CN114049420A - 一种模型训练方法、图像渲染方法、装置和电子设备 - Google Patents
一种模型训练方法、图像渲染方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114049420A CN114049420A CN202111271974.XA CN202111271974A CN114049420A CN 114049420 A CN114049420 A CN 114049420A CN 202111271974 A CN202111271974 A CN 202111271974A CN 114049420 A CN114049420 A CN 114049420A
- Authority
- CN
- China
- Prior art keywords
- texture
- image
- rendering
- map
- model
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 268
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012549 training Methods 0.000 title claims abstract description 89
- 230000001537 neural effect Effects 0.000 claims abstract description 173
- 238000005070 sampling Methods 0.000 claims description 139
- 230000006870 function Effects 0.000 claims description 125
- 210000005036 nerve Anatomy 0.000 claims description 122
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229940064452 artec Drugs 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Image Generation (AREA)
Abstract
本申请提供了一种模型训练方法、图像渲染方法、装置和电子设备，所述模型训练方法包括：将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像；根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。本申请技术方案至少可以能够提高训练得到的目标神经纹理渲染模型对图像的渲染效果。
Description
技术领域
本申请涉及图像处理领域，具体涉及一种模型训练方法、图像渲染方法、装置和电子设备。
背景技术
现有技术中，在很多场景下均需要对图像进行渲染，现有的渲染手段主要包括计算机图形学渲染技术和三维重建渲染技术等。现有的渲染方法的渲染效果主要取决于输入数据是否良好。当输入数据不理想时，采用现有的渲染方法很难渲染出照片级真实图像。可见，现有的渲染方法存在渲染效果较差的技术问题。
发明内容
本申请提供的一种模型训练方法、图像渲染方法、装置和电子设备，可以解决现有的渲染方法存在的渲染效果较差的问题。
第一方面，本申请实施例提供了一种模型训练方法，包括：
将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
第二方面，本申请实施例还提供了一种图像渲染方法，包括：
获取第二图像对应的uv贴图；
将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
第三方面，本申请实施例还提供了一种模型训练装置，包括：
第一渲染模块，用于将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
构建模块，用于根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
训练模块，用于基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
第四方面，本申请实施例还提供了一种图像渲染装置，包括：
获取模块，用于获取第二图像对应的uv贴图；
第二渲染模块，用于将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
第五方面，本申请实施例还提供了一种电子设备，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如上述第一方面和第二方面所述的方法步骤。
第六方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质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和第二方面所述的方法步骤。
本申请实施例中，通过根据第一图像、第一神经纹理以及预测渲染图像构建目标损失函数，由于第一神经纹理为渲染过程中的中间特征，因此，在基于目标损失函数对初始神经纹理渲染模型进行训练的过程中，能够更好的对输出中间特征的神经纹理采样模型的参数进行调节，从而更好的约束神经纹理采样过程，强化神经纹理采样模型对图像的学习。这样，相对于仅使用第一图像和预测渲染图像构建目标损失函数而言，采用本申请技术方案能够提高训练得到的目标神经纹理渲染模型对图像的渲染效果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的模型训练方法的流程图之一；
图2是本申请实施例提供的模型训练方法的流程图之二；
图3是本申请实施例中拉普拉斯金字塔网络的结构示意图；
图4是本申请实施例提供的图像渲染方法的流程图；
图5是本申请实施例提供的模型训练装置的结构示意图之一；
图6是本申请实施例提供的图像渲染装置的结构示意图之一；
图7是本申请实施例提供的模型训练装置的结构示意图之二；
图8是本申请实施例提供的图像渲染装置的结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
相关技术中，在对图像进行渲染时，主要采用的渲染方法包括：计算机图形学渲染技术和三维重建渲染技术等。其中，现有的计算机图形学渲染技术的主要缺点在于需要定义良好的输入数据，包括曲面几何体、底层材质属性和场景照明的精确定义等，当定义的输入数据不准确时，难以渲染出近乎照片的真实感的图像。此外，采用三维重建渲染技术对图像进行渲染时，同样对输入的图像具有较高的要求，当输入的图像为包括噪声、过光滑几何体或遮挡的图像时，同样难以渲染出近乎照片的真实感的图像。可见，相关技术中的渲染方法的渲染效果主要取决于输入数据的质量，当输入数据不理想时，渲染效果不佳。
基于此，本申请实施例提供了一种采用神经纹理渲染模型对图像的UV贴图进行神经纹理采样，并对所采样得到的神经纹理进行渲染的技术。由于神经纹理为高维特征，而高维特征包含了更多的信息，如传统的纹理信息、结构信息、光照信息等，这些信息可以通过渲染模型进行渲染还原，且能够在原始3D内容不完善的情况下合成照片真实感的图像。因此，可以提高图像渲染的效果。
其中，所述神经纹理为存储于三维重构图像的顶部对应的2D贴图中的特征。具体地，神经纹理可以包含图像中的结构信息、光照信息、折射率信息等信息。神经纹理是从新颖视图合成到视频编辑的各种应用程序的基础。
请参见图1，图1为本申请实施例提供的一种模型训练方法，所述方法包括以下步骤：
步骤101、将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
步骤102、根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
步骤103、基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
其中，所述将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，之前，还可以包括：构建所述初始神经纹理渲染模型，以及获取训练数据等步骤。
上述训练数据可以包括所述第一图像和所述第一图像的uv贴图，其中，所述第一图像的UV贴图的获取过程可以是：获取第一图像，利用三维重构软件(如Artec3D等)对第一图像进行密度重构，得到三维重构图像；利用uv估算软件(如微软uv-atlas等)估算对应的uv参数，从而获得三维重构图像和对应的uv参数，其中，所述三维重构图像为obj格式。通过读取obj数据，获取三维重构图像指定尺寸的2D观察图像和对应的uv map(uv贴图)数据，其中，指定尺寸可以是指定尺寸为256*256，所述uv贴图数据只有对应坐标信息，没有颜色纹理信息。
在对初始神经纹理渲染模型进行训练时，可以每次从训练数据中获取一定数量的第一图像和对应的uv贴图，并将所获取的第一图像和对应的uv贴图输入至神经纹理采样模型，由神经纹理采样模型从uv贴图中采样出对应的神经纹理，然后，将对应的神经纹理输入渲染模型，由渲染模型对得到的神经纹理进行渲染，得到预测渲染图像。然后，根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数，并可基于目标损失函数对初始神经纹理渲染模型进行训练，如此，循环往复，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
这样，在将待渲染图像对应的uv贴图输入目标神经纹理渲染模型时，目标神经纹理渲染模型中的神经纹理采样模型可以从待渲染图像对应的uv贴图中提取出神经纹理，并将所提取的神经纹理输入至渲染模型，渲染模型对得到的神经纹理进行渲染，得到渲染后的图像。
该实施方式中，通过根据第一图像、第一神经纹理以及预测渲染图像构建目标损失函数，由于第一神经纹理为渲染过程中的中间特征，因此，在基于目标损失函数对初始神经纹理渲染模型进行训练的过程中，能够更好的对输出中间特征的神经纹理采样模型的参数进行调节，从而更好的约束神经纹理采样过程，强化神经纹理采样模型对图像的学习。这样，相对于仅使用第一图像和预测渲染图像构建目标损失函数而言，采用本申请技术方案能够提高训练得到的目标神经纹理渲染模型对图像的渲染效果。此外，由于目标神经纹理渲染模型可以提取待渲染图像对应的uv贴图中的神经纹理特征，并对神经纹理特征进行渲染，这样，在输入数据不全面的情况下，也可以输出照片级真实感的渲染图像，从而可以进一步提高图像的渲染效果。
可选地，所述神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所输入的uv贴图进行不同维度的采样。
上述不同维度具体可以是指：神经纹理特征的不同层次，例如，浅层次的神经纹理特征和更深层次的神经纹理特征，其中，所述浅层次的神经纹理特征包括颜色、轮廓形状等特征，而所述更深层次的神经纹理特征包括结构信息、光照信息、折射率信息等。基于此，本申请为采样得到更为全面的神经纹理特征，通过基于至少两个拉普拉斯采样网络对所输入的uv贴图进行不同维度的采样，从而得到不同维度的神经纹理特征。由于一个采样网络通常只能采用一种类型的特征，因此，相对于仅采用单个采样网络采样单一类型的特征而言，采用本申请技术方案中的神经纹理采样模型，由于可以采样到不同维度的神经纹理特征，从而可以进一步提高对神经纹理的采样效果。
请参见图2，在本申请一个实施例中，所述神经纹理采样模型包括四个拉普拉斯采样网络。通过采用四个拉普拉斯采样网络分别对uv贴图进行不同维度的采样，以得到不同维度的神经纹理特征，从而可以提高对神经纹理的采样效果。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2。
其中，所述拉普拉斯采样网络可以为拉普拉斯金字塔网络，所述拉普拉斯金字塔网络对UV贴图进行采样的原理为：将UV贴图分解为多尺度的金字塔图像序列，使低分辨率的图像位于上层，高分辨率的图像位于下层，通过将所有图像的金字塔在相应层上进行融合，即可得到合成金字塔，再将该合成金字塔按照金字塔生成的逆过程进行重构，得到融合金字塔。
具体地，所述拉普拉斯金字塔网络可以将接收到的UV贴图分解为N层UV贴图，所述N为大于1的整数。所述上层UV贴图与所述前一层UV贴图为所述N层UV贴图中的任意两个相邻两层UV贴图，且所述前一层UV贴图可以是所述N层UV贴图中，除顶层之外的任意一层UV贴图，所述上层UV贴图位于所述前一层UV贴图的上层。例如，请参见图3，在本申请一个实施例中，所述拉普拉斯金字塔网络将接收到的UV贴图分解为4层UV贴图，所述4层UV贴图依次包括第一层UV贴图301、第二层UV贴图302、第三层UV贴图303和第四层UV贴图304、其中，所述第二层UV贴图302的上一层UV贴图为所述第三层UV贴图303，所述第二层UV贴图302的前一层UV贴图为第一层UV贴图301。
在具体实施时，所述上层UV贴图的长度尺寸可以为前一层UV贴图的长度尺寸的1/2，且所述上层UV贴图的宽度尺寸可以为前一层UV贴图的宽度尺寸的1/2。这样，由于底层的UV贴图较大，因此，在对底层UV贴图进行采样之后，可以得到UV贴图中局部的高分辨率的神经纹理特征。而随着层级越高，UV贴图的图像越小，UV贴图的分辨率也越低，UV贴图中包含的全局神经纹理特征越多，相应地，所能够采样到的全局神经纹理特征也越多。最终，可以将对各层UV贴图的采样结果进行融合，以得到最终的采样结果。这样，可以使得最终得到的采样结果既可以体现神经纹理的局部细节特征，还可以体现神经纹理的全局特征，从而提高对神经纹理的采样效果。
例如，请进一步参见图3，在本申请一个实施例中，所述拉普拉斯金字塔网络将接收到的UV贴图分解为4层UV贴图。所述拉普拉斯金字塔网络对UV贴图进行采样的过程可以为：每一层网络分别对输入的UV贴图调用pytorch的grid_sample函数进行拉普拉斯金字塔采样。其中，在输入的UV贴图的尺寸为H·W的情况下，第一层UV贴图301的尺寸可以为H·W，第二层UV贴图302的尺寸可以为(H/2)·(W/2)，第三层UV贴图303的尺寸可以为(H/4)·(W/4)，第四层UV贴图304的尺寸可以为(H/8)·W/8)。相应地，在对第一层UV贴图301进行采样之后，可以得到采样数组y1；在对第二层UV贴图302进行采样之后，可以得到采样数组y2；在对第三层UV贴图303进行采样之后，可以得到采样数组y3；在对第四层UV贴图304进行采样之后，可以得到采样数组y4；如此，可以将四个采样数组相加，即可得到最终的采样结果y。
在本申请另一个实施例中，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
该实施例与上述实施例的区别在于，在进行采样时，使低分辨率的图像位于下层，高分辨率的图像位于上层，这样，由于底层的UV贴图较小，分辨率较低，因此，包含的全局信息较多，所能够采样到的全局神经纹理特征也越多。而随着层级越高，UV贴图的图像越大，神经纹理特征的分辨率也将不断提高，因此，可以采样到UV贴图中局部的高分辨率的神经纹理特征。如此，也可以使得最终得到的采样结果既可以体现神经纹理的局部细节特征，还可以体现神经纹理的全局特征，从而提高对神经纹理的采样效果。
该实施方式的具体采样过程与上述实施例相同，且能实现相同的有益效果，为避免重复，在此不再予以赘述。
可选地，所述渲染模型用于基于Upsample和Conv2d进行插值采样，得到采样结果，并基于所述采样结果生成渲染后的图像。
该实施方式中，通过基于上采样Upsample和卷积Conv2d进行插值采样，相对于现有技术中采用反卷积ConvTranspose2d进行插值采样的方式而言，有利于提高图像的渲染效果，其理由如下：
由于采用反卷积ConvTranspose2d进行插值采样易产生“不均匀重叠”的现象，尤其是在卷积核大小不能被步长整除时，采用ConvTranspose2d的方法更易出现所述“不均匀重叠”的现象，进而导致渲染得到的图像的分辨率较低，其中，所述“不均匀重叠”的现象也称之为棋盘效应(checkerboard artifacts)。
而本申请实施例中，通过上采样Upsample和卷积Conv2d进行插值采样，由于上采样过程与卷积过程相对分离，因此，可以先基于上采样过程提高图像的分辨率，例如，在上采样过程中可以基于使用最近邻居插值或双线性插值的方法调整图像的大小，以提高图像的分辨率，然后采用Conv2d进行卷积，从而有利于提高渲染后的图像的分辨率。
可选地，上述渲染模型可以对uv贴图对应的图像进行延迟渲染。具体地，所述延迟渲染是一种不同于传统前向渲染(Forward rendering)的技术，它的出现是为了解决前向渲染在多动态光源场景下效率过低的问题，所谓延迟渲染就是将光照计算推迟到必要的状态来计算。延迟渲染解耦了几何处理和光照计算，通过geometry pass首先利用光线的depth test剔除了被遮挡的片源，使得真正进行光照计算的片源数量得到了削减。
其中，延迟神经渲染的任务是：在给定的屏幕空间产生逼真的图像。本申请首先需要对每个待渲染图像进行三维重构，并估计对应的纹理参数。然后创建训练数据，重新渲染观察图像对应的三维重构网格的uv贴图，该数据只包含uv坐标，没有颜色纹理信息。训练数据包括真实图像和uv贴图。对训练数据的uv贴图利用神经纹理采样，得到16个结构通道的神经纹理，其中，前3个结构通道对应观察图像的平均颜色纹理。
延迟神经渲染是基于具有跳跃连接的卷积编码解码网络的学习图像对图像的映射，与U-Net网络相类似。本申请延迟渲染网络可以添加视觉方向作为额外输入参数，所述视觉方向具体可以是相机的方位或光照方向，这样，可以使得延迟渲染网络能够学习到视觉方向的特征，进而可以使得渲染得到的图像能够体现出视觉方向的特征。
可选地，所述根据所述第一图像、所述第一神经纹理和所述第一神经纹理渲染模型输出的预测渲染图像构建目标损失函数，包括：
利用所述第一图像和所述第一神经纹理构建第一损失函数；
利用所述第一图像和所述预测渲染图像构建第二损失函数；
基于所述第一损失函数和所述第二损失函数生成所述目标损失函数。
其中，所述第一神经纹理包括纹理颜色信息，所述利用所述第一图像和所述第一神经纹理构建第一损失函数，包括：
根据所述第一图像中的颜色信息和所述纹理颜色信息之间的差值，得到所述第一损失函数；
所述利用所述第一图像和所述第一神经纹理渲染模型输出的预测渲染图像构建第二损失函数，包括：
根据所述第一图像中的颜色信息和所述预测渲染图像中的颜色信息之间的差值，得到所述第二损失函数；
所述基于所述第一损失函数和所述第二损失函数生成所述目标损失函数，包括：
根据所述第一损失函数和所述第二损失函数之和，得到所述目标损失函数。
该实施方式中，通过将神经纹理采样模型输出的纹理颜色信息与输入的第一图像进行比较，计算得到第一损失函数；同时，利用渲染后的预测渲染图像与第一图像进行比较，计算得到第二损失函数。然后，联合使用第一损失函数和第二损失函数对初始神经纹理渲染模型进行训练，由于第一神经纹理为渲染过程中的中间特征，因此，联合使用第一损失函数和第二损失函数对初始神经纹理渲染模型进行训练的过程中，能够更好的对输出中间特征的神经纹理采样模型的参数进行调节，从而更好的约束神经纹理采样过程，强化神经纹理采样模型对图像的学习。相对于仅使用第二损失函数对初始神经纹理渲染模型进行训练而言，采用本申请技术方案能够提高训练得到的目标神经纹理渲染模型对图像的渲染效果。
下文以一具体实施例对本申请实施例提供的模型训练方法作进一步的解释说明：
在本申请一个实施例中，所述训练数据包括n组子训练数据，所述子训练数据包括所述第一图像和所述第一图像的uv贴图，所述n组子训练数据中，各子训练数据中的第一图像均不相同；所述基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，包括：基于所述训练数据和所述目标损失函数对所述初始神经纹理渲染模型进行迭代训练，所述迭代训练中的第i次训练包括：
将所述n组子训练数据中的第i组子训练数据输入第i个神经纹理采样模型，得到所述第i个神经纹理采样模型输出的第i个神经纹理，所述第i个神经纹理包括所述第i组子训练数据中的第一图像的纹理颜色信息；
将所述第i个神经纹理和所述第i组子训练数据中的第一图像输入第i个渲染模型，得到所述第i个渲染模型输出的第i个渲染图像，所述第i个渲染模型为所述第i个神经纹理渲染模型中的渲染模型；
在所述第i个神经纹理渲染模型未满足损失收敛条件的情况下，计算所述第i组子训练数据中的第一图像的纹理颜色信息与所述第i组子训练数据中的第一图像之间的差值，得到第i次训练的第一损失函数；以及，计算所述第i个渲染图像与所述第i组子训练数据中的第一图像中的差值，得到第i次训练的第二损失函数；
计算所述第i次训练的第一损失函数和所述第i次训练的第二损失函数之和，得到第i次训练的目标损失函数；
调用pytorch的Adam函数计算所述第i次训练的目标损失函数中各参数的梯度；
基于所述第i次训练的目标损失函数中各参数的梯度，对所述第i个神经纹理渲染模型进行参数优化，得到第i+1个神经纹理渲染模型。
其中，所述第i个神经纹理采样模型为所述第i个神经纹理渲染模型中的神经纹理采样模型，在所述i等于1，即对所述初始神经纹理渲染模型进行第1次进行训练的情况下，所述第i个神经纹理渲染模型为所述初始神经纹理渲染模型。
上述n组子训练数据中的n张第一图像可以是对同一视频数据进行抽桢处理得到的n帧图像，例如，对目标视频序列按照每25帧抽取一帧图像的方式，获得所述n帧图像。
具体地，由于对训练数据的uv贴图利用神经纹理采样，得到16个结构通道的神经纹理中，前3个结构通道对应观察图像的平均颜色纹理。因此，可以取第i个神经纹理采样模型输出的神经纹理的前三个结构维度值的平均值作为所述第一图像中的纹理颜色信息。然后，计算所述第一图像中的纹理颜色信息与所述第一图像之间的差值，即可得到第i次训练的第一损失函数。
上述损失收敛条件可以是指：目标损失函数是否收敛，或者，也可以是迭代次数是否达到预设的上限。当第i个神经纹理渲染模型不满足损失收敛条件时，则进一步计算第i次训练的目标损失函数，并基于第i次训练的目标损失函数对第i个神经纹理渲染模型进行参数优化，直至满足损失收敛条件，并保留优化后的参数输出目标神经纹理渲染模型。
在本申请一个实施例中，上述n组子训练数据中的n张第一图像可以是包括n个姿态图像训练库
中的n张图像，其中，每张第一图像中，既可以包括具体的图像内容，还可以包括拍摄第一图像时的相机参数和外界环境参数。通过分别获取n张图像对应的uv贴图，从而可以构建所述n组子训练数据。然后，基于所述n组子训练数据利用上述模型训练方法对所述初始神经纹理渲染模型进行迭代训练，以得到所述目标神经纹理渲染模型，其中，Ik是训练库中第k个图像，Pk是对应的相机参数(内部参数和外部环境参数)。具体训练过程可以参见上述实施例，为避免重复在此不再予以赘述。
在进行训练过程中，可以基于如下公式计算所述第一损失函数：
可以基于如下公式计算第二损失函数：
总的损失函数为：
其中，Ik是训练库中第k个图像，Pk是对应的相机参数(内部参数和外部环境参数)。T*是最佳的神经纹理，R*是最佳的渲染图像，LT是第一损失函数，LR是第二损失函数,Tk是第k个uv贴图利用采样模型得到的神经纹理，Rk是第k个神经纹理Tk利用渲染模型得到的渲染图像。
请参见图4，为本申请实施例提供的一种图像渲染方法，所述图像渲染方法包括以下步骤：
步骤401、获取第二图像对应的uv贴图；
步骤402、将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
具体地，所述目标神经纹理渲染模型为基于上述模型训练方法对初始神经纹理渲染模型进行迭代训练之后，得到的模型，其具体训练过程可以参见上述实施例，为避免重复，在此不再予以赘述。
由于本申请实施例提供的图像渲染方法采用目标神经纹理渲染模型对图像对应的uv贴图进行渲染，且所述目标神经纹理渲染模型为基于上述实施例提供的模型训练方法训练得到的模型，因此，本申请实施例能够实现上述实施例中的全部有益效果，为避免重复，在此不再予以赘述。
可选地，所述获取第二图像对应的uv贴图，包括：
获取所述第二图像；
对所述第二图像进行密度重构，得到所述第二图像对应的三维重构图像；
从所述三维重构图像中获取所述UV贴图。
本实施例为对上述图像渲染方法的进一步限定，其具体实现过程可以参见上述实施例，且能够实现相同的有益效果，为避免重复，在此不再予以赘述。
可选地，所述目标神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
本实施例为对上述图像渲染方法的进一步限定，其具体实现过程可以参见上述实施例，且能够实现相同的有益效果，为避免重复，在此不再予以赘述。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
本实施例为对上述图像渲染方法的进一步限定，其具体实现过程可以参见上述实施例，且能够实现相同的有益效果，为避免重复，在此不再予以赘述。
请参见图5，为本申请实施例提供的一种模型训练装置500的结构示意图，所述模型训练装置500包括：
第一渲染模块501，用于将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
构建模块502，用于根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
训练模块503，用于基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
可选地，所述构建模块502，包括：
第一构建子模块，用于利用所述第一图像和所述第一神经纹理构建第一损失函数；
第二构建子模块，用于利用所述第一图像和所述预测渲染图像构建第二损失函数；
生成子模块，用于基于所述第一损失函数和所述第二损失函数生成所述目标损失函数。
可选地，所述第一神经纹理包括纹理颜色信息，所述第一构建子模块，具体用于根据所述第一图像中的颜色信息和所述纹理颜色信息之间的差值，得到所述第一损失函数；
所述第二构建子模块，具体用于根据所述第一图像中的颜色信息和所述预测渲染图像中的颜色信息之间的差值，得到所述第二损失函数；
所述生成子模块，具体用于根据所述第一损失函数和所述第二损失函数之和，得到所述目标损失函数。
可选地，所述神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
本申请实施例提供的模型训练装置500能够实现上述模型训练方法实施例中的各个过程，为避免重复，这里不再赘述。
请参见图6，为本申请实施例提供的一种图像渲染装置500的结构示意图，所述图像渲染装置包括：
获取模块601，用于获取第二图像对应的uv贴图；
第二渲染模块602，用于将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
可选地，所述获取第二图像对应的uv贴图，包括：
获取所述第二图像；
对所述第二图像进行密度重构，得到所述第二图像对应的三维重构图像；
从所述三维重构图像中获取所述UV贴图。
可选地，所述目标神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
本申请实施例提供的图像渲染装置500能够实现上述图像渲染方法实施例中的各个过程，为避免重复，这里不再赘述。
参见图7，图7是本申请又一实施提供的模型训练装置700的结构图，如图7所示，模型训练装置700包括：处理器701、存储器702及存储在所述存储器702上并可在所述处理器上运行的计算机程序，模型训练装置700中的各个组件通过总线接口703耦合在一起，所述计算机程序被所述处理器701执行时实现如下步骤：
将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
可选地，所述根据所述第一图像、所述第一神经纹理和所述预测渲染图像构建目标损失函数，包括：
利用所述第一图像和所述第一神经纹理构建第一损失函数；
利用所述第一图像和所述预测渲染图像构建第二损失函数；
基于所述第一损失函数和所述第二损失函数生成所述目标损失函数。
可选地，所述第一神经纹理包括纹理颜色信息，所述利用所述第一图像和所述第一神经纹理构建第一损失函数，包括：
根据所述第一图像中的颜色信息和所述纹理颜色信息之间的差值，得到所述第一损失函数；
所述利用所述第一图像和所述预测渲染图像构建第二损失函数，包括：
根据所述第一图像中的颜色信息和所述预测渲染图像中的颜色信息之间的差值，得到所述第二损失函数；
所述基于所述第一损失函数和所述第二损失函数生成所述目标损失函数，包括：
根据所述第一损失函数和所述第二损失函数之和，得到所述目标损失函数。
可选地，所述神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
参见图8，图8是本申请又一实施提供的图像渲染装置800的结构图，如图8所示，图像渲染装置800包括：处理器801、存储器802及存储在所述存储器802上并可在所述处理器上运行的计算机程序，图像渲染装置800中的各个组件通过总线接口803耦合在一起，所述计算机程序被所述处理器801执行时实现如下步骤：
获取第二图像对应的uv贴图；
将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
可选地，所述获取第二图像对应的uv贴图，包括：
获取所述第二图像；
对所述第二图像进行密度重构，得到所述第二图像对应的三维重构图像；
从所述三维重构图像中获取所述UV贴图。
可选地，所述目标神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
可选地，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
本申请实施例还提供一种电子设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (12)
1.一种模型训练方法，其特征在于，包括：
将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像、所述第一神经纹理和所述预测渲染图像构建目标损失函数，包括：
利用所述第一图像和所述第一神经纹理构建第一损失函数；
利用所述第一图像和所述预测渲染图像构建第二损失函数；
基于所述第一损失函数和所述第二损失函数生成所述目标损失函数。
3.根据权利要求2所述的方法，其特征在于，所述第一神经纹理包括纹理颜色信息，所述利用所述第一图像和所述第一神经纹理构建第一损失函数，包括：
根据所述第一图像中的颜色信息和所述纹理颜色信息之间的差值，得到所述第一损失函数；
所述利用所述第一图像和所述预测渲染图像构建第二损失函数，包括：
根据所述第一图像中的颜色信息和所述预测渲染图像中的颜色信息之间的差值，得到所述第二损失函数；
所述基于所述第一损失函数和所述第二损失函数生成所述目标损失函数，包括：
根据所述第一损失函数和所述第二损失函数之和，得到所述目标损失函数。
4.根据权利要求1所述的方法，其特征在于，所述神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
5.根据权利要求4所述的方法，其特征在于，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
6.一种图像渲染方法，其特征在于，包括：
获取第二图像对应的uv贴图；
将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
7.根据权利要求6所述的方法，其特征在于，所述目标神经纹理采样模型包括至少两个拉普拉斯采样网络，所述至少两个拉普拉斯采样网络用于对所述uv贴图进行不同维度的采样。
8.根据权利要求7所述的方法，其特征在于，所述拉普拉斯采样网络用于对所述UV贴图进行采样，其中，上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的1/2，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的1/2；或者，
上层UV贴图的长度尺寸为前一层UV贴图的长度尺寸的2倍，且上层UV贴图的宽度尺寸为前一层UV贴图的宽度尺寸的2倍。
9.一种模型训练装置，其特征在于，包括：
第一渲染模块，用于将第一图像和所述第一图像的UV贴图输入初始神经纹理渲染模型，得到所述初始神经纹理渲染模型输出的第一神经纹理和预测渲染图像，其中，所述初始神经纹理渲染模型包括神经纹理采样模型和渲染模型，所述神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到所述第一神经纹理，所述渲染模型用于对所述第一神经纹理进行渲染，得到所述预测渲染图像；
构建模块，用于根据所述第一图像、所述第一神经纹理以及所述预测渲染图像构建目标损失函数；
训练模块，用于基于所述目标损失函数对所述初始神经纹理渲染模型进行训练，直到所述目标损失函数收敛，将所述目标损失函数收敛时的初始神经纹理渲染模型确定为目标神经纹理渲染模型。
10.一种图像渲染装置，其特征在于，包括：
获取模块，用于获取第二图像对应的uv贴图；
第二渲染模块，用于将所述第二图像对应的uv贴图输入目标神经纹理渲染模型，得到所述目标神经纹理渲染模型输出的渲染后的图像；
其中，所述目标神经纹理渲染模型包括目标神经纹理采样模型和目标渲染模型，所述目标神经纹理采样模型用于对所述uv贴图进行神经纹理采样得到第二神经纹理，所述目标渲染模型用于对所述第二神经纹理进行渲染，得到所述渲染后的图像。
11.一种电子设备，其特征在于，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的方法步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至8中任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111271974.XA CN114049420B (zh) | 2021-10-29 | 2021-10-29 | 一种模型训练方法、图像渲染方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111271974.XA CN114049420B (zh) | 2021-10-29 | 2021-10-29 | 一种模型训练方法、图像渲染方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114049420A true CN114049420A (zh) | 2022-02-15 |
| CN114049420B CN114049420B (zh) | 2022-10-21 |
Family
ID=80206495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111271974.XA Active CN114049420B (zh) | 2021-10-29 | 2021-10-29 | 一种模型训练方法、图像渲染方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049420B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114792359A (zh) * | 2022-06-24 | 2022-07-26 | 北京百度网讯科技有限公司 | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 |
| CN115063645A (zh) * | 2022-05-06 | 2022-09-16 | 北京航空航天大学 | 模型训练方法、贴图确定方法、装置、设备 |
| WO2023160513A1 (zh) * | 2022-02-25 | 2023-08-31 | 北京字跳网络技术有限公司 | 3d素材的渲染方法、装置、设备及存储介质 |
| CN116740261A (zh) * | 2022-03-02 | 2023-09-12 | 腾讯科技（深圳）有限公司 | 图像重建方法和装置、图像重建模型的训练方法和装置 |
| CN117764853A (zh) * | 2024-01-11 | 2024-03-26 | 荣耀终端有限公司 | 人脸图像增强方法和电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150279094A1 (en) * | 2014-03-28 | 2015-10-01 | Cae Inc. | System and Method for Rendering Virtual Contaminants |
| CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
| CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
| CN108230434A (zh) * | 2017-12-15 | 2018-06-29 | 腾讯科技（深圳）有限公司 | 图像纹理的处理方法、装置、存储介质和电子装置 |
| CN108876870A (zh) * | 2018-05-30 | 2018-11-23 | 福州大学 | 一种考虑纹理复杂性的域映射GANs图像着色方法 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
| CN110782448A (zh) * | 2019-10-25 | 2020-02-11 | 广东三维家信息科技有限公司 | 渲染图像的评价方法及装置 |
| CN111460931A (zh) * | 2020-03-17 | 2020-07-28 | 华南理工大学 | 基于颜色通道差值图特征的人脸欺骗检测方法及系统 |
| CN112581593A (zh) * | 2020-12-28 | 2021-03-30 | 深圳市人工智能与机器人研究院 | 神经网络模型的训练方法及相关设备 |
| CN112950775A (zh) * | 2021-04-27 | 2021-06-11 | 南京大学 | 一种基于自监督学习的三维人脸模型重建方法及系统 |
-
2021
- 2021-10-29 CN CN202111271974.XA patent/CN114049420B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150279094A1 (en) * | 2014-03-28 | 2015-10-01 | Cae Inc. | System and Method for Rendering Virtual Contaminants |
| CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
| CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
| CN108230434A (zh) * | 2017-12-15 | 2018-06-29 | 腾讯科技（深圳）有限公司 | 图像纹理的处理方法、装置、存储介质和电子装置 |
| CN108876870A (zh) * | 2018-05-30 | 2018-11-23 | 福州大学 | 一种考虑纹理复杂性的域映射GANs图像着色方法 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
| CN110782448A (zh) * | 2019-10-25 | 2020-02-11 | 广东三维家信息科技有限公司 | 渲染图像的评价方法及装置 |
| CN111460931A (zh) * | 2020-03-17 | 2020-07-28 | 华南理工大学 | 基于颜色通道差值图特征的人脸欺骗检测方法及系统 |
| CN112581593A (zh) * | 2020-12-28 | 2021-03-30 | 深圳市人工智能与机器人研究院 | 神经网络模型的训练方法及相关设备 |
| CN112950775A (zh) * | 2021-04-27 | 2021-06-11 | 南京大学 | 一种基于自监督学习的三维人脸模型重建方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| STEFAN HINTERSTOISSER等: "Model Based Training, Detection and Pose Estimation of Texture-Less 3D Objects in Heavily Cluttered Scenes", 《ASIAN CONFERENCE ON COMPUTER VISION》 * |
| 于贺等: "基于多尺寸卷积与残差单元的快速收敛GAN胸部X射线图像数据增强", 《信号处理》 * |
| 张冬明等: "基于深度融合的显著性目标检测算法", 《计算机学报 》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023160513A1 (zh) * | 2022-02-25 | 2023-08-31 | 北京字跳网络技术有限公司 | 3d素材的渲染方法、装置、设备及存储介质 |
| CN116740261A (zh) * | 2022-03-02 | 2023-09-12 | 腾讯科技（深圳）有限公司 | 图像重建方法和装置、图像重建模型的训练方法和装置 |
| CN115063645A (zh) * | 2022-05-06 | 2022-09-16 | 北京航空航天大学 | 模型训练方法、贴图确定方法、装置、设备 |
| CN114792359A (zh) * | 2022-06-24 | 2022-07-26 | 北京百度网讯科技有限公司 | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 |
| CN114792359B (zh) * | 2022-06-24 | 2022-10-11 | 北京百度网讯科技有限公司 | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 |
| CN117764853A (zh) * | 2024-01-11 | 2024-03-26 | 荣耀终端有限公司 | 人脸图像增强方法和电子设备 |
| CN117764853B (zh) * | 2024-01-11 | 2024-07-05 | 荣耀终端有限公司 | 人脸图像增强方法和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114049420B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114049420B (zh) | 一种模型训练方法、图像渲染方法、装置和电子设备 | |
| JP4776705B2 (ja) | 画像処理装置および方法 | |
| CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
| CN110517352B (zh) | 一种物体的三维重建方法、存储介质、终端及系统 | |
| JP2023519728A (ja) | 二次元画像の三次元化方法、装置、機器及びコンピュータプログラム | |
| CN113592711A (zh) | 点云数据不均匀的三维重建方法、系统、设备及存储介质 | |
| CN116310712A (zh) | 一种基于循环生成对抗网络的图像水墨风格迁移方法及系统 | |
| CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
| CN115731336A (zh) | 图像渲染方法、图像渲染模型生成方法及相关装置 | |
| CN116934936A (zh) | 一种三维场景风格迁移方法、装置、设备及存储介质 | |
| CN116310111A (zh) | 基于伪平面约束的室内场景三维重建方法 | |
| CN110738677A (zh) | 相机全清晰成像方法、装置与电子设备 | |
| CN113840127B (zh) | 一种卫星视频影像获取水域自动掩膜处理dsm的方法 | |
| Debbagh | Neural Radiance Fields (NeRFs): A Review and Some Recent Developments | |
| Heimann et al. | Frequency-selective mesh-to-mesh resampling for color upsampling of point clouds | |
| CN117292017A (zh) | 一种草图到图片跨域合成方法、系统及设备 | |
| CN110363733B (zh) | 一种混合图像生成方法及装置 | |
| CN110322548B (zh) | 一种基于几何图像参数化的三维网格模型生成方法 | |
| CN115578497A (zh) | 一种基于gan网络的图像场景重光照的网络结构及方法 | |
| Mahmoudi et al. | Sparse representations for three-dimensional range data restoration | |
| CN114549300A (zh) | 图像字典的生成方法、图像重建方法及相关装置 | |
| CN112634128A (zh) | 一种基于深度学习的立体图像重定向方法 | |
| CN118096978B (zh) | 一种基于任意风格化的3d艺术内容快速生成方法 | |
| KR102648938B1 (ko) | 기하학적 일관성을 이용한 소수 샷 신경 방사장 기반 3차원 이미지 재구성 방법 및 장치 | |
| Huang et al. | Generation of stereo oil paintings from RGBD images |
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 |