CN112509123A - 三维重建方法、装置、电子设备及存储介质 - Google Patents
三维重建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112509123A CN112509123A CN202011432291.3A CN202011432291A CN112509123A CN 112509123 A CN112509123 A CN 112509123A CN 202011432291 A CN202011432291 A CN 202011432291A CN 112509123 A CN112509123 A CN 112509123A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- reconstructed
- key point
- image
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种三维重建方法、装置、电子设备及存储介质。所述方法包括:获取待重建部位图像;将待重建部位图像输入至位置预测网络,位置预测网络包括第一网络和第二网络;通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位的初始关键点热力图,初始关键点热力图表征待重建部位的二维关键点初始位置;将第一特征和初始关键点热力图输入至第二网络,得到待重建部位的三维关键点坐标;根据三维关键点坐标生成待重建部位的三维模型。根据本公开的方案,通过使位置预测网络中的第二网络在第一网络的先验知识的基础上进行预测得到三维关键点坐标,提高了三维关键点坐标的预测精度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种三维重建方法、装置、电子设备及存储介质。
背景技术
三维重建(3D Reconstruction)是指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。三维重建计算机视觉领域的重要研究方向,而基于单目RGB(一种颜色标准,红、绿、蓝三色)数据实现三维重建则是领域内受到广泛关注的难题之一。
基于单目RGB数据的三维重建可以应用于人体部位的三维重建,例如,人脸、手部等。以手部为例,手部三维重建(Hand Mesh Recovery)要求算法预测图像中手部区域的三维坐标,利用778个三维点表示手部区域。相关技术中,手部三维重建通常通过卷积神经网络提取图像特征;通过Mano模型将图像特征回归模型参数和相机外参数,从而得到手部在三维空间中的绝对坐标。但是,由于现有模型的表达能力有限,难以重建复杂的手型,且利用RGB数据预测相机外参数易引起网络过拟合等问题,从而导致人体部位的三维重建不够精确。
发明内容
本公开提供一种三维重建方法、装置、电子设备和存储介质,以至少解决相关技术中对人体部位进行三维重建不够精确的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种三维重建方法,包括:
获取待重建部位图像;
将所述待重建部位图像输入至位置预测网络,所述位置预测网络包括第一网络和第二网络;
通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,所述初始关键点热力图表征所述待重建部位的二维关键点初始位置;
将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标;
根据所述三维关键点坐标生成所述待重建部位的三维模型。
在其中一个实施例中,所述第一网络包括第一编码器和第一解码器;
所述通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,包括:
通过所述第一编码器对所述待重建部位图像进行编码处理,得到所述第一特征;
通过所述第一解码器所述第一特征进行解码处理,得到所述初始关键点热力图,所述初始关键点热力图的尺寸与所述待重建部位图像的尺寸相同。
在其中一个实施例中,所述第二网络包括第二编码器和图卷积解码器;
所述将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标,包括:
将所述第一特征和所述初始关键点热力图进行融合,得到中间特征;
通过所述第二编码器对所述中间特征进行编码处理,得到第二特征;
通过所述图卷积解码器对所述第二特征进行解码处理,得到所述三维关键点坐标。
在其中一个实施例中,所述第二网络还包括第二解码器;所述方法还包括:
通过所述第二解码器对所述第二特征进行解码处理,得到所述待重建部位的目标关键点热力图,所述目标关键点热力图表征所述待重建部位的二维关键点目标位置。
在其中一个实施例中,在所述根据所述三维关键点坐标生成所述待重建部位的三维模型之后,还包括:
将所述三维关键点坐标映射至所述待重建部位图像所在的图像坐标系中,得到对应的二维坐标;
根据预设的转换矩阵,对所述二维坐标进行转换,得到二维关键点参考位置;
获取所述二维关键点参考位置和对应的二维关键点目标位置的距离;
根据所述距离得到预设关键点在图像坐标系下的三维坐标,所述预设关键点为所述三维关键点坐标中的原点;
根据所述预设关键点在所述图像坐标系下的三维坐标,对所述待重建部位图像和所述三维模型进行对齐处理。
在其中一个实施例中,所述根据所述距离和预设关键点的三维坐标,得到所述预设关键点在图像坐标系下的三维坐标,包括:
基于二次规划方法,将所述预设关键点在所述图像坐标系下的三维坐标作为未知变量,将所述距离作为目标函数,约束条件为使所述目标函数达到最小距离,得到所述预设关键点在所述图像坐标系下的三维坐标。
在其中一个实施例中,所述待重建部位为手部;所述获取待重建部位图像,包括:
获取原始图像;
对所述原始图像进行手部检测,得到所述手部的手部区域图像;
以所述手部区域图像为中心向外部扩充,将扩充后的图像作为所述待重建部位图像。
根据本公开实施例的第二方面,提供一种三维重建装置,包括:
图像获取模块,被配置为执行获取待重建部位图像;
输入模块,被配置为执行将所述待重建部位图像输入至位置预测网络,所述位置预测网络包括第一网络和第二网络;
第一检测模块,被配置为执行通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,所述初始关键点热力图表征所述待重建部位的二维关键点初始位置;
第二检测模块,被配置为执行将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标;
三维模型生成模块,被配置为执行根据所述三维关键点坐标生成所述待重建部位的三维模型。
在其中一个实施例中,所述第一网络包括第一编码器和第一解码器;所述第一检测模块,包括:
第一编码单元,被配置为执行通过所述第一编码器对所述待重建部位图像进行编码处理,得到所述第一特征;
第一解码单元,被配置为执行通过所述第一解码器所述第一特征进行解码处理,得到所述初始关键点热力图,所述初始关键点热力图的尺寸与所述待重建部位图像的尺寸相同。
在其中一个实施例中,所述第二网络包括第二编码器和图卷积解码器;所述第二检测模块,包括:
融合单元,被配置为执行将所述第一特征和所述初始关键点热力图进行融合,得到中间特征;
第二编码单元,被配置为执行通过所述第二编码器对所述中间特征进行编码处理,得到第二特征;
第二解码单元,被配置为执行通过所述图卷积解码器对所述第二特征进行解码处理,得到所述三维关键点坐标。
在其中一个实施例中,所述第二网络还包括第二解码器;所述第二检测模块还包括:
第三解码单元,被配置为执行通过所述第二解码器对所述第二特征进行解码处理,得到所述待重建部位的目标关键点热力图,所述目标关键点热力图表征所述待重建部位的二维关键点目标位置。
在其中一个实施例中,所述装置还包括:
第一转换模块,被配置为执行将所述三维关键点坐标映射至所述待重建部位图像所在的图像坐标系中,得到对应的二维坐标;
第二转换模块,被配置为执行根据预设的转换矩阵,对所述二维坐标进行转换,得到二维关键点参考位置;
距离生成模块,被配置为执行获取所述二维关键点参考位置和对应的二维关键点目标位置的距离;
坐标生成模块,被配置为执行根据所述距离得到预设关键点在图像坐标系下的三维坐标,所述预设关键点为所述三维关键点坐标中的原点;
对齐模块,被配置为执行根据所述预设关键点在所述图像坐标系下的三维坐标,对所述待重建部位图像和所述三维模型进行对齐处理。
在其中一个实施例中,所述坐标生成模块,被配置为执行基于二次规划方法,将所述预设关键点在所述图像坐标系下的三维坐标作为未知变量,将所述距离作为目标函数,约束条件为使所述目标函数达到最小距离,得到所述预设关键点在所述图像坐标系下的三维坐标。
在其中一个实施例中,所述待重建部位为手部;所述图像获取模块,包括:
图像获取单元,被配置为执行获取原始图像;
手部检测单元,被配置为执行对所述原始图像进行手部检测,得到所述手部的手部区域图像;
扩充单元,被配置为执行以所述手部区域图像为中心向外部扩充,将扩充后的图像作为所述待重建部位图像。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现第一方面的任一项实施例中所述的三维重建方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行第一方面的任一项实施例中所述的三维重建方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序,使得设备执行第一方面的任一项实施例中所述的三维重建方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
预先构建位置预测网络,该位置预测网络包括第一网络和第二网络。通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位图像的初始关键点热力图;再通过第二网络基于先验学习得到的第一特征和初始关键点热力图预测得到三维关键点坐标;进而基于三维关键点坐标进行三维重建。通过使位置预测网络中的第二网络在第一网络的先验知识的基础上进行预测,提高了三维关键点坐标的预测精度;通过采用端到端的位置预测网络,无需额外引入图像采集装置的外参数,还可以解决网络过拟合的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种三维重建方法的应用环境图。
图2是根据一示例性实施例示出的一种三维重建方法的流程图。
图3是根据一示例性实施例示出的一种通过第一网络进行预测步骤的流程图。
图4是根据一示例性实施例示出的一种通过第二网络进行预测步骤的流程图。
图5是根据一示例性实施例示出的一种对三维模型的位置进行调整步骤的流程图。
图6是根据一示例性实施例示出的一种三维重建方法的流程图。
图7是根据一示例性实施例示出的一种位置预测模型的结构示意图。
图8是根据一示例性实施例示出的一种手部关键点示意图。
图9是根据一示例性实施例示出的一种三维模型和待重建手部图像对齐的示意图。
图10是根据一示例性实施例示出的一种三维重建装置的框图。
图11是根据一示例性实施例示出的一种电子设备的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在一个示例性实施例中,本公开所提供的三维重建方法,可以应用于如图1所示的应用环境中。其中,终端110可以是但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。终端110中部署有已训练的位置预测网络。位置预测网络可以内嵌于应用程序中。应用程序不限于是社交类应用程序、即时通信类应用程序、短视频类应用程序等。终端110在获取待重建部位图像后,将待重建部位图像输入至位置预测网络,位置预测网络包括第一网络和第二网络。通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位的初始关键点热力图;通过第二网络对第一特征和初始关键点热力图进行处理,得到三维关键点坐标。根据三维关键点坐标生成待重建部位的三维模型。
在另一个示例性实施例中,本公开所提供的三维重建方法还可以应用于包含终端和服务器的应用环境中。其中,终端可以是但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器中部署有已训练的位置预测网络。在终端获取待重建部位图像后,将待重建部位图像发送至服务器。服务器通过位置预测网络对待重建部位图像进行处理,得到三维关键点坐标,并将所得到的三维关键点坐标发送至终端,以使终端根据三维关键点坐标生成待重建部位的三维模型并展示。
图2是根据一示例性实施例示出的一种三维重建方法的流程图,如图2所示,三维重建方法用于终端110中,包括以下步骤。
在步骤S210中,获取待重建部位图像。
其中,待重建部位图像是指待进行三维重建的部位的图像,可以是保存在本地数据库或者服务器中预先拍摄的静态图像;也可以是实时拍摄的图像,或者从实时录制的视频数据中获取的图像帧。待重建部位图像中包括待重建部位的图像。待重建部位可以是人体中的任意部位,例如,人脸部、四肢部等;也可以为其他种类,例如动物等的任意部位。
在步骤S220中,将待重建部位图像输入至位置预测网络,位置预测网络包括第一网络和第二网络。
其中,位置预测网络为端到端网络,包括互相连接的第一网络和第二网络。第一网络和第二网络可以是任一种能够进行前向检测的深度学习网络。深度学习网络可以是卷积神经网络、循环神经网络等。
在步骤S230中,通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位的初始关键点热力图。
其中,待重建部位的二维关键点可以是预先定义好的,数量包括至少一个。在位置预测网络的训练过程中,按照预先定义的二维关键点相关信息(例如二维关键点排序和二维关键点位置等信息)对每张样本图像进行标注。采用标注后的样本图像对位置预测网络进行训练,得到能够检测待重建部位的二维关键点的位置预测网络。
初始关键点热力图表征待重建部位的二维关键点初始位置。二维关键点初始位置可以是指经过第一网络初次预测得到的二维关键点坐标。
具体地,在客户端获取待重建部位图像后,将待重建部位图像输入至位置预测网络。通过位置预测网络中的第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征;同时,通过第一网络对待重建部位图像进行检测,得到二维关键点数量个通道的初始关键点热力图。
在步骤S240中,将第一特征和初始关键点热力图输入至第二网络,得到待重建部位的三维关键点坐标。
在步骤S250中,根据三维关键点坐标生成待重建部位的三维模型。
其中,对待重建部位进行三维重建通常需要若干个三维关键点。三维关键点坐标可以是指若干个三维关键点在待重建部位坐标系下的三维坐标。
具体地,客户端将第一网络输出的第一特征和初始关键点热力图输入至第二网络。通过第二网络对第一特征和初始关键点热力图继续进行预测,得到每个三维关键点的三维关键点坐标。进而在每个三维关键点坐标处呈现对应的三维关键点,得到待重建部位的三维模型。
上述三维重建方法中,预先构建位置预测网络,该位置预测网络包括第一网络和第二网络。通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和初始关键点热力图;再通过第二网络基于先验学习得到的第一特征和初始关键点热力图预测得到三维关键点坐标;进而基于三维关键点坐标进行三维重建。通过使位置预测网络中的第二网络在第一网络的先验知识的基础上进行预测,提高了三维关键点坐标的预测精度;通过采用端到端的位置预测网络,无需额外引入图像采集装置的外参数,还可以解决网络过拟合的问题。
在一示例性实施例中,如图3所示,步骤S230,第一网络包括第一编码器和第一解码器;通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位的初始关键点热力图,可以通过以下步骤实现:
在步骤S310中,通过第一编码器对待重建部位图像进行编码处理,得到第一特征。
在步骤S320中,通过第一解码器对第一特征进行解码处理,得到初始关键点热力图。
其中,第一网络采用编码器-解码器结构。第一编码器用于对输入的原始数据(待重建部位图像)进行降采样以提供较小维度的潜在表示。第一编码器可以包括依次连接的多层卷积层。每层卷积层的输入可以为上一层卷积层的输出,也可以为多层卷积层的输出。或者,第一编码器可以采用已有的特征提取网络,例如VGGNet(Visual Geometry GroupNetworks,一种深度卷积神经网络)、GoogLeNet(一种神经网络)、ResNet(ResidualNetworks,一种深度残差网络)等。
第一解码器用于对第一编码器输出的潜在表征进行解码处理,生成高分辨率数据。第一解码器中可以包括与第一编码器相对称的多层卷积层。每层卷积层的输入可以为上一层卷积层的输出,也可以为多层卷积层的输出。第一解码器具体可以用于对第一编码器输出的第一特征进行上采样、回归、归一化等处理。而上采样可以采用卷积算子与最邻近插值的方式,或者卷积算子与双线性采样插值等方式。
具体地,客户端将所获取的待重建部位图像输入至位置预测网络。通过第一网络中的第一编码器对待重建部位图像进行编码处理,得到待重建部位图像的第一特征并保存。继续通过第一网络中的第一解码器对第一特征进行解码处理,输出与待重建部位的初始关键点热力图。为了提高模型的检测精度,可以使初始关键点热力图的尺寸与待重建部位图像的尺寸相同。
本实施例中,通过第一网络对待重建部位图像进行先验学习,得到第一特征和初始关键点热力图,进而使第二网络能够基于第一特征和初始关键点热力图继续进行预测得到三维关键点坐标,提高了三维关键点坐标的预测精度。
在一示例性实施例中,第二网络包括第二编码器和图卷积解码器;如图4所示,在步骤S240中,将第一特征和初始关键点热力图输入至第二网络,得到待重建部位的三维关键点坐标,包括:
在步骤S410中,将第一特征和初始关键点热力图进行融合,得到中间特征。
在步骤S420中,通过第二编码器对中间特征进行编码处理,得到第二特征。
在步骤S430中,通过图卷积解码器对第二特征进行解码处理,得到三维关键点坐标。
其中,第二网络中至少包括编码器-图卷积解码器结构。关于第二编码器的实现方式可以参照第一编码器的说明,在此不做具体阐述。图卷积层解码器可以是一种利用图形结构信息直接对图数据进行操作的神经网络,例如,可以采用Spiral Convolution(螺旋卷积网络)。
具体地,第一特征可以看作是一种低级特征,第一特征经过解码处理之后得到的初始关键点热力图可以看作是高级特征。高级特征比低级特征更具有区分性。为了充分利用高级特征的信息,通过至少一层卷积层对第一特征和初始关键点热力图进行融合处理,得到中间特征。将该中间特征输入至第二网络中的第二编码器。通过第二编码器对中间特征进行编码处理,得到第二特征。继续通过第二网络中的图卷积解码器对第二特征进行解码处理,得到三维关键点坐标。
本实施例中,基于第一网络先验学习的基础上进行预测得到三维关键点坐标,提高了三维关键点坐标的预测精度;通过采用图卷积解码器对中间特征进行预测,在辅助提高三维关键点坐标的预测精度的同时,还能加快对待重建部位进行三维重建的效率。
在一示例性实施例中,第二网络还包括第二解码器;所述方法还包括:通过第二解码器对第二特征进行解码处理,得到待重建部位的目标关键点热力图。
其中,第二网络中还可以包括编码器-解码器结构。本实施例中的编码器-解码器结构,可以与图4对应的实施例中的编码器-图卷积解码器结构共享同一个编码器。关于第二解码器的实现方式可以参照第一解码器的说明,在此不做具体阐述。
目标关键点热力图表征待重建部位的二维关键点目标位置。二维关键点目标位置可以是指经过二次预测得到的准确的二维关键点坐标。
具体地,在通过第二编码器得到第二特征后,同步将第二特征分别输入至第二解码器和图卷积解码器。通过图卷积解码器对第二特征进行解码处理,得到三维关键点坐标。通过第二解码器对第二特征进行解码处理,得到目标关键点热力图。
本实施例中,通过使第二网络同时预测得到二维关键点热力图和三维关键点坐标,简化了三维重建的操作过程;通过在第一网络先验学习的基础上输出二维关键点热力图和三维关键点坐标,提高了二维关键点坐标和三维关键点坐标的预测精度和预测效率。将本实施例的处理方式与相关技术中的三维重建方式进行比较,二维关键点坐标的预测精度可以提高20%左右,三维关键点坐标的预测精度可以提高30%左右。
在一示例性实施例中,对待重建部位图像与三维模型的对齐过程进行说明。如图5所示,在步骤S250,在根据三维关键点坐标生成待重建部位的三维模型之后,还包括:
在步骤S510中,将三维关键点坐标映射至待重建部位图像所在的图像坐标系中,得到对应的二维坐标。
具体地,位置预测网络输出的三维关键点坐标为待重建部位坐标系下的位置坐标。若想要将待重建部位图像与三维模型进行对齐,可以将三维关键点坐标转换至图像坐标系下。具体实现中,客户端获取采集待重建部位图像的图像采集装置的内参数。图像采集装置的内参数是与图像采集装置自身特性相关的参数,比如焦距、像素大小等。根据内参数将三维关键点坐标映射至图像坐标系下,得到对应的二维坐标。
在步骤S520中,根据预设的转换矩阵,对二维坐标进行转换,得到二维关键点参考位置。
在步骤S530中,获取二维关键点参考位置和二维关键点目标位置的距离。
具体地,预先建立三维关键点和二维关键点的转换矩阵。在得到三维关键点的二维坐标后,通过该转换矩阵进行转换得到相应的二维关键点的位置,将转换至得到的位置作为二维关键点参考位置。针对每个二维关键点,计算二维关键点参考位置和位置预测网络输出的二维关键点目标位置之间的距离。
举例说明,预先设置三维关键点的数量为A个。待重建部位的二维关键点为B个。将三维关键点坐标映射至图像坐标系下,可以得到相应的A个二维坐标。预先建立的转换矩阵用于将A个二维坐标转换到B个数量的二维关键点处。
在步骤S540中,根据距离得到预设关键点在图像坐标系下的三维坐标,预设关键点为三维关键点坐标中的原点。
在步骤S550中,根据预设关键点在图像坐标系下的三维坐标,对待重建部位图像和三维模型进行对齐处理。
其中,预设关键点在待重建部位中的位置可以为待重建部位的其中一个二维关键点的位置,同时也可以作为位置预测网络输出的三维关键点坐标中的原点。
具体地,在得到距离后,可以基于距离进行全局优化,得到最小化距离。根据最小化距离得到预设关键点在图像坐标系下的三维坐标。
在一些可能性实施例中,基于距离进行全局优化可以采用二次规划方法。二次规划是一种典型的优化问题,包括凸二次规划和非凸二次规划,是指带有二次型目标函数和约束条件的最优化问题。在本实施例中,将预设关键点在图像坐标系下的三维坐标作为未知变量,将距离作为目标函数,约束条件则为使目标函数达到最小距离。该二次规划问题中,约束条件使目标函数达到最小距离是为了能够得到三维模型在图像坐标系下的真实三维坐标,从而使三维模型和待重建部位图像中的待重建部位呈现对齐的视觉效果。
本实施例中,基于位置预测模型直接输出的二维关键点目标位置和三维关键点坐标进行全局优化,得到三维模型在图像坐标系下的真实三维坐标,使三维模型与待重建部位图像对齐,提高了对齐处理的效率和精度。
在一示例性实施例中,待重建部位为手部;获取待重建部位图像,包括:获取原始图像;对原始图像进行手部检测,得到手部的手部区域图像;以手部区域图像为中心向外部扩充,将扩充后的图像作为待重建部位图像。
其中,原始图像可以是指未经任何处理的图像。原始图像可以是保存在本地数据库或者服务器中预先拍摄的静态图像;也可以是实时拍摄的图像,或者从实时录制的视频数据中获取的图像帧。
具体地,客户端可以预先部署有目标检测模型、手部跟踪算法等深度学习模型。在得到原始图像后,通过深度学习模型对原始图像进行检测,得到手部区域图像。以手部区域图像为中心,按照预设比例(例如1.3倍)向外部扩充。客户端获取扩充后得到的图像,作为待重建手部图像。
本实施例中,由于手部三维重建被广泛应用于增强现实、虚拟现实、自动化操作、医疗等领域,通过本公开的方案提高人体手部三维重建的精度,有助于手部三维重建在各个领域的应用。
图6是根据一示例性实施例示出的一种三维重建方法的流程图,在本实施例中待重建部位为人体手部。如图6所示,包括以下步骤:
在步骤S602中,获取原始图像。
在步骤S604中,从原始图像提取出待重建手部图像。从原始图像提取出待重建手部图像的具体实现方式可以参照上述实施例,在此不做具体阐述。
在步骤S606中,将待重建手部图像输入至位置预测网络。
图7为位置预测网络的结构示意图。如图7所示,位置预测网络包括第一网络和第二网络。第一网络包括第一卷积编码器和第一卷积解码器。第二网络包括第二卷积编码器、第二卷积解码器和图卷积解码器。其中,第一卷积编码器和第二卷积编码器的网络结构可以相同,均包括多层卷积层。第一卷积编码器和第二卷积编码器也可以采用已有的特征提取网络,例如ResNet。第一卷积解码器和第二卷积解码器的网络结构也可以相同,分别可以采用与第一卷积编码器和第二卷积编码器相对称的多层卷积层。
在步骤S608中,通过第一卷积编码器对待重建手部图像进行编码处理,得到待重建手部图像的第一特征。
在步骤S610中,通过第一卷积解码器对第一特征进行解码处理,得到待重建手部的初始关键点热力图。初始关键点热力图表征待重建手部的二维关键点初始位置。如图7中的701所示,初始关键点热力图中标记有二维关键点初始位置。
其中,手部的二维关键点可以是预先定义好的。图8示意性示出了一种手部关键点的定义方式。如图8所示,手部关键点的数量为21个。相应地,通过第一网络输出的初始关键点热力图有21个通道,每个通道表示对应的二维关键点所在的初始位置。
在步骤S612中,将第一特征和初始关键点热力图输入至第二网络。通过卷积层对第一特征和初始关键点热力图进行融合,得到中间特征。
在步骤S614中,通过第二卷积编码器对中间特征进行编码处理,得到第二特征。
在步骤S616中,通过第二卷积解码器对第二特征进行解码处理,得到目标关键点热力图。如图7中的702所示,目标关键点热力图表征待重建手部的二维关键点目标位置。
在步骤S618中,通过图卷积解码器对第二特征进行解码处理,得到三维关键点坐标。其中,三维关键点的数量可以为778个。图7中的703示意性示出了根据778个三维关键点坐标进行三维重建得到的待重建手部的三维模型。
在一些可能性实施例中,继续参考图8,为防止网络过拟合,位置预测网络输出的三维关键点坐标可以以图8中的关键点0所在位置为原点。因此,所输出的三维关键点坐标实际为相对关键点0的绝对坐标。
在步骤S620中,基于三维关键点坐标和二维关键点目标位置进行全局优化,对三维模型和待重建手部图像进行对齐处理。
全局优化的具体实现方式可以参照图5对应的实施例。具体地,将三维关键点坐标映射至待重建手部图像所在的图像坐标系中,得到对应的二维坐标。根据预设的转换矩阵,对二维坐标进行转换,得到二维关键点参考位置。获取二维关键点参考位置和对应的二维关键点目标位置的距离。根据距离得到预设关键点在图像坐标系下的三维坐标。预设关键点可以采用图8中示出的关键点0点。图9示意性示出了全局优化处理后展示的图像,如图9所示,在全局优化处理后,手部三维模型和待重建手部图像中的手部位置呈现对齐的状态。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图10是根据一示例性实施例示出的一种三维重建装置1000框图。参照图10,该装置1000包括图像获取模块1001、输入模块1002、第一检测模块1003、第二检测模块1004和三维模型生成模块1005。
图像获取模块1001,被配置为执行获取待重建部位图像;输入模块1002,被配置为执行将待重建部位图像输入至位置预测网络,位置预测网络包括第一网络和第二网络;第一检测模块1003,被配置为执行通过第一网络对待重建部位图像进行处理,得到待重建部位图像的第一特征和待重建部位的初始关键点热力图,初始关键点热力图表征待重建部位的二维关键点初始位置;第二检测模块1004,被配置为执行将第一特征和初始关键点热力图输入至第二网络,得到待重建部位的三维关键点坐标;三维模型生成模块1005,被配置为执行根据三维关键点坐标生成待重建部位的三维模型。
在一示例性实施例中,第一网络包括第一编码器和第一解码器;第一检测模块1003,包括:第一编码单元,被配置为执行通过第一编码器对待重建部位图像进行编码处理,得到第一特征;第一解码单元,被配置为执行通过第一解码器第一特征进行解码处理,得到初始关键点热力图,初始关键点热力图的尺寸与待重建部位图像的尺寸相同。
在一示例性实施例中,第二网络包括第二编码器和图卷积解码器;第二检测模块1004,包括:融合单元,被配置为执行将第一特征和初始关键点热力图进行融合,得到中间特征;第二编码单元,被配置为执行通过第二编码器对中间特征进行编码处理,得到第二特征;第二解码单元,被配置为执行通过图卷积解码器对第二特征进行解码处理,得到三维关键点坐标。
在一示例性实施例中,第二网络还包括第二解码器;第二检测模块1004还包括:第三解码单元,被配置为执行通过第二解码器对第二特征进行解码处理,得到待重建部位的目标关键点热力图,目标关键点热力图表征待重建部位的二维关键点目标位置。
在一示例性实施例中,所述装置1000还包括:第一转换模块,被配置为执行将三维关键点坐标映射至待重建部位图像所在的图像坐标系中,得到对应的二维坐标;第二转换模块,被配置为执行根据预设的转换矩阵,对二维坐标进行转换,得到二维关键点参考位置;距离生成模块,被配置为执行获取二维关键点参考位置和对应的二维关键点目标位置的距离;坐标生成模块,被配置为执行根据距离得到预设关键点在图像坐标系下的三维坐标,预设关键点为三维关键点坐标中的原点;对齐模块,被配置为执行根据预设关键点在图像坐标系下的三维坐标,对待重建部位图像和三维模型进行对齐处理。
在一示例性实施例中,坐标生成模块,被配置为执行基于二次规划方法,将预设关键点在图像坐标系下的三维坐标作为未知变量,将距离作为目标函数,约束条件为使目标函数达到最小距离,得到预设关键点在图像坐标系下的三维坐标。
在一示例性实施例中,待重建部位为手部;图像获取模块1001,包括:图像获取单元,被配置为执行获取原始图像;手部检测单元,被配置为执行对原始图像进行手部检测,得到手部的手部区域图像;扩充单元,被配置为执行以手部区域图像为中心向外部扩充,将扩充后的图像作为待重建部位图像。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种用于三维重建的设备1100的框图。例如,设备1100可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图11,设备1100可以包括以下一个或多个组件:处理组件1102、存储器1104、电源组件1106、多媒体组件1108、音频组件1110、输入/输出(I/O)的接口1112、传感器组件1114以及通信组件1116。
处理组件1102通常控制设备1100的整体操作,诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1102可以包括一个或多个模块,便于处理组件1102和其他组件之间的交互。例如,处理组件1102可以包括多媒体模块,以方便多媒体组件1108和处理组件1102之间的交互。
存储器1104被配置为存储各种类型的数据以支持在设备1100的操作。这些数据的示例包括用于在设备1100上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。
电源组件1106为设备1100的各种组件提供电力。电源组件1106可以包括电源管理系统,一个或多个电源,及其他与为设备1100生成、管理和分配电力相关联的组件。
多媒体组件1108包括在所述设备1100和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1108包括一个前置摄像头和/或后置摄像头。当设备1100处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1110被配置为输出和/或输入音频信号。例如,音频组件1110包括一个麦克风(MIC),当设备1100处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中,音频组件1110还包括一个扬声器,用于输出音频信号。
I/O接口1112为处理组件1102和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1114包括一个或多个传感器,用于为设备1100提供各个方面的状态评估。例如,传感器组件1114可以检测到设备1100的打开/关闭状态,组件的相对定位,例如所述组件为设备1100的显示器和小键盘,传感器组件1114还可以检测设备1100或设备1100一个组件的位置改变,用户与设备1100接触的存在或不存在,设备1100方位或加速/减速和设备1100的温度变化。传感器组件1114可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1114还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1114还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件1116被配置为便于设备1100和其他设备之间有线或无线方式的通信。设备1100可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1116还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备1100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1104,上述指令可由设备1100的处理器1120执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种三维重建方法,其特征在于,包括:
获取待重建部位图像;
将所述待重建部位图像输入至位置预测网络,所述位置预测网络包括第一网络和第二网络;
通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,所述初始关键点热力图表征所述待重建部位的二维关键点初始位置;
将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标;
根据所述三维关键点坐标生成所述待重建部位的三维模型。
2.根据权利要求1所述的三维重建方法,其特征在于,所述第一网络包括第一编码器和第一解码器;
所述通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,包括:
通过所述第一编码器对所述待重建部位图像进行编码处理,得到所述第一特征;
通过所述第一解码器所述第一特征进行解码处理,得到所述初始关键点热力图,所述初始关键点热力图的尺寸与所述待重建部位图像的尺寸相同。
3.根据权利要求1所述的三维重建方法,其特征在于,所述第二网络包括第二编码器和图卷积解码器;
所述将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标,包括:
将所述第一特征和所述初始关键点热力图进行融合,得到中间特征;
通过所述第二编码器对所述中间特征进行编码处理,得到第二特征;
通过所述图卷积解码器对所述第二特征进行解码处理,得到所述三维关键点坐标。
4.根据权利要求3所述的三维重建方法,其特征在于,所述第二网络还包括第二解码器;所述方法还包括:
通过所述第二解码器对所述第二特征进行解码处理,得到所述待重建部位的目标关键点热力图,所述目标关键点热力图表征所述待重建部位的二维关键点目标位置。
5.根据权利要求4所述的三维重建方法,其特征在于,在所述根据所述三维关键点坐标生成所述待重建部位的三维模型之后,还包括:
将所述三维关键点坐标映射至所述待重建部位图像所在的图像坐标系中,得到对应的二维坐标;
根据预设的转换矩阵,对所述二维坐标进行转换,得到二维关键点参考位置;
获取所述二维关键点参考位置和对应的二维关键点目标位置的距离;
根据所述距离得到预设关键点在图像坐标系下的三维坐标,所述预设关键点为所述三维关键点坐标中的原点;
根据所述预设关键点在所述图像坐标系下的三维坐标,对所述待重建部位图像和所述三维模型进行对齐处理。
6.根据权利要求5所述的三维重建方法,其特征在于,所述根据所述距离和预设关键点的三维坐标,得到所述预设关键点在图像坐标系下的三维坐标,包括:
基于二次规划方法,将所述预设关键点在所述图像坐标系下的三维坐标作为未知变量,将所述距离作为目标函数,约束条件为使所述目标函数达到最小距离,得到所述预设关键点在所述图像坐标系下的三维坐标。
7.根据权利要求1~6任一项所述的三维重建方法,其特征在于,所述待重建部位为手部;所述获取待重建部位图像,包括:
获取原始图像;
对所述原始图像进行手部检测,得到所述手部的手部区域图像;
以所述手部区域图像为中心向外部扩充,将扩充后的图像作为所述待重建部位图像。
8.一种三维重建装置,其特征在于,包括:
图像获取模块,被配置为执行获取待重建部位图像;
输入模块,被配置为执行将所述待重建部位图像输入至位置预测网络,所述位置预测网络包括第一网络和第二网络;
第一检测模块,被配置为执行通过所述第一网络对所述待重建部位图像进行处理,得到所述待重建部位图像的第一特征和所述待重建部位的初始关键点热力图,所述初始关键点热力图表征所述待重建部位的二维关键点初始位置;
第二检测模块,被配置为执行将所述第一特征和所述初始关键点热力图输入至所述第二网络,得到所述待重建部位的三维关键点坐标;
三维模型生成模块,被配置为执行根据所述三维关键点坐标生成所述待重建部位的三维模型。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的三维重建方法。
10.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的三维重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011432291.3A CN112509123A (zh) | 2020-12-09 | 2020-12-09 | 三维重建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011432291.3A CN112509123A (zh) | 2020-12-09 | 2020-12-09 | 三维重建方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112509123A true CN112509123A (zh) | 2021-03-16 |
Family
ID=74970278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011432291.3A Pending CN112509123A (zh) | 2020-12-09 | 2020-12-09 | 三维重建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509123A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421182A (zh) * | 2021-05-20 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
CN113724393A (zh) * | 2021-08-12 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
CN113744387A (zh) * | 2021-07-27 | 2021-12-03 | 上海交通大学 | 一种医学图像三维重建方法、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN109271933A (zh) * | 2018-09-17 | 2019-01-25 | 北京航空航天大学青岛研究院 | 基于视频流进行三维人体姿态估计的方法 |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
CN110991319A (zh) * | 2019-11-29 | 2020-04-10 | 广州市百果园信息技术有限公司 | 手部关键点检测方法、手势识别方法及相关装置 |
CN111291729A (zh) * | 2020-03-26 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种人体姿态估计方法、装置、设备及存储介质 |
WO2020207281A1 (zh) * | 2019-04-12 | 2020-10-15 | 腾讯科技(深圳)有限公司 | 姿态识别模型的训练方法、图像识别方法及装置 |
-
2020
- 2020-12-09 CN CN202011432291.3A patent/CN112509123A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN109271933A (zh) * | 2018-09-17 | 2019-01-25 | 北京航空航天大学青岛研究院 | 基于视频流进行三维人体姿态估计的方法 |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
WO2020207281A1 (zh) * | 2019-04-12 | 2020-10-15 | 腾讯科技(深圳)有限公司 | 姿态识别模型的训练方法、图像识别方法及装置 |
CN110991319A (zh) * | 2019-11-29 | 2020-04-10 | 广州市百果园信息技术有限公司 | 手部关键点检测方法、手势识别方法及相关装置 |
CN111291729A (zh) * | 2020-03-26 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种人体姿态估计方法、装置、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421182A (zh) * | 2021-05-20 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
CN113421182B (zh) * | 2021-05-20 | 2023-11-28 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
CN113744387A (zh) * | 2021-07-27 | 2021-12-03 | 上海交通大学 | 一种医学图像三维重建方法、介质及电子设备 |
CN113744387B (zh) * | 2021-07-27 | 2024-02-09 | 上海交通大学 | 一种医学图像三维重建方法、介质及电子设备 |
CN113724393A (zh) * | 2021-08-12 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
CN113724393B (zh) * | 2021-08-12 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368796B (zh) | 人脸图像的处理方法、装置、电子设备及存储介质 | |
CN110517185B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112509123A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
CN107944447B (zh) | 图像分类方法及装置 | |
CN112348933B (zh) | 动画生成方法、装置、电子设备及存储介质 | |
CN113590881B (zh) | 视频片段检索方法、视频片段检索模型的训练方法及装置 | |
CN107133354B (zh) | 图像描述信息的获取方法及装置 | |
CN111462238B (zh) | 姿态估计优化方法、装置及存储介质 | |
CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN112669381B (zh) | 一种位姿确定方法、装置、电子设备及存储介质 | |
CN114266840A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US20220222831A1 (en) | Method for processing images and electronic device therefor | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 | |
CN112597944A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
CN112613447A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN116805282A (zh) | 图像超分辨率重建方法、模型训练方法、装置及电子设备 | |
CN111507131A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN112784700B (zh) | 人脸图像显示的方法、装置及存储介质 | |
CN114842404A (zh) | 时序动作提名的生成方法及装置、电子设备和存储介质 | |
CN111311483A (zh) | 图像编辑及训练方法、装置、电子设备和存储介质 | |
CN114626985A (zh) | 图像超分辨率方法、图像超分辨率模型训练方法和装置 | |
CN114898039A (zh) | 三维模型构建方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |