CN111754615B - 高质量纹理的实时重建方法及装置 - Google Patents

高质量纹理的实时重建方法及装置 Download PDF

Info

Publication number
CN111754615B
CN111754615B CN202010377514.4A CN202010377514A CN111754615B CN 111754615 B CN111754615 B CN 111754615B CN 202010377514 A CN202010377514 A CN 202010377514A CN 111754615 B CN111754615 B CN 111754615B
Authority
CN
China
Prior art keywords
key frames
frame
key
color image
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010377514.4A
Other languages
English (en)
Other versions
CN111754615A (zh
Inventor
徐枫
郑成伟
杨东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010377514.4A priority Critical patent/CN111754615B/zh
Publication of CN111754615A publication Critical patent/CN111754615A/zh
Application granted granted Critical
Publication of CN111754615B publication Critical patent/CN111754615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高质量纹理的实时重建方法及装置，其中，该方法包括以下步骤：移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列；在颜色图像序列中筛选出符合预设条件的N个关键帧；通过深度神经网络对N个关键帧进行优化，输出N个关键帧优化过后的颜色图像；将N个关键帧优化过后的颜色图像反投影到待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理。该方法拍摄过程只需要单个RGBD相机，就能够实时重建静态物体的高质量纹理。

Description

高质量纹理的实时重建方法及装置
技术领域
本发明涉及计算机视觉、计算机图形学技术领域，特别涉及一种三维模型的纹理重建方法及装置。
背景技术
三维物体的重建在游戏、动画、电影等众多领域有着广泛的应用。要得到一个物体的三维模型，需要得到其对应的几何和纹理，一些现有的方法可以使用深度图像得到物体的几何，在其基础上，如果直接将拍摄到的颜色图像反投影到物体上得到纹理，往往受各种误差的影响效果较差，会受到相机参数不准、图像畸变、几何不精确等误差的影响导致纹理重建错误、模糊。有一些通过解优化问题来重建高质量纹理的方法，但这些方法往往耗时较长。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种高质量纹理的实时重建方法，该方法能够实时进行重建静态物体的高质量纹理。
本发明的另一个目的在于提出一种高质量纹理的实时重建装置。
为达到上述目的，本发明一方面实施例提出了高质量纹理的实时重建方法，包括以下步骤：移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列；在所述颜色图像序列中筛选出符合预设条件的N个关键帧，N为正整数；通过深度神经网络对所述N个关键帧进行优化，输出N个关键帧优化过后的颜色图像；将所述N个关键帧优化过后的颜色图像反投影到所述待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理。
本发明实施例的高质量纹理的实时重建方法，拍摄过程只需要单个RGBD相机，利用深度神经网络对颜色图像进行优化，可以实时重建物体高质量的纹理。
另外，根据本发明上述实施例的高质量纹理的实时重建方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到所述当前关键帧视角下的颜色图像与权重信息。
进一步地，在本发明的一个实施例中，所述预设条件为所述颜色图像序列中清晰且覆盖新采集到的表面的关键帧。
进一步地，在本发明的一个实施例中，拍摄过程中不断选取新的关键帧，当关键帧的数量达到N时，将N个关键帧输入所述深度神经网络中。
进一步地，在本发明的一个实施例中，当所述关键帧的数量超过N时，每次选到新的关键帧时，将当前关键帧按照与所述新的关键帧的相机视线方向夹角进行排序，选取N-1个与所述新的关键帧的视线方向最接近的关键帧，并将其输入所述深度神经网络中。
为达到上述目的，本发明另一方面实施例提出了高质量纹理的实时重建装置，包括：获取模块，用于移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列；筛选模块，用于在所述颜色图像序列中筛选出符合预设条件的N个关键帧，N为正整数；优化模块，用于通过深度神经网络对所述N个关键帧进行优化，输出N个关键帧优化过后的颜色图像；反投射模块，用于将所述N个关键帧优化过后的颜色图像反投影到所述待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理。
本发明实施例的高质量纹理的实时重建装置，拍摄过程只需要单个RGBD相机，利用深度神经网络对颜色图像进行优化，可以实时重建物体高质量的纹理。
另外，根据本发明上述实施例的高质量纹理的实时重建装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到所述当前关键帧视角下的颜色图像与权重信息。
进一步地，在本发明的一个实施例中，所述预设条件为所述颜色图像序列中清晰且覆盖新采集到的表面的关键帧。
进一步地，在本发明的一个实施例中，拍摄过程中不断选取新的关键帧，当关键帧的数量达到N时，将N个关键帧输入所述深度神经网络中。
进一步地，在本发明的一个实施例中，当所述关键帧的数量超过N时，每次选到新的关键帧时，将当前关键帧按照与所述新的关键帧的相机视线方向夹角进行排序，选取N-1个与所述新的关键帧的视线方向最接近的关键帧，并将其输入所述深度神经网络中。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的高质量纹理的实时重建方法的流程图；
图2为根据本发明一个实施例的高质量纹理的实时重建装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，近年来深度学习的发展为三维重建领域提供了许多新的方法，其中卷积神经网络更是为图像相关的问题带来了前所未有的突破，使得处理问题的能力以及计算速度有了显著的提高。
下面参照附图描述根据本发明实施例提出的高质量纹理的实时重建方法及装置，首先将参照附图描述根据本发明实施例提出的高质量纹理的实时重建方法。
图1是本发明一个实施例的高质量纹理的实时重建方法的流程图。
如图1所示，该高质量纹理的实时重建方法包括以下步骤：
在步骤S1中，移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列。
本发明实施例可以嵌入到使用单个RGBD相机实时重建静态物体几何的系统中，拍摄时相机在不同的角度之间进行移动，几何重建系统能够实时重建出该物体被拍摄到部分的几何，本发明则可以在此过程中同时重建出物体高质量的纹理。
在步骤S2中，在颜色图像序列中筛选出符合预设条件的N个关键帧，其中，N为正整数。
进一步地，在本发明的一个实施例中，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到当前关键帧视角下的颜色与权重信息。
也就是说，输入深度神经网络的N个关键帧中，每个关键帧的信息要包含本关键帧的颜色图像与几何信息，还要包含其他N-1个关键帧投影到该关键帧视角下的颜色图像与权重信息。神经网络的输出则是这N个关键帧优化过后的颜色图像。
进一步地，在本发明的一个实施例中，预设条件为颜色图像序列中清晰且覆盖新采集到的表面的关键帧。
也就是说，在颜色图像序列中挑选出清晰且覆盖新采集到的表面的关键帧，关键帧会通过训练好的神经网络进行优化。
在步骤S3中，通过深度神经网络对N个关键帧进行优化，输出N个关键帧优化过后的颜色图像。
需要说明的是，本发明实施例采用的深度神经网络的结构与U-Net网络相似，使用N个U-Net的encoder处理N个关键帧，将encoder输出的N个特征连接起来再同时输入N个decoder。Decoder与encoder一一对应，输出该关键帧优化后的颜色图像。
举例而言，可以取N＝4，网络包含4个encoder，每次输入4个关键帧的信息。关键帧的尺寸为w×h，每个关键帧对应一个encoder，encoder输入该关键帧的信息以及另外N-1个关键帧投影到该关键帧的信息。对于该关键帧的信息，要输入3通道的RGB颜色图像，以及3通道的表面法向信息，法向可以通过已知的几何信息得到。其他关键帧投影到该关键帧的信息包括3通道的RGB图像以及1通道的权重信息，通过将其他关键帧的信息反投影到几何上，再投影到该关键帧视角下得到。权重可以是在其他关键帧中表面法向与视线方向夹角的余弦值。将上述所有图像在通道上连接起来，则在这种实现下，每个encoder的输入通道数为6+4×(N-1)。每个decoder的输出则是尺寸与输入相同的3通道RGB图像。
需要说明的是，本发明实施例中，深度神经网络的训练使用渲染得到的合成数据，合成数据包含各种形状的物体以及不同的光照环境，使用光线追踪进行渲染以得到接近真实数据的数据集。在渲染颜色图像序列时，对真实的相机参数进行一定扰动来模拟相机参数不准，对图像进行一定的畸变来模拟相机畸变。在构造网络的输入时，对物体的几何进行扰动并对网格进行简化来模拟几何不精确。损失函数使用与grand truth的L2距离。
在步骤S4中，将N个关键帧优化过后的颜色图像反投影到待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理。
进一步地，本发明实施例中，在拍摄过程中不断选取新的关键帧，当关键帧达到N个时，将这N个关键帧输入到神经网络中，再将输出的优化后的颜色图像反投影到物体的几何上并加权平均得到已拍摄部分的高质量的纹理。而当关键帧的数量超过N时，每次选到新的关键帧时，将之前的关键帧按照与新关键帧的相机视线方向夹角进行排序，选取N-1个与新关键帧视线方向最接近的关键帧，将这N-1个关键帧与新的关键帧输入网络，以得到新关键帧优化后的颜色图像。再将输出的优化后的图像反投影到几何上，与其他的关键帧进行加权平均，得到包含新拍摄到表面的高质量纹理。
进一步地，本发明实施例可以与几何重建方法同时实时的进行。挑选关键帧时，需要考虑每一帧所覆盖的物体表面以及清晰度，并对每一帧计算一个得分。得分可以实现为：
S(i)＝ω1area(i)+ω2new(i)+ω3clear(i)
其中，i为该帧的下标，S(i)为该帧的得分，ω1、ω2、ω3分别为三项的权重。area函数计算物体在该帧中的可见表面积，new函数计算物体在该帧中可见但在之前的其他关键帧中不可见的表面积，clear函数计算该帧的清晰度，可以使用Sobel算子计算图像梯度再求平均值。
每当得到一个关键帧后，等待该关键帧之后的M帧拍摄完毕，并对这M帧计算得分，挑选得分最高的一帧作为新的关键帧，直到拍摄结束。
神经网络每次输入N个关键帧的信息，这些输入信息的计算需要借助已重建好的几何。在得到了最初的N个关键帧后，将其输入神经网络，将网络输出的优化后的关键帧颜色图像反投影到物体上，并将各视角的颜色加权平均，权值可以是表面点法向与视线方向夹角的余弦值。之后每次得到新的关键帧，将新的关键帧以及N-1个与新关键帧相机视角最接近的已有关键帧输入网络，得到新的输出图像并反投影到物体上来更新纹理。
可以理解的是，本发明实施例中深度神经网络内的计算与几何重建部分相互独立，因此可以在不同的显卡上运行，保证整体系统的实时性。
根据本发明实施例提出的高质量纹理的实时重建方法，通过在已有几何的基础上，只需要单个商业级RGBD相机，便可获取静态物体的颜色图像，通过深度神经网络对颜色图像进行优化，并使用优化后的颜色图像实时得到几何上高质量的纹理。
其次参照附图描述根据本发明实施例提出的高质量纹理的实时重建装置。
图2是本发明一个实施例的高质量纹理的实时重建装置的结构示意图。
如图2所示，该系统10包括：获取模块100、筛选模块200、优化模块300和反投射模块400。
其中，获取模块100用于移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列。筛选模块200用于在颜色图像序列中筛选出符合预设条件的N个关键帧。优化模块300用于通过深度神经网络对N个关键帧进行优化，输出N个关键帧优化过后的颜色图像。反投射模块400用于将N个关键帧优化过后的颜色图像反投影到待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理。
进一步地，在本发明的一个实施例中，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到当前关键帧视角下的颜色图像与权重信息。
进一步地，在本发明的一个实施例中，预设条件为颜色图像序列中清晰且覆盖新采集到的表面的关键帧。
进一步地，在本发明的一个实施例中，拍摄过程中不断选取新的关键帧，当关键帧的数量达到N时，将N个关键帧输入深度神经网络中。
根据本发明实施例提出的高质量纹理的实时重建装置，通过在已有几何的基础上，只需要单个商业级RGBD相机，便可获取静态物体的颜色图像，通过深度神经网络对颜色图像进行优化，并使用优化后的颜色图像实时得到几何上高质量的纹理。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种高质量纹理的实时重建方法，其特征在于，包括以下步骤：
移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列；
在所述颜色图像序列中筛选出符合预设条件的N个关键帧，其中，N为正整数；
通过深度神经网络对所述N个关键帧进行优化，输出N个关键帧优化过后的颜色图像；
将所述N个关键帧优化过后的颜色图像反投影到所述待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理；
其中，所述预设条件为所述颜色图像序列中清晰且覆盖新采集到的表面的关键帧，包括：
帧的得分计算公式：
S(i)＝ω1area(i)+ω2new(i)+ω3clear(i)
其中，i为帧的下标，S(i)为第i帧的得分，ω1、ω2、ω3分别为三项的权重，area(i)为物体在第i帧中的可见表面积，new(i)为物体在第i帧中可见但在之前的其他关键帧中不可见的表面积，clear(i)为第i帧的清晰度；
所述通过深度神经网络对所述N个关键帧进行优化，输出N个关键帧优化过后的颜色图像，包括：
通过所述深度神经网络的N个编码器分别处理所述N个关键帧，输出N个特征；
将所述N个特征连接，并输入N个解码器,输出所述N个关键帧优化过后的颜色图像,其中，所述N个编码器与所述N个解码器是一一对应的关系。
2.根据权利要求1所述的高质量纹理的实时重建方法，其特征在于，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到所述当前关键帧视角下的颜色图像与权重信息。
3.根据权利要求1所述的高质量纹理的实时重建方法，其特征在于，拍摄过程中不断选取新的关键帧，当关键帧的数量达到N时，将N个关键帧输入所述深度神经网络中。
4.根据权利要求3所述的高质量纹理的实时重建方法，其特征在于，当所述关键帧的数量超过N时，每次选到新的关键帧时，将当前关键帧按照与所述新的关键帧的相机视线方向夹角进行排序，选取N-1个与所述新的关键帧的视线方向最接近的关键帧，并将其输入所述深度神经网络中。
5.一种高质量纹理的实时重建装置，其特征在于，包括：
获取模块，用于移动单个RGBD相机拍摄待测物体的多个角度，得到颜色图像序列；
筛选模块，用于在所述颜色图像序列中筛选出符合预设条件的N个关键帧，N为正整数；
优化模块，用于通过深度神经网络对所述N个关键帧进行优化，输出N个关键帧优化过后的颜色图像；
反投射模块，用于将所述N个关键帧优化过后的颜色图像反投影到所述待测物体的几何上，并进行加权平均处理，得到已拍摄部分的高质量纹理；
其中，所述预设条件为所述颜色图像序列中清晰且覆盖新采集到的表面的关键帧，包括：
帧的得分计算公式：
S(i)＝ω1area(i)+ω2new(i)+ω3clear(i)
其中，i为帧的下标，S(i)为第i帧的得分，ω1、ω2、ω3分别为三项的权重，area(i)为物体在第i帧中的可见表面积，new(i)为物体在第i帧中可见但在之前的其他关键帧中不可见的表面积，clear(i)为第i帧的清晰度；
所述优化模块，包括：
特征输出单元，用于通过所述深度神经网络的N个编码器分别处理所述N个关键帧，输出N个特征；
图像输出单元，用于将所述N个特征连接，并输入N个解码器,输出所述N个关键帧优化过后的颜色图像,其中，所述N个编码器与所述N个解码器是一一对应的关系。
6.根据权利要求5所述的高质量纹理的实时重建装置，其特征在于，每个关键帧包括当前关键帧的颜色图像与几何信息，以及其他N-1个关键帧投影到所述当前关键帧视角下的颜色图像与权重信息。
7.根据权利要求5所述的高质量纹理的实时重建装置，其特征在于，拍摄过程中不断选取新的关键帧，当关键帧的数量达到N时，将N个关键帧输入所述深度神经网络中。
8.根据权利要求7所述的高质量纹理的实时重建装置，其特征在于，当所述关键帧的数量超过N时，每次选到新的关键帧时，将当前关键帧按照与所述新的关键帧的相机视线方向夹角进行排序，选取N-1个与所述新的关键帧的视线方向最接近的关键帧，并将其输入所述深度神经网络中。
CN202010377514.4A 2020-05-07 2020-05-07 高质量纹理的实时重建方法及装置 Active CN111754615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010377514.4A CN111754615B (zh) 2020-05-07 2020-05-07 高质量纹理的实时重建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010377514.4A CN111754615B (zh) 2020-05-07 2020-05-07 高质量纹理的实时重建方法及装置

Publications (2)

Publication Number Publication Date
CN111754615A CN111754615A (zh) 2020-10-09
CN111754615B true CN111754615B (zh) 2023-06-23

Family

ID=72673258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377514.4A Active CN111754615B (zh) 2020-05-07 2020-05-07 高质量纹理的实时重建方法及装置

Country Status (1)

Country Link
CN (1) CN111754615B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058139B (zh) * 2023-10-11 2024-01-26 苏州凌影云诺医疗科技有限公司 一种下消化道病灶跟踪与关键病灶选取方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2543778B (en) * 2015-10-27 2018-08-08 Imagination Tech Ltd Systems and methods for processing images of objects
US11210805B2 (en) * 2017-01-13 2021-12-28 Zhejiang University Simultaneous localization and dense three-dimensional reconstruction method
CN109146780A (zh) * 2018-07-19 2019-01-04 叶涵 一种影像质量优化方法、计算机装置及可读存储介质
CN109360268B (zh) * 2018-09-29 2020-04-24 清华大学 重建动态物体的表面优化方法及装置
CN110827397B (zh) * 2019-11-01 2021-08-24 浙江大学 一种面向rgb-d相机实时三维重建的纹理融合方法

Also Published As

Publication number Publication date
CN111754615A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN110874864B (zh) 获取对象三维模型的方法、装置、电子设备及系统
CN106127680B (zh) 一种720度全景视频快速浏览方法
CN111340944B (zh) 基于隐式函数和人体模板的单图像人体三维重建方法
CN101853524A (zh) 使用图像序列生成玉米果穗全景图的方法
US11694313B2 (en) Computer-generated image processing including volumetric scene reconstruction
CN101916455A (zh) 一种高动态范围纹理三维模型的重构方法及装置
CN111612878B (zh) 将静态照片制作成三维效果视频的方法及装置
CN112055213B (zh) 用于生成压缩图像的方法、系统和介质
US11328437B2 (en) Method for emulating defocus of sharp rendered images
US20230206511A1 (en) Methods, systems, and media for generating an immersive light field video with a layered mesh representation
CN110517304A (zh) 生成深度图的方法、装置、电子设备和存储介质
CN110942484A (zh) 基于遮挡感知和特征金字塔匹配的相机自运动估计方法
WO2021154096A1 (en) Image processing for reducing artifacts caused by removal of scene elements from images
CN114049464A (zh) 一种三维模型的重建方法及设备
CN111754615B (zh) 高质量纹理的实时重建方法及装置
CN109788270A (zh) 3d-360度全景图像生成方法及装置
JP6799468B2 (ja) 画像処理装置、画像処理方法及びコンピュータプログラム
CN108510537B (zh) 3d建模方法和装置
CN116095294B (zh) 根据深度值渲染分辨率的三维光场图像编码方法及系统
US20230013009A1 (en) Computing illumination of an elongated shape having a noncircular cross section
Niem et al. Camera viewpoint control for the automatic reconstruction of 3d objects
CN102930582A (zh) 一种基于游戏引擎的动漫制作方法
KR101990252B1 (ko) Vr 이미지 획득 방법, 이를 수행하기 위한 vr 촬영 프로그램이 설치된 휴대 단말기, 그리고 이 vr 촬영 프로그램을 휴대 단말기에 제공하는 서버
Melendez et al. Relightable Buildings from Images.
CN110889889A (zh) 应用在沉浸式显示设备中倾斜摄影建模数据生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant