CN112883494A - 自行车三维模型重建方法和装置 - Google Patents
自行车三维模型重建方法和装置 Download PDFInfo
- Publication number
- CN112883494A CN112883494A CN202110286477.0A CN202110286477A CN112883494A CN 112883494 A CN112883494 A CN 112883494A CN 202110286477 A CN202110286477 A CN 202110286477A CN 112883494 A CN112883494 A CN 112883494A
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- bicycle
- candidate
- rgb image
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出一种自行车三维模型重建方法和装置,其中,方法包括:根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据目标基础几何体组成候选三维模型,其中,RGB图像中包含自行车图像区域;将候选三维模型投影到RGB图像中,确定候选三维模型与RGB图像对应的对齐点;根据对齐点确定候选三维模型的纹理特征,并根据纹理特征生成候选三维模型的纹理生成自行车三维模型。由此,可以实现结构化的,具有细粒度几何与纹理特征的自行车三维模型的构建。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种自行车三维模型重建方法和装置。
背景技术
目前,从RGB图像进行三维模型重建是计算机视觉中的重要问题。近两三年来,深度学习方法已经在三维模型重建中取得了重要进展。一些完全依赖于深度学习的方法,如PIFu(Pixel-Aligned Implicit Function),在重建过程中仅仅从RGB图像的像素出发,而没有考虑到目标模型的几何先验特征,容易导致几何不一致的结果。近期另一些利用基本几何模型来拟合整体的方法,如VP(Volumetric Primitives),SIF(Structured ImplicitFunction)等,一方面证明了这一类方法的可行性,但另一方面由于其选择的几何形状在拓扑上单一,其表达能力受限,并且不能很好的表征细节或几何上奇异的部分。
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,本发明的第一个目的在于提出一种自行车三维模型重建方法,以实现结构化的,具有细粒度几何与纹理特征的自行车三维模型的构建。
本发明的第二个目的在于提出一种自行车三维模型重建装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种自行车三维模型重建方法,包括:根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域;
将所述候选三维模型投影到所述RGB图像中,确定所述候选三维模型与所述RGB图像对应的对齐点;
根据所述对齐点确定所述候选三维模型的纹理特征,并根据所述纹理特征生成所述候选三维模型的纹理生成自行车三维模型。
为达上述目的,本发明第二方面实施例提出了一种自行车三维模型重建装置,包括:组成模块,用于根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域;
确定模块,用于将所述候选三维模型投影到所述RGB图像中,确定所述候选三维模型与所述RGB图像对应的对齐点;
模型生成模块,用于根据所述对齐点确定所述候选三维模型的纹理特征,并根据所述纹理特征生成所述候选三维模型的纹理生成自行车三维模型。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述第一方面实施例所述的自行车三维模型重建方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面实施例所述的自行车三维模型重建方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如上述第一方面实施例所述的自行车三维模型重建方法。
本发明的实施例,至少具有如下的技术效果:
利用符合自行车几何特征的基础几何形状之组合来表示自行车的三维模型;利用几何约束让深度神经网络学习已有的无几何语义、非结构化模型对应的上述简单几何形状的组合表示,得到自行车的粗层次的几何分解;将上述所得几何体重新映回RGB图像,得到几何体上部分点与RGB图像像素的对应关系;在此对齐关系下,利用图像特征对前述所得粗层次结果进行细化,同时得到纹理映射,得到更具细节特征的几何与纹理表达。经过以上步骤,即可以得到结构化的,具有细粒度几何与纹理特征的自行车三维模型。
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为本发明实施例所提供的一种自行车三维模型重建方法的流程示意图;
以及
图2为本发明实施例所提供的一种自行车三维模型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,所述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。
下面参考附图描述本发明实施例的自行车三维模型重建方法和装置。
图1为本发明实施例所提供的一种自行车三维模型重建方法的流程示意图。
为了针对性的解决上述问题,本发明根据自行车的几何结构特征提出一种特别针对自行车模型的基于几何模板与几何约束的自行车三维模型重建方法,可以得到几何上一致的重建结果。
如图1所示,该自行车三维模型重建方法包括以下步骤:
步骤101,根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域。
本实施例中,利用符合自行车几何特征的基础几何体之组合,如圆柱、圆环等形状的组合来表示自行车的三维模型,同时利用自行车的几何特征与对称性来约束本步骤中各基础几何体之间的位置关系。
在上述约束下,利用深度神经网络学习一个基本几何体的组合来拟合已有的自行车模型,即学习一个从整体模型到简单几何体之组合的映射。
步骤102,将候选三维模型投影到RGB图像中,确定候选三维模型与RGB图像对应的对齐点。
步骤103,根据对齐点确定候选三维模型的纹理特征,并根据纹理特征生成候选三维模型的纹理生成自行车三维模型。
在本实施例中,得到上述映射之后,利用另一个深度神经网络从RGB图像中学习该图像中出现的简单几何体,而后将这些组合体组合成一个整体形状,将上述整体形状重新投影回RGB图像中使三维点的投影与RGB图像中对应的像素点对齐,基于对齐点在RGB图像中的像素来预测三维模型对应位置的纹理,同时基于对称性来预测不可见区域的纹理,基于对齐的点,利用深度神经网络来预测最终模型的局部细节形变,从而提高最终生成的模型质量,基于对齐的点,利用深度神经网络从RGB图像来预测对应三维点的纹理特征,从而实现带有纹理的三维模型重建,利用如上所述的基于几何模板与几何约束的自行车三维模型重建流程,可以得到一个几何上一致,且纹理与图像对齐的自行车三维模型。
为此,本发明利用特别针对自行车设计的简单几何形状模板(圆环形、圆柱形)之组合来拟合整体的、非结构化的自行车模型;利用了深度学习算法从RGB图像来预测上述组合,得到具有几何特征的初步三维模型;再利用重新投影对齐,对几何细节与纹理进行优化;同时,在整个过程中,利用基本几何形状之间的几何关系来约束整体模型,亦应用对称性约束来优化形状与纹理的预测。本发明经过以上步骤,即可以得到几何上一致,且纹理与图像对齐的自行车三维模型。
对基于几何模板与几何约束的自行车三维模型重建的一个实施例的说明如下:
步骤S101,基于简单几何形状之组合的模型拟合部分。考虑到自行车模型的几何特征,本发明在本阶段使用圆环形和圆柱形这两种拓扑不一致的基本几何形状,同时同于整体几何的重建。对于已有的无几何语义、非结构化的自行车模型,本发明使用匹配原模型与重建模型二者的隐式表达函数(Implicit Function)来拟合原模型。同时,考虑到自行车的对称性特征,本步骤中同时要求重建整体满足对称性要求。
步骤S102,重投影部分。在步骤S101得到初步重建的整体模型后,利用深度神经网络预测出对应的投影参数,并将该模型重新投影到RGB图像上,与RGB图像中的自行车位置对齐。
步骤S103,几何优化部分。在已经得到步骤S102得到的三维模型与二维图像的对齐关系后,利用图像中的特征对初步重建模型的几何细节进行优化,以增强本方法的几何细节表征能力。
步骤S104,纹理优化部分。在已经得到步骤S102得到的三维模型与二维图像的对齐关系后,利用图像中的特征通过深度神经网络预测模型对应部分的纹理。同时,此步骤中亦增加对称性约束来预测不可见区域的纹理。
综上,本发明实施例的自行车三维模型重建方法,根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据目标基础几何体组成候选三维模型,其中,RGB图像中包含自行车图像区域,将候选三维模型投影到RGB图像中,确定候选三维模型与RGB图像对应的对齐点,根据对齐点确定候选三维模型的纹理特征,并根据纹理特征生成候选三维模型的纹理生成自行车三维模型。由此,可以实现结构化的,具有细粒度几何与纹理特征的自行车三维模型的构建。
为了实现上述实施例,本发明还提出一种自行车三维模型重建装置。
图2为本发明实施例提供的一种自行车三维模型重建装置的结构示意图。
如图2所示,该自行车三维模型重建装置包括:组成模块210、确定模块220、模型生成模块230。
其中,组成模块210,用于根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域;
确定模块220,用于将所述候选三维模型投影到所述RGB图像中,确定所述候选三维模型与所述RGB图像对应的对齐点;
模型生成模块230,用于根据所述对齐点确定所述候选三维模型的纹理特征,并根据所述纹理特征生成所述候选三维模型的纹理生成自行车三维模型。
需要说明的是,前述对自行车三维模型重建方法实施例的解释说明也适用于该实施例的自行车三维模型重建装置,此处不再赘述。
为了实现上述实施例,本发明还提出一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述实施例所描述的自行车三维模型重建方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例所描述的自行车三维模型重建方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如上述实施例所描述的自行车三维模型重建方法。
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。
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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。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 (10)
1.一种自行车三维模型重建方法,其特征在于,包括以下步骤:
根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域;
将所述候选三维模型投影到所述RGB图像中,确定所述候选三维模型与所述RGB图像对应的对齐点;
根据所述对齐点确定所述候选三维模型的纹理特征,并根据所述纹理特征生成所述候选三维模型的纹理生成自行车三维模型。
2.如权利要求1所述的方法,其特征在于,在所述根据预设的深度神经网络学习RGB图像对应的目标基础几何体之前,包括:
利用自行车的几何特征与对称性来约束自行车模型中多个基础几何体的位置关系,其中,自行车模型由多个基础几何体组成;
根据预设的初始深度神经网络学习自行车模型与所述多个基础几何体之间的映射关系,得到所述预设的深度神经网络。
3.如权利要求1所述的方法,其特征在于,所述根据所述对齐点确定所述候选三维模型的纹理特征,包括:
根据所述对齐点确定所述RGB图像中的纹理图像区域;
提取所述纹理图像区域的纹理特征。
4.如权利要求3所述的方法,其特征在于,所述根据所述对齐点确定所述候选三维模型的纹理特征,包括:
确定所述候选三维模型中的不可见区域;
确定所述对齐点在所述可见区域的对称点;
根据所述对齐点的纹理图像区域,确定所述对称点所在的不可见区域的纹理特征。
5.如权利要求1所述的方法,其特征在于,在所述确定所述候选三维模型与所述RGB图像对应的对齐点之前,还包括:
根据预设的去畸变神经网络修正所述候选三维模型的畸变。
6.一种自行车三维模型重建装置,其特征在于,包括:
组成模块,用于根据预设的深度神经网络学习RGB图像对应的目标基础几何体,并根据所述目标基础几何体组成候选三维模型,其中,所述RGB图像中包含自行车图像区域;
确定模块,用于将所述候选三维模型投影到所述RGB图像中,确定所述候选三维模型与所述RGB图像对应的对齐点;
模型生成模块,用于根据所述对齐点确定所述候选三维模型的纹理特征,并根据所述纹理特征生成所述候选三维模型的纹理生成自行车三维模型。
7.如权利要求6所述的装置,其特征在于,还包括:
训练模块,利用自行车的几何特征与对称性来约束自行车模型中多个基础几何体的位置关系,其中,自行车模型由多个基础几何体组成,
根据预设的初始深度神经网络学习自行车模型与所述多个基础几何体之间的映射关系,得到所述预设的深度神经网络。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一所述的方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由处理器执行时,实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286477.0A CN112883494B (zh) | 2021-03-17 | 2021-03-17 | 自行车三维模型重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286477.0A CN112883494B (zh) | 2021-03-17 | 2021-03-17 | 自行车三维模型重建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883494A true CN112883494A (zh) | 2021-06-01 |
CN112883494B CN112883494B (zh) | 2022-07-19 |
Family
ID=76041091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286477.0A Active CN112883494B (zh) | 2021-03-17 | 2021-03-17 | 自行车三维模型重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883494B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460823A (zh) * | 2018-02-11 | 2018-08-28 | 浙江科澜信息技术有限公司 | 一种渲染三维场景模型的显示方法及系统 |
CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
US20200286205A1 (en) * | 2018-10-04 | 2020-09-10 | Korea University Research And Business Foundation | Precise 360-degree image producing method and apparatus using actual depth information |
CN112132739A (zh) * | 2019-06-24 | 2020-12-25 | 北京眼神智能科技有限公司 | 3d重建以及人脸姿态归一化方法、装置、存储介质及设备 |
-
2021
- 2021-03-17 CN CN202110286477.0A patent/CN112883494B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460823A (zh) * | 2018-02-11 | 2018-08-28 | 浙江科澜信息技术有限公司 | 一种渲染三维场景模型的显示方法及系统 |
US20200286205A1 (en) * | 2018-10-04 | 2020-09-10 | Korea University Research And Business Foundation | Precise 360-degree image producing method and apparatus using actual depth information |
CN112132739A (zh) * | 2019-06-24 | 2020-12-25 | 北京眼神智能科技有限公司 | 3d重建以及人脸姿态归一化方法、装置、存储介质及设备 |
CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112883494B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US8126291B2 (en) | System and method for dense image registration using Markov Random Fields and efficient linear programming | |
US8384716B2 (en) | Image processing method | |
US20090153577A1 (en) | Method and system for texturing of 3d model in 2d environment | |
US20120176478A1 (en) | Forming range maps using periodic illumination patterns | |
US20120176380A1 (en) | Forming 3d models using periodic illumination patterns | |
Karaçali et al. | Estimating topology preserving and smooth displacement fields | |
CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
CN112541958B (zh) | 三维人脸的参数化建模方法和装置 | |
CN107527339B (zh) | 一种磁共振扫描方法、装置及系统 | |
CN107622475B (zh) | 图像拼接中的灰度校正方法 | |
CN113240622A (zh) | 人体场景图像本征分解与重光照方法和装置 | |
CN112734887B (zh) | 基于深度学习的人脸混合-变形生成方法和装置 | |
CN114240954B (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
CN112669429A (zh) | 图像扭曲渲染方法及装置 | |
Ito et al. | Robust generation of high‐quality unstructured meshes on realistic biomedical geometry | |
Zhou et al. | Interactive medical image segmentation using snake and multiscale curve editing | |
CN112883494B (zh) | 自行车三维模型重建方法和装置 | |
CN103035185A (zh) | 数字黑白图像的缺陷像素的亮度校正方法 | |
CN111915622B (zh) | 一种图像分割网络模型的训练及图像分割方法、装置 | |
KR101409842B1 (ko) | 근육 및 외형 곡면 기반 개체 표준 메쉬 모델의 파라메트릭 제어를 통한 자동 리깅 및 형상 전이 방법 | |
CN115760807B (zh) | 一种视网膜眼底图像配准方法及系统 | |
CN114581433B (zh) | 一种获取金属球腔内表面形貌检测图像的方法及系统 | |
Danesh et al. | Automatic production of synthetic labelled OCT images using an active shape model | |
CN111861943B (zh) | 一种多尺度像素级深度优化的图像修复方法 |
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 |