CN112581573A - 虚拟形象驱动方法、装置、设备、介质和程序产品 - Google Patents
虚拟形象驱动方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN112581573A CN112581573A CN202011480515.8A CN202011480515A CN112581573A CN 112581573 A CN112581573 A CN 112581573A CN 202011480515 A CN202011480515 A CN 202011480515A CN 112581573 A CN112581573 A CN 112581573A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- coupling
- vulnerable
- pose
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 64
- 230000008878 coupling Effects 0.000 claims description 173
- 238000010168 coupling process Methods 0.000 claims description 173
- 238000005859 coupling reaction Methods 0.000 claims description 173
- 239000011159 matrix material Substances 0.000 claims description 161
- 238000012545 processing Methods 0.000 claims description 46
- 230000009466 transformation Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013501 data transformation Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000003190 augmentative effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种虚拟形象驱动方法、装置、设备、介质和程序产品,涉及计算机视觉、增强现实和深度学习等人工智能技术领域。具体实现方案为:获取采用虚拟形象模拟目标形象时的待处理位姿数据;将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;根据所述目标位姿数据确定骨骼驱动系数,用于驱动所述虚拟形象的蒙皮骨骼模型。本申请提高了蒙皮骨骼模型驱动结果的准确度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及计算机视觉、增强现实和深度学习等方面,具体涉及一种虚拟形象驱动方法、装置、设备、介质和程序产品。
背景技术
随着人工智能技术的不断发展,计算机视觉技术应运而生。可以通过计算机视觉中的增强现实方式,对虚拟形象的蒙皮骨骼模型进行驱动,来模拟真实形象的表情和/或姿态等,增加了用户的使用乐趣。
现有技术在对蒙皮骨骼模型进行驱动时,需要将真实形象对应的理想虚拟形象的位姿数据,转化为骨骼驱动系数。而在转化过程中,存在部分信息丢失的情况,降低了虚拟形象驱动结果的准确度。
发明内容
本申请提供了一种驱动结果准确度更好的虚拟形象驱动方法、装置、设备、介质和程序产品。
根据本申请的一方面,提供了一种虚拟形象驱动方法,包括:
获取采用虚拟形象模拟目标形象时的待处理位姿数据;
将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;
根据所述目标位姿数据确定骨骼驱动系数,用于驱动所述虚拟形象的蒙皮骨骼模型。
根据本申请的另一方面,还提供了一种虚拟形象驱动装置,包括:
待处理位姿数据获取模块,用于获取采用虚拟形象模拟目标形象时的待处理位姿数据;
目标位姿数据得到模块,用于将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;
骨骼驱动系数确定模块,用于根据所述目标位姿数据确定骨骼驱动系数,所述骨骼驱动系数用于驱动所述虚拟形象的蒙皮骨骼模型。
根据本申请的另一方面,还提供了一种电子设备,其中,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本申请实施例所提供的任意一种虚拟形象驱动方法。
根据本申请的另一方面,还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计算机执行本申请实施例所提供的任意一种虚拟形象驱动方法。
根据本申请的另一方面,还提供了一种位姿数据转换方法,包括:
获取待处理位姿数据;
将所述待处理位姿数据中的易损失数据转化为非易损失数据,以得到目标位姿数据。
根据本申请的另一方面,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本申请实施例所提供的任意一种虚拟形象驱动方法。
根据本申请的技术,提高了虚拟形象驱动结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1A是本申请实施例提供的一种三维空间的位姿数据结构示意图;
图1B是本申请实施例提供的一种虚拟形象驱动方法的流程图;
图1C是本申请实施例提供的一种虚拟形象的骨骼节点和蒙皮的结构示意图;
图2A是本申请实施例提供的另一种虚拟形象驱动方法的流程图;
图2B是本申请实施例提供的一种待处理位姿数据的数据分布图;
图3A是本申请实施例提供的另一种虚拟形象驱动方法的流程图;
图3B是现有技术中的空间位姿数据与骨骼驱动系数对应的位姿数据的对比图;
图3C是本申请中的空间位姿数据与目标位姿数据的对比图;
图4是本申请实施例提供的一种虚拟形象驱动装置的结构图;
图5是用来实现本申请实施例的虚拟形象驱动方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
在通过虚拟形象来模拟真实形象的表情和/或姿态的过程中,通常需要采用骨骼驱动系数对虚拟形象的蒙皮骨骼模型进行驱动,得到目标虚拟形象,并将该目标虚拟形象向用户展现。而骨骼驱动系数需要借助真实形象对应的理想虚拟形象所确定的位姿数据加以确定。通常情况下,所确定的位姿数据中包括旋转、位移、缩放、错切、镜像和投影等至少一个维度下的信息。而直接将该位姿数据转化为骨骼驱动系数,将会存在部分信息丢失的情况。
参见图1A所示的三维空间的位姿数据结构示意图,在该位姿数据中,[Tx,Ty,Tz]T对应位移数据;{mij}其中,i=0-2,j=0-2对应旋转、缩放和错切三部分的耦合数据;[Px,Py,Pz]T对应投影数据。而骨骼驱动系数中包含有旋转、位移和缩放三个方面的属性信息,当将图1A所示的位姿数据转换为骨骼驱动系数中,旋转部分由欧拉角表示,矩阵转换过程中仅需要m00,m10,m20,m21,m22这5个信息,其他四个值将会被直接忽略,从而导致所确定的骨骼驱动系数中存在部分易损失数据(m01,m11,m02,m12)。由于该部分数据的丢失,导致所确定的骨骼驱动系数准确度较差,进而导致驱动蒙皮骨骼模型所得到的虚拟形象与理想虚拟形象之间差距较大,也即蒙皮骨骼模型驱动结果与目标形象匹配度较差,给用户带来了较差的使用体验。
为了解决上述技术问题,本申请所提供的各虚拟形象驱动方法和虚拟形象驱动装置,适用于在通过驱动虚拟形象的蒙皮骨骼模型,来模拟真实形象的表情和/或姿态等的应用场景中,对用于转换为骨骼驱动系数的位姿数据进行变换处理的情况。本申请所提供的各虚拟形象驱动方法,可以由虚拟形象驱动装置执行,该装置采用软件和/或硬件实现,并具体配置于电子设备中。
如图1B所示的一种虚拟形象驱动方法,包括:
S101、获取采用虚拟形象模拟目标形象时的待处理位姿数据。
虚拟形象可以理解为基于诸如虚拟人物、虚拟动物或虚拟植物等所构建的形象,例如卡通形象等。目标形象可以理解为真实形象,可以由用户通过上传、拍摄或选取包含真实形象的图像实现目标形象的获取。
待处理位姿数据用于表征目标形象对应的理想虚拟形象在三维空间的位姿数据,例如可以包括旋转数据、位移数据、缩放数据、错切数据和投影数据等中的至少一种。
待处理位姿数据可以通过现有技术中的任意一种三维动画处理方式,对真实形象的图像进行处理得到。示例性地,可以通过预先构建的多个混合形状(Blend Shape,BS)模型构建的线性模型,对真实形象对应图像进行处理得到。
示例性地,待处理位姿数据可以由执行虚拟形象驱动方法的电子设备加以确定。当然,为了减少电子设备在执行虚拟形象驱动方法时的数据运算量,还可以将待处理位姿数据的确定操作迁移至与电子设备所关联的其他计算设备中,并在需要进行虚拟形象驱动时,从相应的计算设备中进行待处理位姿数据的获取。需要说明的是,从相应的计算设备中进行待处理位姿数据的获取,可以是直接从计算设备中进行待处理位姿数据的获取,还可以从计算设备对应的存储设备或云端中进行待处理位姿数据的获取。
S102、将待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据。
根据待处理位姿数据直接转换为骨骼驱动系数时,所转换数据的存在性,可以将待处理位姿数据划分为易损失数据和非易损失数据。具体的,易损失数据可以理解为直接将待处理位姿数据转换为骨骼驱动系数时,容易丢失的信息所对应的数据;非易损失数据可以理解为直接将待处理位姿数据转换为骨骼驱动系数时,不会丢失的信息所对应的数据。例如,易损失数据包括错切数据等;非易损失数据包括旋转数据、缩放数据、平移数据和投影数据等中的至少一种。
示例性地,将待处理位姿数据中的易损失数据转换为非易损失数据,以更新待处理位姿数据,并将更新后的待处理位姿数据作为目标位姿数据。其中,目标位姿数据中包含有待处理位姿数据中的原始非易损失数据对应的信息,还包含有待处理位姿数据中由易损失数据转换后得到的新的非易损失数据。
可以理解的是,当待处理位姿数据中的非易损失数据中的种类数量为至少两种时,易损失数据转换后得到的非易损失数据可以包含待处理位姿数据中的非易损失数据中的至少一种,也即转换后得到的非易损失数据的种类与待处理位姿数据中非易损失数据的种类可以部分或全部重合。
需要说明的是,本申请中对易损失数据向非易损失数据进行转换的具体方式不做任何限定,仅需保证转换过程中尽可能不会产生数据丢失即可。
S103、根据目标位姿数据确定骨骼驱动系数,用于驱动虚拟形象的蒙皮骨骼模型。
其中,蒙皮骨骼模型为技术人员在虚拟形象设计时所构建的模型结构,用于唯一表征对应的虚拟形象。该蒙皮骨骼模型可以包括骨骼(Bone)节点和蒙皮(Skinned Mesh)两部分。其中,各骨骼节点可以根据节点之间的关联关系构建骨骼节点树,便于进行骨骼节点的查找或使用。其中,蒙皮中包括至少一个蒙皮顶点,附着在骨骼上,每个蒙皮顶点可以被多个骨骼节点所控制。
参见图1C所示的一种虚拟形象的骨骼节点和蒙皮的结构示意图。其中,(a)图中的线条表示骨骼节点之间的层次结构,线条的交点即为骨骼节点。其中,(b)图表示(a)图中的各骨骼节点对应的蒙皮。由于同一蒙皮顶点可以被多个骨骼节点所控制,因此,还可以在蒙皮区域中通过灰度表征骨骼节点对所关联蒙皮的控制程度,也即蒙皮权重。其中,区域10通过灰度表征(a)图中的骨骼节点A对所关联蒙皮的蒙皮权重。其中,白色权重为1,黑色权重为0。
其中,骨骼驱动系数可以理解为蒙皮骨骼模型中所包含节点的局部刚性变换属性信息,例如可以包括旋转属性信息、平移属性信息和缩放属性信息等中的至少一种。一般的,骨骼驱动系数会包括三个参考轴平移值、三个欧拉角旋转值以及三个缩放值共九个数值表示,可以与三维空间的位姿数据相互转换。
可以理解的是,由于目标位姿数据中已不存在易损失数据,因此,直接将三维空间的目标位姿数据转换至骨骼驱动系数时,将不会存在数据丢失的情况,因此,骨骼驱动系数的准确度更高、全面性更好。相应的,将目标位姿数据转化为蒙皮骨骼模型中各节点的骨骼驱动系数,并根据该骨骼驱动系数,驱动虚拟形象的蒙皮骨骼模型,得到虚拟形象驱动结果。由于目标位姿数据基于虚拟形象模拟目标形象时的待处理位姿数据得到,因此最终得到虚拟形象驱动结果与目标形象相同或近似。
本申请实施例通过在使用骨骼驱动系数进行蒙皮骨骼模型驱动之前,将待处理位姿数据中的易损失数据转换为非易损失数据,得到目标位姿数据,由于目标位姿数据中不包含易损失数据,因此采用目标位姿数据所确定的骨骼驱动系数所包含的信息准确度更高、全面性更好,从而基于该骨骼驱动系数进行蒙皮骨骼模型驱动,提高了驱动结果的准确度,进而提高了驱动结果与目标形象之间的匹配度。
在上述各技术方案的基础上,本申请还提供了另一可选实施例。参见图2A,在该实施例中,将“将待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据”,细化为“根据待处理位姿数据,确定包括易损失数据的矩阵耦合数据;对矩阵耦合数据进行变换处理,以将易损失数据转换为非易损失数据;根据变换后的矩阵耦合数据,生成目标位姿数据”,以完善目标位姿数据的确定机制。
如图2A所示的一种虚拟形象驱动方法,包括:
S201、获取采用虚拟形象模拟目标形象时的待处理位姿数据。
S202、根据待处理位姿数据,确定包括易损失数据的矩阵耦合数据。
待处理位姿数据中所包含的至少两种三维空间位姿数据之间存在数据耦合,而直接将待处理位姿数据转化为骨骼驱动系数时,通常也是由于耦合数据中的部分数据产生丢失导致骨骼驱动系数不准确的情况的发生。为了使得数据转换过程更具针对性,提高数据转化效率,同时减少对非必要数据的转换过程引入的额外误差,还可以在将易损失数据转换为非易损失数据之前,对待处理位姿数据中的耦合数据进行提取。
示例性地,可以根据待处理位姿数据中不同种类数据的分布情况,提取包括易损失数据的矩阵耦合数据。
在一个具体实施例中,参见图2B所示的一种待处理位姿数据的数据分布图,该待处理位姿数据20包括矩阵耦合数据21(包含易损失数据和非易损失数据)和矩阵非耦合数据22(包含非易损失数据),因此,可以根据数据分布情况,进行矩阵耦合数据21的提取。
示例性地,若待处理位姿数据包括错切数据、旋转数据、缩放数据和位移数据,错切数据、旋转数据和缩放数据之间彼此耦合,同时错切数据作为易损失数据,在将待处理位姿数据直接转换为骨骼驱动系数时容易丢失,因此,需要从待处理位姿数据中提取出包括错切数据的矩阵耦合数据。
S203、对矩阵耦合数据进行变换处理,以将易损失数据转换为非易损失数据。
对矩阵耦合数据中的已损失数据转换为非易损失数据,以更新矩阵耦合数据,此时更新后的矩阵耦合数据即为变换后的矩阵耦合数据,用于作为后续生成目标位姿数据的参照依据。
在一个可选实施例中,对矩阵耦合数据进行变换处理,以将易损失数据转换为非易损失数据,可以是:对矩阵耦合数据进行轴角变换,得到轴角耦合数据;对轴角耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
具体的,将矩阵耦合数据作为旋转矩阵,根据旋转矩阵与轴角之间的变换关系,生成包括旋转轴向量和旋转角向量的轴角耦合数据;根据轴角与旋转矩阵之间的变换关系,根据旋转轴向量和旋转角向量,生成新的旋转矩阵作为变换后的矩阵耦合数据。
可以理解的是,由于旋转矩阵与轴角之间的转换关系,需要使用旋转矩阵中的每个矩阵元素,因此,将不会产生旋转矩阵中的易损失数据的丢失情况,同时实现了将易损失数据向旋转数据这一非易损失数据的转换。另外,通过轴角与旋转矩阵之间的转换关系进行矩阵变换,使得变换后得到的矩阵耦合数据中,既包含原始的非易损失数据,又包含由易损失数据转换后得到的非易损失数据,因此变换后的矩阵耦合数据中涵盖了变换前的矩阵耦合数据中的所有信息,同时消除了矩阵耦合数据中部分数据的易丢失属性。
在另一可选实施例中,对矩阵耦合数据进行变换处理,以将易损失数据转换为非易损失数据,可以是:对矩阵耦合数据进行四元数变换,得到四元数耦合数据;对四元数耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
具体的,将矩阵耦合数据作为旋转矩阵,根据旋转矩阵与四元数之间的变换关系,生成四元数耦合数据;根据四元数与旋转矩阵之间的变换关系,根据四元数,生成新的旋转矩阵作为变换后的矩阵耦合数据。
可以理解的是,由于旋转矩阵与四元数之间的转换关系,需要使用旋转矩阵中的每个矩阵元素,因此,将不会产生旋转矩阵中的易损失数据的丢失情况,同时实现了将易损失数据向旋转数据这一非易损失数据的转换。另外,通过四元数与旋转矩阵之间的转换关系进行矩阵变换,使得变换后得到的矩阵耦合数据中,既包含原始的非易损失数据,又包含由易损失数据转换后得到的非易损失数据,因此变换后的矩阵耦合数据中涵盖了变换前的矩阵耦合数据中的所有信息,同时消除了矩阵耦合数据中部分数据的易丢失属性。
若矩阵耦合数据中包括缩放数据,直接矩阵耦合数据进行变换处理,将会存在由于缩放数据中缩放方向的存在,将会对变换结果的准确度带来一定的影响,进而影响后续骨骼驱动系数确定结果的准确度。为了避免上述情况的发生,在一个可选实施例中,在根据待处理位姿数据,确定包括易损失数据的矩阵耦合数据之后,在对矩阵耦合数据进行变换处理之前,还可以提取矩阵耦合数据中的缩放数据,并消除该缩放数据。
示例性地,可以对矩阵耦合数据进行归一化处理,以更新矩阵耦合数据。由于矩阵耦合数据中各矩阵元素的数值大小表征了三维空间表示的缩放程度和缩放方向,因此,通过对矩阵耦合数据进行归一化处理,能够提取并剔除矩阵耦合数据中缩放数据,从而消除了缩放数据对后续矩阵耦合数据的变换过程带来的影响,从而为骨骼驱动系数准确度的提高奠定了基础。
示例性地,可以采用现有技术中的任何一种归一化处理或至少两种归一化处理方式的组合,对矩阵耦合数据进行归一化处理。本申请对归一化处理的具体方式不做任何限定。
可选的,可以确定矩阵耦合数据中的各耦合基向量;分别对各耦合基向量进行归一化处理,并根据各归一化后的耦合基向量,生成矩阵耦合数据。
其中,耦合基向量可以是矩阵耦合数据中的列向量,通过分别对各列向量进行归一化处理,得到归一化耦合基向量;将各归一化耦合基向量根据各耦合基向量的排列顺序,组合生成矩阵耦合数据。当然,本领域技术人员还可以根据需要将矩阵耦合数据中的行向量作为耦合基向量,相应的,分别对各行向量进行归一化处理,用于进行矩阵耦合数据的生成,本申请实施例对此不做任何限定。
S204、根据变换后的矩阵耦合数据,生成目标位姿数据。
根据待处理位姿数据中不同种类数据的分布情况,将变换后的矩阵耦合数据和变换前的矩阵耦合数据中的非易损失数据组合,生成目标位姿数据。
在一个具体实现方式中,若矩阵耦合数据为旋转数据、错切数据和缩放数据等中的至少两种的耦合数据;非易损失数据包括旋转数据、缩放数据位移数据和投影数据等中的至少一种,则根据变换后的矩阵耦合数据,生成目标位姿数据,可以是:根据变换后的矩阵耦合数据、待处理位姿数据中的位移数据和投影数据,生成目标位姿数据。
需要说明的是,若在对矩阵耦合数据进行变换处理之前,对矩阵耦合数据进行了归一化处理,消除了缩放带来的影响,后续为了避免所生成的目标位姿数据的丢失,还需要根据缩放系数,对变换后的矩阵耦合数据进行缩放处理,从而实现对变换后的矩阵耦合数据的反归一化;根据缩放结果数据,生成目标位姿数据。
其中,缩放系数可以在对原始的矩阵耦合数据进行归一化处理时进行确定并存储。
S205、根据目标位姿数据确定骨骼驱动系数,用于驱动虚拟形象的蒙皮骨骼模型。
本申请实施例通过将目标位姿数据的得到操作,细化为根据待处理位姿数据,确定包括易损失数据的矩阵耦合数据;对矩阵耦合数据进行变换处理,以将易损失数据转换为非易损失数据;根据变换后的矩阵耦合数据,生成目标位姿数据。上述技术方案通过从待处理位姿数据中进行矩阵耦合数据的确定,仅对矩阵耦合数据进行变换处理,减少了数据运算量。同时,避免了对矩阵耦合数据之外的其他数据进行处理过程,额外引入误差导致最终生成的目标位姿数据不准确情况的发生,为骨骼驱动系数确定结果准确度的提高奠定了基础。
在上述各技术方案的基础上,本申请还提供了一种虚拟形象驱动方法的优选实施例。参见图3A所示的一种虚拟形象驱动方法,包括:
S301、获取虚拟形象模拟目标形象时的空间位姿数据;其中,空间位姿数据包括旋转数据、错切数据、缩放数据和位移数据。
S302、确定空间位姿数据中包括旋转数据、错切数据和缩放数据的空间耦合数据。
S303、将空间耦合数据中的各列向量作为耦合基向量,分别对各耦合基向量进行归一化处理。
S304、对归一化后的空间耦合数据进行轴角变换,生成旋转轴向量和旋转角向量。
示例性地,根据以下公式,生成旋转轴向量x、y、z和旋转角向量angle:
S305、对旋转轴向量和旋转角向量进行矩阵变换,生成目标耦合数据。
示例性地,根据以下公式,生成目标耦合数据[R]:
其中,c=cos(angle),s=sin(angle),t=1-c,angle为angle中的元素;x为x中的元素,y为y中的元素,z为z中的元素。
S306、根据归一化时的缩放系数,对目标耦合数据进行缩放处理,得到缩放结果数据。
S307、将缩放结果数据和位移数据组合,生成目标位姿数据。
S308、将目标位姿数据转换为骨骼驱动系数,用于驱动虚拟形象的蒙皮骨骼模型。
图3B为现有技术中的空间位姿数据直接转换成骨骼驱动系数的对比图。在该图中,通过实线展示世界坐标系(oxyz)下的空间位姿数据;通过虚线展示世界坐标系下的骨骼驱动系数对应位姿数据,也即将空间位姿数据直接变换得到的骨骼驱动系数,再反变换得到的位姿数据。通过对比可以看出,现有技术中骨骼驱动系数对应位姿数据和空间位姿数据,虽然存在一个重合的位姿轴(X-X'),但是两者差异较大。
图3C为本申请中的空间位姿数据和目标位姿数据的对比图,该图中,通过实线展示世界坐标系下的空间位姿数据;通过虚线展示世界坐标系下的目标位姿数据。通过对比可以看出,目标位姿数据获得了三个位姿轴(X-X'、Y-Y'和Z-Z')和空间位姿数据的所有信息的均衡结果,减少了信息损失,从而提高了骨骼驱动系数的准确度,进而提升了驱动结果的准确度,保证了驱动结果与目标形象之间的匹配度。
作为上述各虚拟形象驱动方法的实现,本申请还提供了一种实施虚拟形象驱动方法的虚拟装置的一个实施例。进一步参见图4所示的一种虚拟形象驱动装置400,包括:待处理位姿数据获取模块401、目标位姿数据得到模块402和骨骼驱动系数确定模块403。其中,
待处理位姿数据获取模块401,用于获取采用虚拟形象模拟目标形象时的待处理位姿数据;
目标位姿数据得到模块402,用于将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;
骨骼驱动系数确定模块403,用于根据所述目标位姿数据确定骨骼驱动系数,所述骨骼驱动系数用于驱动所述虚拟形象的蒙皮骨骼模型。
本申请实施例通过在使用骨骼驱动系数进行蒙皮骨骼模型驱动之前,将待处理位姿数据中的易损失数据转换为非易损失数据,得到目标位姿数据,由于目标位姿数据中不包含易损失数据,因此采用目标位姿数据所确定的骨骼驱动系数所包含的信息准确度更高、全面性更好,从而基于该骨骼驱动系数进行蒙皮骨骼模型驱动,提高了驱动结果的准确度,进而提高了驱动结果与目标形象之间的匹配度。
在一个可选实施例中,所述目标位姿数据得到模块402,包括:
矩阵耦合数据确定单元,用于根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据;
矩阵耦合数据变换单元,用于对所述矩阵耦合数据进行变换处理,以将所述易损失数据转换为所述非易损失数据;
目标位姿数据生成单元,用于根据变换后的矩阵耦合数据,生成所述目标位姿数据。
在一个可选实施例中,所述矩阵耦合数据变换单元,包括:
轴角变换子单元,用于对所述矩阵耦合数据进行轴角变换,得到轴角耦合数据;
第一矩阵变换子单元,用于对所述轴角耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
在一个可选实施例中,所述矩阵耦合数据变换单元,包括:
四元数变换子单元,用于对所述矩阵耦合数据进行四元数变换,得到四元数耦合数据;
第二矩阵变换子单元,用于对所述四元数耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
在一个可选实施例中,所述装置还包括:
归一化处理模块,用于在所述根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据之后,在所述对所述矩阵耦合数据进行变换处理之前,对所述矩阵耦合数据进行归一化处理,以更新所述矩阵耦合数据;
相应的,目标位姿数据生成单元,包括:
目标位姿数据生成子单元,用于根据缩放系数对变换后的矩阵耦合数据进行缩放处理,并根据缩放结果数据,生成所述目标位姿数据。
在一个可选实施例中,所述归一化处理模块,包括:
耦合基向量确定单元,用于确定所述矩阵耦合数据中的各耦合基向量;
向量归一化单元,用于分别对各所述耦合基向量进行归一化处理,并根据各归一化后的耦合基向量,生成所述矩阵耦合数据。
在一个可选实施例中,所述目标位姿数据生成单元,包括:
目标位姿数据生成子单元,用于根据所述变换后的矩阵耦合数据、所述待处理位姿数据中的位移数据和投影数据,生成所述目标位姿数据。
在一个可选实施例中,所述易损失数据包括错切数据;所述非易损失数据包括旋转数据。
上述虚拟形象驱动装置可执行本申请任意实施例所提供的虚拟形象驱动方法,具备执行虚拟形象驱动方法相应的功能模块和有益效果。
根据本申请的实施例,本申请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。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,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/或者要求的本申请的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元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。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
计算单元501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501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501执行上文所描述的各个方法和处理,例如虚拟形象驱动方法。例如,在一些实施例中,虚拟形象驱动方法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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的虚拟形象驱动方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行虚拟形象驱动方法。
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)、负载可编程逻辑设备(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。
用于实施本申请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。
在本申请的上下文中,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。
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。
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)、互联网和区块链网络。
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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。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。
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、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力
根据本申请实施例的技术方案,通过在使用骨骼驱动系数进行蒙皮骨骼模型驱动之前,将待处理位姿数据中的易损失数据转换为非易损失数据,得到目标位姿数据,由于目标位姿数据中不包含易损失数据,因此采用目标位姿数据所确定的骨骼驱动系数所包含的信息准确度更高、全面性更好,从而基于该骨骼驱动系数进行蒙皮骨骼模型驱动,提高了驱动结果的准确度,进而提高了驱动结果与目标形象之间的匹配度。
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,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种虚拟形象驱动方法,包括:
获取采用虚拟形象模拟目标形象时的待处理位姿数据;
将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;
根据所述目标位姿数据确定骨骼驱动系数,用于驱动所述虚拟形象的蒙皮骨骼模型。
2.根据权利要求1所述的方法,其中,所述将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据,包括:
根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据;
对所述矩阵耦合数据进行变换处理,以将所述易损失数据转换为所述非易损失数据;
根据变换后的矩阵耦合数据,生成所述目标位姿数据。
3.根据权利要求2所述的方法,其中,所述对所述矩阵耦合数据进行变换处理,以将所述易损失数据转换为所述非易损失数据,包括:
对所述矩阵耦合数据进行轴角变换,得到轴角耦合数据;
对所述轴角耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
4.根据权利要求2所述的方法,其中,所述对所述矩阵耦合数据进行变换处理,以将所述易损失数据转换为所述非易损失数据,包括:
对所述矩阵耦合数据进行四元数变换,得到四元数耦合数据;
对所述四元数耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
5.根据权利要求2-4任一项所述的方法,其中,在所述根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据之后,在所述对所述矩阵耦合数据进行变换处理之前,所述方法还包括:
对所述矩阵耦合数据进行归一化处理,以更新所述矩阵耦合数据;
相应的,根据变换后的矩阵耦合数据,生成所述目标位姿数据,包括:
根据缩放系数对变换后的矩阵耦合数据进行缩放处理,并根据缩放结果数据,生成所述目标位姿数据。
6.根据权利要求5所述的方法,其中,所述对所述矩阵耦合数据进行归一化处理,以更新所述矩阵耦合数据,包括:
确定所述矩阵耦合数据中的各耦合基向量;
分别对各所述耦合基向量进行归一化处理,并根据各归一化后的耦合基向量,生成所述矩阵耦合数据。
7.根据权利要求2-4任一项所述的方法,其中,所述根据变换后的矩阵耦合数据,生成所述目标位姿数据,包括:
根据所述变换后的矩阵耦合数据、所述待处理位姿数据中的位移数据和投影数据,生成所述目标位姿数据。
8.根据权利要求1-4任一项所述的方法,其中,所述易损失数据包括错切数据;所述非易损失数据包括旋转数据。
9.一种虚拟形象驱动装置,包括:
待处理位姿数据获取模块,用于获取采用虚拟形象模拟目标形象时的待处理位姿数据;
目标位姿数据得到模块,用于将所述待处理位姿数据中的易损失数据转换为非易损失数据,以得到目标位姿数据;
骨骼驱动系数确定模块,用于根据所述目标位姿数据确定骨骼驱动系数,所述骨骼驱动系数用于驱动所述虚拟形象的蒙皮骨骼模型。
10.根据权利要求9所述的装置,其中,所述目标位姿数据得到模块,包括:
矩阵耦合数据确定单元,用于根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据;
矩阵耦合数据变换单元,用于对所述矩阵耦合数据进行变换处理,以将所述易损失数据转换为所述非易损失数据;
目标位姿数据生成单元,用于根据变换后的矩阵耦合数据,生成所述目标位姿数据。
11.根据权利要求10所述的装置,其中,所述矩阵耦合数据变换单元,包括:
轴角变换子单元,用于对所述矩阵耦合数据进行轴角变换,得到轴角耦合数据;
第一矩阵变换子单元,用于对所述轴角耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
12.根据权利要求10所述的装置,其中,所述矩阵耦合数据变换单元,包括:
四元数变换子单元,用于对所述矩阵耦合数据进行四元数变换,得到四元数耦合数据;
第二矩阵变换子单元,用于对所述四元数耦合数据进行矩阵变换,得到变换后的矩阵耦合数据。
13.根据权利要求10-12任一项所述的装置,其中,所述装置还包括:
归一化处理模块,用于在所述根据所述待处理位姿数据,确定包括所述易损失数据的矩阵耦合数据之后,在所述对所述矩阵耦合数据进行变换处理之前,对所述矩阵耦合数据进行归一化处理,以更新所述矩阵耦合数据;
相应的,目标位姿数据生成单元,包括:
目标位姿数据生成子单元,用于根据缩放系数对变换后的矩阵耦合数据进行缩放处理,并根据缩放结果数据,生成所述目标位姿数据。
14.根据权利要求13所述的装置,其中,所述归一化处理模块,包括:
耦合基向量确定单元,用于确定所述矩阵耦合数据中的各耦合基向量;
向量归一化单元,用于分别对各所述耦合基向量进行归一化处理,并根据各归一化后的耦合基向量,生成所述矩阵耦合数据。
15.根据权利要求10-12任一项所述的装置,其中,所述目标位姿数据生成单元,包括:
目标位姿数据生成子单元,用于根据所述变换后的矩阵耦合数据、所述待处理位姿数据中的位移数据和投影数据,生成所述目标位姿数据。
16.根据权利要求9-12任一项所述的装置,其中,所述易损失数据包括错切数据;所述非易损失数据包括旋转数据。
17.一种电子设备,其中,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1-8中任一项所述的一种虚拟形象驱动方法。
18.一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计算机执行权利要求1-8中任一项所述的一种虚拟形象驱动方法。
19.一种位姿数据转换方法,包括:
获取待处理位姿数据;
将所述待处理位姿数据中的易损失数据转化为非易损失数据,以得到目标位姿数据。
20.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的一种虚拟形象驱动方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480515.8A CN112581573B (zh) | 2020-12-15 | 2020-12-15 | 虚拟形象驱动方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480515.8A CN112581573B (zh) | 2020-12-15 | 2020-12-15 | 虚拟形象驱动方法、装置、设备、介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581573A true CN112581573A (zh) | 2021-03-30 |
CN112581573B CN112581573B (zh) | 2023-08-04 |
Family
ID=75135263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480515.8A Active CN112581573B (zh) | 2020-12-15 | 2020-12-15 | 虚拟形象驱动方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581573B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034652A (zh) * | 2021-04-19 | 2021-06-25 | 广州虎牙科技有限公司 | 虚拟形象驱动方法、装置、设备及存储介质 |
CN113608615A (zh) * | 2021-08-05 | 2021-11-05 | 北京百度网讯科技有限公司 | 对象数据处理方法、处理装置、电子设备以及存储介质 |
CN114078184A (zh) * | 2021-11-11 | 2022-02-22 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN115147523A (zh) * | 2022-07-07 | 2022-10-04 | 北京百度网讯科技有限公司 | 虚拟形象驱动方法及装置、设备、介质和程序产品 |
CN115937373A (zh) * | 2022-12-23 | 2023-04-07 | 北京百度网讯科技有限公司 | 虚拟形象驱动方法、装置、设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695471A (zh) * | 2020-06-02 | 2020-09-22 | 北京百度网讯科技有限公司 | 虚拟形象生成方法、装置、设备以及存储介质 |
WO2020228385A1 (zh) * | 2019-05-15 | 2020-11-19 | 浙江商汤科技开发有限公司 | 虚拟对象的变形处理方法、装置、设备及存储介质 |
-
2020
- 2020-12-15 CN CN202011480515.8A patent/CN112581573B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228385A1 (zh) * | 2019-05-15 | 2020-11-19 | 浙江商汤科技开发有限公司 | 虚拟对象的变形处理方法、装置、设备及存储介质 |
CN111695471A (zh) * | 2020-06-02 | 2020-09-22 | 北京百度网讯科技有限公司 | 虚拟形象生成方法、装置、设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
BRANISLAV SOBOTA: "On the way to virtual training system based on human body movements" * |
何青;侯进;: "虚拟人骨架驱动皮肤变形的改进的热平衡法", 计算机仿真, no. 09 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034652A (zh) * | 2021-04-19 | 2021-06-25 | 广州虎牙科技有限公司 | 虚拟形象驱动方法、装置、设备及存储介质 |
CN113608615A (zh) * | 2021-08-05 | 2021-11-05 | 北京百度网讯科技有限公司 | 对象数据处理方法、处理装置、电子设备以及存储介质 |
CN114078184A (zh) * | 2021-11-11 | 2022-02-22 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN115147523A (zh) * | 2022-07-07 | 2022-10-04 | 北京百度网讯科技有限公司 | 虚拟形象驱动方法及装置、设备、介质和程序产品 |
CN115937373A (zh) * | 2022-12-23 | 2023-04-07 | 北京百度网讯科技有限公司 | 虚拟形象驱动方法、装置、设备以及存储介质 |
CN115937373B (zh) * | 2022-12-23 | 2023-10-03 | 北京百度网讯科技有限公司 | 虚拟形象驱动方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112581573B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581573B (zh) | 虚拟形象驱动方法、装置、设备、介质和程序产品 | |
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112862933B (zh) | 用于优化模型的方法、装置、设备以及存储介质 | |
CN113658309B (zh) | 三维重建方法、装置、设备以及存储介质 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN112184921A (zh) | 虚拟形象驱动方法、装置、设备和介质 | |
CN112785674A (zh) | 纹理贴图的生成方法、渲染方法、装置、设备及存储介质 | |
CN114792359B (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113409430B (zh) | 可驱动三维人物生成方法、装置、电子设备及存储介质 | |
CN115147265B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114677572B (zh) | 对象描述参数的生成方法、深度学习模型的训练方法 | |
CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN111754431B (zh) | 一种图像区域替换方法、装置、设备及存储介质 | |
CN114998490B (zh) | 一种虚拟对象生成方法、装置、设备及存储介质 | |
CN112562043B (zh) | 图像处理方法、装置和电子设备 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN116402914B (zh) | 用于确定风格化图像生成模型的方法、装置及产品 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN114078184B (zh) | 数据处理方法、装置、电子设备和介质 | |
CN115775300A (zh) | 人体模型的重建方法、人体重建模型的训练方法及装置 | |
CN115830640B (zh) | 一种人体姿态识别和模型训练方法、装置、设备和介质 | |
CN113610992B (zh) | 骨骼驱动系数确定方法、装置、电子设备及可读存储介质 | |
CN114037814B (zh) | 数据处理方法、装置、电子设备和介质 |
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 |