CN113628311B - 图像渲染方法、图像渲染装置、电子设备以及存储介质 - Google Patents
图像渲染方法、图像渲染装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113628311B CN113628311B CN202110878172.9A CN202110878172A CN113628311B CN 113628311 B CN113628311 B CN 113628311B CN 202110878172 A CN202110878172 A CN 202110878172A CN 113628311 B CN113628311 B CN 113628311B
- Authority
- CN
- China
- Prior art keywords
- moment
- deviation parameter
- value
- determining
- position corresponding
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 206010020675 Hypermetropia Diseases 0.000 claims 1
- 230000003190 augmentative effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 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
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method 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
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种图像渲染方法、图像渲染装置、电子设备以及存储介质,涉及图像处理技术领域,尤其涉及虚拟现实、增强现实、混合现实、计算机视觉技术领域。具体实现方案为:在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,其中,历史真实位置包括对象在第一预设时间段内的真实位置,第一预设时间段包括第一时刻之前的预设时间段,第二时刻在第一时刻之后;根据预测位置生成预渲染图像;以及,向显示设备发送预渲染图像,以使得显示设备在第二时刻,根据预渲染图像进行渲染。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及虚拟现实、增强现实、混合现实、计算机视觉技术领域。具体地,涉及一种图像渲染方法、图像渲染装置、电子设备以及存储介质。
背景技术
虚拟现实、增强现实和混合现实是综合利用计算机图形学、光电成像技术、传感技术、计算机仿真和人工智能等多种技术,并借助各种交互设备,旨在为用户提供一个逼真的和具有多重感知的虚拟和现实交互的世界的技术。
随着上述技术的不断发展,显示设备逐渐走进人们的视野,应用范围越来越广泛。然而,在实际应用中存在延时。
发明内容
本公开提供了一种图像渲染方法、图像渲染装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种图像渲染方法,包括:在获取到对象的与第一时刻对应的真实位置的情况下,根据上述对象的历史真实位置,确定与第二时刻对应的预测位置,其中,上述历史真实位置包括上述对象在第一预设时间段内的真实位置,上述第一预设时间段包括上述第一时刻之前的预设时间段,上述第二时刻在上述第一时刻之后;根据上述预测位置生成预渲染图像;以及,向显示设备发送上述预渲染图像,以使得上述显示设备在上述第二时刻,根据上述预渲染图像进行渲染。
根据本公开的另一方面,提供了一种图像渲染装置,包括:获取模块,用于在获取到对象的与第一时刻对应的真实位置的情况下,根据上述对象的历史真实位置,确定与第二时刻对应的预测位置,其中,上述历史真实位置包括上述对象在第一预设时间段内的真实位置,上述第一预设时间段包括上述第一时刻之前的预设时间段,上述第二时刻在上述第一时刻之后;第一生成模块,用于根据上述预测位置生成预渲染图像;以及,发送模块,用于向显示设备发送上述预渲染图像,以使得上述显示设备在上述第二时刻,根据上述预渲染图像进行渲染。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,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,上述计算机指令用于使上述计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如上所述的方法。
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示意性示出了根据本公开实施例的可以应用图像渲染方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的图像渲染方法的流程图;
图3A示意性示出了图像渲染过程的应用场景示意图;
图3B示意性示出了根据本公开实施例的图像渲染过程的应用场景示意图;
图4示意性示出了根据本公开实施例的图像渲染过程的示意图;
图5示意性示出了根据本公开实施例的将历史真实位置输入位置预测模型,得到与第二时刻对应的预测位置的流程图;
图6示意性示出了根据本公开实施例的图像渲染装置的框图;以及
图7示出了根据本公开实施例的适用于图像渲染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。
虚拟现实、增强现实或混合现实可以是由一整套系统实现的,系统可以包括显示设备和服务器。显示设备可以包括头戴式显示设备。显示设备可以包括传感器。服务器可以包括云服务器或边缘服务器。
显示设备可以用于显示相应的图像,这个过程涉及以下操作:显示设备将传感器采集的数据发送给服务器,服务器根据数据进行渲染(即编码)得到渲染图像,再将渲染图像发送给显示设备,显示设备对渲染图像进行解码得到显示图像。上述每个操作都可能需要消耗一定的时间,都有可能导致延时。延时体现在图像中可以为没有被渲染出来的部分用黑边替代,这将会对用户的使用体验带来不利影响。
可以利用如下三种方式实现降低延时。
方式一,降低图像的分辨率。即,由于图像的分辨率越高,编码和解码等所消耗的时间越长,因此,可以通过降低图像的分辨率来实现降低延时。
方式二,拉伸图像的四周边缘。由于如果存在延时现象,则图像在显示页面上将显示不全,不全的部分是以黑边的形式体现的,因此,如果能够减少黑边,则可以实现从视觉上降低延时带来的不利影响。为了降低延时,可以根据图像的四周的像素点的像素值,确定目标像素值,再将目标像素值替换黑边位置的像素点的原像素值,由此,从视觉上起到减少黑边,图像的四周边缘被拉伸的效果,进而降低延时带来的不利影响。
方式三,简化渲染操作。由于渲染操作是导致产生延时的原因之一,而渲染操作涉及到渲染区域内目标对象模型的建立、坐标值的确定和着色等较为复杂的操作,因此,如果能够简化渲染操作,则能够降低延时带来的不利影响。
在实现本公开构思的过程中,发现上述方式虽然可以降低延时,但是也可能会降低图像的质量,进而影响了用户的使用体验。为此,需要在尽量保证图像的质量的基础上,降低延时带来的不利影响。
基于上述内容,发现服务器将渲染图像发送给显示设备进行渲染显示可能存在N帧的延时,为了降低延时,可以结合动作预测来实现,即,服务器可以利用动作预测的方式,预测未来N帧的对象的预测位置,根据预测位置生成预渲染图像,再将预渲染图像发送给显示设备,显示设备可以在到达渲染时刻,利用预渲染图像进行处理。由于预先将对象在渲染时刻到达的位置进行了图像渲染,使得对象在渲染时刻可以直接用图像进行渲染,因此,降低了延时,提高了用户的使用体验。
为此,本公开实施例提供了一种图像渲染方法、图像渲染装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质以及计算机程序产品。该图像渲染方法包括:在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,其中,历史真实位置包括对象在第一预设时间段内的真实位置,第一预设时间段包括第一时刻之前的预设时间段,第二时刻在第一时刻之后,根据预测位置生成预渲染图像,并向显示设备发送预渲染图像,以使得显示设备在第二时刻,根据预渲染图像进行渲染。
图1示意性示出了根据本公开实施例的可以应用图像渲染方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用图像渲染方法及装置的示例性系统架构可以包括显示设备,但显示设备可以无需与服务器进行交互,即可实现本公开实施例提供的图像渲染方法及装置。
如图1所示,根据该实施例的系统架构100可以包括显示设备101、网络102和服务器103。网络102用以在显示设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等。
显示设备101可以是具有显示屏的各种电子设备,包括但不限于可穿戴设备,可穿戴设备可以包括但不限于虚拟现实显示设备、增强现实显示设备和混合现实显示设备等。虚拟现实显示设备、增强现实显示设备和混合现实显示设备可以包括头戴式显示器(HeadMounted Display,HMD)。显示设备101可以还可以与其他类型的终端设备交互。
服务器103可以是提供各种服务的各种类型的服务器。例如,服务器103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(Virtual Private Server,VPS)中,存在的管理难度大,业务扩展性弱的缺陷。服务器103也可以为边缘服务器。服务器103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。
需要说明的是,本公开实施例所提供的图像渲染方法一般可以由服务器103执行。相应地,本公开实施例所提供的图像渲染装置一般可以设置于服务器103中。本公开实施例所提供的图像渲染方法也可以由不同于服务器103且能够与显示设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的图像渲染装置也可以设置于不同于服务器103且能够与显示设备101和/或服务器103通信的服务器或服务器集群中。
例如,服务器103在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,根据预测位置生成预渲染图像,并向显示设备101发送预渲染图像,以使得显示设备101在第二时刻,根据预渲染图像进行渲染。或者由能够与显示设备101和/或服务器103通信的服务器或服务器集群在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,根据预测位置生成预渲染图像,并向显示设备101发送预渲染图像,以使得显示设备101在第二时刻,根据预渲染图像进行渲染。
应该理解,图1中的显示设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的显示设备、网络和服务器。
图2示意性示出了根据本公开实施例的图像渲染方法的流程图。
如图2所示,该方法200包括操作S210~S230。
在操作S210,在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,其中,历史真实位置包括对象在第一预设时间段内的真实位置,第一预设时间段包括第一时刻之前的预设时间段,第二时刻在第一时刻之后。
在操作S220,根据预测位置生成预渲染图像。
在操作S230,向显示设备发送预渲染图像,以使得显示设备在第二时刻,根据预渲染图像进行渲染。
根据本公开的实施例,对象可以指配置有显示设备的对象。对象可以包括用户的某个或某几个部位,例如,头部或躯体。第一时刻可以指当前渲染时刻。第二时刻可以指当前渲染时刻的下一渲染时刻。第一预设时间段可以包括第一时刻之前的预设时间段,除此之外,第一预设时间段还可以包括第一时刻。第一时刻之前的预设时间段可以包括多个时刻。第一预设时间段的数值可以根据实际业务需求进行设置,在此不作限定。
根据本公开的实施例,真实位置可以指对象真实到达的位置。真实位置可以是利用显示设备包括的传感器采集得到的。历史真实位置可以包括多个真实位置,历史真实位置包括的每个真实位置可以与第一时刻之前的预设时间段的一个时刻对应。
根据本公开的实施例,图像可以包括静止图像或视频帧,即,预渲染图像可以是静止图像,也可以是视频中的某个视频帧。
根据本公开的实施例,服务器如果获取到对象的与第一时刻对应的真实位置,则说明可以根据对象的历史真实位置对对象在第二时刻到达的位置进行预测,即,确定与第二时刻对应的预测位置。根据对象的历史真实位置,确定与第二时刻对应的预测位置可以包括:利用位置预测模型处理对应的历史真实位置,得到与第二时刻对应的预测位置。
根据本公开的实施例,服务器在获取到与第二时刻对应的预测位置之后,可以根据预测位置生成针对对象在该预测位置的预渲染图像,并将预渲染图像发送给显示设备,显示设备可以在到达第二时刻的情况下,根据预渲染图像进行渲染。
根据本公开的实施例,通过在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,根据预测位置生成预渲染图像,并向显示设备发送预渲染图像,以使得显示设备在第二时刻,根据预渲染图像进行渲染。由于预先将对象在第二时刻到达的位置进行了图像渲染,使得对象在第二时刻可以直接用图像进行渲染,因此,降低了延时,提高了用户的使用体验。
下面参考图3A、图3B、图4和图5,结合具体实施例对本公开实施例的图像渲染方法做进一步说明。
图3A示意性示出了图像渲染过程的应用场景示意图。
如图3A所示,该图像渲染过程300是未利用本公开实施例所提供的技术方案进行的图像渲染过程。
显示设备302将对象的与第一时刻对应的真实位置发送给服务器301。服务器301在获取到对象的与第一时刻对应的真实位置的情况下,根据与第一时刻对应的真实位置,生成渲染图像,将渲染图像发送给显示设备302。显示设备302在第二时刻,根据渲染图像进行渲染。
图3B示意性示出了根据本公开实施例的图像渲染过程的应用场景示意图。
如图3B所示,该图像渲染过程300’是利用本公开实施例所提供的技术方案进行的图像渲染过程。
显示设备302将对象的与第一时刻对应的真实位置发送给服务器301。服务器301在获取到对象的与第一时刻对应的真实位置的情况下,根据历史真实位置,生成与第二时刻对应的预测位置。根据与第二时刻对应的预测位置,生成预渲染图像,将预渲染图像发送给显示设备302。显示设备302在第二时刻,根据预渲染图像进行渲染。
基于上述内容可得,未利用本公开实施例所提供的技术方案中服务器301在第一时刻渲染的是与第一时刻对应的真实位置的图像,显示设备302在第二时刻渲染的是与第一时刻对应的真实位置的图像。而利用本公开实施例所提供的技术方案中服务器301在第一时刻渲染的是与第二时刻对应的预测位置的图像,显示为何不302在第二时刻渲染的是与第二时刻对应的预测位置的图像。
根据本公开的实施例,根据对象的历史真实位置,确定与第二时刻对应的预测位置,可以包括如下操作。
将历史真实位置输入位置预测模型,得到与第二时刻对应的预测位置,其中,位置预测模型包括深度学习模型或物理关系模型。
根据本公开的实施例,位置预测模型可以包括深度学习模型或物理关系模型。深度学习模型可以是利用训练样本对预设模型进行训练得到的。物理关系模型可以是基于运动参数构建的模型。运动参数可以包括速度和加速度。上述位置预测模型的构建方式仅是示例性实施例,但不限于此,还可以包括本领域已知的构建方式,只要能够实现位置预测模型的构建即可。
例如,深度学习模型可以包括循环神经网络模型,深度学习模型还可以包括卷积神经网络模型。序列数据是指以时间发展线为获取数据所遵从的依据,在不同时间点上获取反应了某一事物或现象等随时间的变化状态或变化程度的数据,其最大特点是位于前后时间点上的数据存在一定的关系。由动作改变导致的位置数据是序列数据中的一种,这是由于其前后动作之间总是存在着一定的关系。时序特征学习模块可以用于处理涉及序列数据的问题。时序特征学习模块可以包括循环神经网络(Recurrent Neural Network,RNN)模型。循环神经网络模型可以包括单向循环神经网络模型或双向循环神经网络模型。单向循环神经网络模型可以包括单向长短期记忆神经网络(Long Short-Term Memory,LSTM)模型。双向长短期记忆神经网络(Bi-direction Long Short-Term Memory,Bi-LSTM)模型。单向神经网络模型用于记忆过去的信息,而无法处理将来的信息。为了更好地理解前后段,需要获取将来的信息,双向循环神经网络模型便可以解决该问题,实现获取前后段信息。双向长短期记忆神经网络模型可以理解为是双向循环神经网络模型和单向长短期记忆神经网络模型的结合。
例如,位置预测模型包括Bi-LSTM模型和卷积神经网络模型。将历史真实位置输入Bi-LSTM模型,得到与Bi-LSTM模型对应的预测结果,将历史真实位置输入卷积神经网络模型,得到与卷积神经网络模型对应的预测结果,根据与Bi-LSTM模型对应的预测结果和与卷积神经网络模型对应的预测结果,得到与第二时刻对应的预测位置。
根据本公开的实施例,根据预测位置生成预渲染图像,可以包括如下操作。
获取与第二时刻对应的真实位置。确定与第二时刻对应的预测位置和真实位置之间的第一偏差参数值,其中,第一偏差参数值包括位置偏差值和方向偏差值中的至少一项。在确定第一偏差参数值满足预设条件的情况下,根据预测位置生成预渲染图像。
根据本公开的实施例,为了提高渲染效果,可以将与第二时刻对应的预测位置和真实位置进行比较,得到两者之间的第一偏差参数值。第一偏差参数值和预设条件可以作为确定是否生成针对预测位置的预渲染图像的依据。预设条件可以包括第一偏差参数值是否小于或等于预设偏差参数阈值。预设偏差参数阈值的数值可以根据实际业务需求进行配置,在此不作限定。
根据本公开的实施例,第一偏差参数值可以包括位置偏差值、方向偏差值或位置偏差值和方向偏差值。根据与第二时刻对应的真实位置和预测位置,确定与第二时刻对应的预测位置和真实位置之间的方向参数值,可以包括:根据与第二时刻对应的真实位置,确定与第二时刻对应的真实方向。根据与第二时刻对应的预测位置,确定与第二时刻对应的预测方向。根据与第二时刻对应的真实方向和预测方向,确定与第二时刻对应的真实位置与预测位置之间的方向偏差值。
根据本公开的实施例,在获得第一偏差参数值之后,可以根据第一偏差参数值和预设条件,确定是否根据预设位置生成预渲染图像。如果确定第一偏差参数值满足预设条件,则可以说明与第二时刻对应的预测位置较为准确,在此情况下,可以根据预设位置,生成预渲染图像。例如,如果确定第一偏差参数值小于或等于预设偏差参数阈值,则可以根据预设位置,生成预渲染图像。
根据本公开的实施例,服务器在第一时刻和第二时刻之间还可以获取到与第二时刻对应的真实位置,即,可以获取由显示设备采集的与第二时刻对应的真实位置。
根据本公开的实施例,上述图像渲染方法还可以包括如下操作。
在确定第一偏差参数值不满足预设条件的情况下,根据与第二时刻对应的真实位置生成预渲染图像。
根据本公开的实施例,如果确定第一偏差参数值不满足预设条件,则可以说明与第二时刻对应的预测位置不够准确,在此情况下,可以生成针对与第二时刻对应的真实位置的预渲染图像。
图4示意性示出了根据本公开实施例的图像渲染过程的示意图。
如图4所示,该图像渲染过程400中服务器在获取到对象的与第一时刻对应的真实位置的情况下,将历史真实位置401输入位置预测模型402,得到与第二时刻对应的预测位置403,确定与第二时刻对应的预测位置403和与第二时刻对应的真实位置404之间的第一偏差参数值405。
将第一偏差参数值405与预设条件406进行比较,在确定第一偏差参数值满足预设条件407的情况下,根据与第二时刻对应的预测位置403,生成预渲染图像409。在确定第一偏差参数值大于预设偏差参数阈值408的情况下,根据与第二时刻对应的真实位置404,生成预渲染图像410。
根据本公开的实施例,上述图像渲染方法还可以包括如下操作。
确定在第二预设时间段内的预测失败的次数,其中,预测失败表征偏差参数值不满足预设条件。在确定次数大于或等于预设次数阈值的情况下,确定满足模型更新条件。在确定满足模型更新条件的情况下,对位置预测模型进行更新。
根据本公开的实施例,为了提高位置预测模型的预测准确性,可以对位置预测模型进行更新。模型更新周期可以根据实际业务需求进行配置,在此不作限定。例如,模型更新条件可以包括模型更新周期或在第二预设时间段内的预测失败的次数是否大于或等于预设次数阈值。相应的,满足模型更新条件可以包括满足模型更新周期或次数大于或等于预设次数阈值。第二预设时间段与第一预设时间段没有必然关系,可能是重叠关系或前后关系。
根据本公开的实施例,预测失败可以包括以下至少一项:位置偏差值大于或等于预设位置偏差阈值和方向偏差值大于或等于预设方向偏差阈值。
根据本公开的实施例,确定是否满足模型更新条件。如果确定满足模型更新条件,则对位置预测模型进行更新。如果不满足模型更新条件,则维持位置预测模型不变。对位置预测模型进行更新,可以包括:重新训练位置预测模型或对位置预测模型进行局部调整。
根据本公开的实施例,通过对位置预测模型进行调整,使得其能够与实际应用更加匹配,由此,进一步提高图像渲染的准确性。
根据本公开的实施例,上述图像渲染方法还可以包括如下操作。
确定第一偏差参数均值,其中,第一偏差参数均值是在第三预设时间段内的多个第二偏差参数值的平均值,每个第二偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的预测位置之间的偏差参数值,第i时刻和第i+1时刻是第三预设时间段内的时刻,i∈{1,2,......,N-1,N},N是大于或等于2的整数。确定第二偏差参数均值,其中,第二偏差参数均值是在第三预设时间段内的多个第三偏差参数值的平均值,每个第三偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的真实位置之间的偏差参数值。根据第二偏差参数均值和第三偏差参数均值,确定预渲染图像的渲染效果。
根据本公开的实施例,为了对利用本公开实施例所提供的技术方案的效果进行评价,即,对预渲染图像的渲染效果进行评价,可以将第二偏差参数均值和第三偏差参数均值进行比较确定。
根据本公开的实施例,第三预设时间段的数值可以根据实际业务需求进行配置,在此不作限定。第i时刻和第i+1时刻是第三预设时间段内的时刻。
根据本公开的实施例,针对第三预设时间段内的第i时刻和第i+1时刻,确定与第i时刻对应的真实位置和与第i+1时刻对应的预测位置之间的第二偏差参数值。确定与第i时刻对应的真实位置和与第i+1时刻对应的真实位置之间的第三偏差参数值,由此,可以得到第三预设时间段内的多个第二偏差参数值和多个第三偏差参数值。
根据本公开的实施例,如果确定第二偏差参数值小于第三偏差参数值,则可以说明利用本公开实施例所提供的技术方案的效果优于未利用本公开实施例所提供的技术方案的效果,即,预渲染图像的渲染效果优于未利用本公开实施例所提供的技术方案的效果。
如果确定第二偏差参数值大于第三偏差参数值,则可以说明未利用本公开实施例所提供的技术方案的效果优于利用本公开实施例所提供的技术方案的效果,即,未利用本公开实施例所提供的技术方案的效果优于预渲染图像的渲染效果。
如果确定第二偏差参数值等于第三偏差参数值,则可以说明利用本公开实施例所提供的技术方案的效果和未利用本公开实施例所提供的技术方案的效果相当,即,预渲染图像的渲染效果和未利用本公开实施例所提供的技术方案的效果相当。
图5示意性示出了根据本公开实施例的将历史真实位置输入位置预测模型,得到与第二时刻对应的预测位置的流程图。
如图5所示,该方法500包括操作S511~S512。
在操作S511,基于物理关系模型,利用历史真实位置,确定对象的运动参数值,其中,运动参数值包括速度值和加速度值。
在操作S512,根据运动参数值和与第一时刻对应的真实位置,确定与第二时刻对应的预测位置。
根据本公开的实施例,物理关系模型可以是基于运动参数构建的模型。运动参数可以包括速度和加速度。速度和加速度是时刻的函数。
根据本公开的实施例,将历史真实位置输入物理关系模型,得到对象的运动参数值,在获得对象的运动参数值之后,可以再结合与第一时刻对应的真实位置,得到与第二时刻对应的预测位置。
需要说明的是,在本公开实施例的技术方案中,所涉及的对象的真实位置的获取、存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图6示意性示出了根据本公开实施例的图像渲染装置的框图。
如图6所示,图像渲染装置600可以包括获取模块610、第一生成模块620和发送模块630。
获取模块610,用于在获取到对象的与第一时刻对应的真实位置的情况下,根据对象的历史真实位置,确定与第二时刻对应的预测位置,其中,历史真实位置包括对象在第一预设时间段内的真实位置,第一预设时间段包括第一时刻之前的预设时间段,第二时刻在第一时刻之后。
第一生成模块620,用于根据预测位置生成预渲染图像。
发送模块630,用于向显示设备发送预渲染图像,以使得显示设备在第二时刻,根据预渲染图像进行渲染。
根据本公开的实施例,根据对象的历史真实位置,确定与第二时刻对应的预测位置,可以包括如下操作。
将历史真实位置输入位置预测模型,得到与第二时刻对应的预测位置,其中,位置预测模型包括深度学习模型或物理关系模型。
根据本公开的实施例,位置预测模型包括物理关系模型。
将历史真实位置输入位置预测模型,得到与第二时刻对应的预测位置,可以包括如下操作。
基于物理关系模型,利用历史真实位置,确定对象的运动参数值,其中,运动参数值包括速度值和加速度值。根据运动参数值和与第一时刻对应的真实位置,确定与第二时刻对应的预测位置。
根据本公开的实施例,其中,第一生成模块620可以包括获取子模块、确定子模块和生成子模块。
获取子模块,用于获取与第二时刻对应的真实位置。确定子模块,用于确定与第二时刻对应的预测位置和真实位置之间的第一偏差参数值,其中,第一偏差参数值包括位置偏差值和方向偏差值中的至少一项。生成子模块,用于在确定第一偏差参数值满足预设条件的情况下,根据预测位置生成预渲染图像。
根据本公开的实施例,上述图像渲染装置600还可以包括第二生成模块。
第二生成模块,用于在确定第一偏差参数值不满足预设条件的情况下,根据与第二时刻对应的真实位置生成预渲染图像。
根据本公开的实施例,上述图像渲染装置600还可以包括第一确定模块、第二确定模块和更新模块。
第一确定模块,用于确定在第二预设时间段内的预测失败的次数,其中,预测失败表征偏差参数值不满足预设条件。
第二确定模块,用于在确定次数大于或等于预设次数阈值的情况下,确定满足模型更新条件。
更新模块,用于在确定满足模型更新条件的情况下,对位置预测模型进行更新。
根据本公开的实施例,上述图像渲染装置600还可以包括第三确定模块、第四确定模块和第五确定模块。
第三确定模块,用于确定第一偏差参数均值,其中,第一偏差参数均值是在第三预设时间段内的多个第二偏差参数值的平均值,每个第二偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的预测位置之间的偏差参数值,第i时刻和第i+1时刻是第三预设时间段内的时刻,i∈{1,2,......,N-1,N},N是大于或等于2的整数。
第四确定模块,用于确定第二偏差参数均值,其中,第二偏差参数均值是在第三预设时间段内的多个第三偏差参数值的平均值,每个第三偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的真实位置之间的偏差参数值。
第五确定模块,用于根据第二偏差参数均值和第三偏差参数均值,确定预渲染图像的渲染效果。
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。
根据本公开的实施例,一种电子设备,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如上所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图7示出了根据本公开实施例的适用于图像渲染方法的电子设备的框图。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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理,例如图像渲染方法。例如,在一些实施例中,图像渲染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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的图像渲染方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像渲染方法。
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,也可以是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 (14)
1.一种图像渲染方法,包括:
在获取到对象的与第一时刻对应的真实位置的情况下,根据所述对象的历史真实位置,确定与第二时刻对应的预测位置,其中,所述历史真实位置包括所述对象在第一预设时间段内的真实位置,所述第一预设时间段包括所述第一时刻之前的预设时间段,所述第二时刻在所述第一时刻之后;
根据所述预测位置生成预渲染图像;以及
向显示设备发送所述预渲染图像,以使得所述显示设备在所述第二时刻,根据所述预渲染图像进行渲染;
所述方法还包括:
确定第一偏差参数均值,其中,所述第一偏差参数均值是在第三预设时间段内的多个第二偏差参数值的平均值,每个所述第二偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的预测位置之间的偏差参数值,所述第i时刻和所述第i+1时刻是所述第三预设时间段内的时刻,i∈{1,2,......,N-1,N},N是大于或等于2的整数;
确定第二偏差参数均值,其中,所述第二偏差参数均值是在所述第三预设时间段内的多个第三偏差参数值的平均值,每个所述第三偏差参数值表征与所述第i时刻对应的真实位置和与所述第i+1时刻对应的真实位置之间的偏差参数值;以及
根据所述第二偏差参数均值和所述第三偏差参数均值,确定所述预渲染图像的渲染效果。
2.根据权利要求1所述的方法,其中,所述根据所述对象的历史真实位置,确定与第二时刻对应的预测位置,包括:
将所述历史真实位置输入位置预测模型,得到与所述第二时刻对应的预测位置,其中,所述位置预测模型包括深度学习模型或物理关系模型。
3.根据权利要求2所述的方法,其中,所述位置预测模型包括所述物理关系模型;
所述将所述历史真实位置输入位置预测模型,得到与所述第二时刻对应的预测位置,包括:
基于所述物理关系模型,利用所述历史真实位置,确定所述对象的运动参数值,其中,所述运动参数值包括速度值和加速度值;以及
根据所述运动参数值和与所述第一时刻对应的真实位置,确定与所述第二时刻对应的预测位置。
4.根据权利要求1~3中任一项所述的方法,其中,所述根据所述预测位置生成预渲染图像,包括:
获取与所述第二时刻对应的真实位置;
确定与所述第二时刻对应的预测位置和真实位置之间的第一偏差参数值,其中,所述第一偏差参数值包括位置偏差值和方向偏差值中的至少一项;以及
在确定所述第一偏差参数值满足预设条件的情况下,根据所述预测位置生成预渲染图像。
5.根据权利要求1所述的方法,还包括:
在确定所述第一偏差参数值不满足预设条件的情况下,根据与所述第二时刻对应的真实位置生成所述预渲染图像。
6.根据权利要求1~3中任一项所述的方法,还包括:
确定在第二预设时间段内的预测失败的次数,其中,所述预测失败表征所述偏差参数值不满足预设条件;
在确定所述次数大于或等于预设次数阈值的情况下,确定满足模型更新条件;以及
在确定满足所述模型更新条件的情况下,对位置预测模型进行更新。
7.一种图像渲染装置,包括:
获取模块,用于在获取到对象的与第一时刻对应的真实位置的情况下,根据所述对象的历史真实位置,确定与第二时刻对应的预测位置,其中,所述历史真实位置包括所述对象在第一预设时间段内的真实位置,所述第一预设时间段包括所述第一时刻之前的预设时间段,所述第二时刻在所述第一时刻之后;
第一生成模块,用于根据所述预测位置生成预渲染图像;以及
发送模块,用于向显示设备发送所述预渲染图像,以使得所述显示设备在所述第二时刻,根据所述预渲染图像进行渲染;
所述装置还包括:
第三确定模块,用于确定第一偏差参数均值,其中,所述第一偏差参数均值是在第三预设时间段内的多个第二偏差参数值的平均值,每个所述第二偏差参数值表征与第i时刻对应的真实位置和与第i+1时刻对应的预测位置之间的偏差参数值,所述第i时刻和所述第i+1时刻是所述第三预设时间段内的时刻,i∈{1,2,......,N-1,N},N是大于或等于2的整数;
第四确定模块,用于确定第二偏差参数均值,其中,所述第二偏差参数均值是在所述第三预设时间段内的多个第三偏差参数值的平均值,每个所述第三偏差参数值表征与所述第i时刻对应的真实位置和与所述第i+1时刻对应的真实位置之间的偏差参数值;以及
第五确定模块,用于根据所述第二偏差参数均值和所述第三偏差参数均值,确定所述预渲染图像的渲染效果。
8.根据权利要求7所述的装置,其中,所述根据所述对象的历史真实位置,确定与第二时刻对应的预测位置,包括:
将所述历史真实位置输入位置预测模型,得到与所述第二时刻对应的预测位置,其中,所述位置预测模型包括深度学习模型或物理关系模型。
9.根据权利要求8所述的装置,其中,所述位置预测模型包括所述物理关系模型;
所述将所述历史真实位置输入位置预测模型,得到与所述第二时刻对应的预测位置,包括:
基于所述物理关系模型,利用所述历史真实位置,确定所述对象的运动参数值,其中,所述运动参数值包括速度值和加速度值;以及
根据所述运动参数值和与所述第一时刻对应的真实位置,确定与所述第二时刻对应的预测位置。
10.根据权利要求7~9中任一项所述的装置,其中,所述第一生成模块,包括:
获取子模块,用于获取与所述第二时刻对应的真实位置;
确定子模块,用于确定与所述第二时刻对应的预测位置和真实位置之间的第一偏差参数值,其中,所述第一偏差参数值包括位置偏差值和方向偏差值中的至少一项;以及
生成子模块,用于在确定所述第一偏差参数值满足预设条件的情况下,根据所述预测位置生成预渲染图像。
11.根据权利要求7所述的装置,还包括:
第二生成模块,用于在确定所述第一偏差参数值不满足预设条件的情况下,根据与所述第二时刻对应的真实位置生成所述预渲染图像。
12.根据权利要求7~9中任一项所述的装置,还包括:
第一确定模块,用于确定在第二预设时间段内的预测失败的次数,其中,所述预测失败表征所述偏差参数值不满足预设条件;
第二确定模块,用于在确定所述次数大于或等于预设次数阈值的情况下,确定满足模型更新条件;以及
更新模块,用于在确定满足所述模型更新条件的情况下,对位置预测模型进行更新。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878172.9A CN113628311B (zh) | 2021-07-30 | 2021-07-30 | 图像渲染方法、图像渲染装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878172.9A CN113628311B (zh) | 2021-07-30 | 2021-07-30 | 图像渲染方法、图像渲染装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628311A CN113628311A (zh) | 2021-11-09 |
CN113628311B true CN113628311B (zh) | 2022-12-09 |
Family
ID=78382037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878172.9A Active CN113628311B (zh) | 2021-07-30 | 2021-07-30 | 图像渲染方法、图像渲染装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628311B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241161B (zh) * | 2021-12-22 | 2023-09-15 | 中设数字技术股份有限公司 | 一种基于双gpu的bim模型渲染方法及渲染系统 |
CN117834949B (zh) * | 2024-03-04 | 2024-05-14 | 清华大学 | 基于边缘智能的实时交互预渲染方法及其装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887061A (zh) * | 2019-02-19 | 2019-06-14 | 青岛海信电器股份有限公司 | 场景渲染方法、装置以及设备 |
CN111353113A (zh) * | 2020-02-28 | 2020-06-30 | 江苏方天电力技术有限公司 | 一种适用于无人机高频状态数据的可视化渲染方法 |
CN112380989A (zh) * | 2020-11-13 | 2021-02-19 | 歌尔光学科技有限公司 | 一种头戴显示设备及其数据获取方法、装置和主机 |
CN113018848A (zh) * | 2021-03-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 一种游戏画面的显示方法、相关装置、设备以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443355B2 (en) * | 2013-06-28 | 2016-09-13 | Microsoft Technology Licensing, Llc | Reprojection OLED display for augmented reality experiences |
US9978180B2 (en) * | 2016-01-25 | 2018-05-22 | Microsoft Technology Licensing, Llc | Frame projection for augmented reality environments |
-
2021
- 2021-07-30 CN CN202110878172.9A patent/CN113628311B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887061A (zh) * | 2019-02-19 | 2019-06-14 | 青岛海信电器股份有限公司 | 场景渲染方法、装置以及设备 |
CN111353113A (zh) * | 2020-02-28 | 2020-06-30 | 江苏方天电力技术有限公司 | 一种适用于无人机高频状态数据的可视化渲染方法 |
CN112380989A (zh) * | 2020-11-13 | 2021-02-19 | 歌尔光学科技有限公司 | 一种头戴显示设备及其数据获取方法、装置和主机 |
CN113018848A (zh) * | 2021-03-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 一种游戏画面的显示方法、相关装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113628311A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826507B (zh) | 人脸检测方法、装置、设备及存储介质 | |
CN113628311B (zh) | 图像渲染方法、图像渲染装置、电子设备以及存储介质 | |
CN111524166B (zh) | 视频帧的处理方法和装置 | |
CN111327926B (zh) | 视频插帧方法、装置、电子设备及存储介质 | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
US20230186583A1 (en) | Method and device for processing virtual digital human, and model training method and device | |
JP2023039892A (ja) | 文字生成モデルのトレーニング方法、文字生成方法、装置、機器及び媒体 | |
CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN115393488B (zh) | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 | |
CN113971828A (zh) | 虚拟对象唇形驱动方法、模型训练方法、相关装置及电子设备 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
CN114863182A (zh) | 图像分类方法、图像分类模型的训练方法及装置 | |
CN112926628B (zh) | 动作价值的确定方法、装置、学习框架、介质及设备 | |
CN114220163A (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN114071190A (zh) | 云应用视频流处理方法、相关装置及计算机程序产品 | |
CN116246026B (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 | |
CN115423919B (zh) | 图像的渲染方法、装置、设备以及存储介质 | |
CN111027387A (zh) | 人数评估及评估模型获取方法、装置及存储介质 | |
CN116866658A (zh) | 视频数据的处理方法、装置、设备和介质 | |
CN113033475B (zh) | 目标对象追踪方法、相关装置及计算机程序产品 | |
US11632552B2 (en) | Method and apparatus for coding video, device and medium | |
CN115222598A (zh) | 图像处理方法、装置、设备及介质 | |
CN115018734A (zh) | 视频修复方法和视频修复模型的训练方法、装置 | |
CN114638919A (zh) | 虚拟形象的生成方法、电子设备、程序产品及用户终端 |
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 |