脸部图像处理模型训练方法、装置、电子设备和介质

摘要

本公开的实施例公开了脸部图像处理模型训练方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取训练样本集；从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。该实施方式实现了提高了对于脸部图像中的局部区域的处理质量。

说明书

技术领域

本公开的实施例涉及计算机技术领域，具体涉及脸部图像处理模型训练方法、装置、电子设备和计算机可读介质。

背景技术

图像处理技术通过对图像进行不同的加工以满足不同的需求。例如，可以对破损或模糊的图像进行修复，从而得到经过处理的清晰完整的图像。随着人工智能技术的发展，人工神经网络在图像处理领域发挥了重要作用。但是，人工神经网络在一些场景下存在提高局部区域处理质量的需求。例如，在对包含人脸区域的破损图像进行修复时，局部区域(例如牙齿区域)的处理质量不高。

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脸部图像处理模型训练方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种脸部图像处理模型训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像；从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

第二方面，本公开的一些实施例提供了一种脸部图像处理模型训练装置，包括：获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像；选取单元，被配置成从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；训练单元，被配置成将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

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如第一方面中任一实现方式描述的方法。

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如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的脸部图像处理模型训练方法得到的脸部图像处理模型，提高了对于脸部图像中的局部区域的处理质量。具体来说，发明人发现，造成相关的人工神经网络对于局部区域处理质量不高的原因在于：天然的训练样本存在样本不均衡的现象。也就是说，一些类别的训练样本不存在或者存在的数量比较少。例如，包含牙齿区域的脸部图像在样本图像中的占比较少。从而导致无法很好的学习到这些区域的特征，进而导致对于局部区域的处理质量不高。基于此，本公开的一些实施例的脸部图像处理模型训练方法中所采用的训练样本集，包括显示目标部位的脸部图像和未显示目标部位的脸部图像。并且显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例。从而克服上述问题，使得模型在训练过程中能很好的学习到这些区域的特征，最终提高对局部区域的处理质量。与此同时，显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例在训练的不同阶段有所不同。具体的，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。根据实际情况，第二预设值可以设置为天然的样本分布比例，第一预设值可以高于第二预设值。通过这样的比例设置，有助于让模型很好的学习特征的同时使得样本的分布更符合天然的样本分布，避免模型学习到样本偏差，影响图像处理效果。

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是根据本公开的一些实施例的脸部图像处理模型训练方法的一个应用场景的示意图；

图2是根据本公开的脸部图像处理模型训练方法的一些实施例的流程图；

图3是根据本公开的脸部图像处理模型训练方法的另一些实施例的流程图；

图4是根据本公开的脸部图像处理模型训练装置的一些实施例的结构示意图；

图5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是根据本公开一些实施例的脸部图像处理模型训练方法的一个应用场景100。

在图1的应用场景中，计算设备101可以首先获取训练样本集102。其中，训练样本集102中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像。脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像。例如，目标部位可以是牙齿。训练样本1021包括显示牙齿的脸部图像。训练样本1022包括未显示牙齿的脸部图像。可以理解，训练样本集102中还可以包括其他的训练样本。

然后，计算设备101可以从训练样本集102中选取训练样本组103。其中，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例。其中，目标比例的值在训练的不同阶段有所不同。具体的，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。可选的，目标比例在训练中间阶段可以是第一预设值与第二预设值之间的中间值。

在基础上，将训练样本组103中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型104。

继续参考图2，示出了根据本公开的脸部图像处理模型训练方法的一些实施例的流程200。该脸部图像处理模型训练方法，包括以下步骤：

步骤201，获取训练样本集。

在一些实施例中，脸部图像处理模型训练方法的执行主体可以从地或者通信连接的电子设备中获取训练样本集。其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像。脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像。

在一些实施例中，目标部位可以是脸部的各个部位，例如，牙齿、眼睛等。此外，根据应该场景的不同，处理后脸部图像可以是经过各种处理的脸部图像，其可以作为模型的期望输出以对模型进行监督。实践中，可以是对脸部图像进行去雾、修复、美化等处理后的图像。

步骤202，从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。

在一些实施例中，上述执行主体可以从训练样本集中选取训练样本组。在此过程中，控制训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例。此外，目标比例的值在训练的不同阶段有所不同。具体的，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。

举例来说，第二预设值可以设置为天然的样本分布比例，第一预设值可以高于第二预设值。通过这样的比例设置，有助于让模型很好的学习特征的同时使得样本的分布更符合天然的样本分布，避免模型学习到样本偏差，影响图像处理效果。

可选的，目标比例在训练中间阶段可以是第一预设值与第二预设值之间的中间值。

例如，在目标部位为牙齿的情况下，由于在天然的训练样本集中，显示牙齿的脸部图像与未显示牙齿的脸部图像的比例为1:5-1:10之间。第一预设值可以是5:1。通过增加显示牙齿的脸部图像的比例，使得模型更好的学习特征，从而提高对于脸部图像中的局部区域的处理质量。于此同时，由于人为增加了显示牙齿的脸部图像的比例，有可能导致模型学习到样本偏差，影响图像处理效果。因此，为了解决这个问题，可以将第二预设值设置为天然的样本分布比例(例如1:5)。从而可以使得样本的分布更符合天然的样本分布，避免模型学习到样本偏差，影响图像处理效果。

可以理解，根据实际需要，可以将训练过程划分为不同的阶段。例如，可以根据预先设定的迭代次数将训练过程划分不同的阶段。其中，训练开始阶段至少包括第一次迭代。训练结束阶段至少包括最后一些迭代。

在一些实施例的一些可选的实现方式中，训练中间阶段，目标比例是根据第一预设值、第二预设值和当前迭代次数确定的。

其中，举例来说，预设的迭代次数可以是96次。每个训练样本组包括48个训练样本。那么，第一次选取的训练样本组中，显示目标部位的脸部图像和未显示目标部位的脸部图像的数量分别为40和8。最后一次选取的训练样本组中，显示目标部位的脸部图像和未显示目标部位的脸部图像的数量分别为8和40。每经过三次，显示目标部位的脸部图像的数量可以减少1，而未显示目标部位的脸部图像的数量可以增加1。

步骤203，将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

在一些实施例中，上述执行主体可以将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

具体的，作为示例，可以基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异；基于差异，对初始图像处理模型的参数进行调整直至满足训练结束条件，从而得到脸部图像处理模型。其中，训练结束条件包括达到预设的迭代次数，差异小于或等于预设损失值等。

本公开的一些实施例提供的方法，通过本公开的脸部图像处理模型训练方法得到的脸部图像处理模型，提高了对于脸部图像中的局部区域的处理质量。具体来说，发明人发现，造成相关的人工神经网络对于局部区域处理质量不高的原因在于：天然的训练样本存在样本不均衡的现象。也就是说，一些类别的训练样本不存在或者存在的数量比较少。例如，包含牙齿区域的脸部图像在样本图像中的占比较少。从而导致无法很好的学习到这些区域的特征，进而导致对于局部区域的处理质量不高。基于此，本公开的一些实施例的脸部图像处理模型训练方法中所采用的训练样本集，包括显示目标部位的脸部图像和未显示目标部位的脸部图像。并且显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例。从而克服上述问题，使得模型在训练过程中能很好的学习到这些区域的特征，最终提高对局部区域的处理质量。与此同时，显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例在训练的不同阶段有所不同。具体的，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。根据实际情况，第二预设值可以设置为天然的样本分布比例，第一预设值可以高于第二预设值。通过这样的比例设置，有助于让模型很好的学习特征的同时使得样本的分布更符合天然的样本分布，避免模型学习到样本偏差，影响图像处理效果。

进一步参考图3，其示出了脸部图像处理模型训练方法的另一些实施例的流程300。该脸部图像处理模型训练方法的流程300，包括以下步骤：

步骤301，获取训练样本集。

步骤302，从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。

在一些实施例中，步骤301-302的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。

步骤303，将训练样本组中的脸部图像输入初始图像处理模型，得到实际输出图像。

在一些实施例中，根据实际需要，初始图像处理模型可以是未经训练或者未训练完成的图像处理模型。初始图像处理模型的网络结构可以根据实际需要选取例如CNN(卷积神经网络)、GAN(生成对抗网络)等等。

步骤304，基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，预设的损失函数包括特征匹配损失。

在一些实施例中，脸部图像处理模型训练方法的执行主体可以基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，预设的损失函数包括特征匹配损失。其中，特征匹配损失用于监督模型的中间层的输出，从而不仅能确保最终的输出一致，而且尽可能使中间层的输出一致。

在一些实施例的一些可选的实现方式中，特征匹配损失是通过以下步骤得到的：将初始图像处理模型中的目标层的输出结果输入特征提取网络，得到目标层的特征数据；基于特征数据得到特征匹配损失。

步骤305，基于差异，对初始图像处理模型的参数进行调整。

在一些实施例中，作为示例，可以采用反向传播、随机梯度下降等方法将差异从模型的最后一层向前传播，并调整模型的参数。

在一些实施例的一些可选的实现方式中，显示目标部位的脸部图像是通过以下步骤生成的：获取原始显示目标部位的脸部图像；确定原始显示目标部位的脸部图像对应的目标部位的掩膜图像；将目标部位的掩膜图像和原始显示目标部位的脸部图像叠加，得到显示目标部位的脸部图像。

在这些实现方式中，通过增加目标部位的掩膜图像，使得模型更加关注于目标部位，从而使得对于目标部位的处理质量提高。

从图3中可以看出，与图2对应的一些实施例的描述相比，增加了基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，以及调整模型参数的步骤。其中，预设的损失函数包括特征匹配损失。其中，特征匹配损失用于监督模型的中间层的输出，从而不仅能确保最终的输出一致，而且尽可能使中间层的输出一致。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种脸部图像处理模型训练装置的一些实施例，这些装置实施例与图2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4所示，一些实施例的脸部图像处理模型训练装置400包括：获取单元401、选取单元402、训练单元403。其中，获取单元401被配置成获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像。选取单元402被配置成从训练样本所述集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值。训练单元403被配置成将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

在一些实施例的可选实现方式中，显示目标部位的脸部图像是通过以下步骤生成的：获取原始显示目标部位的脸部图像；确定原始显示目标部位的脸部图像对应的目标部位的掩膜图像；将目标部位的掩膜图像和原始显示目标部位的脸部图像叠加，得到显示目标部位的脸部图像。

在一些实施例的可选实现方式中，训练单元403可以进一步被配置成：将训练样本组中的脸部图像输入初始图像处理模型，得到实际输出图像；基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，预设的损失函数包括特征匹配损失；基于差异，对初始图像处理模型的参数进行调整。

在一些实施例的可选实现方式中，特征匹配损失是通过以下步骤得到的：将初始图像处理模型中的目标层的输出结果输入特征提取网络，得到目标层的特征数据；基于特征数据得到特征匹配损失。

在一些实施例的可选实现方式中，在训练中间阶段，目标比例是根据第一预设值、第二预设值和当前迭代次数确定的。

在一些实施例中，提高了对于脸部图像中的局部区域的处理质量。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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5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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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所述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(HyperText 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：获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像；从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

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，所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：一种处理器包括获取单元、选取单元、训练单元。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，获取单元还可以被描述为“获取训练样本集的单元”。

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。

根据本公开的一个或多个实施例，一种脸部图像处理模型训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像；从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

根据本公开的一个或多个实施例，显示目标部位的脸部图像是通过以下步骤生成的：获取原始显示目标部位的脸部图像；确定原始显示目标部位的脸部图像对应的目标部位的掩膜图像；将目标部位的掩膜图像和原始显示目标部位的脸部图像叠加，得到显示目标部位的脸部图像。

根据本公开的一个或多个实施例，将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型，包括：将训练样本组中的脸部图像输入初始图像处理模型，得到实际输出图像；基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，预设的损失函数包括特征匹配损失；基于差异，对初始图像处理模型的参数进行调整。

根据本公开的一个或多个实施例，特征匹配损失是通过以下步骤得到的：将初始图像处理模型中的目标层的输出结果输入特征提取网络，得到目标层的特征数据；基于特征数据得到特征匹配损失。

根据本公开的一个或多个实施例，在训练中间阶段，目标比例是根据第一预设值、第二预设值和当前迭代次数确定的。

根据本公开的一个或多个实施例，提供了一种脸部图像处理模型训练装置，包括：获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括脸部图像和脸部图像对应的处理后脸部图像，脸部图像包括显示目标部位的脸部图像和未显示目标部位的脸部图像；选取单元，被配置成从训练样本集中选取训练样本组，训练样本组中显示目标部位的脸部图像和未显示目标部位的脸部图像的数量的比例符合目标比例，目标比例在训练开始阶段为第一预设值，在训练结束阶段为第二预设值；训练单元，被配置成将训练样本组中的脸部图像作为输入，将脸部图像对应的处理后脸部图像作为期望输出，训练得到脸部图像处理模型。

根据本公开的一个或多个实施例，显示目标部位的脸部图像是通过以下步骤生成的：获取原始显示目标部位的脸部图像；确定原始显示目标部位的脸部图像对应的目标部位的掩膜图像；将目标部位的掩膜图像和原始显示目标部位的脸部图像叠加，得到显示目标部位的脸部图像。

根据本公开的一个或多个实施例，训练单元进一步被配置成：将训练样本组中的脸部图像输入初始图像处理模型，得到实际输出图像；基于预设的损失函数，确定实际输出图像与脸部图像对应的处理后脸部图像之间的差异，预设的损失函数包括特征匹配损失；基于差异，对初始图像处理模型的参数进行调整。

在一些实施例的可选实现方式中，显示目标部位的脸部图像是通过以下步骤生成的：获取原始显示目标部位的脸部图像；确定原始显示目标部位的脸部图像对应的目标部位的掩膜图像；将目标部位的掩膜图像和原始显示目标部位的脸部图像叠加，得到显示目标部位的脸部图像。

在一些实施例的可选实现方式中，特征匹配损失是通过以下步骤得到的：将初始图像处理模型中的目标层的输出结果输入特征提取网络，得到目标层的特征数据；基于特征数据得到特征匹配损失。

在一些实施例的可选实现方式中，在训练中间阶段，目标比例是根据第一预设值、第二预设值和当前迭代次数确定的。

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。