CN113379932A - 人体三维模型的生成方法和装置 - Google Patents
人体三维模型的生成方法和装置 Download PDFInfo
- Publication number
- CN113379932A CN113379932A CN202110717713.XA CN202110717713A CN113379932A CN 113379932 A CN113379932 A CN 113379932A CN 202110717713 A CN202110717713 A CN 202110717713A CN 113379932 A CN113379932 A CN 113379932A
- Authority
- CN
- China
- Prior art keywords
- human body
- model
- body model
- key points
- bone
- 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 45
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 106
- 230000005477 standard model Effects 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 45
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 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
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 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
- 238000013519 translation 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开公开了人体三维模型的生成方法和装置,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于3D人体驱动场景下。具体实现方案为:首先获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型,然后基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型,最后基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型,实现了自动完成人体骨骼嵌入以及蒙皮估计,提高了人体骨骼绑定的准确性和效率,使得完成骨骼绑定的人体模型能够被驱动,从而使得生成的可驱动人体三维模型能够被自定义动作序列驱动。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于3D人体驱动场景下。
背景技术
随着人体重建算法的不断发展,获得高质量的3D人体模型变得越来越简单。然而,重建得到的人体模型通常无法直接被驱动,因此,重建得到的人体模型无法被应用于虚拟角色制作和动画制作等场景。
为了得到可用于驱动的人体模型,已有方法需要对3D人体模型进行骨骼绑定(包括骨骼嵌入和蒙皮权重估计两个步骤)。对于基于网格表示的3D模型,蒙皮权重是指每个网格顶点受每段骨骼运动的影响权重。
现有的骨骼绑定算法有两大类。第一类方法需要用户手动的指定骨骼关节点的位置。第二类方法是全自动的人体绑定算法,通常是根据输入的人体模型自动定位骨骼嵌入的位置,然后估计蒙皮权重。
发明内容
本公开提供了一种人体三维模型的生成方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种人体三维模型的生成方法,该方法包括:获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型;基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型;基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型。
根据本公开的另一方面,提供了一种人体三维模型的生成装置,该装置包括:匹配模块,被配置成获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型;绑定模块,被配置成基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型;生成模块,被配置成基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述人体三维模型的生成方法。
根据本公开的另一方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机指令,该计算机指令用于使计算机能够执行上述人体三维模型的生成方法。
根据本公开的另一方面,本申请实施例提供了一种计算机程序产品,其包括计算机程序,计算机程序在被处理器执行时实现上述人体三维模型的生成方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是根据本公开的人体三维模型的生成方法的一个实施例的流程图;
图2是根据本公开的人体三维模型的生成方法的一个应用场景的示意图;
图3是根据本公开的将人体模型与人体参数模型进行匹配的一个实施例的流程图;
图4是根据本公开的获取人体模型的骨骼关键点的一个实施例的流程图;
图5是根据本公开的对人体模型进行骨骼嵌入和蒙皮权重估计的一个实施例的流程图;
图6是根据本公开的生成可驱动人体三维模型的一个实施例的流程图;
图7是根据本公开的对预设状态对应的模型表面进行删除和重建的一个实施例的流程图;
图8是根据本公开的人体三维模型的生成装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的人体三维模型的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
参考图1,图1示出了可以应用于本公开的人体三维模型的生成方法的实施例的流程示意图100。该人体三维模型的生成方法包括以下步骤:
步骤110,获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型。
在本实施例中,人体三维模型的生成方法的执行主体(例如服务器)可以接收用户提交的需要进行骨骼绑定的人体模型,或者可以从本地存储的待绑定人体模型数据库中获取到人体模型,该人体模型可以是带纹理信息的任意形态、任意姿态的人体3D模型。
上述执行主体可以进一步获取到人体参数模型,该人体参数模型可以是一种参数化人体3D模型,例如SMPL人体三维模型,该人体3D模型由72个姿态参数(控制人的姿势,共计24个骨骼点)以及10个形态参数(控制人的形态,比如高矮胖瘦)来决定。人体参数模型预先定义了人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重,则生成的人体3D模型中有固定的6890个顶点,每个顶点都和人体骨骼点有一个预设的绑定关系,因此,人体参数模型可以看作是一个可驱动的人体3D模型,即将不同的人体模型参数输入人体参数模型中,可以得到不同的、可驱动的人体3D模型。
上述执行主体可以将获取到的人体模型和人体参数模型进行匹配,可以预先设置一组模型参数,将该模型参数输入人体参数模型中得到对应的人体3D模型,将得到的人体3D模型的姿态和形态与人体模型的姿态和形态进行比对,判断人体3D模型与人体模型在姿态和形态上是否一致,若一致,则确定该人体3D模型为与人体模型对应的参数模型。若不一致,则调整模型参数得到调整后的模型参数,并将调整后的模型参数输入人体参数模型中,得到一个新的人体3D模型,将新的人体3D模型的姿态和形态与人体模型的姿态和形态进行比对,判断新的人体3D模型与人体模型在姿态和形态上是否一致,若不一致,继续调整模型参数,以得到与人体模型对应的参数模型。
步骤120,基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型。
在本实施例中,上述执行主体获取到与人体模型对应的参数模型后,由于人体参数模型预先定义了人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重,则可以根据获取到的参数模型确定出参数模型的骨骼关键点和模型表面每个顶点到骨骼关键点的蒙皮权重。
由于参数模型与人体模型的形态和姿态一致,则上述执行主体可以根据参数模型的骨骼关键点和模型表面每个顶点到骨骼关键点的蒙皮权重,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型,该第一人体模型具备人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重。
步骤130,基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型。
在本实施例中,上述执行主体经过骨骼嵌入和蒙皮权重估计得到第一人体模型后,可以通过本地读取等获取到人体标准模型,该人体标准模型可以是具备预设姿态的人体3D模型,该预设姿态可以是星形姿态等任意姿态,本公开对此不做具体限定。
上述执行主体获取到人体标准模型后,可以对得到第一人体模型进行姿态变换,将第一人体模型的模型姿态转变为人体标准模型的模型姿态,即将第一人体模型的模型姿态转变为预设姿态,得到具备预设姿态的可驱动人体三维模型。该可驱动人体三维模型可以包括参数模型的各个骨骼关键点和参数模型的模型表面每个顶点到骨骼关键点的蒙皮权重,还可以包括多个顶点和面片,面片表示一个小的表面,面片是由几个顶点连接而成的。
继续参考图2,图2是根据本实施例的人体三维模型的生成方法的一个应用场景的示意图。在图2的应用场景中,服务器201可以从本地人体模型数据库中获取到一个人体模型,并同时获取人体参数模型,将该人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型。然后服务器201根据确定出的参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型。最后服务器201获取人体标准模型,并根据人体标准模型的姿态对第一人体模型进行姿态变换,得到姿态变换后的人体模型,并生成可驱动人体三维模型。
本公开的实施例提供的人体三维模型的生成方法,通过获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型,然后基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型,最后基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型,实现了自动完成人体骨骼嵌入以及蒙皮估计,不需要人工参与,并且由于人体参数模型预先定义了人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重,从而能够基于人体参数模型更准确、更快速地完成人体骨骼嵌入以及蒙皮估计,提高了人体骨骼绑定的准确性和效率,使得完成骨骼绑定的人体模型能够被驱动,从而使得生成的可驱动人体三维模型能够被自定义动作序列驱动。
参考图3,图3示出了将人体模型与人体参数模型进行匹配的一个实施例的流程图300,即上述步骤110,将人体模型与人体参数模型进行匹配,得到人体模型对应的预设模型参数,可以包括以下步骤:
步骤310,获取人体模型的骨骼关键点和模型表面。
在本步骤中,上述执行主体获取到人体模型后,可以对该人体模型的骨骼关键点进行提取,获取到人体模型的骨骼关键点,确定出骨骼关键点的位置信息,该骨骼关键点可以是人体模型中的人体3D关键点,可以是人体的骨骼关节点。
上述执行主体还可以对获取到的人体模型进行模型表面的提取,以获取到人体模型的模型表面。
步骤320,将人体模型的骨骼关键点和人体参数模型的骨骼关键点进行匹配,得到与人体模型对应的第一参数模型。
在本步骤中,上述执行主体预先设置由初始模型参数,该初始模型参数可以包括形态参数和姿态参数,可以包括形态参数β,关节点旋转角θ,全局旋转R,平移量T,和缩放因子α等。上述执行主体可以将初始模型参数输入人体参数模型中,得到初始人体参数模型,并确定出初始人体参数模型的骨骼关键点,得到骨骼关键点的位置信息。
上述执行主体将人体模型的骨骼关键点的位置信息与初始人体参数模型的骨骼关键点的位置信息进行比较,判断人体模型的骨骼关键点的位置信息与初始人体参数模型的骨骼关键点的位置信息是否一致,若不一致,则调整初始模型参数,并获取新的人体参数模型,并进一步判断人体模型的骨骼关键点的位置信息与新的人体参数模型的骨骼关键点的位置信息是否一致,以得到使得人体模型的骨骼关键点的位置信息与人体参数模型的骨骼关键点的位置信息一致的第一参数模型。
以及,上述执行主体可以通过计算人体模型的骨骼关键点的位置信息与人体参数模型的骨骼关键点的位置信息之间的欧式距离,不断调整输入人体参数模型的模型参数,使得人体模型的骨骼关键点的位置信息与人体参数模型的骨骼关键点的位置信息之间的欧式距离最小,使得人体模型的骨骼关键点的位置信息与人体参数模型的骨骼关键点的位置信息尽可能一致,则确定对应的人体参数模型为与人体模型对应的第一参数模型。
步骤330,将人体模型的模型表面和第一参数模型的模型表面进行匹配,得到与人体模型对应的参数模型。
在本步骤中,上述执行主体获取到第一参数模型后,确定第一参数模型中的骨骼关键点的位置信息与人体模型的骨骼关键点的位置信息之间的欧式距离最小,则确定第一参数模型的模型表面所有顶点与人体模型的模型表面的距离之和,以及确定人体模型的模型表面所有顶点与第一参数模型的模型表面的距离之和。
上述执行主体通过不断调整模型参数,将人体模型的模型表面和第一参数模型的模型表面进行匹配,使得第一参数模型的模型表面所有顶点与人体模型的模型表面的距离之和最小,以及使得人体模型的模型表面所有顶点与第一参数模型的模型表面的距离之和最小,确定出与人体模型对应的参数模型。
在本实施例中,通过利用人体参数模型,将人体模型与人体参数模型进行匹配,能够更准确、更迅速地确定出人体模型对应的参数模型。
参考图4,图4示出了获取人体模型的骨骼关键点的一个实施例的流程图400,即上述步骤310,获取人体模型的骨骼关键点,可以包括以下步骤:
步骤410,获取人体模型对应的多张人体图像。
在本实施例中,上述执行主体获取到人体模型后,可以将该人体模型渲染到多个不同的相机视角下,得到多张不同的人体图像,该人体图像可以是人体模型处于不同角度的2D图像,每张人体图像中包括不同角度的2D人体模型。
步骤420,基于人体关键点检测算法,分别获取每张人体图像中的人体关键点。
在本实施例中,上述执行主体获取到多张人体图像后,利用人体关键点检测算法,对每张人体图像进行关键点提取,提取出人体图片中的人体关键点,确定出每张人体图片中人体关键点的位置信息。
步骤430,基于每张人体图像中的人体关键点,获取人体模型的骨骼关键点。
在本实施例中,上述执行主体可以获取到相机的内参矩阵和外参矩阵。上述执行主体获取到每张人体图片中人体关键点的位置信息后,利用每张人体图片中人体关键点的位置信息以及相机的内参矩阵和外参矩阵,对人体模型的骨骼关键点进行计算,确定出人体模型的骨骼关键点,即人体模型的人体3D关键点。上述执行主体可以利用三角测量算法对人体关键点的位置信息以及相机的内参矩阵和外参矩阵进行计算,获取到人体模型的骨骼关键点,三角测量在三角学与几何学上是一借由测量目标点与固定基准线的已知端点的角度,测量目标距离的方法。
在本实施例中,通过利用人体模型对应的不同角度的人体图像确定骨骼关键点,提高了确定骨骼关键点的准确性和效率。
参考图5,图5示出了对人体模型进行骨骼嵌入和蒙皮权重估计的一个实施例的流程图500,即上述步骤120,基于预设模型参数对应的预设人体模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型,可以包括以下步骤:
步骤510,获取参数模型的骨骼关键点和模型表面。
在本实施例中,上述执行主体获取到人体模型对应的参数模型后,由于人体参数模型预先定义了人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重,则可以根据获取到的参数模型确定出参数模型的骨骼关键点和模型表面。
步骤520,基于参数模型的骨骼关键点,对人体模型进行骨骼嵌入,确定人体模型的骨骼关键点。
在本实施例中,上述执行主体获取到参数模型的骨骼关键点后,由于获取到的参数模型在形状和姿态上一致,则可以将参数模型的骨骼关键点直接作为人体模型的骨骼关键点,对人体模型进行骨骼嵌入,确定人体模型的骨骼关键点。
步骤530,基于参数模型的模型表面,对人体模型进行蒙皮估计,确定人体模型的蒙皮权重。
在本实施例中,上述执行主体获取到参数模型的模型表面后,可以针对于人体模型的模型表面上的每一个表面顶点,确定出每个表面顶点到参数模型的模型表面的距离最短的三角面片,将该三角面片上的三个顶点的蒙皮权重进行重心加权,得到估计后的蒙皮权重,并将估计后的蒙皮权重作为人体模型的表面顶点的蒙皮权重,得到每个表面顶点的蒙皮权重后,确定出人体模型的蒙皮权重。
步骤540,基于人体模型的骨骼关键点和人体模型的蒙皮权重,得到人体模型对应的第一人体模型。
在本实施例中,上述执行主体获取到人体模型的骨骼关键点和人体模型的蒙皮权重后,人体模型完成了初始的骨骼绑定,将具备骨骼关键点和蒙皮权重的人体模型作为人体模型对应的第一人体模型。
在本实施例中,通过参数模型对人体模型进行骨骼嵌入和蒙皮估计,能够更准确、更快速地完成人体骨骼嵌入以及蒙皮估计,提高了人体骨骼绑定的准确性和效率。
参考图6,图6示出了生成可驱动人体三维模型的一个实施例的流程图600,即上述步骤130,基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型,可以包括以下步骤:
步骤610,获取人体标准模型。
在本实施例中,上述执行主体可以通过在本地标准模型的数据库中读取出一个人体标准模型,该人体标准模型可以是具备预设姿态的人体3D模型,例如,可以是星形姿态的人体3D模型。
步骤620,基于第一人体模型的骨骼关键点和蒙皮权重,将第一人体模型的人体姿态变换到人体标准模型的人体姿态,得到第二人体模型。
在本实施例中,上述执行主体获取到第一人体模型后,可以确定出第一人体模型的骨骼关键点和蒙皮权重,并利用线性蒙皮算法对第一人体模型进行姿态变换,将第一人体模型的人体姿态通过线性蒙皮变换到人体标准模型的预设姿态,得到变换姿态后的第二人体模型,例如,将第一人体模型的人体姿态变换到星形姿态。
步骤630,响应于确定第二人体模型的模型表面存在预设状态,对预设状态对应的模型表面进行删除和重建,得到第三人体模型。
在本实施例中,上述执行主体获取到变换姿态后的第二人体模型后,可以对第二人体模型的模型表面进行遍历检查,判断第二人体模型的模型表面是否存在预设状态,该预设状态可以是模型表面存在拉伸状态,即三角面片存在被拉伸状态。
上述执行主体通过遍历第二人体模型的模型表面,确定第二人体模型的模型表面存在预设状态,则确定第二人体模型存在被拉伸的三角面片。上述执行主体可以在第二人体模型的模型表面中确定出预设状态对应的模型表面,并将预设状态对应的模型表面进行删除,得到删除后的人体模型,此时的人体模型的模型表面存在漏洞,则上述执行主体对存在漏洞的人体模型进行模型表面重建,得到重建后的第三人体模型。
步骤640,基于人体标准模型的模型表面,对第三人体模型进行蒙皮估计,确定第三人体模型的蒙皮权重,并生成可驱动人体三维模型。
在本实施例中,上述执行主体获取到第三人体模型后,可以根据人体标准模型的模型表面和第三人体模型的模型表面,针对于模型表面上的每一个表面顶点,确定出每个表面顶点到人体标准模型的模型表面的距离最短的三角面片,将该三角面片上的三个顶点的蒙皮权重进行重心加权,得到估计后的蒙皮权重,并将估计后的蒙皮权重作为第三人体模型的表面顶点的蒙皮权重,得到每个表面顶点的蒙皮权重后,确定出第三人体模型的蒙皮权重。上述执行主体可以将处于预设姿态、得到蒙皮权重的第三人体模型确定为可驱动人体三维模型。
在本实施例中,通过基于人体标准模型,对第一人体模型进行姿态变换,使得人体模型能够变换到人体标准模型的姿态,使得完成骨骼绑定的人体模型能够被驱动,从而使得生成的可驱动人体三维模型能够被自定义动作序列驱动。
参考图7,图7示出了对预设状态对应的模型表面进行删除和重建的一个实施例的流程图700,即上述步骤630,响应于确定第二人体模型的模型表面存在预设状态,对预设状态对应的模型表面进行删除和重建,得到第三人体模型,可以包括以下步骤:
步骤710,响应于确定第二人体模型的模型表面存在预设状态,在第二人体模型的模型表面中获取预设状态对应的三角面片。
在本实施例中,上述执行主体获取到变换姿态后的第二人体模型后,可以对第二人体模型的模型表面进行遍历检查,判断第二人体模型的模型表面是否存在预设状态,该预设状态可以是模型表面存在拉伸状态,即三角面片存在被拉伸状态。上述执行主体通过遍历第二人体模型的模型表面,确定第二人体模型的模型表面存在预设状态,则确定第二人体模型存在被拉伸的三角面片,在第二人体模型的模型表面中确定出预设状态对应的三角面片。
步骤720,删除预设状态对应的三角面片和与三角面片相邻的面片,得到删除后的人体模型。
在本实施例中,上述执行主体在第二人体模型的模型表面中确定出预设状态对应的三角面片后,可以进一步确定出与处于预设状态的三角面片相邻的面片。上述执行主体可以将处于预设状态的三角面片和与该三角面片相邻的面片进行删除,得到删除后的人体模型,此时的人体模型的模型表面存在漏洞。
步骤730,基于删除后的人体模型的采样点云数据,对删除后的人体模型进行表面重建,得到第三人体模型。
在本实施例中,上述执行主体可以获取到删除后的人体模型的采样点云数据,该采样点云数据可以包括人体3D点位置和法向量。然后上述执行主体可以利用表面重建方法对删除后的人体模型进行估计,进行表面重建,以获取到完整的,没有漏洞的模型表面,得到第三人体模型。
在本实施例中,通过对预设状态的三角面片进行删除和对模型表面进行重建,以获取到标准的第三人体模型,使得第三人体模型能够与人体标准模型一致,第三人体模型的模型表面更适合当前模型姿态,提高了第三人体模型的完整性和适应性。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种人体三维模型的生成装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的人体三维模型的生成装置800包括:匹配模块810,绑定模块820和生成模块830。
其中,匹配模块810,被配置成获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型;
绑定模块820,被配置成基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型;
生成模块830,被配置成基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型。
在本实施例的一些可选的方式中,匹配模块810,包括:第一获取单元,被配置成获取人体模型的骨骼关键点和模型表面;第一匹配单元,被配置成将人体模型的骨骼关键点和人体参数模型的骨骼关键点进行匹配,得到与人体模型对应的第一参数模型;第二匹配单元,被配置成将人体模型的模型表面和第一参数模型的模型表面进行匹配,得到与人体模型对应的参数模型。
在本实施例的一些可选的方式中,第一获取单元,进一步被配置成:获取人体模型对应的多张人体图像,其中,多张人体图像为人体模型处于不同角度的图像;基于人体关键点检测算法,分别获取每张人体图像中的人体关键点;基于每张人体图像中的人体关键点,获取人体模型的骨骼关键点。
在本实施例的一些可选的方式中,绑定模块820,包括:第二获取单元,被配置成获取参数模型的骨骼关键点和模型表面;骨骼嵌入单元,被配置成基于参数模型的骨骼关键点,对人体模型进行骨骼嵌入,确定人体模型的骨骼关键点;蒙皮估计单元,被配置成基于参数模型的模型表面,对人体模型进行蒙皮估计,确定人体模型的蒙皮权重;第一生成单元,被配置成基于人体模型的骨骼关键点和人体模型的蒙皮权重,得到人体模型对应的第一人体模型。
在本实施例的一些可选的方式中,生成模块830,包括:第三获取单元,被配置成获取人体标准模型;姿态变换单元,被配置成基于第一人体模型的骨骼关键点和蒙皮权重,将第一人体模型的人体姿态变换到人体标准模型的人体姿态,得到第二人体模型;重建单元,被配置成响应于确定第二人体模型的模型表面存在预设状态,对预设状态对应的模型表面进行删除和重建,得到第三人体模型;第二生成单元,被配置成基于人体标准模型的模型表面,对第三人体模型进行蒙皮估计,确定第三人体模型的蒙皮权重,并生成可驱动人体三维模型。
在本实施例的一些可选的方式中,重建单元,进一步被配置成:响应于确定第二人体模型的模型表面存在预设状态,在第二人体模型的模型表面中获取预设状态对应的三角面片;删除预设状态对应的三角面片和与三角面片相邻的面片,得到删除后的人体模型;基于删除后的人体模型的采样点云数据,对删除后的人体模型进行表面重建,得到第三人体模型。
本公开的实施例提供的人体三维模型的生成装置,通过获取人体模型,并将人体模型与人体参数模型进行匹配,得到与人体模型对应的参数模型,然后基于参数模型,对人体模型进行骨骼嵌入和蒙皮权重估计,得到人体模型对应的第一人体模型,最后基于人体标准模型,对第一人体模型进行姿态变换,生成可驱动人体三维模型,实现了自动完成人体骨骼嵌入以及蒙皮估计,不需要人工参与,并且由于人体参数模型预先定义了人体骨骼关键点的位置以及模型表面每个顶点到骨骼关键点的蒙皮权重,从而能够基于人体参数模型更准确、更快速地完成人体骨骼嵌入以及蒙皮估计,提高了人体骨骼绑定的准确性和效率,使得完成骨骼绑定的人体模型能够被驱动,从而使得生成的可驱动人体三维模型能够被自定义动作序列驱动。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开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9示出了可以用来实施本公开的实施例的示例电子设备900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/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如人体三维模型的生成方法。例如,在一些实施例中,人体三维模型的生成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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的人体三维模型的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人体三维模型的生成方法。
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。
用于实施本公开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。
在本公开的上下文中,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)和互联网。
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,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。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种人体三维模型的生成方法,包括:
获取人体模型,并将所述人体模型与人体参数模型进行匹配,得到与所述人体模型对应的参数模型;
基于所述参数模型,对所述人体模型进行骨骼嵌入和蒙皮权重估计,得到所述人体模型对应的第一人体模型;
基于人体标准模型,对所述第一人体模型进行姿态变换,生成可驱动人体三维模型。
2.根据权利要求1所述的方法,其中,所述将所述人体模型与人体参数模型进行匹配,得到与所述人体模型对应的参数模型,包括:
获取所述人体模型的骨骼关键点和模型表面;
将所述人体模型的骨骼关键点和人体参数模型的骨骼关键点进行匹配,得到与所述人体模型对应的第一参数模型;
将所述人体模型的模型表面和所述第一参数模型的模型表面进行匹配,得到与所述人体模型对应的参数模型。
3.根据权利要求2所述的方法,其中,所述获取所述人体模型的骨骼关键点,包括:
获取所述人体模型对应的多张人体图像,其中,所述多张人体图像为所述人体模型处于不同角度的图像;
基于人体关键点检测算法,分别获取每张人体图像中的人体关键点;
基于每张人体图像中的人体关键点,获取所述人体模型的骨骼关键点。
4.根据权利要求1所述的方法,其中,所述基于所述参数模型,对所述人体模型进行骨骼嵌入和蒙皮权重估计,得到所述人体模型对应的第一人体模型,包括:
获取所述参数模型的骨骼关键点和模型表面;
基于所述参数模型的骨骼关键点,对所述人体模型进行骨骼嵌入,确定所述人体模型的骨骼关键点;
基于所述参数模型的模型表面,对所述人体模型进行蒙皮估计,确定所述人体模型的蒙皮权重;
基于所述人体模型的骨骼关键点和所述人体模型的蒙皮权重,得到所述人体模型对应的第一人体模型。
5.根据权利要求4所述的方法,其中,所述基于人体标准模型,对所述第一人体模型进行姿态变换,生成可驱动人体三维模型,包括:
获取人体标准模型;
基于所述第一人体模型的骨骼关键点和蒙皮权重,将所述第一人体模型的人体姿态变换到所述人体标准模型的人体姿态,得到第二人体模型;
响应于确定所述第二人体模型的模型表面存在预设状态,对所述预设状态对应的模型表面进行删除和重建,得到第三人体模型;
基于所述人体标准模型的模型表面,对所述第三人体模型进行蒙皮估计,确定所述第三人体模型的蒙皮权重,并生成可驱动人体三维模型。
6.根据权利要求5所述的方法,其中,所述响应于确定所述第二人体模型的模型表面存在预设状态,对所述预设状态对应的模型表面进行删除和重建,得到第三人体模型,包括:
响应于确定所述第二人体模型的模型表面存在预设状态,在所述第二人体模型的模型表面中获取所述预设状态对应的三角面片;
删除所述预设状态对应的三角面片和与所述三角面片相邻的面片,得到删除后的人体模型;
基于所述删除后的人体模型的采样点云数据,对所述删除后的人体模型进行表面重建,得到第三人体模型。
7.一种人体三维模型的生成装置,包括:
匹配模块,被配置成获取人体模型,并将所述人体模型与人体参数模型进行匹配,得到与所述人体模型对应的参数模型;
绑定模块,被配置成基于所述参数模型,对所述人体模型进行骨骼嵌入和蒙皮权重估计,得到所述人体模型对应的第一人体模型;
生成模块,被配置成基于人体标准模型,对所述第一人体模型进行姿态变换,生成可驱动人体三维模型。
8.根据权利要求7所述的装置,其中,所述匹配模块,包括:
第一获取单元,被配置成获取所述人体模型的骨骼关键点和模型表面;
第一匹配单元,被配置成将所述人体模型的骨骼关键点和人体参数模型的骨骼关键点进行匹配,得到与所述人体模型对应的第一参数模型;
第二匹配单元,被配置成将所述人体模型的模型表面和所述第一参数模型的模型表面进行匹配,得到与所述人体模型对应的参数模型。
9.根据权利要求8所述的装置,其中,所述第一获取单元,进一步被配置成:
获取所述人体模型对应的多张人体图像,其中,所述多张人体图像为所述人体模型处于不同角度的图像;
基于人体关键点检测算法,分别获取每张人体图像中的人体关键点;
基于每张人体图像中的人体关键点,获取所述人体模型的骨骼关键点。
10.根据权利要求7所述的装置,其中,所述绑定模块,包括:
第二获取单元,被配置成获取所述参数模型的骨骼关键点和模型表面;
骨骼嵌入单元,被配置成基于所述参数模型的骨骼关键点,对所述人体模型进行骨骼嵌入,确定所述人体模型的骨骼关键点;
蒙皮估计单元,被配置成基于所述参数模型的模型表面,对所述人体模型进行蒙皮估计,确定所述人体模型的蒙皮权重;
第一生成单元,被配置成基于所述人体模型的骨骼关键点和所述人体模型的蒙皮权重,得到所述人体模型对应的第一人体模型。
11.根据权利要求10所述的装置,其中,所述生成模块,包括:
第三获取单元,被配置成获取人体标准模型;
姿态变换单元,被配置成基于所述第一人体模型的骨骼关键点和蒙皮权重,将所述第一人体模型的人体姿态变换到所述人体标准模型的人体姿态,得到第二人体模型;
重建单元,被配置成响应于确定所述第二人体模型的模型表面存在预设状态,对所述预设状态对应的模型表面进行删除和重建,得到第三人体模型;
第二生成单元,被配置成基于所述人体标准模型的模型表面,对所述第三人体模型进行蒙皮估计,确定所述第三人体模型的蒙皮权重,并生成可驱动人体三维模型。
12.根据权利要求11所述的装置,其中,所述重建单元,进一步被配置成:
响应于确定所述第二人体模型的模型表面存在预设状态,在所述第二人体模型的模型表面中获取所述预设状态对应的三角面片;
删除所述预设状态对应的三角面片和与所述三角面片相邻的面片,得到删除后的人体模型;
基于所述删除后的人体模型的采样点云数据,对所述删除后的人体模型进行表面重建,得到第三人体模型。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717713.XA CN113379932B (zh) | 2021-06-28 | 2021-06-28 | 人体三维模型的生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717713.XA CN113379932B (zh) | 2021-06-28 | 2021-06-28 | 人体三维模型的生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379932A true CN113379932A (zh) | 2021-09-10 |
CN113379932B CN113379932B (zh) | 2024-01-09 |
Family
ID=77579508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717713.XA Active CN113379932B (zh) | 2021-06-28 | 2021-06-28 | 人体三维模型的生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379932B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022252674A1 (zh) * | 2021-06-01 | 2022-12-08 | 北京百度网讯科技有限公司 | 可驱动三维人物生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032055A1 (en) * | 2015-07-27 | 2017-02-02 | Technische Universiteit Delft | Linear Blend Skinning Weight Optimization Utilizing Skeletal Pose Sampling |
WO2020177498A1 (zh) * | 2019-03-04 | 2020-09-10 | 南京邮电大学 | 一种基于姿态估计的非侵入式人体热舒适检测方法及系统 |
CN112598771A (zh) * | 2020-12-28 | 2021-04-02 | 盐城市豌豆苗文化创意有限公司 | 一种三维动画制作过程的处理方法及装置 |
CN112652057A (zh) * | 2020-12-30 | 2021-04-13 | 北京百度网讯科技有限公司 | 生成人体三维模型的方法、装置、设备以及存储介质 |
CN112967212A (zh) * | 2021-02-01 | 2021-06-15 | 北京字节跳动网络技术有限公司 | 一种虚拟人物的合成方法、装置、设备及存储介质 |
-
2021
- 2021-06-28 CN CN202110717713.XA patent/CN113379932B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032055A1 (en) * | 2015-07-27 | 2017-02-02 | Technische Universiteit Delft | Linear Blend Skinning Weight Optimization Utilizing Skeletal Pose Sampling |
WO2020177498A1 (zh) * | 2019-03-04 | 2020-09-10 | 南京邮电大学 | 一种基于姿态估计的非侵入式人体热舒适检测方法及系统 |
CN112598771A (zh) * | 2020-12-28 | 2021-04-02 | 盐城市豌豆苗文化创意有限公司 | 一种三维动画制作过程的处理方法及装置 |
CN112652057A (zh) * | 2020-12-30 | 2021-04-13 | 北京百度网讯科技有限公司 | 生成人体三维模型的方法、装置、设备以及存储介质 |
CN112967212A (zh) * | 2021-02-01 | 2021-06-15 | 北京字节跳动网络技术有限公司 | 一种虚拟人物的合成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李健;张皓若;何斌;: "结合形变模型的人体姿态估计优化算法", 西安电子科技大学学报, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022252674A1 (zh) * | 2021-06-01 | 2022-12-08 | 北京百度网讯科技有限公司 | 可驱动三维人物生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113379932B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115409933B (zh) | 多风格纹理贴图生成方法及其装置 | |
CN112652057B (zh) | 生成人体三维模型的方法、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 | |
CN113409430B (zh) | 可驱动三维人物生成方法、装置、电子设备及存储介质 | |
CN114842123A (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 | |
CN114998490B (zh) | 一种虚拟对象生成方法、装置、设备及存储介质 | |
CN113870439A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN111382618A (zh) | 一种人脸图像的光照检测方法、装置、设备和存储介质 | |
CN111599002A (zh) | 用于生成图像的方法和装置 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112884889B (zh) | 模型训练、人头重建方法,装置,设备以及存储介质 | |
CN113052962B (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN113379932B (zh) | 人体三维模型的生成方法和装置 | |
CN110751026B (zh) | 视频处理方法及相关装置 | |
CN115409951B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115222895B (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
CN115375847B (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
EP4086853A2 (en) | Method and apparatus for generating object model, electronic device and storage medium | |
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 | |
CN115170703A (zh) | 虚拟形象驱动方法、装置、电子设备及存储介质 | |
CN113961746B (zh) | 视频生成方法、装置、电子设备及可读存储介质 | |
CN116206035B (zh) | 人脸重建方法、装置、电子设备以及存储介质 | |
CN116012666B (zh) | 图像生成、模型的训练、信息重建方法、装置及电子设备 | |
CN118053189A (zh) | 一种稀疏多视角动态人脸重建方法及装置 |
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 |