CN112200895B - 一种基于深度学习的数字人布料实时解算方法 - Google Patents

一种基于深度学习的数字人布料实时解算方法 Download PDF

Info

Publication number
CN112200895B
CN112200895B CN202011413233.6A CN202011413233A CN112200895B CN 112200895 B CN112200895 B CN 112200895B CN 202011413233 A CN202011413233 A CN 202011413233A CN 112200895 B CN112200895 B CN 112200895B
Authority
CN
China
Prior art keywords
cloth
layer
output
mesh
input
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
CN202011413233.6A
Other languages
English (en)
Other versions
CN112200895A (zh
Inventor
赵锐
侯志迎
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.)
Jiangsu Yuanli Digital Technology Co ltd
Original Assignee
Jiangsu Yuanli Digital Technology Co ltd
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 Jiangsu Yuanli Digital Technology Co ltd filed Critical Jiangsu Yuanli Digital Technology Co ltd
Priority to CN202011413233.6A priority Critical patent/CN112200895B/zh
Publication of CN112200895A publication Critical patent/CN112200895A/zh
Application granted granted Critical
Publication of CN112200895B publication Critical patent/CN112200895B/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
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • 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

Landscapes

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

Abstract

本发明提供一种基于深度学习的数字人布料实时解算方法，包括以下步骤：S1：训练神经网络，训练自动编码器和全连接网络将骨骼信息映射到布料网格顶点的编码；S2：在训练完上述两个神经网络后，给定一组输入骨骼信息，首先经过全连接网络，得到布料网格顶点的编码，再经过自动编码器中的解码环节，得到输出布料网格顶点，该输出即为布料的解算结果。本发明实时计算出布料的网格顶点信息，有效避免人物模型与布料模型穿插的问题，进一步提高布料制作效率。

Description

一种基于深度学习的数字人布料实时解算方法
技术领域
本发明属于动画制作技术领域，具体涉及一种基于深度学习的数字人布料实时解算方法。
背景技术
在目前的影视动画制作流程中，衣物布料的动画数据是通过建立数学物理模型模拟布料在真实场景中的动做解算出最终效果，即布料网格顶点在每一帧的三维坐标数值。建模仿真意味着计算出每一帧的网格顶点的三维坐标都要耗费大量的资源，因此目前数字人布料普遍采用离线解算的方式，即事先根据人物骨骼动画解算出每一帧布料的网格顶点信息，写入缓存，在需要使用时再调出；
由于建模仿真的解算过程的性质决定，布料的具体大小形状必须根据人物模型的改动做出相应的改动，不然会导致出现布料与人物模型穿插的现象，还需要人工手动精修。
当布料动画解算完毕后，如果后期人物骨骼动画被修改，那么其对应的布料动画需要重新计算，生成新的缓存，布料制作效率低。
发明内容
本发明的目的是提供一种基于深度学习的数字人布料实时解算方法，实时计算出布料的网格顶点信息，有效避免人物模型与布料模型穿插的问题，进一步提高布料制作效率；
本发明提供了如下的技术方案：
一种基于深度学习的数字人布料实时解算方法，包括以下步骤：
S1：训练神经网络，包括以下步骤：
S101：先用一个自动编码器来编码布料的网格顶点的三维坐标，该自动编码器网络先将高维度的网格顶点的三维坐标
Figure 780127DEST_PATH_IMAGE001
编码成一组低维度的隐式变量
Figure 535593DEST_PATH_IMAGE002
，再将低维度的隐式变量
Figure 144560DEST_PATH_IMAGE002
解码还原成高维度的网格顶点的三维坐标
Figure 960069DEST_PATH_IMAGE003
，其中低维度的隐式变量
Figure 638175DEST_PATH_IMAGE002
即为自动编码器对高维度的网格顶点
Figure 213644DEST_PATH_IMAGE001
的编码，训练时，通过第一最小化损失函数
Figure 926385DEST_PATH_IMAGE004
让神经网络在解码后的输出
Figure 912796DEST_PATH_IMAGE003
应当与编码前的输入
Figure 609356DEST_PATH_IMAGE001
趋于相同；
S102：在训练完S101中的自动编码器之后，用隐式变量
Figure 445639DEST_PATH_IMAGE002
代替布料的网格顶点
Figure 12887DEST_PATH_IMAGE001
，之后再用全连接网络将骨骼信息
Figure 435778DEST_PATH_IMAGE005
映射到布料网格顶点的编码
Figure 839208DEST_PATH_IMAGE006
，在训练时，给定一组数据对，通过第二最小化损失函数
Figure 740168DEST_PATH_IMAGE007
其中，
Figure 693081DEST_PATH_IMAGE008
，
Figure 37606DEST_PATH_IMAGE009
，
让骨骼信息
Figure 177600DEST_PATH_IMAGE005
经过全连接网络后的输出
Figure 616672DEST_PATH_IMAGE006
与布料网格顶点
Figure 424091DEST_PATH_IMAGE001
所对应的编码
Figure 673937DEST_PATH_IMAGE002
趋于相同；
S2：在训练完上述S101和S102两个神经网络后，给定一组输入骨骼信息
Figure 301228DEST_PATH_IMAGE005
，首先经过S102中的全连接网络，得到布料网格顶点的编码
Figure 809570DEST_PATH_IMAGE006
，再经过S101中的解码环节，得到输出布料网格顶点
Figure 222228DEST_PATH_IMAGE003
，该输出即为布料的解算结果；
优选的，所述自动编码器包括编码过程和解码过程，所述编码过程由若干层神经网络组成，将高维度的输入数据
Figure 892243DEST_PATH_IMAGE010
映射到低维度的隐式变量
Figure 6830DEST_PATH_IMAGE002
，实现降维或数据压缩的功能；所述解码过程也由若干层神经网络组成，将低维度的隐式变量
Figure 53283DEST_PATH_IMAGE002
映射到高维度的重构
Figure 320448DEST_PATH_IMAGE011
，且重构
Figure 161365DEST_PATH_IMAGE011
应当与输入数据
Figure 497668DEST_PATH_IMAGE010
趋于相同，实现增维或数据重构的功能；
优选的，全连接神经网络由若干全连接层构成，每一层
Figure 82233DEST_PATH_IMAGE012
都是由输入到输出的非线性映射：
Figure 469483DEST_PATH_IMAGE013
其中，
Figure 481302DEST_PATH_IMAGE014
是第
Figure 836060DEST_PATH_IMAGE012
层的权重，
Figure 975048DEST_PATH_IMAGE015
是第
Figure 466072DEST_PATH_IMAGE012
层的偏差，
Figure 383213DEST_PATH_IMAGE016
是第
Figure 710420DEST_PATH_IMAGE012
层的输入，
Figure 902367DEST_PATH_IMAGE017
是第
Figure 247898DEST_PATH_IMAGE012
层的输出，同时也第
Figure 601519DEST_PATH_IMAGE018
层的输入，
Figure 416022DEST_PATH_IMAGE019
是第
Figure 411660DEST_PATH_IMAGE012
层的非线性函数；
每一层的权重
Figure 611697DEST_PATH_IMAGE014
和偏差
Figure 152531DEST_PATH_IMAGE015
均为可训练的变量，通过最小化损失函数来更新其值；
如果将每一层
Figure 438019DEST_PATH_IMAGE012
所表示的函数记为
Figure 237347DEST_PATH_IMAGE020
，且令
Figure 308203DEST_PATH_IMAGE021
，那么一个包含
Figure 269205DEST_PATH_IMAGE022
层的全连接神经网络可表示为
Figure 41989DEST_PATH_IMAGE023
其中，
Figure 130162DEST_PATH_IMAGE010
是第
Figure 39212DEST_PATH_IMAGE024
层的输入，同时也是整个神经网络的输入，
Figure 436696DEST_PATH_IMAGE025
是第
Figure 181929DEST_PATH_IMAGE022
层的输出，同时也是整个神经网络的输出；
优选的，训练S102中的全连接神经网络时，要求S101中的自动编码器已训练完毕且固定其网络参数，故将经自动编码器生成的布料网格顶点的编码
Figure 588639DEST_PATH_IMAGE002
视为常量，只需更新S102中全连接神经网络的参数使得
Figure 352196DEST_PATH_IMAGE006
与
Figure 671313DEST_PATH_IMAGE002
趋于相同；
本发明的有益效果是：深度神经网络可将输入端的骨骼信息映射到输出端的布料网格顶点的三维坐标，其相对轻量级的计算量能够实时计算出布料的网格顶点信息；将数字人的皮肤网格与布料的网格作为一个整体，使得数字人的骨骼能同时驱动人物皮肤网格以及布料的网格顶点的三维坐标，有效避免人物模型与布料模型穿插的问题；由于本方法能够实时解算布料，故不会出现后期人物动画被修改时需要重新计算对应的布料动画的情况，进一步提高布料制作效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明神经网络结构图；
图2是本发明布料解算流程图。
具体实施方式
一种基于深度学习的数字人布料实时解算方法，用神经网络取代繁杂的建模仿真，大幅降低计算成本。由于数字人所需要的动作并不复杂，故可将数字人的皮肤网格与布料网格作为一个整体，以避免解可能带来的穿插问题，无须人工手动精修；
将数字人的皮肤网格与布料网格作为一个整体，使得数字人的骨骼能够驱动布料的网格顶点的三维坐标。从骨骼到布料的网格顶点的映射关系可被视为一个复杂的非线性函数，为此使用神经网络来学习这种映射关系。将数字人的骨骼信息（旋转和平移）作为神经网络的输入，通过训练，得出对应布料的网格顶点的三维坐标。由于布料的网格顶点通常包含大量参数，直接将骨骼信息映射到网格顶点很容易导致过拟合。为了解决上述问题，训练过程经过如下改进：
a)先用一个自动编码器来编码布料的网格顶点的三维坐标。该网络先将高维度的网格顶点的三维坐标
Figure 153110DEST_PATH_IMAGE001
编码成一组低维度的隐式变量
Figure 832353DEST_PATH_IMAGE002
，再将低维度的隐式变量
Figure 466728DEST_PATH_IMAGE002
解码还原成高维度的网格顶点的三维坐标
Figure 940435DEST_PATH_IMAGE003
（如图1所示）。其中低维度的隐式变量
Figure 175107DEST_PATH_IMAGE002
即为自动编码器对高维度的网格顶点
Figure 420492DEST_PATH_IMAGE001
的编码。训练时，通过最小化损失函数
Figure 424220DEST_PATH_IMAGE004
让神经网络在解码后的输出
Figure 68828DEST_PATH_IMAGE003
应当与编码前的输入
Figure 541529DEST_PATH_IMAGE001
相接近；
b)在训练完a）中的自动编码器之后，可以用隐式变量
Figure 296995DEST_PATH_IMAGE002
代替布料的网格顶点
Figure 155230DEST_PATH_IMAGE001
；
之后再用一个全连接网络将骨骼信息
Figure 721471DEST_PATH_IMAGE005
映射到布料网格顶点的编码
Figure 665157DEST_PATH_IMAGE006
（如图1所示）。在训练时，给定一组数据对（骨骼信息
Figure 224314DEST_PATH_IMAGE005
，布料网格顶点
Figure 202634DEST_PATH_IMAGE001
），通过最小化损失函数
Figure 939777DEST_PATH_IMAGE007
其中
Figure 105179DEST_PATH_IMAGE008
Figure 202448DEST_PATH_IMAGE009
让骨骼信息
Figure 51587DEST_PATH_IMAGE005
经过全连接网络后的输出
Figure 5636DEST_PATH_IMAGE006
与布料网格顶点
Figure 674646DEST_PATH_IMAGE001
所对应的编码
Figure 575606DEST_PATH_IMAGE002
相接近。【注：训练b）中的全连接神经网络时，要求a）中的自动编码器已训练完毕且固定其网络参数，故可将经自动编码器生成的布料网格顶点的编码
Figure 262939DEST_PATH_IMAGE002
视为常量。只需更新b）中全连接神经网络的参数使得
Figure 856732DEST_PATH_IMAGE006
与
Figure 747459DEST_PATH_IMAGE002
相接近。】
在训练完上述两个神经网络后，给定一组输入骨骼信息
Figure 186530DEST_PATH_IMAGE005
，首先经过b）中的全连接网络，得到布料网格顶点的编码
Figure 993949DEST_PATH_IMAGE006
，再经过a）中的解码环节，得到输出布料网格顶点
Figure 243796DEST_PATH_IMAGE003
，该输出即为布料的解算结果（如图2所示）；
其中，自动编码器（auto-encoder）是一种特殊的神经网络结构。它主要包含两个过程：即编码（encoding）和解码（decoding）过程；
编码过程由若干层神经网络组成，通常将高维度的输入数据
Figure 871086DEST_PATH_IMAGE010
映射到低维度的隐式变量
Figure 113849DEST_PATH_IMAGE002
，实现降维/数据压缩的功能。假设输入数据
Figure 775774DEST_PATH_IMAGE010
是个一维向量，编码过程可用若干全连接层来表示，逐层降低输出向量的长度。假设输入数据
Figure 196523DEST_PATH_IMAGE010
是个长度为5000的一维向量，编码由4个全连接层构成，那么
Figure 311109DEST_PATH_IMAGE010
通过这些神经网络时，每一层网络输出的向量长度逐渐降低，例如5000 -> 1024 -> 512 -> 256 -> 128，最终输出一个长度为128的向量，该向量即为编码的输出：隐式变量
Figure 623142DEST_PATH_IMAGE002
；
解码过程也由若干层神经网络组成，通常将低维度的隐式变量
Figure 624727DEST_PATH_IMAGE002
映射到高维度的重构
Figure 731223DEST_PATH_IMAGE011
，且通常重构
Figure 598685DEST_PATH_IMAGE011
应当与输入数据
Figure 933983DEST_PATH_IMAGE010
相似，实现增维/数据重构的功能。假设隐式变量
Figure 304921DEST_PATH_IMAGE002
是一个一维向量，解码过程可用若干全连接层来表示，通常与编码过程所采用的神经网络相对称，逐层增加输出向量的长度。假设隐式变量
Figure 316739DEST_PATH_IMAGE002
是个长度为128的一维向量，解码由4个全连接层构成，那么
Figure 671497DEST_PATH_IMAGE002
通过这些神经网络时，每一层网络输出的向量长度逐渐增加，例如128 -> 256 -> 512 -> 1024 -> 5000，最终输出一个长度为5000的向量，该向量即为解码的输出：重构
Figure 810486DEST_PATH_IMAGE011
；
全连接神经网络（fully-connected network）是一种最常见的神经网络结构。它通常由若干全连接层构成，每一层
Figure 35931DEST_PATH_IMAGE012
都是由输入到输出的非线性映射
Figure 484230DEST_PATH_IMAGE013
其中
Figure 811437DEST_PATH_IMAGE014
是第
Figure 3384DEST_PATH_IMAGE012
层的权重，
Figure 348915DEST_PATH_IMAGE015
是第
Figure 718847DEST_PATH_IMAGE012
层的偏差，
Figure 517039DEST_PATH_IMAGE016
是第
Figure 512677DEST_PATH_IMAGE012
层的输入，
Figure 729026DEST_PATH_IMAGE017
是第
Figure 519127DEST_PATH_IMAGE012
层的输出（同时也第
Figure 804615DEST_PATH_IMAGE018
层的输入），
Figure 89097DEST_PATH_IMAGE019
是第
Figure 143640DEST_PATH_IMAGE012
层的非线性函数，例如
Figure 104643DEST_PATH_IMAGE026
；
每一层的权重
Figure 882020DEST_PATH_IMAGE014
和偏差
Figure 953881DEST_PATH_IMAGE015
均为可训练的变量，可以通过最小化损失函数来更新其值；
如果将每一层
Figure 128511DEST_PATH_IMAGE012
所表示的函数记为
Figure 994835DEST_PATH_IMAGE020
，且令
Figure 536806DEST_PATH_IMAGE021
，那么一个包含
Figure 146779DEST_PATH_IMAGE022
层的全连接神经网络可表示为
Figure 192227DEST_PATH_IMAGE023
其中
Figure 495032DEST_PATH_IMAGE010
是第
Figure 242408DEST_PATH_IMAGE024
层的输入（同时也是整个神经网络的输入），
Figure 672384DEST_PATH_IMAGE025
是第
Figure 821605DEST_PATH_IMAGE022
层的输出（同时也是整个神经网络的输出）；
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的数字人布料实时解算方法，其特征在于，包括以下步骤：
S1：训练神经网络，包括以下步骤：
S101：先用一个自动编码器来编码布料的网格顶点的三维坐标，该自动编码器先将高维度的网格顶点的三维坐标
Figure 541189DEST_PATH_IMAGE001
编码成一组低维度的隐式变量
Figure 339381DEST_PATH_IMAGE002
，再将低维度的隐式变量
Figure 69439DEST_PATH_IMAGE002
解码还原成高维度的网格顶点的三维坐标
Figure 20209DEST_PATH_IMAGE003
，其中低维度的隐式变量
Figure 544731DEST_PATH_IMAGE002
即为自动编码器对高维度的网格顶点的三维坐标
Figure 830219DEST_PATH_IMAGE001
的编码，训练时，通过第一最小化损失函数：
Figure 98389DEST_PATH_IMAGE004
让神经网络在解码后的输出
Figure 396341DEST_PATH_IMAGE003
应当与编码前的输入
Figure 357344DEST_PATH_IMAGE001
趋于相同；
S102：在训练完S101中的自动编码器之后，用隐式变量
Figure 130128DEST_PATH_IMAGE002
代替布料的网格顶点的三维坐标
Figure 936410DEST_PATH_IMAGE001
，之后再用全连接网络将骨骼信息
Figure 861772DEST_PATH_IMAGE005
映射到布料网格顶点的编码
Figure 524834DEST_PATH_IMAGE006
，在训练时，给定一组数据对，通过第二最小化损失函数：
Figure 988177DEST_PATH_IMAGE007
其中，
Figure 598150DEST_PATH_IMAGE008
，
Figure 876553DEST_PATH_IMAGE009
，
让骨骼信息
Figure 179358DEST_PATH_IMAGE005
经过全连接网络后的输出
Figure 661155DEST_PATH_IMAGE006
与布料网格顶点的三维坐标
Figure 74819DEST_PATH_IMAGE001
所对应的编码
Figure 709194DEST_PATH_IMAGE002
趋于相同；
S2：在训练完上述S101和S102两个神经网络后，给定一组输入骨骼信息
Figure 182901DEST_PATH_IMAGE005
，首先经过S102中的全连接网络，得到布料网格顶点的编码
Figure 151994DEST_PATH_IMAGE006
，再经过S101中的解码环节，得到解码后输出的布料网格顶点
Figure 103769DEST_PATH_IMAGE003
，该输出即为布料的解算结果。
2.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，所述自动编码器包括编码过程和解码过程，所述编码过程由若干层神经网络组成，将高维度的输入数据
Figure 356765DEST_PATH_IMAGE010
映射到低维度的隐式变量
Figure 266952DEST_PATH_IMAGE002
，实现降维或数据压缩的功能；所述解码过程也由若干层神经网络组成，将低维度的隐式变量
Figure 723341DEST_PATH_IMAGE002
映射到高维度的重构
Figure 478807DEST_PATH_IMAGE011
，且重构
Figure 822195DEST_PATH_IMAGE011
应当与输入数据
Figure 637704DEST_PATH_IMAGE010
趋于相同，实现增维或数据重构的功能。
3.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，全连接网络由若干全连接层构成，每一层
Figure 581390DEST_PATH_IMAGE012
都是由输入到输出的非线性映射：
Figure 140547DEST_PATH_IMAGE013
其中，
Figure 102556DEST_PATH_IMAGE014
是第
Figure 823387DEST_PATH_IMAGE012
层的权重，
Figure 254368DEST_PATH_IMAGE015
是第
Figure 351637DEST_PATH_IMAGE012
层的偏差，
Figure 935197DEST_PATH_IMAGE016
是第
Figure 826929DEST_PATH_IMAGE012
层的输入，
Figure 745207DEST_PATH_IMAGE017
是第
Figure 849429DEST_PATH_IMAGE012
层的输出，同时也是第
Figure 271183DEST_PATH_IMAGE018
层的输入，
Figure 854523DEST_PATH_IMAGE019
是第
Figure 994517DEST_PATH_IMAGE012
层的非线性函数；
每一层的权重
Figure 699168DEST_PATH_IMAGE014
和偏差
Figure 241008DEST_PATH_IMAGE015
均为可训练的变量，通过最小化损失函数来更新其值；
如果将每一层
Figure 490855DEST_PATH_IMAGE012
所表示的函数记为
Figure 118145DEST_PATH_IMAGE020
，且令
Figure 360908DEST_PATH_IMAGE021
，那么一个包含
Figure 22833DEST_PATH_IMAGE022
层的全连接网络可表示为
Figure 942117DEST_PATH_IMAGE023
其中，
Figure 56703DEST_PATH_IMAGE010
是第
Figure 837577DEST_PATH_IMAGE024
层的输入，同时也是整个神经网络的输入，
Figure 354009DEST_PATH_IMAGE025
是第
Figure 945659DEST_PATH_IMAGE022
层的输出，同时也是整个神经网络的输出。
4.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，训练S102中的全连接网络时，要求S101中的自动编码器已训练完毕且固定其网络参数，故将经自动编码器生成的布料网格顶点的编码
Figure 547541DEST_PATH_IMAGE002
视为常量，只需更新S102中全连接网络的参数使得
Figure 132107DEST_PATH_IMAGE006
与
Figure 503045DEST_PATH_IMAGE002
趋于相同。
CN202011413233.6A 2020-12-07 2020-12-07 一种基于深度学习的数字人布料实时解算方法 Active CN112200895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011413233.6A CN112200895B (zh) 2020-12-07 2020-12-07 一种基于深度学习的数字人布料实时解算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011413233.6A CN112200895B (zh) 2020-12-07 2020-12-07 一种基于深度学习的数字人布料实时解算方法

Publications (2)

Publication Number Publication Date
CN112200895A CN112200895A (zh) 2021-01-08
CN112200895B true CN112200895B (zh) 2021-04-16

Family

ID=74033809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011413233.6A Active CN112200895B (zh) 2020-12-07 2020-12-07 一种基于深度学习的数字人布料实时解算方法

Country Status (1)

Country Link
CN (1) CN112200895B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819930A (zh) * 2021-02-21 2021-05-18 北京工业大学 一种基于前馈神经网络的实时角色服装布料动画模拟方法
CN113538643A (zh) * 2021-07-26 2021-10-22 广州虎牙科技有限公司 一种网格模型的处理方法、存储介质以及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354879A (zh) * 2015-10-12 2016-02-24 北京服装学院 基于质点弹簧结构的通用服装三维模型仿真方法及系统
CN105617655A (zh) * 2016-01-14 2016-06-01 网易（杭州）网络有限公司 物理效果展示方法、装置及游戏系统
CN111773719A (zh) * 2020-06-23 2020-10-16 完美世界(北京)软件科技发展有限公司 虚拟对象的渲染方法和装置、存储介质、电子装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354879A (zh) * 2015-10-12 2016-02-24 北京服装学院 基于质点弹簧结构的通用服装三维模型仿真方法及系统
CN105617655A (zh) * 2016-01-14 2016-06-01 网易（杭州）网络有限公司 物理效果展示方法、装置及游戏系统
CN111773719A (zh) * 2020-06-23 2020-10-16 完美世界(北京)软件科技发展有限公司 虚拟对象的渲染方法和装置、存储介质、电子装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Novel Method for Cloth-Body Collision Detection;Xiaolong Zhu;《Digital Human Modeling, HCII 2007》;20071221;全文 *
Cloth Fitting Based on Skeleton Driving and Implicit Skinning;Ait Mouhou Abderrazzak等;《IEEE Xplore：WINCOM》;20201204;全文 *
Motion Capture Using Joint Skeleton Tracking and Surface Estimation;Juergen Gall等;《2009 IEEE Conference on Computer Vision and Pattern Recognition》;20090625;全文 *

Also Published As

Publication number Publication date
CN112200895A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200895B (zh) 一种基于深度学习的数字人布料实时解算方法
LU503090B1 (en) A semantic segmentation system and method based on dual feature fusion for iot sensing
CN110322416A (zh) 图像数据处理方法、装置以及计算机可读存储介质
CN114627006B (zh) 一种基于深度解耦网络的渐进式图像修复方法
CN114610935B (zh) 一种文本控制图像风格的语义图像合成的方法及系统
CN113284203B (zh) 基于八叉树编码和体素上下文的点云压缩及解压缩方法
CN111126599A (zh) 一种基于迁移学习的神经网络权重初始化方法
CN108650509A (zh) 一种多尺度自适应近似无损编解码方法及系统
CN106934458A (zh) 基于深度学习的多层自动编码方法及系统
CN115829876A (zh) 一种基于交叉注意力机制的真实退化图像盲修复方法
CN115205488A (zh) 一种基于隐式神经场表示的3d人体网格补全方法
CN111899317A (zh) 一种基于神经网络的运动数据重定向方法
CN112700524B (zh) 一种基于深度学习的3d角色面部表情动画实时生成方法
CN117097906B (zh) 一种区域医疗资源高效利用的方法及系统
CN109889848A (zh) 基于卷积自编码器的多描述编码、解码方法及系统
CN116600119B (zh) 视频编码、解码方法、装置、计算机设备和存储介质
CN117528120A (zh) 一种基于切片的深度学习点云几何压缩方法
CN112634456A (zh) 基于深度学习的复杂三维模型的实时高真实感绘制方法
CN113223124B (zh) 一种基于三维人体参数化模型的姿态迁移方法
CN116109510A (zh) 一种基于结构和纹理对偶生成的人脸图像修复方法
CN115883850A (zh) 基于深度残差式压缩和稀疏表征的分辨率自适应点云几何有损编码方法、装置和介质
CN208522900U (zh) 一种三维动画自编码解码装置
Wang et al. A novel multi-scale architecture driven by decoupled semantic attention transfer for person image generation
CN110245677A (zh) 一种基于卷积自编码器的图像描述符降维方法
CN116137050B (zh) 三维真人模型处理方法、处理装置、电子设备及存储介质

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