三维发型生成方法和模型的训练方法

摘要

本公开提供了一种三维发型生成方法和模型的训练方法，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。实现方案为：获得坐标集，坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标；通过将坐标集输入至参数化曲面网络，获得坐标集对应的曲面坐标集，其中，参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得参数化曲面网络基于输入的多个坐标输出的多个曲面坐标均位于曲面上；以及基于曲面坐标集，获得三维发型，其中，三维发型中的多个发丝对应的多个发根节点坐标与曲面坐标集中的多个曲面坐标分别对应。

权利要求

1.一种三维发型生成方法，包括：

获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标，所述棋盘网格被绘制于三维空间中并且所述棋盘网格的中心为三维空间中的XYZ轴的中心，所述多个网格节点包括所述棋盘网格上的n*n个网格节点，所述n*n个网格节点中的每个网格节点的坐标表示为(i,j,0,1)，其中，0≤i≤n, 0≤j≤n，并且n、i和j均为正整数；

通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

2.根据权利要求 1 所述的方法，其中，所述获得坐标集包括：

基于所述多个坐标，获得多个更新坐标，所述多个更新坐标包括对应于所述棋盘网格上区别于所述多个网格节点中的任一个网格节点所在的位置的其他多个位置并且任意两个相邻的更新坐标之间的距离相同；以及基于所述多个坐标和所述多个更新坐标，获得所述坐标集。

3.根据权利要求2所述的方法，其中，所述多个更新坐标位于所述棋盘网格的第一区域中，使得针对所述曲面坐标集，位于所述曲面上的第一曲面区域中的曲面坐标的密度高于位于第二曲面区域中的曲面坐标的密度，其中，所述第一曲面区域与所述第一区域相应，所述第二曲面区域与第二区域相应，所述第二区域为所述棋盘网格中的区别于所述第一区域的区域。

4.根据权利要求2所述的方法，其中，所述多个更新坐标均匀分布在所述多个坐标的间隙中，使得坐标集中的所述多个更新坐标和所述多个坐标在所述棋盘网格上均匀分布。

5.根据权利要求1所述的方法，其中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

6.一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参数化曲面网络，所述方法包括：获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应，所述棋盘网格被绘制于三维空间中并且所述棋盘网格的中心为三维空间中的XYZ轴的中心，所述多个网格节点包括所述棋盘网格上的n*n个网格节点，所述n*n个网格节点中的每个网格节点的坐标表示为(i,j,0,1)，其中，0≤i≤n, 0≤j≤n，并且n、i和j均为正整数；

将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；

获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及

基于所述总损失，调整所述参数化曲面网络的参数。

7.根据权利要求6所述的方法，其中，所述获得所述多个预测坐标与所述多个发根节点之间的总损失包括：获得所述多个预测坐标与所述多个发根节点之间的多个倒角距离损失；以及基于所述多个倒角距离损失，获得所述总损失。

8.根据权利要求6所述的方法，其中，所述训练坐标集包括多个坐标对，所述多个坐标对中的每一个坐标对关于所述第一头模的脑中线所在的对称平面对称，所述获得所述多个预测坐标与所述多个发根节点之间的总损失包括：获得所述多个预测坐标中与所述多个坐标对中的每一个坐标对对应的预测坐标对；以及获得所述多个预测坐标中的每一个预测坐标对中的两个预测坐标到所述对称平面之间的距离损失；以及基于所述多个预测坐标中的多个预测坐标对对应的多个距离损失，获得所述总损失。

9.根据权利要求6所述的方法，其中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

10.一种三维发型生成装置，包括：

坐标集获取单元，被配置用于获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标，所述棋盘网格被绘制于三维空间中并且所述棋盘网格的中心为三维空间中的XYZ轴的中心，所述多个网格节点包括所述棋盘网格上的n*n个网格节点，所述n*n个网格节点中的每个网格节点的坐标表示为(i,j,0,1)，其中，0≤i≤n, 0≤j≤n，并且n、i和j均为正整数；

曲面坐标获取单元，被配置用于通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及三维发型获取单元，被配置用于基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

11.根据权利要求10所述的装置，其中，所述坐标集获取单元包括：

更新坐标获取单元，被配置用于基于所述多个坐标，获得多个更新坐标，所述多个更新坐标包括对应于所述棋盘网格上区别于所述多个网格节点中的任一个网格节点所在的位置的其他多个位置并且任意两个相邻的更新坐标之间的距离相同；

坐标集获取子单元，被配置用于基于所述多个坐标和所述多个更新坐标，获得所述坐标集。

12.根据权利要求11所述的装置，其中，所述多个更新坐标位于所述棋盘网格的第一区域中，使得针对所述曲面坐标集，位于所述曲面上的第一曲面区域中的曲面坐标的密度高于位于第二曲面区域中的曲面坐标的密度，其中，所述第一曲面区域与所述第一区域相应，所述第二曲面区域与第二区域相应，所述第二区域为所述棋盘网格中的区别于所述第一区域的区域。

13.根据权利要求10所述的装置，其中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

14.一种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参数化曲面网络，所述装置包括：训练数据获取单元，被配置用于获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应，所述棋盘网格被绘制于三维空间中并且所述棋盘网格的中心为三维空间中的XYZ轴的中心，所述多个网格节点包括所述棋盘网格上的n*n个网格节点，所述n*n个网格节点中的每个网格节点的坐标表示为(i,j,0,1)，其中，0≤i≤n, 0≤j≤n，并且n、i和j均为正整数；

预测坐标获取单元，被配置用于将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；

损失计算单元，被配置用于获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及参数调整单元，被配置用于基于所述总损失，调整所述参数化曲面网络的参数。

15.根据权利要求14所述的装置，其中，所述损失计算单元包括：

第一获取子单元，被配置用于获得所述多个预测坐标与所述多个发根节点之间的多个倒角距离损失；以及第二获取子单元，被配置用于基于所述多个倒角距离损失，获得所述总损失。

16.根据权利要求14所述的装置，其中，所述训练坐标集包括多个坐标对，所述多个坐标对中的每一个坐标对关于所述第一头模的脑中线所在的对称平面对称，所述损失计算单元包括：第三获取子单元，被配置用于获得所述多个预测坐标中与所述多个坐标对中的每一个坐标对对应的预测坐标对；以及第四获取子单元，被配置用于获得所述多个预测坐标中的每一个预测坐标对中的两个预测坐标到所述对称平面之间的距离损失；以及第五获取子单元，被配置用于基于所述多个预测坐标中的多个预测坐标对对应的多个距离损失，获得所述总损失。

17.根据权利要求14所述的装置，其中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

18.一种电子设备，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权利要求1‑9中任一项所述的方法。

19.一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权利要求1‑9中任一项所述的方法。

说明书

三维发型生成方法和模型的训练方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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

[0005] 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。

[0006] 根据本公开的一方面，提供了一种三维发型生成方法，包括：获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标；通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

[0007] 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参数化曲面网络，所述方法包括：获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应；将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及基于所述总损失，调整所述参数化曲面网络的参数。

[0008] 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：坐标集获取单元，被配置用于获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标；曲面坐标获取单元，被配置用于通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及三维发型获取单元，被配置用于基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

[0009] 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装置，所述三维发型生成模型包括参数化曲面网络，所述装置包括：训练数据获取单元，被配置用于获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应；预测坐标获取单元，被配置用于将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；损失计算单元，被配置用于获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及参数调整单元，被配置用于基于所述总损失，调整所述参数化曲面网络的参数。

[0010] 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。

[0011] 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。

[0012] 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。

[0013] 根据本公开的一个或多个实施例，可以获得整齐、规律的三维发型的发根节点坐标，提升所获得的三维发型的质量。

[0014] 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

[0015] 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。

[0016] 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；

[0017] 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；

[0018] 图3示出了根据本公开的实施例的三维发型生成中获得坐标集的过程的流程图；

[0019] 图4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；

[0020] 图5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中获得所述多个预测坐标与所述多个发根节点之间的总损失的过程的流程图；

[0021] 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中获得所述多个预测坐标与所述多个发根节点之间的总损失的过程的流程图；

[0022] 图7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示意性流程图；

[0023] 图8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所获得的参数化网络获得的发根节点坐标的示意性图；

[0024] 图9示出了根据相关技术中的发根节点坐标生成的三维发型与根据本公开的三维发型生成模型的训练方法所获得的参数化网络获得的发根节点坐标生成的三维发型的对比图；

[0025] 图10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；

[0026] 图11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

[0027] 图12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

[0028] 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。

[0029] 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。

[0030] 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。

[0031] 下面将结合附图详细描述本公开的实施例。

[0032] 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。

[0033] 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。

[0034] 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。

[0035] 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。

[0036] 用户可以使用客户端设备101、102、103、104、105和/或106来接收根据本公开的三维发型生成方法所生成的三维发型。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。

[0037] 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 Windows Mobile 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。

[0038] 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。

[0039] 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。

[0040] 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。

[0041] 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。

[0042] 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。

[0043] 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。

[0044] 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。

[0045] 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。

[0046] 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，们根据本公开的一些实施例的三维发型生成方法200包括：

[0047] 步骤S210：获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标；

[0048] 步骤S220：通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及[0049] 步骤S230：基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

[0050] 在相关技术中，在构建虚拟形象的三维发型时，需要根据发根节点坐标生成三维发丝，以进一步基于生成的三维发丝获得三维发型。然而发根节点坐标往往来源于真实发型数据或者设计师手动绘制的发型数据中的各个发丝的发根节点坐标。由于真实发型数据或者设计师手动绘制的发型数据中的各个发根节点坐标往往不杂乱无章，使得基于其构成的三维发型中的各个发丝的发根节点坐标不规律、不整齐，从而使得所构建的三维发型整体视觉效果不好。

[0051] 在根据本公开的实施例中，通过将包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标的坐标集输入到参数化曲面网络获得相应的曲面坐标集，由于坐标集中的多个坐标与棋盘网格上的多个网格节点分别对应，是规律、整齐的，因此，基于该多个坐标获得的在曲面上的多个曲面坐标也是规律、整齐的，从而使得基于曲面坐标集获得的三维发型中多个发丝对应的与该多个曲面坐标相应的多个发根节点坐标也是规律、整齐的，提升三维发型的整体视觉效果。

[0052] 在一些实施例中，在步骤S210中，通过在三维空间中绘制棋盘网格，并基于所绘制的棋盘网格上的多个网格节点的位置，获得该多个坐标。

[0053] 例如，将棋盘网格的中心设置为三维空间中的XYZ轴的中心，将棋盘网格所在的平面设置为XY平面，从而将该棋盘网格上的各个网格节点表示为在XYZ空间中的坐标。

[0054] 在一些实施例中，坐标集中的每一个坐标以其次坐标表示，使得可以对该多个坐标进行旋转、平移等变换操作。例如，对于棋盘网格上的n*n个网格节点，每个网格节点对应的坐标表示为齐次坐标(i,j,0,1)，其中，0≤i≤n, 0≤j≤n，并且i和j均为正整数。

[0055] 在一些实施例中，在步骤S220中，参数化的曲面网络是可以对多个坐标进行三维变换的矩阵。使得多个坐标通过矩阵变换，变化为曲面上的多个曲面坐标。

[0056] 在一些实施例中，在步骤S220中，参数化的曲面网络是由多个线性层，每个线性层用于对多个坐标进行三维变换。使得多个坐标从棋盘网格所在的平面转化为第一头模对应的曲面。同时，由于多个线性层具有相应的参数，其能够基于不同的坐标集，输出不同的曲面坐标集。

[0057] 可以理解，根据本公开的实施例的参数化曲面网络通过对第一头模对应的曲面进行参数化，其能够基于多个坐标集，输出相应的多个曲面坐标集，该多个曲面坐标集中的每一个曲面坐标集中的多个曲面坐标均位于该第一头模所对应的曲面上，使得基于该多个曲面坐标集分别获得的多个三维发型均对应于该第一头模。即，根据本公开的参数化曲面网络能够获得对应于多个该第一头模的多个曲面坐标集，以用于生成对应于该第一头模的不同的三维发型。

[0058] 同时，可以理解，当参数化的曲面网络由多个线性层时，每个线性层的权重参数可以通过模型训练的过程获得，模型训练的过程将在后续的内容中介绍。

[0059] 在一些实施例中，多个线性层中的每一个线性层包括多个全连接层。

[0060] 在一些实施例中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

[0061] 通过激活函数提升棋盘网格所在的平面到第一头模对应的曲面的拟合性能，使得针对参数化曲面网络基于输入的坐标所输出的坐标进行拟合后获得的曲面与第一头模所对应的曲面相似度更高。

[0062] 在一些实施例中，如图3所示，步骤S210、获得坐标集包括：

[0063] 步骤S310：基于所述多个坐标，获得多个更新坐标，所述多个更新坐标包括对应于所述棋盘网格上区别于所述多个网格节点中的任一个网格节点所在的位置的其他多个位置并且任意两个相邻的更新坐标之间的距离相同；以及

[0064] 步骤S320：基于所述多个坐标和所述多个更新坐标，获得所述坐标集。

[0065] 由于三维发型的发根节点坐标是与基于坐标集获得的曲面坐标集相应的，通过与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标获得多个更新，并基于该多个更新坐标获得坐标集，可以实现对用于生成三维发型的曲面坐标的调整，从而实现三维发型的发根坐标的调整，即，根据本公开的实施例，可以基于与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标，获得对应于第一头模多个三维发型，该多个三维发型分别具有不同的发根节点坐标，并且每一个三维发型的发根节点坐标均是规律和整齐的。

[0066] 在一些实施例中，多个更新坐标中的两个相邻的更新坐标是指，针对该两个相邻的更新坐标中任一个更新坐标，另一个更新坐标距离该更新坐标之间的距离不大于多个更新坐标中的其他更新坐标距离该更新坐标之间的距离。

[0067] 在一些实施例中，多个更新坐标均匀分布在多个坐标的间隙中（即均匀分布在棋盘网格的全部区域中），使得坐标集中的所述多个更新坐标和所述多个坐标在棋盘网格上均匀分布，从而使得所获得的曲面坐标集中的多个曲面坐标均匀分布在曲面上，进而使得基于曲面坐标集获得的三维发型中，发丝在头模上的分布是均匀的。

[0068] 在一些实施例中，多个更新坐标位于所述棋盘网格的第一区域中，使得针对所述曲面坐标集，坐标集在第一区域中的密度高于区别于所述第一区域的第二区域中的密度，从而使得针对在将坐标集输入到参数化曲面后所获得的曲面坐标集，位于所述曲面上的第一曲面区域中的曲面坐标的密度高于位于第二曲面区域中的曲面坐标的密度，其中，所述第一曲面区域与所述第一区域相应，所述第二曲面区域与第二区域相应，所述第二区域为所述棋盘网格中的区别于所述第一区域的区域。

[0069] 通过调整坐标集中位于棋盘网格中不同区域中的坐标的分布，使得基于坐标集获得的曲面坐标集在曲面上的分布不同，从而可以使得在基于曲面坐标集生成的三维发型中，不同头发区域的发丝密度不同，进一步提升所根据所获得的曲面坐标集生成三维发型的多样性和可塑性。

[0070] 例如，在获得坐标集的过程中，针对曲面中对应于三维发型的头发帘区域的曲面区域，获得棋盘网格中的相应区域，在针对多个坐标获得多个更新坐标的过程中，在该相应区域中插入多个坐标（即多个更新坐标），以增加在该相应区域中分布的坐标的密度。在基于坐标集获得相应的曲面坐标集后，该曲面坐标集中位于曲面中对应于三维发型的头发帘区域的曲面区域的曲面坐标的密度要高于位于曲面中其他区域的曲面坐标的密度。最终，基于曲面坐标集生成的三维发型中，位于头帘区域中的发丝密度要高于位于其他区域（例如后脑勺，头顶等区域）的发丝密度。

[0071] 在一些实施例中，在步骤S320中，将多个坐标和多个更新坐标均确定为坐标集中的多个坐标。

[0072] 在一些实施例中，在步骤S330中，从多个坐标和多个更新坐标中分别提取预设数量的坐标，以作为坐标集中的多个坐标。其中，该预设数量的坐标从多个坐标中提取的坐标在棋盘网格上的第一区域的分布密度，与从多个更新坐标中提取的坐标在第二区域中的分布密度之间的第一比值，与多个坐标在第一区域的分布密度与多个更新坐标在第二区域中的分布密度之间的第二比值一致，即所提取的预设数量的坐标不改变多个坐标和多个更新坐标在棋盘网格上的分布密度的比值。

[0073] 在一些实施例中，在步骤S230中，通过基于曲面坐标集中的每一个曲面坐标进行发丝构建或生长，以生成三维发型。

[0074] 在一些实施例中，在步骤S230中，通过基于曲面坐标集获得相应的发型隐向量，并通过对发型隐向量进行解码，获得三维发型。

[0075] 上述基于曲面坐标集获得三维发型的方法仅仅是示例性的，任何以曲面坐标集中的曲面坐标为发根节点坐标获得三维发型的方法，均适用于本公开的实施例。

[0076] 下面针对根据本公开的参数化曲面网络的训练过程进行进一步的示例性介绍。

[0077] 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参数化曲面网络，如图4所示，三维发型生成模型的训练方法400包括：

[0078] 步骤S410：获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应；

[0079] 步骤S420：将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；

[0080] 步骤S430：获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及[0081] 步骤S440：基于所述总损失，调整所述参数化曲面网络的参数。

[0082] 通过训练坐标集和三维发型数据训练参数化曲面网络，是参数化曲面网络对三维发型数据集所对应的第一头模的表面所对应的曲面进行参数化，使得参数化曲面网络能够基于输入的多个坐标，输出位于该曲面上的多个曲面坐标。由于训练过程中采用与棋盘网格上的多个网格节点分别对应的多个坐标，该多个坐标的排列是规律、整齐的，使得基于训练后的参数化网络，能够基于输入的排列整齐、规律的多个坐标输出在曲面上的多个曲面坐标也是排列规律、整齐的，从而使得基于该排列整齐、规律的多个曲面坐标能够获得包括整齐、规律的多个发根节点坐标的三维发型。

[0083] 同时，根据本公开的实施例的参数化曲面网络通过对第一头模对应的曲面进行参数化，其能够基于多个坐标集，输出相应的多个曲面坐标集，该多个曲面坐标集中的每一个曲面坐标集中的多个曲面坐标均位于该第一头模所对应的曲面上，使得基于该多个曲面坐标集分别获得的多个三维发型均对应于该第一头模。即，根据本公开的参数化曲面网络能够获得对应于多个该第一头模的多个曲面坐标集，以用于生成对应于该第一头模的不同的三维发型。

[0084] 在一些实施例中，在步骤S410中，训练三维发型数据集可以是对真实发型数据进行采集获得的数据集，或者由设计师手动绘制的三维发型数据。其中包括来自第一头模的多个发丝中的每一个发丝的多个节点中的每一个节点在三维空间中的坐标。其中，第一头模可以是人体头部也可以是三维模型。

[0085] 在一些实施例中，在步骤S410中，根据训练三维发型数据集中的发丝数据获得训练坐标集中的多个坐标，使得三维发型数据集中的每一个发丝在训练坐标集中具有相应的坐标。

[0086] 在一些实施例中，在步骤S410中，基于训练三维发型数据集中的发丝数量，获得训练坐标集，使得训练坐标集中的多个坐标的数量与训练发型数据集中的发丝数量一致。

[0087] 在一些实施例中，在步骤S420中，参数化的曲面网络是由多个线性层，每个线性层用于对多个坐标进行三维变换。使得多个坐标从棋盘网格所在的平面转化为第一头模对应的曲面。

[0088] 在一些实施例中，在步骤S420中，多个线性层中的每一个线性层包括多个全连接层。

[0089] 在一些实施例中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

[0090] 通过激活函数提升棋盘网格所在的平面到第一头模对应的曲面的拟合性能，使得针对参数化曲面网络基于输入的坐标所输出的坐标进行拟合后获得的曲面与第一头模所对应的曲面相似度更高。

[0091] 在一些实施例中，如图5所示，步骤S430、获得所述多个预测坐标与所述多个发根节点之间的总损失包括：

[0092] 步骤S510：获得所述多个预测坐标与所述多个发根节点之间的多个倒角距离损失；以及

[0093] 步骤S520：基于所述多个倒角距离损失，获得所述总损失。

[0094] 通过多个预测坐标与所述多个发根节点之间的多个倒角距离损失，调整参数化曲面网络，使得参数化曲面网络所获得的多个曲面坐标构成的曲面与第一头模对应的曲面形状相近。

[0095] 在一些实施例中，在步骤S510中，针对每个预测坐标，获得多个发根节点中与之距离最近的第一坐标，并获得两者之间的距离L1；针对每个发根节点坐标，获得多个预测坐标中与上述第一坐标距离最近的第二坐标，并获得两者之间的距离L2，基于L1和L2获得与该预测坐标对应的倒角距离损失。通过获得多个预测坐标对应的多个倒角距离损失，获得多个预测坐标与多个发根节点之间的多个倒角距离损失。

[0096] 在一些实施例中，在步骤S520中，将该多个倒角距离损失作为总损失。

[0097] 在一些实施例中，所述训练坐标集包括多个坐标对，所述多个坐标对中的每一个坐标对关于所述第一头模的脑中线所在的对称平面对称，如图6所示，步骤S430、获得所述多个预测坐标与所述多个发根节点之间的总损失包括：

[0098] 步骤S610：获得所述多个预测坐标中与所述多个坐标对中的每一个坐标对对应的预测坐标对；以及

[0099] 步骤S620：获得所述多个预测坐标中的每一个预测坐标对中的两个预测坐标到所述对称平面之间的距离损失；以及

[0100] 步骤S630：基于所述多个预测坐标中的多个预测坐标对对应的多个距离损失，获得所述总损失。

[0101] 在获得训练坐标集时，针对第一头模的脑中线所在的平面，获得包括关于该平面对称的多个坐标对的多个坐标，并且在训练过程中，通过获得预测坐标中与该多个坐标对中的每一个坐标对对应的预测坐标对关于该平面的距离损失，使得经训练后的参数化曲面网络在基于输入的多个坐标输出的多个预测坐标中的每一个坐标对仍然关于该平面对称，进一步提升所输出的预测坐标的对称性和规律性。

[0102] 可以理解，“脑中线”是指在对颅脑进行超声成像的过程中位于颅脑超声图像中、将颅脑分为对称的两部分的直线，在本案中使用“脑中线所在的对称平面”指示可以将第一头模分为对称的两个部分的平面。

[0103] 在一些实施例中，将多个预测坐标中的多个预测坐标对对应的多个距离损失和多个预测坐标与多个发根节点之间的多个倒角距离损失之和，作为总损失，以调整参数化曲面网络的参数。

[0104] 参看图7，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方法的示意性过程图，其中，对应于棋盘网格上的多个网格节点的坐标集700输入到参数化曲面网络701，以获得相应的输出710，并基于输出710和训练三维发型数据集720之间的损失，调整数化曲面网络701的参数。

[0105] 从图7中可以看出，来自于真实发型数据或者设计师手动绘制的发型数据的训练三维发型数据集720，其中的发根节点坐标凌乱、无规律且不整齐。

[0106] 根据本公开的实施例中的三维发型生成模型的训练方法训练后的参数化网络，基于输入的对应于棋盘网格上的多个网格节点的坐标集输出的预测结果如图8所示，其中，包括与三维发型数据集720所对应的第一头模所对应的曲面上的多个坐标，该多个坐标分布整齐、规律。

[0107] 进一步，参看图9，与根据来自真实发型数据或者设计师手动绘制的发型数据中的多个发根节点坐标910生成的三维发型920相比，根据本公开的实施例中的参数化网络获得的多个发根节点坐标930生成的三维发型940，其中的发丝数据更加整齐、规律，三维发型的质量更好。

[0108] 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10所示，装置1000包括：坐标集获取单元1010，被配置用于获得坐标集，所述坐标集包括与棋盘网格上的多个网格节点所在的多个位置分别对应的多个坐标；曲面坐标获取单元1020，被配置用于通过将所述坐标集输入至参数化曲面网络，获得所述坐标集对应的曲面坐标集，其中，所述参数化曲面网络用于对第一头模所对应的曲面进行参数化，使得所述参数化曲面网络基于输入的多个坐标，输出的多个曲面坐标均位于所述曲面上；以及三维发型获取单元1030，被配置用于基于所述曲面坐标集，获得三维发型，其中，所述三维发型中的多个发丝对应的多个发根节点坐标与所述曲面坐标集中的多个曲面坐标分别对应。

[0109] 在一些实施例中，所述坐标集获取单元包括：更新坐标获取单元，被配置用于基于所述多个坐标，获得多个更新坐标，所述多个更新坐标包括对应于所述棋盘网格上区别于所述多个网格节点中的任一个网格节点所在的位置的其他多个位置并且任意两个相邻的更新坐标之间的距离相同；以及坐标集获取子单元，被配置用于基于所述多个坐标和所述多个更新坐标，获得所述坐标集。

[0110] 在一些实施例中，所述多个更新坐标位于所述棋盘网格的第一区域中，使得针对所述曲面坐标集，位于所述曲面上的第一曲面区域中的曲面坐标的密度高于位于第二曲面区域中的曲面坐标的密度，其中，所述第一曲面区域与所述第一区域相应，所述第二曲面区域与第二区域相应，所述第二区域为所述棋盘网格中的区别于所述第一区域的区域。

[0111] 在一些实施例中，所述多个更新坐标均匀分布在所述多个坐标的间隙中，使得坐标集中的所述多个更新坐标和所述多个坐标在棋盘网格上均匀分布。

[0112] 在一些实施例中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

[0113] 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装置，所述三维发型生成模型包括参数化曲面网络，如图11所示，装置1100包括：训练数据获取单元1110，被配置用于获得训练坐标集和与所述训练坐标集对应的训练三维发型数据集，所述训练坐标集包括与棋盘网格上的多个网格节点分别对应的多个坐标，所述训练三维发型数据集包括第一头模上的多个发丝对应的多个发根节点坐标，所述多个发根节点坐标与所述多个坐标分别对应；预测坐标获取单元1120，被配置用于将所述训练坐标集输入至所述参数化曲面网络，以获得预测坐标集，所述预测坐标集包括与所述多个坐标分别对应的多个预测坐标；损失计算单元1130，被配置用于获得所述多个预测坐标与所述多个发根节点坐标之间的总损失；以及参数调整单元1140，被配置用于基于所述总损失，调整所述参数化曲面网络的参数。

[0114] 在一些实施例中，所述损失计算单元包括：第一获取子单元，被配置用于获得所述多个预测坐标与所述多个发根节点之间的多个倒角距离损失；以及第二获取子单元，被配置用于基于所述多个倒角距离损失，获得所述总损失。

[0115] 在一些实施例中，所述训练坐标集包括多个坐标对，所述多个坐标对中的每一个坐标对关于所述第一头模的脑中线所在的对称平面对称，所述损失计算单元包括：第三获取子单元，被配置用于获得所述多个预测坐标中与所述多个坐标对中的每一个坐标对对应的预测坐标对；第四获取子单元，被配置用于获得所述多个预测坐标中的每一个预测坐标对中的两个预测坐标到所述对称平面之间的距离损失；以及第五获取子单元，被配置用于基于所述多个预测坐标中的多个预测坐标对对应的多个距离损失，获得所述总损失。

[0116] 在一些实施例中，所述参数化曲面网络包括多个线性层和与每一个线性层对应的激活函数。

[0117] 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。

[0118] 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。

[0119] 参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200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。

[0120] 如图12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器（ROM）1202中的计算机程序或者从存储单元1208加载到随机访问存储器（RAM）1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出（I/O）接口1205也连接至总线1204。

[0121] 电子设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向电子设备1200输入信息的任何类型的设备，输入单元1206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1207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1208可以包括但不限于磁盘、光盘。通信单元1209允许电子设备1200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。

[0122] 计算单元1201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1201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1201执行上文所描述的各个方法和处理，例如方法200或者400。例如，在一些实施例中，方法200或者400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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的方法200或者400的一个或多个步骤。备选地，在其他实施例中，计算单元1201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或者400。

[0123] 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。

[0124] 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。

[0125] 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。

[0126] 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。

[0127] 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。

[0128] 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。

[0129] 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。

[0130] 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。