤S4021，在上述目标人脸的生成过程中，初始化上述风格矩阵。

步骤S4022，基于初始化后的上述风格矩阵控制上述目标人脸的属性。

具体的，对应于需要生成的上述目标人脸，初始化上述风格矩阵，基于初始化后的上述风格矩阵就可通过上述生成式对抗网络生成对应的目标人脸。

具体的，图5示出了本实施例提供的一种生成式对抗网络的生成器架构图，图6示出了本实施例提供的一种生成式对抗网络的判别器架构图。图5中，Initial GBlock和GBlockres×res是卷积模块，其中res表示分辨率。图5中已经详细给出了上述InitialGblock和Gblockres×res的组成架构，其中，upsample为上采样操作，Nonlinear为非线性操作，Conv 3×3为3×3的卷积操作，Weight Decomposition为权重分解，Const 4×4×512为常数矩阵，其维度为4×4×512。 tRGB是将特征向量投影到RGB颜色或者结构分量的表示层，

如图5所示，获取独立同分布的隐向量，其中上述隐向量包括第一隐向量 z

具体的，上述生成器通过上述粗层和细层生成多分辨率的图片，从而能够以多尺度进行梯度流。本实施例中，控制上述粗层输出相应的结构分量。具体的，如图5所示，通过上述第一隐向量z

其中，上述结构分量主要体现为人脸的轮廓，因此，改变z

本实施例中，如图5所示，生成器在粗层生成结构分量，例如

基于上述公式(4)，对等号两边做对数运算，可得如下公式(5)：

上述公式(5)表示：从假图中分出真实的样本可以由以下两个独立的部分实现，一部分判别器判断细层分辨率高的RGB图像，另外一部分判断粗层分辨率低的结构分量。为了达到这个要求，本实施例中构造了两个独立的梯度流，一个梯度流负责RGB图像，另一个负责结构变量。因此，判别器的输出可以如下公式(6)、公式(7)以及公式(8)所示：

D

其中，[,]表示串接操作，d

本实施例中，由于上述第一隐向量z

可选的，在粗层中利用正交正则化技术保证了与上述结构分量相关的特征矩阵的独立性，因此在粗层中沿正交方向移动隐向量可以生成新特征，从而可以使得编辑后的人脸图像具有对应的新属性。

进一步的，可以直接对上述隐码(本实施例中，包括第一隐码w

可选的，基于上述人脸属性编辑方法可以实现人脸年龄属性编辑、人脸姿势属性编辑、人脸多风格编辑、人脸表情编辑、人脸身份编辑等属性编辑；还可以基于对应属性进行人脸识别；也可以只对人脸属性进行解耦，不进一步进行人脸属性编辑。根据实际需求确定，在此不做具体限定。

可选的，在上述人脸属性编辑方法的基础上，还可以将目标对象的人脸对应划分为不同部分进行数据处理及人脸属性编辑，或者将对于人脸属性进行编辑并生成编辑后的人脸图像的任务分成几个子问题进行处理，并使其满足正交性，从而降低数据处理计算难度，提高处理效率。可选的，还可以对相应的人脸图像分解前景部分与背景部分，分别进行属性编辑后生成编辑后的人脸图像。

如图7中所示，对应于上述人脸属性编辑方法，本发明实施例还提供一种人脸属性编辑装置，上述人脸属性编辑装置包括：

生成式对抗网络获取模块710，用于获取基于结构纹理分量独立生成的生成式对抗网络。

可选的，上述生成式对抗网络包括生成器和判别器，上述生成器的输出结果可以分别匹配结构分量和纹理分量，有助于结构分量和纹理分量分开。

控制模块720，用于通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程。

可选的，上述控制模块720可以使得图像生成过程中每个风格向量对应一个特征矩阵，通过正交正则化技术可以保证风格矩阵中风格向量的正交性，有利于实现属性解耦。

训练模块730，用于训练上述生成式对抗网络。

编辑模块740，用于基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。

可选的，上述训练模块730可以利用通用的神经网络训练方法对上述生成式对抗网络进行训练，使得训练后的上述生成式对抗网络能有效地生成各类人脸。上述编辑模块740基于训练后的上述生成式对抗网络生成所需类别的人脸，并结合分开的结构分量和纹理分量实现对于特定人脸属性的编辑。

可选的，上述结构分量和上述纹理分量是解耦的，因此对于某一结构分量的调整只会影响对应的结构属性，不会影响其它属性，对于某一纹理分量的调整也只会影响对应的纹理属性，不会影响其它属性。因此可以基于上述结构分量和上述纹理分量实现对于特定属性的单独编辑，有利于达到更好的人脸属性编辑效果。

由上可见，本发明实施例提供的人脸属性编辑装置通过生成式对抗网络获取模块710获取基于结构纹理分量独立生成的生成式对抗网络；通过控制模块 720通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；通过训练模块730训练上述生成式对抗网络；通过编辑模块740基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。由于本发明方案获取基于结构纹理分量独立生成的生成式对抗网络，结合权重分解和正交正则化技术控制人脸图像生成过程，从而可在人脸属性编辑过程中对特定的属性进行单独编辑。因此，相较于现有技术中基于StyleGANs或注入结构噪声实现解耦的方法进行人脸图像处理的方案，本方案可实现对特定的属性进行单独编辑，有利于达到更好的人脸属性编辑效果。

具体的，如图8所示，本实施例中，上述控制模块720包括：

矩阵获取单元721，获取风格矩阵和学习矩阵，通过组装得到权重矩阵，其中，上述权重矩阵控制上述图像生成过程。

约束单元722，通过正交正则化技术对上述学习矩阵的正交性进行约束，使上述风格矩阵中每一个元素所对应的特征矩阵相互独立。

具体的，分别获取风格矩阵S＝[s

其中，

进一步的，在上述生成式对抗网络的生成器的对抗目标函数中应用正交正则化技术，促使上述特征矩阵

R

其中，R

其中，n和m为大于等于1且小于i的正整数。通过上述公式(11)可知，通过正交正则化技术对上述学习矩阵U和V进行约束后可以确保上述特征矩阵

具体的，如图9所示，本实施例中，上述编辑模块740包括：

人脸生成单元741，用于基于训练后的上述生成式对抗网络生成目标人脸。

属性控制单元742，用于在上述目标人脸的生成过程中以非监督的方式控制上述目标人脸的属性。

可选的，上述目标人脸可以为某一类想要生成的人脸，也可以为具体某一个想要生成的人脸，在此不做具体限定。其中，上述生成式对抗网络是基于结构纹理分量独立生成的，可以在生成上述目标人脸的过程中以非监督的方式控制上述目标人脸的属性，实现人脸属性解耦，以对特定的属性进行单独编辑。

具体的，如图10所示，本实施例中，上述属性控制单元742包括：

初始化子单元7421，用于在上述目标人脸的生成过程中，初始化上述风格矩阵。

人脸属性控制子单元7422，用于基于初始化后的上述风格矩阵控制上述目标人脸的属性。

具体的，对应于需要生成的上述目标人脸，初始化上述风格矩阵，基于初始化后的上述风格矩阵就可通过上述生成式对抗网络生成对应的目标人脸。

具体的，图5示出了本实施例提供的一种生成式对抗网络的生成器架构图，图6示出了本实施例提供的一种生成式对抗网络的判别器架构图。图5中，Initial GBlock和GBlockres×res是卷积模块，其中res表示分辨率。图5中已经详细给出了上述InitialGblock和Gblockres×res的组成架构，其中，upsample为上采样操作，Nonlinear为非线性操作，Conv 3×3为3×3的卷积操作，Weight Decomposition为权重分解，Const 4×4×512为常数矩阵，其维度为4×4×512。 tRGB是将特征向量投影到RGB颜色或者结构分量的表示层，

如图5所示，获取独立同分布的隐向量，其中上述隐向量包括第一隐向量 z

具体的，上述生成器通过上述粗层和细层生成多分辨率的图片，从而能够以多尺度进行梯度流。本实施例中，控制上述粗层输出相应的结构分量。具体的，如图5所示，通过上述第一隐向量z

其中，上述结构分量主要体现为人脸的轮廓，因此，改变z

本实施例中，如图5所示，生成器在粗层生成结构分量，例如

基于上述公式(4)，对等号两边做对数运算，可得如下公式(13)：

上述公式(13)表示：从假图中分出真实的样本可以由以下两个独立的部分实现，一部分判别器判断细层分辨率高的RGB图像，另外一部分判断粗层分辨率低的结构分量。为了达到这个要求，本实施例中构造了两个独立的梯度流，一个梯度流负责RGB图像，另一个负责结构变量。因此，判别器的输出可以如下公式(14)、公式(15)以及公式(16)所示：

D

其中，[,]表示串接操作，d

本实施例中，由于上述第一隐向量z

可选的，在粗层中利用正交正则化技术保证了与上述结构分量相关的特征矩阵的独立性，因此在粗层中沿正交方向移动隐向量可以生成新特征，从而可以使得编辑后的人脸图像具有对应的新属性。

进一步的，可以直接对上述隐码(本实施例中，包括第一隐码w

可选的，基于上述人脸属性编辑装置可以实现人脸年龄属性编辑、人脸姿势属性编辑、人脸多风格编辑、人脸表情编辑、人脸身份编辑等属性编辑；还可以基于对应属性进行人脸识别；也可以只对人脸属性进行解耦，不进一步进行人脸属性编辑。根据实际需求确定，在此不做具体限定。

可选的，在上述人脸属性编辑装置实现的功能的基础上，还可以将目标对象的人脸对应划分为不同部分进行数据处理及人脸属性编辑，或者将对于人脸属性进行编辑并生成编辑后的人脸图像的任务分成几个子问题进行处理，并使其满足正交性，从而降低数据处理计算难度，提高处理效率。可选的，还可以对相应的人脸图像分解前景部分与背景部分，分别进行属性编辑后生成编辑后的人脸图像。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图11 所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述任意一种人脸属性编辑方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图11中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括有存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的程序，上述程序被上述处理器执行时进行以下操作指令：

获取基于结构纹理分量独立生成的生成式对抗网络；

通过权重分解技术和正交正则化约束控制上述生成式对抗网络的图像生成过程；

训练上述生成式对抗网络；

基于训练后的上述生成式对抗网络生成人脸并对上述人脸的属性进行编辑。

本发明实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现本发明实施例提供的任一种人脸属性编辑方法所述的步骤。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。对于各个公式中表现形式相同的量，如无特殊说明则表示相同的量，各个公式之间可以相互参照。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，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。

上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于以计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。