CN112785672B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112785672B CN112785672B CN202110070584.XA CN202110070584A CN112785672B CN 112785672 B CN112785672 B CN 112785672B CN 202110070584 A CN202110070584 A CN 202110070584A CN 112785672 B CN112785672 B CN 112785672B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- scene
- information
- attribute information
- 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
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
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;根据所述场景属性信息进行渲染处理,得到渲染图像;根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。本公开实施例可提高待处理图像的场景属性信息的精度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
逆向绘制与正向绘制不同,逆向绘制从图像出发,旨在估计图像场景中的基本元素,在游戏和增强现实(AR,Augmented Reality)等图形学和视觉领域普遍存在逆向绘制应用。
发明内容
本公开提出了一种用于进行图像处理的技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;
根据所述场景属性信息进行渲染处理,得到渲染图像;
根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。
在一种可能的实现方式中,所述根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息,包括:
确定所述待处理图像与所述渲染图像的差异;
在所述差异大于差异阈值时,对所述场景属性信息进行优化,并根据优化后的场景属性信息进行渲染处理,直至优化后的场景属性信息进行渲染处理得到的渲染图像,与所述待处理图像的差异小于或等于差异阈值。
在一种可能的实现方式中,所述场景属性信息包括场景法线信息、反射率信息、及光场信息中的至少一项。
在一种可能的实现方式中,所述对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息。
在一种可能的实现方式中,所述场景属性估计网络包括第一估计网络,所述第一估计网络包括第一特征提取编码器、第一解码器及第二解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入所述第一特征编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
在一种可能的实现方式中,所述场景属性估计网络包括第二估计网络,所述第二估计网络包括第二特征提取编码器及第三解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入所述第二特征编码器中进行特征提取,得到第二图像特征;
通过所述第三解码器对所述第二图像特征进行属性分析,得到所述待处理图像的场景法线信息。
在一种可能的实现方式中,所述方法还包括:
根据预设的训练集训练所述场景属性估计网络,所述训练集中包括多个样本图像,所述样本图像具有预标注的场景属性信息,其中,所述样本图像为根据所述预标注的场景属性信息进行渲染操作得到的。
在一种可能的实现方式中,所述方法还包括:
从优化后的场景属性信息中确定至少一项第一场景属性信息;
根据第二场景属性信息及所述第一场景属性信息进行渲染处理,得到场景渲染图像。
根据本公开的一方面,提供了一种图像处理装置,包括:
分析模块,用于对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;
第一渲染模块,用于根据所述场景属性信息进行渲染处理,得到渲染图像;
优化模块,用于根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。
在一种可能的实现方式中,所述优化模块,还用于:
确定所述待处理图像与所述渲染图像的差异;
在所述差异大于差异阈值时,对所述场景属性信息进行优化,并根据优化后的场景属性信息进行渲染处理,直至优化后的场景属性信息进行渲染处理得到的渲染图像,与所述待处理图像的差异小于或等于差异阈值。
在一种可能的实现方式中,所述场景属性信息包括场景法线信息、反射率信息、及光场信息中的至少一项。
在一种可能的实现方式中,所述分析模块,还用于:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息。
在一种可能的实现方式中,所述场景属性估计网络包括第一估计网络,所述第一估计网络包括第一特征提取编码器、第一解码器及第二解码器,所述分析模块,还用于:
将所述待处理图像输入所述第一特征编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
在一种可能的实现方式中,所述场景属性估计网络包括第二估计网络,所述第二估计网络包括第二特征提取编码器及第三解码器,所述分析模块,还用于:
将所述待处理图像输入所述第二特征编码器中进行特征提取,得到第二图像特征;
通过所述第三解码器对所述第二图像特征进行属性分析,得到所述待处理图像的场景法线信息。
在一种可能的实现方式中,所述装置还包括:
训练模块,用于根据预设的训练集训练所述场景属性估计网络,所述训练集中包括多个样本图像,所述样本图像具有预标注的场景属性信息,其中,所述样本图像为根据所述预标注的场景属性信息进行渲染操作得到的。
在一种可能的实现方式中,所述装置还包括:
确定模块,用于从优化后的场景属性信息中确定至少一项第一场景属性信息;
第二渲染模块,用于根据第二场景属性信息及所述第一场景属性信息进行渲染处理,得到场景渲染图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例可以对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,并根据所述场景属性信息进行渲染处理,得到渲染图像,进而根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。根据本公开实施例提供的图像处理方法及装置、电子设备和存储介质,可以通过对待处理图像的场景属性信息进行优化,提高待处理图像的场景属性信息的精度。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的示意图;
图2示出根据本公开实施例的图像处理方法的流程图;
图3示出根据本公开实施例的图像处理方法的示意图;
图4示出根据本公开实施例的图像处理方法的示意图;
图5示出根据本公开实施例的图像处理方法的示意图;
图6示出根据本公开实施例的图像处理装置的框图;
图7示出根据本公开实施例的一种电子设备800的框图;
图8示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在复杂场景下,由于图像场景中的基本元素之间的高度耦合,使得实现高保真和高效的逆向绘制以及重建存在较大的挑战性。
本公开实施例提供了一种图像处理方法,参照图1,可以对待处理图像进行属性分析后,得到待处理图像的场景属性信息,并根据场景属性信息进行渲染处理,得到对应的渲染图像。进而根据渲染图像与待处理图像之间的差异对待处理图像的场景属性信息进行优化,若优化后的场景属性信息再次渲染后,得到的渲染图像与待处理图像之间的差异大于差异阈值,则继续对优化后的场景属性信息进行优化,直至优化后的场景属性信息经过渲染得到的渲染图像,与待处理图像之间的差异小于或等于差异阈值,可以认为此时得到的优化后的场景属性信息是最精准的,以实现高保真和高效的逆向绘制。
图2示出根据本公开实施例的图像处理方法的流程图,所述图像处理方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
如图2所示,所述图像处理方法可以包括:
在步骤S21中,对待处理图像进行属性分析,得到所述待处理图像的场景属性信息。
举例来说,本公开实施例对于待处理图像的格式以及包含内容并没有严格的约束,待处理图像可以包括常见的png,jpg等低动态图像格式,通过普通相机拍摄的图像或者网络图片均可作为待处理图像。
可以对待处理图像进行属性分析,以得到待处理图像的场景属性信息。例如:可以预训练用于估计待处理图像的场景属性信息的神经网络,通过该神经网络对待处理图像进行属性分析,得到待处理图像的场景属性信息,该神经网络可以为深度神经网络,本公开实施例不对该神经网络做具体限定。
在一种可能的实现方式中,所述场景属性信息可以包括场景法线信息、反射率信息、及光场信息中的至少一项。
其中,场景法线信息包括待处理图像中各像素点所在平面的法线值,反射率信息包括待处理图像中各像素点对应的反射率值,光场信息包括待处理图像各像素点的球谐系数。其中,场景法线信息、反射率信息、及光场信息可以以图、矩阵、向量等方式进行展示,本公开实施例对于场景法线信息、反射率信息、及光场信息的展示方式不作具体限定。为了使本领域技术人员更好的理解本公开实施例,本公开实施例中以图的展示方式为例,对场景法线信息、反射率信息、及光场信息进行展示。
示例性的,场景法线信息展示为场景法线贴图,场景法线贴图中任一像素点为单位长度矢量,该单位长度矢量为待处理图像中该像素点所在平面的法线值。发射率信息展示为反射率图,反射率图中任一像素点的像素值为待处理图像中该像素点对应的反射率值。光场信息展示为光场图,光场图表示为待处理图像中每一像素点的9个球谐系数。示例性的,可以对待处理图像进行属性分析,得到待处理图像的场景法线信息、反射率信息、及光场信息。
在步骤S22中,根据所述场景属性信息进行渲染处理,得到渲染图像。
举例来说,可以通过渲染器对得到的待处理图像的场景属性信息进行渲染处理,得到渲染图像。示例性的,渲染器可以由基本的矩阵乘法运算来实现着色渲染过程,渲染器即充当像素着色器,针对每个像素点的着色都是单独计算的。这样,可以使得在用于对待处理图像进行属性分析的神经网络的训练过程中,能够无缝地利用GPU(GraphicsProcessing Unit,图像处理器)加速集成。
示例性的,对待处理图像进行属性分析得到的场景属性信息包括场景法线信息、反射率信息、及光场信息时,可以通过下述公式(一)实现渲染过程。
其中,用于表示渲染图像,用于表示反射率信息,用于表示光场信息,用于表示场景法线信息,B用于表示渲染方式,本公开实施例不对B做具体限定。在一种可能的渲染方式中,可以对所在的半球进行随机方向采样光场得到对应方向的光照强度信息,并乘以采样光线方向和法线方向点积得到颜色值并求平均颜色值。
在步骤S23中,根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。
举例来说,在得到渲染图像后,可以根据渲染图像及待处理图像,对场景属性信息进行优化,以使得优化后的场景属性信息,经渲染后得到的渲染图像与待处理图像无限接近。
本公开实施例可以对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,并根据所述场景属性信息进行渲染处理,得到渲染图像,进而根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。根据本公开实施例提供的图像处理方法,可以通过对待处理图像的场景属性信息进行优化,提高待处理图像的场景属性信息的精度。
在一种可能的实现方式中,所述根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息,可以包括:
确定所述待处理图像与所述渲染图像的差异;
在所述差异大于差异阈值时,对所述场景属性信息进行优化,并根据优化后的场景属性信息进行渲染处理,直至优化后的场景属性信息进行渲染处理得到的渲染图像,与所述待处理图像的差异小于或等于差异阈值。
举例来说,可以确定待处理图像与渲染图像之间的差异。示例性的,可以将待处理图像及渲染图像分别作为数组加载,并逐个计算两个数组中元素之间的差,通过计算两个数组中元素之间的差的范数得到待处理图像与渲染图像之间的差异。或者,可以通过计算待处理图像与渲染图像的特征向量之间的距离,得到待处理图像与渲染图像之间的差异。本公开实施例不对确定待处理图像与渲染图像之间的差异的方式做具体限定,任一用于确定图像之间差异的方式均可。
在差异大于差异阈值时(差异阈值为预设的数值,具体取值可以根据需求进行确定),可以确定当前场景属性信息精准度并不高,故可以对场景属性信息进行优化,即调整场景属性信息中各像素点的值,并循环根据优化后的场景属性信息进行渲染得到渲染图像,根据渲染图像与待处理图像之间的差异对场景属性信息进行优化的过程,直至优化后的场景属性信息渲染后得到的渲染图像与待处理图像之间的差异小于或等于差异阈值。
示例性的,可以对至少一项场景属性信息进行优化,例如:对待处理图像进行属性分析后,得到待处理图像的场景法线信息、反射率信息及光场信息,则可以通过场景法线信息、反射率信息及光场信息进行渲染后,得到对应的渲染图像。可以根据渲染图像及待处理图像之间的差异对反射率信息及光场信息进行优化,并可以根据优化后的反射率信息、优化后的光场信息及场景法线信息进行渲染得到优化后的渲染图像,并根据该优化后的渲染图像及待处理图像之间的差异继续对反射率信息及光场信息进行优化,直至优化后的渲染图像及待处理图像之间的差异小于或等于差异阈值。
这样,通过渲染图像与待处理图像之间的差异优化场景属性信息,可以提高获得的场景属性信息的精度。
在一种可能的实现方式中,所述对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,可以包括:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息。
举例来说,可以预训练用于对待处理图像进行属性分析的场景属性估计网络,将待处理图像作为该场景属性估计网络的输入,该场景属性估计网络的输出即为待处理图像的场景属性信息。
在一种可能的实现方式中,所述场景属性估计网络可以包括第一估计网络,所述第一估计网络可以包括第一特征提取编码器、第一解码器及第二解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,可以包括:
将所述待处理图像输入所述第一特征编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
举例来说,第一估计网络用于对待处理图像进行属性分析,得到待处理图像的反射率信息和光场信息,其可以采用U-net结构,具体地第一估计网络可以包括第一特征提取编码器、第一解码器及第二解码器,其中第一解码器通过对待处理图像的图像特征进行属性分析,可以得到待处理图像的反射率信息,第二解码器通过对待处理图像的图像特征进行属性分析,可以得到待处理图像的光场信息。
由于反射率和光照系数紧密相关,并且高度依赖于图像的局部信息,故第一估计网络中第一解码器及第二解码器共用一个第一特征提取编码器,由第一特征提取编码器对待处理图像进行特征提取,得到第一图像特征后,分别通过第一解码器及第二解码器对第一图像特征进行属性分析,得到待处理图像的反射率信息和光场信息。
这样一来,可以缓解过度拟合的情况,提高待处理图像的反射率信息和光场信息的精度,还可以显著减小场景属性估计网络的规模。
在一种可能的实现方式中,其所述场景属性估计网络可以包括第二估计网络,所述第二估计网络包括第二特征提取编码器及第三解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,可以包括:
将所述待处理图像输入所述第二特征编码器中进行特征提取,得到第二图像特征;
通过所述第三解码器对所述第二图像特征进行属性分析,得到所述待处理网络的场景法线信息。
举例来说,第二估计网络用于对待处理图像进行属性分析,得到待处理图像的场景法线信息。全局信息对于估计场景法线贴图至关重要,因此,第二估计网络单独使用与第一估计网络类似的U-net结构,网络权重不与第一估计网络共享。具体地,第二估计网络可以包括第二特征提取编码器及第三解码器,由第二特征提取编码器对待处理图像进行特征提取,得到第二图像特征后,通过第三解码器对第二图像特征进行属性分析,得到待处理图像的场景法线信息。
这样一来,可以提高获得的待处理图像的场景法线信息的精度。
在一种可能的实现方式中,所述方法还可以包括:根据预设的训练集训练所述场景属性估计网络,所述训练集中包括多个样本图像,所述样本图像具有预标注的场景属性信息,其中,所述样本图像为根据所述预标注的场景属性信息进行渲染操作得到的。
举例来说,本公开实施例中可以根据预设的场景属性信息,预先生成大量的样本数据,例如:可以根据预设的3维场景属性数据通过渲染处理生成预设的光场信息、预设的场景法线信息和预设的反射率信息,进而根据预设的场景属性信息通过渲染处理生成样本图像。其中,用于生成该样本图像的场景属性信息即作为该样本图像的标注信息。根据生成的大量的样本图像可以构建用于训练场景属性估计网络的训练集。
示例性的,参照图3所示,场景属性估计网络可以包括第一估计网络和第二估计网络,反射率和光照系数紧密相关,并且高度依赖于图像的局部信息,而全局信息对于估计场景法线信息至关重要,故第一估计网络中第一解码器及第二解码器共用一个第一特征提取编码器,第二估计网络单独使用一个第二特征提取编码器。
具体地,第一估计网络可以包括第一特征提取编码器、第一解码器和第二解码器,第二估计网络可以包括第二特征提取编码器和第三解码器。示例性的,编码器(包括第一特征提取编码器和第二特征提取编码器)包含六个残差块,每个残差块可以具有三个卷积层,其中第一层的卷积步长为2,其余两层的卷积步长为1。第一估计网络及第二估计网络统一使用ReLU激活函数。解码器(包括第一解码器、第二解码器和第三解码器)可以使用双线性插值和正向卷积。每个解码器具有12个卷积层,特征图数量与编码器相同,顺序相反。在每个解码器块处,实现跳过连接以通过级联传输信息。
样本图像分别输入第一特征提取编码器及第二特征提取编码器中,第一特征提取编码器对样本图像进行特征提取后,得到第一图像特征,第二特征提取编码器对样本图像进行特征提取后,得到第二图像特征。第一图像特征分别输入第一解码器和第二解码器中,由第一解码器对第一图像特征进行属性分析,可以得到样本图像的反射率信息,由第二解码器对第一图像特征进行属性分析,可以得到样本图像的光场信息。第二图像特征输入第三解码器进行属性分析后,可以得到样本图像的场景法线信息。
通过样本图像的标注信息(预设的光场信息、预设的场景法线信息和预设的反射率信息)和样本图像的场景属性信息(光场信息、场景法线信息和反射率信息),可以得到场景属性估计网络的网络损失,在网络损失未达到训练精度要求时(例如:网络损失大于损失阈值),可以通过该网络损失调整场景属性估计网络的网络参数,直至场景属性估计网络的网络损失满足训练精度要求(例如:网络损失小于损失阈值),完成训练,得到训练后的场景属性估计网络。
需要说明的是,本公开实施例对于计算网络损失的方式不做具体限定方式,任一计算网络损失的方式均可以,例如:1范式、2范式等方式。
这样一来,可以通过场景属性估计网络估计待处理图像的场景属性信息,包括反射率信息,场景法线信息和光场信息,对于待处理图像的分解更加彻底,进而使得通过场景属性信息进行重建的重建效果也更加准确,并且获得的空间变化的光场信息和场景法线信息,可用于重光照,材质替换等,为增强现实的诸多应用提供了可能性。
为使本领域技术人员更好的理解本公开实施例,以下通过具体示例对本公开实施例加以说明,本公开实施例仅作为一种示例,而不理解为是一种限定。
参照图3,待处理图像输入场景属性估计网络。第一特征提取编码器可以对待处理图像进行特征提取,得到第一图像特征,第二特征提取编码器可以对待处理图像进行特征提取,得到第二图像特征。第一解码器对第一图像特征进行属性估计,可以得到待处理图像的反射率信息,第二解码器对第一图像特征进行属性估计,可以得到待处理图像的光场信息。第三解码器对第二图像特征进行属性估计,可以得到待处理图像的场景法线信息(图3中反射率信息以反射率图的形式展示、光场信息以光场图的形式展示、场景法线信息以场景法线贴图的形式展示)。
通过待处理图像的反射率信息、光场信息和场景法线信息进行渲染,可以得到渲染图像。进一步的通过渲染图像及待处理图像之间的差异可以对待处理图像的反射率信息、光场信息进行优化,得到优化后的反射率信息和优化后的光场信息。
在一种可能的实现方式中,所述方法还可以包括:
从优化后的场景属性信息中确定至少一项第一场景属性信息;
根据第二场景属性信息及所述第一场景属性信息进行渲染处理,得到场景渲染图像。
举例来说,在得到待处理图像优化后的场景属性信息后,可以通过对优化后的场景属性信息中的至少一项进行变化或者替换处理等,以实现对待处理图像的重光照或者纹理替换等操作。或者,可以根据待处理图像的至少一项优化后的场景属性信息对其他图像进行重光照或者纹理替换等操作。
示例性的,第一场景属性信息可以为优化后的场景属性信息中的至少一项,第二场景属性信息为用于对优化后的场景属性信息中,除第一场景属性信息以外的第三场景属性信息进行替换的场景属性信息,该第二场景属性信息可以为预置的信息,也可以为对第三场景属性信息进行调整变化后得到的信息。
通过渲染器对第二场景属性信息及第一场景属性信息进行渲染处理,可以得到对应的场景渲染图像。
示例性的,结合图4和图5,在重光照应用场景中,假设待处理图像为中午拍摄的图像,则可以在得到待处理图像的场景法线信息、光场信息和反射率信息的情况下,确定场景法线信息和反射率信息为第一场景属性信息。并可以将夜间场景下的光场信息(可以通过对待处理图像的光场信息进行调整得到,或者直接对夜间场景下拍摄的图像进行属性分析,得到光场信息)作为第二场景属性信息,对待处理图像的场景法线信息和反射率信息及夜间场景下的光场信息进行渲染,可以得到待处理图像进行重光照处理后的场景渲染图像,模拟得到该场景在夜间的图像(图4中反射率信息以反射率图的形式展示、光场信息以光场图的形式展示、场景法线信息以场景法线贴图的形式展示)。
本公开实施例可以估计获取待处理图像在现实场景的固有场景属性信息,包括反射率信息,场景法线信息和光场信息。用户可以给定不同的场景属性信息,来获取该现实场景对应的场景渲染图像,实现重光照或者纹理替换。也可以利用估计的场景属性信息将虚拟物体嵌入到真实环境中,虚拟物体可能是某个虚拟游戏角色,可能是装潢时的家具,达到虚实融合的效果。
本公开实施例可以得到待处理图像的固有场景属性信息,包括反射率信息,场景法线信息和光场信息,对待处理图像的分解更加彻底,进而使得根据场景属性信息的重建效果也更加准确。获得的场景属性信息,可用于重光照,材质替换等,为增强现实的诸多应用提供了可能性。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图6示出根据本公开实施例的图像处理装置的框图,如图6所示,所述装置包括:
分析模块61,可以用于对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;
第一渲染模块62,可以用于根据所述场景属性信息进行渲染处理,得到渲染图像;
优化模块63,可以用于根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。
本公开实施例可以对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,并根据所述场景属性信息进行渲染处理,得到渲染图像,进而根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息。根据本公开实施例提供的图像处理装置,可以通过对待处理图像的场景属性信息进行优化,提高待处理图像的场景属性信息的精度。
在一种可能的实现方式中,所述优化模块63,还可以用于:
确定所述待处理图像与所述渲染图像的差异;
在所述差异大于差异阈值时,对所述场景属性信息进行优化,并根据优化后的场景属性信息进行渲染处理,直至优化后的场景属性信息进行渲染处理得到的渲染图像,与所述待处理图像的差异小于或等于差异阈值。
在一种可能的实现方式中,所述场景属性信息可以包括场景法线信息、反射率信息、及光场信息中的至少一项。
在一种可能的实现方式中,所述分析模块61,还可以用于:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息。
在一种可能的实现方式中,所述场景属性估计网络包括第一估计网络,所述第一估计网络包括第一特征提取编码器、第一解码器及第二解码器,所述分析模块61,还可以用于:
将所述待处理图像输入所述第一特征编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
在一种可能的实现方式中,所述场景属性估计网络包括第二估计网络,所述第二估计网络包括第二特征提取编码器及第三解码器,所述分析模块61,还可以用于:
将所述待处理图像输入所述第二特征编码器中进行特征提取,得到第二图像特征;
通过所述第三解码器对所述第二图像特征进行属性分析,得到所述待处理图像的场景法线信息。
在一种可能的实现方式中,所述装置还可以包括:
训练模块,可以用于根据预设的训练集训练所述场景属性估计网络,所述训练集中包括多个样本图像,所述样本图像具有预标注的场景属性信息,其中,所述样本图像为根据所述预标注的场景属性信息进行渲染操作得到的。
在一种可能的实现方式中,所述装置还可以包括:
确定模块,可以用于从优化后的场景属性信息中确定至少一项第一场景属性信息;
第二渲染模块,可以用于根据第二场景属性信息及所述第一场景属性信息进行渲染处理,得到场景渲染图像。在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800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,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816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816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,电子设备800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,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;
根据所述场景属性信息进行渲染处理,得到渲染图像;
根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息;
所述场景属性信息包括反射率信息和光场信息;
所述对待处理图像进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息;
所述场景属性估计网络包括第一估计网络,所述第一估计网络包括第一特征提取编码器、第一解码器及第二解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入所述第一特征提取编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息,包括:
确定所述待处理图像与所述渲染图像的差异;
在所述差异大于差异阈值时,对所述场景属性信息进行优化,并根据优化后的场景属性信息进行渲染处理,直至优化后的场景属性信息进行渲染处理得到的渲染图像,与所述待处理图像的差异小于或等于差异阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述场景属性信息还包括场景法线信息。
4.根据权利要求3所述的方法,其特征在于,所述场景属性估计网络包括第二估计网络,所述第二估计网络包括第二特征提取编码器及第三解码器,所述将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息,包括:
将所述待处理图像输入所述第二特征提取编码器中进行特征提取,得到第二图像特征;
通过所述第三解码器对所述第二图像特征进行属性分析,得到所述待处理图像的场景法线信息。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的训练集训练所述场景属性估计网络,所述训练集中包括多个样本图像,所述样本图像具有预标注的场景属性信息,其中,所述样本图像为根据所述预标注的场景属性信息进行渲染操作得到的。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
从优化后的场景属性信息中确定至少一项第一场景属性信息;
根据第二场景属性信息及所述第一场景属性信息进行渲染处理,得到场景渲染图像。
7.一种图像处理装置,其特征在于,包括:
分析模块,用于对待处理图像进行属性分析,得到所述待处理图像的场景属性信息;
第一渲染模块,用于根据所述场景属性信息进行渲染处理,得到渲染图像;
优化模块,用于根据所述待处理图像及所述渲染图像,对所述场景属性信息进行优化,得到优化后的场景属性信息;
所述场景属性信息包括反射率信息和光场信息;
所述分析模块,还用于:
将所述待处理图像输入场景属性估计网络进行属性分析,得到所述待处理图像的场景属性信息;
所述场景属性估计网络包括第一估计网络,所述第一估计网络包括第一特征提取编码器、第一解码器及第二解码器,所述分析模块,还用于:
将所述待处理图像输入所述第一特征提取编码器中进行特征提取,得到第一图像特征;
通过所述第一解码器对所述第一图像特征进行属性分析,得到所述待处理图像的反射率信息,及通过所述第二解码器对所述第一图像特征进行属性分析,得到所述待处理图像的光场信息。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070584.XA CN112785672B (zh) | 2021-01-19 | 2021-01-19 | 图像处理方法及装置、电子设备和存储介质 |
PCT/CN2021/103195 WO2022156150A1 (zh) | 2021-01-19 | 2021-06-29 | 图像处理方法及装置、电子设备、存储介质及计算机程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070584.XA CN112785672B (zh) | 2021-01-19 | 2021-01-19 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785672A CN112785672A (zh) | 2021-05-11 |
CN112785672B true CN112785672B (zh) | 2022-07-05 |
Family
ID=75757708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110070584.XA Active CN112785672B (zh) | 2021-01-19 | 2021-01-19 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112785672B (zh) |
WO (1) | WO2022156150A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785672B (zh) * | 2021-01-19 | 2022-07-05 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113537194A (zh) * | 2021-07-15 | 2021-10-22 | Oppo广东移动通信有限公司 | 光照估计方法、光照估计装置、存储介质与电子设备 |
CN113436247B (zh) * | 2021-07-29 | 2024-03-01 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN116612244B (zh) * | 2023-07-21 | 2023-09-29 | 之江实验室 | 一种图像生成方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986199A (zh) * | 2018-06-14 | 2018-12-11 | 北京小米移动软件有限公司 | 虚拟模型处理方法、装置、电子设备及存储介质 |
CN110892453A (zh) * | 2017-07-10 | 2020-03-17 | 三星电子株式会社 | 使用图像/视频编解码器的点云和网格压缩 |
CN110910486A (zh) * | 2019-11-28 | 2020-03-24 | 浙江大学 | 室内场景光照估计模型、方法、装置、存储介质以及渲染方法 |
CN111462268A (zh) * | 2020-03-31 | 2020-07-28 | 北京市商汤科技开发有限公司 | 图像重建方法及装置、电子设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134230B (zh) * | 2014-01-22 | 2015-10-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及计算机设备 |
EP3311363B1 (en) * | 2015-06-17 | 2020-08-05 | Rosemount Aerospace Inc. | System and method for processing captured images |
CN109166170A (zh) * | 2018-08-21 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于渲染增强现实场景的方法和装置 |
CN110659581B (zh) * | 2019-08-29 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN110855958B (zh) * | 2019-11-18 | 2022-04-26 | RealMe重庆移动通信有限公司 | 图像调节方法及装置、电子设备、存储介质 |
CN111652960B (zh) * | 2020-05-07 | 2022-07-15 | 浙江大学 | 基于可微渲染器的从单幅图像求解人脸反射材质的方法 |
CN111915712A (zh) * | 2020-08-28 | 2020-11-10 | 网易(杭州)网络有限公司 | 光照渲染方法、装置、计算机可读介质及电子设备 |
CN112183637B (zh) * | 2020-09-29 | 2024-04-09 | 中科方寸知微(南京)科技有限公司 | 一种基于神经网络的单光源场景光照重渲染方法及系统 |
CN112785672B (zh) * | 2021-01-19 | 2022-07-05 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2021
- 2021-01-19 CN CN202110070584.XA patent/CN112785672B/zh active Active
- 2021-06-29 WO PCT/CN2021/103195 patent/WO2022156150A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110892453A (zh) * | 2017-07-10 | 2020-03-17 | 三星电子株式会社 | 使用图像/视频编解码器的点云和网格压缩 |
CN108986199A (zh) * | 2018-06-14 | 2018-12-11 | 北京小米移动软件有限公司 | 虚拟模型处理方法、装置、电子设备及存储介质 |
CN110910486A (zh) * | 2019-11-28 | 2020-03-24 | 浙江大学 | 室内场景光照估计模型、方法、装置、存储介质以及渲染方法 |
CN111462268A (zh) * | 2020-03-31 | 2020-07-28 | 北京市商汤科技开发有限公司 | 图像重建方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112785672A (zh) | 2021-05-11 |
WO2022156150A1 (zh) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785672B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN106598739B (zh) | 视频渲染方法及装置 | |
US11341768B2 (en) | Face image processing method and apparatus, electronic device, and storage medium | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN112991553B (zh) | 信息展示方法及装置、电子设备和存储介质 | |
CN111815750A (zh) | 对图像打光的方法及装置、电子设备和存储介质 | |
CN110989901A (zh) | 图像定位的交互显示方法及装置、电子设备和存储介质 | |
CN108174269B (zh) | 可视化音频播放方法及装置 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN112991381A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114581542A (zh) | 图像预览方法及装置、电子设备和存储介质 | |
CN109756783B (zh) | 海报的生成方法及装置 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN111861942A (zh) | 一种降噪方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
CN110896492B (zh) | 图像处理方法、装置及存储介质 | |
CN110312117B (zh) | 数据刷新方法及装置 | |
CN109754452B (zh) | 图像渲染的处理方法、装置、电子设备及存储介质 | |
CN112906467A (zh) | 合影图像生成方法及装置、电子设备和存储介质 | |
CN112802032A (zh) | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045356 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |