三维发丝生成方法和模型的训练方法

技术领域

本公开涉及人工智能技术领域，具体为增强现实、虚拟现实、计算机视觉、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景，具体涉及一种三维发丝生成方法、模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

三维虚拟形象在社交、直播、游戏等用户场景具有广泛应用价值。基于人工智能的三维虚拟形象生成，通过人脸图像生成虚拟形象，为用户定制个性化的虚拟形象有效在满足用户的个性化需求，具有广泛的应用前景。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种三维发型生成方法、模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种三维发型生成方法，包括：获得关于第一对象的多个视角的多个第一图像，所述第一对象包括包含多个发丝的发型区域；基于所述多个第一图像，获得与所述多个第一图像对应的多个第一走向图，所述多个第一走向图中的每一个第一走向图指示在所述多个图像中的相应图像中与所述第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向；基于所述多个第一走向图，获得所述第一对象的发型区域的第一发型隐向量；以及基于所述第一发型隐向量，获得所述第一对象对应的三维发型，所述三维发型包括与所述多个发丝中的每一个发丝的发丝数据，该发丝数据包括该发丝上的多个节点中的每一个节点的坐标。

根据本公开的另一方面，提供了一种三维发型生成模型的训练方法，所述三维发型生成模型包括特征提取网络和解码器，所述方法包括：获得三维发丝数据集，所述三维发丝数据集包括多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标，所述多个发丝来自第一头模的发型区域；基于所述三维发丝数据集，获得所述第一头模与多个视角对应的多个训练走向图，所述多个训练走向图中的每一个训练走向图与所述第一头模在所述多个视角中的相应视角下的图像相应，并且指示该图像中的发型区域中的每一个像素所对应的发丝线段的方向；利用所述特征提取网络，基于所述多个训练走向图获得所述三维发丝数据集对应的训练发型隐向量；利用所述解码器，基于所述训练发型隐向量，获得所述三维发丝数据集对应的预测结果，所述预测结果包括所述多个发丝中的每一个发丝上多个节点的中的每一个节点的坐标；以及基于所述三维发丝数据集和所述预测结果，调整所述三维发型生成模型的参数。

根据本公开的另一方面，提供了一种三维发型生成装置，包括：第一图像获取单元，被配置用于获得关于第一对象的多个视角的多个第一图像，所述第一对象包括包含多个发丝的发型区域；第一走向图获取单元，被配置用于基于所述多个第一图像，获得与所述多个第一图像对应的多个第一走向图，所述多个第一走向图中的每一个第一走向图指示在所述多个图像中的相应图像中与所述第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向；第一发型隐向量获取单元，被配置用于基于所述多个第一走向图，获得所述第一对象的发型区域的第一发型隐向量；以及三维发型获取单元，被配置用于基于所述第一发型隐向量，获得所述第一对象对应的三维发型，所述三维发型包括与所述多个发丝中的每一个发丝的发丝数据，该发丝数据包括该发丝上的多个节点中的每一个节点的坐标。

根据本公开的另一方面，提供了三维发型生成模型的训练装置，所述三维发型生成模型包括特征提取网络和解码器，所述装置包括：三维发丝数据集获取单元，被配置用于获得三维发丝数据集，所述三维发丝数据集包括多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标，所述多个发丝来自第一头模的发型区域；训练走向图获取单元，被配置用于基于所述三维发丝数据集，获得所述第一头模与多个视角对应的多个训练走向图，所述多个训练走向图中的每一个训练走向图与所述第一头模在所述多个视角中的相应视角下的图像相应，并且指示该图像中的发型区域中的每一个像素所对应的发丝线段的方向；训练发型隐向量获取单元，被配置用于利用所述特征提取网络，基于所述多个训练走向图获得所述三维发丝数据集对应的训练发型隐向量；预测结果获取单元，被配置用于利用所述解码器，基于所述训练发型隐向量，获得所述三维发丝数据集对应的预测结果，所述预测结果包括所述第一头模多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标；以及参数调整单元，被配置用于基于所述三维发丝数据集和所述预测结果，调整所述三维发型生成模型的参数。

根据本公开的另一方面，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根据本公开的实施例所述的方法。

根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。

根据本公开的一个或多个实施例，实现基于二维图像直接地、自动地生成三维发型，提升三维发型的生成效率，同时减少数据处理量。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的三维发型生成方法的流程图；

图3示出了根据本公开的实施例的三维发型生成方法中基于多个第一走向图，获得第一发型隐向量的过程的流程图；

图4示出了根据本公开的实施例的三维发型生成方法中基于第一发型隐向量，获得第一对象对应的三维发型的过程的流程图；

图5示出了根据本公开的实施例的三维发型生成方法中对第一发型隐向量进行修改，以获得目标发型隐向量的过程的流程图；

图6示出了根据本公开的实施例的三维发型生成模型的训练方法的流程图；

图7示出了根据本公开的三维发型生成模型的训练方法中的三维发型生成模型的训练过程和预测过程的对比示意图；

图8示出了根据本公开的实施例的三维发型生成装置的结构框图；

图9示出了根据本公开的实施例的三维发型生成模型的训练装置的结构框图；以及

图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的三维发型生成方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获得根据本公开的三维发型生成方法中所生成的三维发型。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种三维发型生成方法。如图2所示，三维发型生成方法200包括：

步骤S210：获得关于第一对象的多个视角的多个第一图像，所述第一对象包括包含多个发丝的发型区域；

步骤S220：基于所述多个第一图像，获得与所述多个第一图像对应的多个第一走向图，所述多个第一走向图中的每一个第一走向图指示在所述多个图像中的相应图像中与所述第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向；

步骤S230：基于所述多个第一走向图，获得所述第一对象的发型区域的第一发型隐向量；以及

步骤S240：基于所述第一发型隐向量，获得所述第一对象对应的三维发型，所述三维发型包括与所述多个发丝中的每一个发丝的发丝数据，该发丝数据包括该发丝上的多个节点中的每一个节点的坐标。

在相关技术中，根据多视角的图像设计三维发型，需要设计师手动构建发丝，并基于所构建的发丝获得三维发型，设计师手动构建三维发丝生产升本大，生产效率低。

根据本公开的实施例中，通过基于关于第一对象的多个视角的多个第一图像获得多个第一走向图，并基于多个第一走向图获得发型隐向量，最终基于发型隐向量获得三维发型，使得能够基于二维图像实现三维发型的自动生成，代替设计师手动涉及发型，提升三维发型的生成效率。同时，根据本公开的方法，通过针对图像获得的发型隐向量进行解码获得三维发型的方法，不用针对单个发丝进行构建或生长，相较于针对单个发丝进行构建或生长生成三维发型的方法，简化处理流程，减少数据处理量。

在一些实施例中，第一对象可以是人，或者头模等任意具有头发的三维对象。

在一些实施例中，在步骤S210中，通过摄像装置从多个视角采集第一对象的图像，以获得该多个第一图像。其中，多个视角可以是任意的两个或更多个视角。

例如，多个第一图像是摄像装置在围绕第一对象的头围所在的平面进行360°旋转的过程中所采集的多个图像。

在一些实施例中，多个视角至少包括所述第一对象对应的前、后、左和右四个视角。

多个视角包括第一对象的前、后、左、右四个视角，使得所获得的第一对象的多个第一图像包括反应第一对象的全部发型区域的信息，从而使得基于该多个第一图像获得的发型隐向量可以反应第一对象的在三维空间的全部信息，从而使得所获得的发型隐向量准确，基于发型隐向量所获得的三维发型能够更加体准确的体现第一对象的发型。同时，仅仅对第一对象的前、后、左、右四个视角的第一图像进行处理获得三维发型，在获得准确体现第一对象的发型的三维发型的同时，使得数据处理量尽可能少。

在一些场景中，三维发型的设计师基于第一对象的前、后、左、右四个视角的视图进行发型设计，根据本公开的实施例，通过获得包括所述第一对象对应的前、后、左和右四个视角的多个视角的多个第一图像，使得根据本公开的方法能够直接应用于三维发型的设计师设计三维发型的应用场景。

需要说明的是，根据本公开的三维发型生成方法适用于三维发型的设计师设计三维发型的场景仅仅是示例性的，其可以适用于任何需要生成三维发型的场景，在此并不限定。

在一些实施例中，在步骤S220中，通过对多个第一图像中的每一个第一图像的发型区域进行加柏(Gabor)滤波，获得该第一图像对应的第一走向图。

在一些实施例中，在步骤S220中，通过将每一个第一图像输入至图像生成模型，以生成其对应的第一走向图，其中，该图像生成模型是采用包括训练图像和该训练图像对应的走向图进行训练获得的。训练图像为包含训练对象的发型区域的图像，走向图是采用三维发型数据集渲染获得的走向图。

在一些实施例中，在步骤S220中，首先对多个第一图像中的每一个图像执行针对发型区域的分割处理，以获得该第一图像中的发型区域对应的掩膜图像，再基于该掩膜图像获得该第一图像对应的第一走向图，例如，基于掩膜图像中的像素梯度，提取像素所对应的发丝线段的方向，从而获得第一走向图。

走向图中的RGB三个颜色的像素分别对应于三维空间中的XYZ轴的方向向量。在获得第一走向图的过程中，该第一图像中的发型区域中各个点在XYZ空间的方向向量被归一化为0-255之间的数值，使得所获得的第一走向图中的每一个像素指示相应第一图像中与第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向。

在一些实施例中，在步骤S230中，针对多个第一走向图中的每一个第一走向图进行特征提取，以获得每一个第一走向图对应的图像特征；并且基于该多个第一走向图对应的多个图像特征，获得发型隐向量。

由于第一走向图中的每一个像素指示了相应第一图像中与第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向，在针对第一走向图进行特征提取的过程中，可以基于各个像素所指示的方向，提取发型区域中的各个发丝的方向信息，针对各个发丝的方向信息进行编码可以获得发型隐向量。

在一些实施例中，发型隐向量包括与发型区域的每一个发丝对应的发丝隐向量。在一些实施例中，发型隐向量是通过对发型区域中的多个发丝对应的多个发丝隐向量进行编码，所获得的隐向量，其中，对多个发丝隐向量进行编码的过程中，提取多个发丝在隐向量空间相同的信息，以生成发型隐向量。

在一些实施例中，如图3所示，在步骤S230中，基于所述多个第一走向图，获得所述第一发型隐向量包括：

步骤S310：对所述多个第一走向图进行拼接，以获得拼接图像；以及

步骤S320：对所述拼接图像进行特征提取，以获得所述第一发型隐向量。

通过对多个第一走向图进行拼接，获得拼接图像，并对拼接图像进行特征提取，获得发型隐向量，较分别处理各个走向图，获得发型隐向量，减少数据处理量。

在一些实施例中，在步骤S310中，通过将多个第一走向图进行通道方向的堆叠，以对多个第一走向图进行拼接。

在一些实施例中，在步骤S320中，通过采用特征提取网络对拼接图像进行特征提取。

在一些实施例中，在步骤S320中，所述对所述拼接图像执行特征提取，以获得所述第一发型隐向量包括：

将所述拼接图像输入至经训练的特征提取网络，以获得所述第一发型隐向量，其中，所述经训练的特征提取网络是通过将特征提取网络与解码器组成的发型生成模型后采用三维发丝数据进行训练获得的，在训练所述发型生成模型的过程中，基于所述三维发丝数据集获得与所述多个视角对应的多个训练走向图，通过利用所述特征提取网络对所述多个训练走向图的拼接图像进行特征提取，获得训练发型隐向量，通过将所述训练发型隐向量输入解码器，获得预测结果，并且基于所述三维发丝数据集和所述预测结果之间的损失调整所述发型生成模型的参数。

通过将拼接图像输入到与解码器组成发型生成模型进行训练后获得的特征提取网络，获得第一发型隐向量，由于该特征提取网络是通过与解码器组成的发型生成模型，采用三维发丝数据集进行训练获得的，在训练过程中，使得特征提取网络能够学习和提取与三维发丝数据集相应的空间信息，从而在基于多个视角的多个第一走向图进行特征提取时，能够提取多个第一走向图中所包含的第一对象的发型区域在三维空间中的信息，使得所获得的发型隐向量所包含的发行区域在三维空间中的信息与三维发丝数据集所体现的发型区域在空间中的信息一致，提升所获得的发型隐向量的准确性。

在一些实施例中，通过采用三维发丝数据集进行对应于多个视角的渲染操作，以获得多个训练走向图。

在一些实施例中，三维发丝数据集包括来自预设头模上的多个发丝中的每一个发丝的发丝数据，发丝数据指示该发丝上的多个节点中的每一个节点的坐标。并且，解码器基于训练发型隐向量获得的预测结果为包含多个发丝中的每一个发丝的发丝数据的预测发丝数据集，其中，每一个发丝的发丝数据指示该发丝上的多个节点中的每一个节点的坐标。通过获得三维发丝数据集中的多个发丝的多个发丝数据和预测结果中的多个发丝的多个发丝数据之间的损失，调整发型生成模型的参数。

在一些实施例中，在完成步骤S210-S230之后，在步骤S240中，直接对第一发型隐向量进行解码，以生成第一对象对应的三维发型。其中，采用上述三维发型生成模型中的解码器对第一发型隐向量进行解码。

在一些实施例中，如图4所示，在步骤S240中，基于所述第一发型隐向量，获得所述第一对象对应的三维发型包括：

步骤S410：对所述第一发型隐向量进行修改，以获得目标发型隐向量；以及

步骤S420：对所述目标发型隐向量进行解码，以获得所述三维发型。

通过对第一发型隐向量进行修改，获得用于获得三维发型的目标发型隐向量，在设计师设计三维发型的场景中，使得设计师能够基于获得第一发型隐向量对第一对象的发型进行修改，提升设计效率。

在一些实施例中，通过手动对第一发型隐向量进行修改，获得目标发型隐向量。

在一些实施例中，如图5所示，步骤S410中，对所述第一发型隐向量进行修改，以获得目标发型隐向量包括：

步骤S510：获得关于第二对象的所述多个视角的多个第二图像，所述第二对象包括包含多个发丝的发型区域；

步骤S520：基于所述多个第二图像，获得与所述多个第二图像对应的多个第二走向图；

步骤S530：基于所述多个第二走向图，获得所述第二对象的发型区域的第二发型隐向量；以及

步骤S540：基于所述第二发型隐向量对所述第一发型隐向量进行修改，获得目标发型隐向量。

通过获得由第二对象的多个视角的多个第二图像获得的与第一发型隐向量不同的第二发型隐向量，并基于该第二发型隐向量对第一发型隐向量进行修改，以获得目标发型隐向量，能够实现隐向量的插值，从而获得区别于第一对象的发型和第二对象的发型的更多类型的发型。

在一些实施例中，通过获得第一发型隐向量和第二发型隐向量各自对应的加权系数，并且基于加权系数对第一发型隐向量和第二发型隐向量进行融合，以获得目标发型隐向量。

根据本公开的另一方面，还提供了一种三维发型生成模型的训练方法。所述三维发型生成模型包括特征提取网络和解码器。如图6所示，三维发型生成模型的训练方法600包括：

步骤S610：获得三维发丝数据集，所述三维发丝数据集包括多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标，所述多个发丝来自第一头模的发型区域；

步骤S620：基于所述三维发丝数据集，获得所述第一头模与多个视角对应的多个训练走向图，所述多个训练走向图中的每一个训练走向图与所述第一头模在所述多个视角中的相应视角下的图像相应，并且指示该图像中的发型区域中的每一个像素所对应的发丝线段的方向；

步骤S630：利用所述特征提取网络，基于所述多个训练走向图获得所述三维发丝数据集对应的训练发型隐向量；

步骤S640：利用所述解码器，基于所述训练发型隐向量，获得所述三维发丝数据集对应的预测结果，所述预测结果包括所述多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标；以及

步骤S650：基于所述三维发丝数据集和所述预测结果，调整所述三维发型生成模型的参数。

采用三维发丝数据集训练三维生成模型，在训练过程中，通过三维发丝数据集获得多个二维的训练走向图像，并且基于二维的训练走向图像提取的发型隐向量进行解码获得预测结果与三维发丝数据集之间的损失，调整三维发型生成模型，使得经训练的三维发型生成模型中的特征提取网络能够基于输入的二维走向图提取三维发型数据在三维空间中的信息，并且该信息与三维发丝数据集所体现的发型区域在空间中的信息一致，提升所获得的发型隐向量的准确性，使得所获得的发型隐向量的准确性高。

同时，根据本公开的三维发型生成模型，在训练过程中采用三维发丝数据集获得的训练走向图进行训练，在预测过程中，可以基于二维图像获得走向图进行预测，使得在预测过程中仅仅采用二维图像(代替三维发丝数据)就能实现三维发型的生成过程，简化三维发型的生成过程，实现从图像到三维发型的端到端的生成。

在一些实施例中，所述多个视角至少包括所述第一头模对应的前、后、左和右四个视角。

多个视角包括第一头模对应的前、后、左、右四个视角，使得所获得的第一头模的多个训练走向图包括反应第一头模的全部发型区域的信息，从而使得基于该多个训练走向图获得的训练发型隐向量可以反应第一头模的在三维空间的全部信息，从而使得所获得的训练发型隐向量准确。同时，利用第一头模对应的前、后、左、右四个视角的训练走向图训练三维发型生成模型，后续在利用三维发型生成模型的进行预测的过程中，仅仅需要获得四个视角的走向图进行预测，就能实现三维发型的生成，减少预测过程中的数据处理量。

如图7所示，示出了根据本公开的一些实施例的三维发型生成模型的训练和预测过程的对比示意图。其中，

在训练过程中，基于三维发丝数据集710获得四视角走向图720，并将四视角走向图720输入到特征提取网络701获得训练发型隐向量，并采用解码器702对训练发型隐向量进行解码获得预测结果730，基于预测结果730和三维发丝数据集710之间的损失loss调整特征提取网络701和解码器702的参数。

在预测过程中，基于关于人的发型区域的四视角图像740获得四视角图像对应的四视角走向图750，通过将四视角走向图750输入到特征提取网络701获得发型隐向量，并采用解码器702对发型隐向量进行解码获得三维发型760。

上述过程中，三维发型生成模型的训练过程的输入为基于三维发丝数据集获得的四视角走向图，三维发型生成模型的预测过程的输入为基于四视角的二维图像获得的四视角走向图，预测过程中仅仅采用二维图像(代替三维发丝数据)就能实现三维发型的生成过程，简化三维发型的生成过程，实现从图像到三维发型的端到端的生成。

需要说明的是，在四视角图像740和三维发型760中，基于说明的必要和隐私保护对图像进行了马赛克处理，在实际应用过程中不需要进行此项处理。同时，需要说明的是，在根据本公开的实施例中的人脸图像并不是针对某一特定用户的人脸图像，并不能反映出某一特定用户的个人信息，并且人脸图像来自于公开数据集。

在一些实施例中，特征提取网络可以是基于残差网络(resnet)。

在一些实施例中，步骤S620、基于所述三维发丝数据集，获得所述第一头模与多个视角对应的多个训练走向图包括：

基于所述三维发丝数据集进行对应于所述多个视角中的每一个视角的渲染操作，以获得所述多个视角中的每一个视角对应的走向图。

采用渲染的方法获得走向图，使得所获得的走向图准确。

在一些实施例中，利用所述特征提取网络，基于所述多个训练走向图获得所述三维发丝数据集对应的训练发型隐向量包括：

对所述多个训练走向图进行拼接，以获得拼接图像；以及

将所述拼接图像输入到所述特征提取网络，以获得所述训练发型隐向量。

通过对多个训练走向图进行拼接，获得拼接图像，并对拼接图像进行特征提取，获得发型隐向量，较分别处理各个走向图，获得训练发型隐向量，减少数据处理量。

在一些实施例中，通过计算预测结果和三维发丝数据集之间的L1损失，以调整三维发型生成模型的参数。

根据本公开的另一方面，还提供了一种三维发型生成装置。如图8所示，包括：第一图像获取单元810，被配置用于获得关于第一对象的多个视角的多个第一图像，所述第一对象包括包含多个发丝的发型区域；第一走向图获取单元820，被配置用于基于所述多个第一图像，获得与所述多个第一图像对应的多个第一走向图，所述多个第一走向图中的每一个第一走向图指示在所述多个图像中的相应图像中与所述第一对象的发型区域相应的区域中的每一个像素所对应的发丝线段的方向；第一发型隐向量获取单元830，被配置用于基于所述多个第一走向图，获得所述第一对象的发型区域的第一发型隐向量；以及三维发型获取单元840，被配置用于基于所述第一发型隐向量，获得所述第一对象对应的三维发型，所述三维发型包括与所述多个发丝中的每一个发丝的发丝数据，该发丝数据包括该发丝上的多个节点中的每一个节点的坐标。

在一些实施例中，所述多个视角至少包括所述第一对象对应的前、后、左和右四个视角。

在一些实施例中，所述第一发型隐向量获取单元包括：图像拼接单元，被配置用于对所述多个第一走向图进行拼接，以获得拼接图像；以及特征提取单元，被配置用于对所述拼接图像进行特征提取，以获得所述第一发型隐向量。

在一些实施例中，所述特征提取单元包括：图像输入单元，被配置用于将所述拼接图像输入至经训练的特征提取网络，以获得所述第一发型隐向量，其中，所述经训练的特征提取网络是通过将特征提取网络与解码器组成的发型生成模型后采用三维发丝数据集进行训练获得的，在训练所述发型生成模型的过程中，基于所述三维发丝数据集获得与所述多个视角对应的多个训练走向图，通过利用所述特征提取网络对所述多个训练走向图的拼接图像进行特征提取，获得训练发型隐向量，通过将所述训练发型隐向量输入解码器，获得预测结果，并且基于所述三维发丝数据集和所述预测结果之间的损失调整所述发型生成模型的参数。

在一些实施例中，所述三维发型获取单元包括：修改单元，被配置用于对所述第一发型隐向量进行修改，以获得目标发型隐向量；以及解码单元，被配置用于对所述目标发型隐向量进行解码，以获得所述三维发型。

在一些实施例中，所述修改单元包括：第二图像获取单元，被配置用于获得关于第二对象的所述多个视角的多个第二图像，所述第二对象包括包含多个发丝的发型区域；第二走向图获取单元，被配置用于基于所述多个第二图像，获得与所述多个第二图像对应的多个第二走向图；第二发型隐向量获取单元，被配置用于基于所述多个第二走向图，获得所述第二对象的发型区域的第二发型隐向量；以及修改子单元，被配置用于基于所述第二发型隐向量对所述第一发型隐向量进行修改，获得目标发型隐向量。

根据本公开的另一方面，还提供了所述三维发型生成模型包括特征提取网络和解码器，如图9所示，装置900包括：三维发丝数据集获取单元910，被配置用于获得三维发丝数据集，所述三维发丝数据集包括多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标，所述多个发丝来自第一头模的发型区域；训练走向图获取单元920，被配置用于基于所述三维发丝数据集，获得所述第一头模与多个视角对应的多个训练走向图，所述多个训练走向图中的每一个训练走向图与所述第一头模在所述多个视角中的相应视角下的图像相应，并且指示该图像中的发型区域中的每一个像素所对应的发丝线段的方向；训练发型隐向量获取单元930，被配置用于利用所述特征提取网络，基于所述多个训练走向图获得所述三维发丝数据集对应的训练发型隐向量；预测结果获取单元940，被配置用于利用所述解码器，基于所述训练发型隐向量，获得所述三维发丝数据集对应的预测结果，所述预测结果包括所述多个发丝中的每一个发丝上的多个节点中的每一个节点的坐标；以及参数调整单元950，被配置用于基于所述三维发丝数据集和所述预测结果，调整所述三维发型生成模型的参数。

在一些实施例中，所述三维发丝数据集获取单元包括：渲染单元，被配置用于基于所述三维发丝数据集进行对应于所述多个视角中的每一个视角的渲染操作，以获得所述多个视角中的每一个视角对应的走向图。

在一些实施例中，所述训练发型隐向量获取单元包括：图像拼接单元，被配置用于对所述多个训练走向图进行拼接，以获得拼接图像；以及训练发型隐向量获取子单元，被配置用于将所述拼接图像输入到所述特征提取网络，以获得所述训练发型隐向量。

在一些实施例中，所述多个视角至少包括所述第一头模对应的前、后、左和右四个视角。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，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。

参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如方法200或方法600。例如，在一些实施例中，方法200或方法600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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200或方法600的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200或方法600。

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)、复杂可编程逻辑设备(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)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，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。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。