CN114187408A - 三维人脸模型重建方法、装置、电子设备及存储介质 - Google Patents
三维人脸模型重建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114187408A CN114187408A CN202111535606.1A CN202111535606A CN114187408A CN 114187408 A CN114187408 A CN 114187408A CN 202111535606 A CN202111535606 A CN 202111535606A CN 114187408 A CN114187408 A CN 114187408A
- Authority
- CN
- China
- Prior art keywords
- face
- information
- dimensional
- image
- 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
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种三维人脸模型重建方法、装置、电子设备及存储介质,涉及图像处理技术领域。该方法包括:从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;根据拼接后的图像,生成特征增强的的UV图;对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。本公开能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种三维人脸模型重建方法、装置、电子设备及存储介质。
背景技术
三维人脸数据,可提供一个不受光照影响且具有准确姿态信息的几何表示,在日常生活中得到广泛应用,例如,在人脸识别领域,使用三维人脸数据,在不同光照、不同角度、不同表情等复杂情况下仍然具有较高的识别精度。相对于二维人脸图像而言,三维人脸数据包含了人脸的空间信息,但高分辨率和高精度的三维人脸数据是不容易获得的。
传统的三维人脸数据获取方式,往往依赖于一些专业设备,例如,高成本、高精度的数字扫描仪,以及低成本、低精度的深度相机。随着深度学习的发展,基于二维人脸图像实现三维人脸模型的重建,越来越受到重视。但现有的三维人脸模型重建方法,是基于多张二维人脸图像来实现的,这种方法,不仅需要大量参数,而且实时性不强,也很难基于任意一张二维人脸图像实现高质量三维人脸模型的重建。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种三维人脸模型重建方法、装置、电子设备及存储介质,至少在一定程度上克服相关技术中无法基于单张二维人脸图像重建三维人脸模型的技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种三维人脸模型重建方法,该方法包括:从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;根据拼接后的图像,生成特征增强的的UV图;对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
在一些实施例中,使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
在一些实施例中,使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,所述方法还包括:获取输入的视频数据;从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
在一些实施例中,所述方法还包括:获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
在一些实施例中,所述人脸关键点信息包含用于表征身份信息和/或运动信息的关键。
根据本公开的另一个方面,还提供了一种三维人脸模型重建装置,该装置包括:数据提取模块,用于从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;数据融合模块,用于对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;UV图生成模块,用于根据拼接后的图像,生成特征增强的的UV图;三维模型生成模块,用于对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,上述数据提取模块还用于基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
在一些实施例中,上述数据提取模块还用于使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
在一些实施例中,上述三维模型生成模块还用于使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,所述装置还包括:视频数据处理模块,用于获取输入的视频数据;以及从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
在一些实施例中,所述装置还包括:视频数据展示模块,用于获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
在一些实施例中,所述人脸关键点信息包含用于表征身份信息和/或运动信息的关键。
根据本公开的另一个方面,还提供了一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的三维人脸模型重建方法。
根据本公开的另一个方面,还提供了一种计算机可读存储介质,其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任意一项所述的三维人脸模型重建方法。
本公开的实施例所提供的三维人脸模型重建方法、装置、电子设备及存储介质,从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,进而对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,以便根据拼接后的图像,生成特征增强的的UV图,最后对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。通过本公开实施例,能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种三维人脸模型重建方法流程图;
图2示出本公开实施例中一种三维人脸模型重建方法的具体实现框架示意图;
图3示出本公开实施例中一种多尺度特征提取模型示意图;
图4示出本公开实施例中一种特征提取单元的结构示意图;
图5示出本公开实施例中一种三维人脸模型重建装置示意图;
图6示出本公开实施例中一种电子设备的结构框图;
图7示出本公开实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为便于理解,在介绍本公开实施例之前,首先对本公开实施例中涉及到的几个名词进行解释如下:
UV图:U和V指的是2D空间的水平轴和垂直轴,UV图用于轻松包装纹理的3D模型表面的平面表示。
DAN:英文全称为Deep Alignment Network,译为级联深度神经网络模型;
Canny边缘检测算法:由John F.Canny于1986年开发出来的一个多级边缘检测算法;
Web图形库:英文全称为Web Graphics Library,简称WebGL,是一种3D绘图协议,这种绘图技术标准允许把JavaScript和OpenGL ES 2.0结合在一起,通过增加OpenGL ES2.0的一个JavaScript绑定,WebGL可以为HTML5 Canvas提供硬件3D加速渲染,使得Web开发人员可以借助系统显卡在浏览器中更流畅地展示3D场景和模型,还能创建复杂的导航和数据视觉化。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种三维人脸模型重建方法,该方法可以由任意具备计算处理能力的电子设备执行,该电子设备包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
可选地,不同的电子设备中安装的应用程序的客户端是相同的,或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端等。
图1示出本公开实施例中一种三维人脸模型重建方法流程图,如图1所示,本公开实施例中提供的三维人脸模型重建方法包括如下步骤:
S102,从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息。
需要说明的是,上述多尺度人脸信息是指从人脸图像中提取的不同尺度的人脸信息,在一个实施例中,可以利用多个网络模型分别提取不同尺度的人脸信息,将多个网络模型组合,使用端对端的方式优化学习,得到一个提取多尺度人脸信息的多尺度人脸特征提取模型;在另一个实施例中,可以采用级联的多个网络模型分别提取不同尺度的人脸信息,对级联模型优化学习,得到一个提取多尺度人脸信息的多尺度人脸特征提取模型。本公开实施例中的多尺度人脸信息包括:人脸浅层的特征信息和人脸深层的特征信息,利用多尺度提取方式获得人物面部多尺度融合的特征信息,有助于人脸三维模型的重建。可选地,还可以通过设定卷积和池化操作,使得提取的多尺度人脸信息维度保持一致,进而将多尺度人脸信息进行融合。
在卷积神经网络中,感受野被定义为卷积神经网络每一层输出的特征图上每个像素点在原始图像上映射的区域大小。感受野的值越大表示其能接触到的原始图像范围就越大,也意味着它可能蕴含更为全局,语义层次更高的特征;相反,感受野的值越小则表示其所包含的特征越趋向局部和细节。因此感受野的值可以用来大致判断每一层的抽象层次。
上述人脸关键点信息是指从人脸图像中提取的用于表征身份信息和/或运动信息的多个关键点的信息,可以包括但不限于:眉毛、眼睛、鼻子、嘴巴等五官信息。上述人脸稀疏边缘信息是指从人脸图像中提取的人脸轮廓信息,边缘是指周围像素灰度有阶跃变化的像素集合。本公开对关键点提取和边缘检测的方法不作限定,只要能提取人脸关键点和人脸轮廓即可。
S104,对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接。
需要说明的是,上述S104中,可以将提取的多尺度人脸信息输入到编码器,对提取的多尺度人脸信息进行特征编码,然后将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,能够使得拼接后的人脸信息包含更多的语义信息,从而生成特征增强的UV图。
S106,根据拼接后的图像,生成特征增强的的UV图。
需要说明的是,由于拼接后的图像包含增强的二维关键点信息,因而可生成人脸特征增强的UV图,以便根据生成的UV图生成纹理信息和姿态信息更加自然的人脸三维模型。
S108,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
需要说明的是,上述S108中,可以但不限于采用颜色线性插值法对UV图进行三维渲染处理,以生成具有纹理信息的三维人脸模型。
传统基于多张二维人脸图像实现三维人脸模型重建的方法,所需计算参数量很多,难以实现实时性,不利于实际推广。本公开实施例基于上述S102~S108提供的方案,能够在任意表情和光照条件下基于单张图像,有效、快速地实现人脸三维模型的重建。根据多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息生成特征增强的的UV图,能够克服现有三维人脸图像渲染技术存在的纹理“拉丝”现象。
由上可知,本公开的实施例所提供的三维人脸模型重建方法,从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,进而对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,以便根据拼接后的图像,生成特征增强的的UV图,最后对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。通过本公开实施例,能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
在一些实施例中,基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。与以往级联神经网络输入的是图像的某一部分不同,DAN各阶段网络的输入均为整张图片。当网络均采用整张图片作为输入时,DAN可以有效的克服头部姿态以及初始化带来的问题,从而得到更好的检测效果。
在一些实施例中,使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。本公开实施例中,使用Canny边缘检测算法能够精确地找到图像中的尽可能多的边缘,尽可能的减少漏检和误检。
Canny边缘检测算法的处理流程包括:
1)图像灰度化:只有灰度图才能进行边缘检测
2)使用高斯滤波器,以平滑图像,滤除噪声。
3)应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
4)应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
5)通过抑制孤立的弱边缘最终完成边缘检测。
在一些实施例中,使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。颜色线性插值法是指根据周围最接近的几个点(对于平面图像来说,共有四点)的颜色作线性插值计算(对于平面图像来说就是二维线性插值)来估计这点的颜色。在大多数情况下,它的准确度要高于最近邻域法,当然效果也要好得多,最明显的就是在放大时,图像边缘的锯齿比最近邻域法小非常多。
在一些实施例中,本公开实施例中提供的三维人脸模型重建方法还可包括如下步骤:获取输入的视频数据;从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。从视频数据中能够提取出连续的二维人脸图像,针对每张二维人脸图像进行三维人脸模型重建,能够得到连续的三维人脸模型序列,展示连续的三维人脸模型序列,能够得到三维人脸视频。
在一些实施例中,本公开实施例中提供的三维人脸模型重建方法还可包括如下步骤:获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库(WebGraphics Library,WebGL)中进行展示,输出三维人脸视频。WebGL技术免去了开发网页专用渲染插件的麻烦,可被用于创建具有复杂3D结构的网站页面,甚至可以用来设计3D网页游戏等,本公开实施例中,WebGL技术标准免去了开发网页专用渲染插件的麻烦,可被用于创建具有复杂3D结构的网站页面,甚至可以用来设计3D网页游戏等。
在一些实施例中,人脸关键点信息包含用于表征身份信息和/或运动信息的关键。本公开实施例中,通过在编码端增加表征身份信息和/或运动信息的人脸关键点信息,在解码端基于目标人物的特征信息进行解码,能够生成特征增强的UV图,从而使得最终生成的三维人脸模型具有更加自然的纹理与姿态信息,更加接近真实目标。
图2示出本公开实施例中一种三维人脸模型重建方法的具体实现框架示意图,如图2所示,本公开实施例中提供的三维人脸模型重建方法,在具体实施时,可包括如下几个方面:
(一)在编码前,引入密集连接的多尺度特征融合模块获得多尺度融合特征信息,具体包括:
1)采用密集连接模式,将每一层与后面各层进行连接,使得特征和梯度在网络中的传递更加有效,改善了加深卷积神经网络带来的梯度消失问题。同时能够综合各个层次的特征,有助于三维人脸重建及密集对齐精度的提升。图3示出了本公开实施例中一种多尺度特征提取模型。
2)为解决计算参数量大的问题,本公开实施例中,特征提取单元由ResNet模块构成。与第一、第三个ResNet模块不同,中间模块的卷积层采用空洞卷积。应用空洞卷积使得卷积层在保持参数量不变的情况下扩大输出特征的感受野。图4示出了本公开实施例中一种特征提取单元的结构。
3)采用本公开实施例中的多尺度特征提取模型,能够保证在较浅的网络深度和较少参数量的情况下获得更大感受野的特征信息。同时,让各特征提取单元的输出特征图感受野差异更大,使得网络获得信息更丰富的融合特征以输入编码器。在深度卷积神经网络中不同层次的特征表征着不同的信息,在较低阶段,网络的感受野较小,更关注于图像细节信息,语义较不明确。在网络更高阶段,特征感受野变大,语义特征更加准确但对细节的表征能力变弱。融合不同层次的特征可以充分利用高层特征的语义信息和低层特征的细节信息,有助于三维人脸重建及密集对齐精度的提升。
(二)在编码前,提取人脸关键点信息与人脸稀疏边缘信息,用于表征人脸的运动姿态,具体包括:
1)采用DAN模型,利用级联方法进行人脸关键点检测,共检测人脸68个关键点信息。输入整张图片,DAN模型可以有效的克服头部姿态以及初始化带来的问题,得到很好的检测效果。通过引入关键点热图作为补充,从整张图片进行提取特征,从而获得更为精确的定位。
2)采用Canny边缘检测算法提取人脸稀疏边缘信息,检测增加图像边缘信息作为运动的辅助信息。首先通过高斯平滑滤波滤除噪声,然后计算图像中每个像素点的梯度强度和方向,应用非极大值抑制消除边缘检测带来的杂散响应,进而应用双阈值和抑制孤立的弱边缘完成边缘检测信息的提取。对于实时人脸3D重建,边缘信息的引入提升了人脸重建整体轮廓的准确率。
(三)融合多类信息,基于特征编码进行三维人脸重建,具体包括:
对提取出的多尺度人脸信息进行特征编码,其中的多尺度人脸信息包括人脸浅层的特征信息和深层特征信息,采用多尺度提取方式能够更好地提取到人物面部的关键信息,有助于之后的三维重建操作。通过设定不同的卷积和池化操作,使得提取的多尺度人脸信息维度一致,继而将多尺度通道信息进行拼接组合。然后编码输出与人脸关键点、稀疏边缘信息进行拼接,进而传输至解码端进行解码重建。解码过程中基于目标任务的特征信息与关键点运动特征重建,能够生成特征增强的UV图,从而使生成的三维人脸纹理与姿态信息更加真实。
本公开实施例中,融合二维人脸静态图像和多尺度信息的基于特征编码的实时三维人脸重建方法,采用端到端的深度网络,在编码端的特征主要为表征身份信息和运动信息的人脸关键点特。在编码器前,引入密集连接的多尺度特征融合模块获得多尺度融合特征,使编码器在较浅的网络深度和较少参数量的情况下获得更大感受野的特征,获得更丰富的语义信息。
进一步地,通过增加人脸运动关键点与稀疏边缘信息作为特征编码的辅助信息,对于图像重建,这些信息的引入提升了人脸重建整体轮廓的准确率。将编码器提取的属性信息与该信息融合,在解码端进行重建,生成特征增强的UV图,通过UV图投影变换生成更加真实的3D人脸,纹理细节突出。本公开实施例中提供的三维人脸重建方法,能够在编码端更好地提取人脸信息,提高重建的准确率。
作为一种可选的实施方式,本公开实施例中提供的三维人脸模型重建方法,可通过如下步骤将二维视频重建为三维人脸视频:
①输入视频流,提取视频帧,通过多尺度特征提取模块提取不同感受野大小的特征信息作为编码器的输入。
②对视频帧进行辅助运动信息的提取。例如,利用级联深度神经网络DAN模型,对人脸关键点进行检测;利用Canny边缘检测算法提取人脸稀疏边缘信息。
③将提取的多尺度人脸信息进行特征编码,编码输出与人脸关键点、稀疏边缘信息进行拼接,进而传输至解码端进行解码重建,生成UV图。
④通过渲染器,将UV图进行3D渲染,其中的3D渲染利用颜色线性插值法。在完成渲染操作之后,生成对应的有纹理的3D人脸模型,将连续的3D人脸模型序列在Web图形库上进行展示,即输出3D人脸视频。
基于同一发明构思,本公开实施例中还提供了一种三维人脸模型重建装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种三维人脸模型重建装置示意图,如图5所示,该装置包括:数据提取模块51、数据融合模块52、UV图生成模块53和三维模型生成模块54。
其中,数据提取模块51,用于从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;数据融合模块52,用于对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;UV图生成模块53,用于根据拼接后的图像,生成特征增强的的UV图;三维模型生成模块54,用于对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
此处需要说明的是,上述数据提取模块51、数据融合模块52、UV图生成模块53和三维模型生成模块54对应于方法实施例中的S102~S108,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述方法实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知,本公开的实施例所提供的三维人脸模型重建装置,通过数据提取模块51从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,进而通过数据融合模块52对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,以便通过UV图生成模块53根据拼接后的图像,生成特征增强的的UV图,最后通过三维模型生成模块54对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。通过本公开实施例,能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
在一些实施例中,上述数据提取模块还用于基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
在一些实施例中,上述数据提取模块还用于使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
在一些实施例中,上述三维模型生成模块还用于使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,本公开实施例中提供的三维人脸模型重建装置还包括:视频数据处理模块50,用于获取输入的视频数据;以及从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
此处需要说明的是,上述视频数据处理模块50对应于方法实施例中的相应步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述方法实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一些实施例中,本公开实施例中提供的三维人脸模型重建装置还包括:视频数据展示模块55,用于获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
此处需要说明的是,上述视频数据展示模块55对应于方法实施例中的相应步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述方法实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一些实施例中,本公开实施例中提供的三维人脸模型重建装置中,通过数据提取模块51提取的人脸关键点信息包含用于表征身份信息和/或运动信息的关键。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行上述方法实施例的如下步骤:从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;根据拼接后的图像,生成特征增强的的UV图;对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,本公开实施例中的处理单元610可以执行上述方法实施例的如下步骤:基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
在一些实施例中,本公开实施例中的处理单元610可以执行上述方法实施例的如下步骤:使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
在一些实施例中,本公开实施例中的处理单元610可以执行上述方法实施例的如下步骤:使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,本公开实施例中的处理单元610可以执行上述方法实施例的如下步骤:获取输入的视频数据;从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
在一些实施例中,本公开实施例中的处理单元610可以执行上述方法实施例的如下步骤:获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
由上可知,本公开的实施例所提供的电子设备,从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,进而对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,以便根据拼接后的图像,生成特征增强的的UV图,最后对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。通过本公开实施例,能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备640(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。图7示出本公开实施例中一种计算机可读存储介质的示意图,如图7所示,该计算机可读存储介质700上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如,本公开实施例中的程序产品被处理器执行时实现如下步骤的方法:从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;根据拼接后的图像,生成特征增强的的UV图;对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:获取输入的视频数据;从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:获取连续的三维人脸模型序列;将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
由上可知,本公开的实施例所提供的计算机可读存储介质,从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,进而对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接,以便根据拼接后的图像,生成特征增强的的UV图,最后对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。通过本公开实施例,能够基于单张二维人脸图像实现三维人脸模型的重建,引入多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息,能够提升三维人脸模型的重建准确率。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
本领域技术人员应明白,本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。本公开并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。可单独使用本公开的每个方面和/或实施例,或者与一个或更多其他方面和/或其他实施例结合使用。
以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例中所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围,其均应涵盖在本公开的权利要求和说明书的范围当中。
Claims (10)
1.一种三维人脸模型重建方法,其特征在于,包括:
从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;
对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;
根据拼接后的图像,生成特征增强的的UV图;
对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
2.根据权利要求1所述的三维人脸模型重建方法,其特征在于,基于级联深度神经网络DAN模型,从二维人脸图像中提取人脸关键点信息。
3.根据权利要求1所述的三维人脸模型重建方法,其特征在于,使用Canny边缘检测算法,从二维人脸图像中提取人脸稀疏边缘信息。
4.根据权利要求1所述的三维人脸模型重建方法,其特征在于,使用颜色线性插值法,对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
5.根据权利要求1所述的三维人脸模型重建方法,其特征在于,所述方法还包括:
获取输入的视频数据;
从输入的视频数据中提取包含人脸的视频帧,得到多张连续的二维人脸图像。
6.根据权利要求5所述的三维人脸模型重建方法,其特征在于,所述方法还包括:
获取连续的三维人脸模型序列;
将连续的三维人脸模型序列在Web图形库中进行展示,输出三维人脸视频。
7.根据权利要求1至6任一项所述的三维人脸模型重建方法,其特征在于,所述人脸关键点信息包含用于表征身份信息和/或运动信息的关键。
8.一种三维人脸模型重建装置,其特征在于,包括:
数据提取模块,用于从单张二维人脸图像中提取不同感受野大小的多尺度人脸信息、人脸关键点信息、人脸稀疏边缘信息;
数据融合模块,用于对提取的多尺度人脸信息进行特征编码,将特征编码后的多尺度人脸信息与人脸关键点信息、人脸稀疏边缘信息进行拼接;
UV图生成模块,用于根据拼接后的图像,生成特征增强的的UV图;
三维模型生成模块,用于对生成的UV图进行三维渲染处理,生成具有纹理信息的三维人脸模型。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的三维人脸模型重建方法。
10.一种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权利要求1~7中任意一项所述的三维人脸模型重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535606.1A CN114187408B (zh) | 2021-12-15 | 2021-12-15 | 三维人脸模型重建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535606.1A CN114187408B (zh) | 2021-12-15 | 2021-12-15 | 三维人脸模型重建方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187408A true CN114187408A (zh) | 2022-03-15 |
CN114187408B CN114187408B (zh) | 2023-04-07 |
Family
ID=80543951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535606.1A Active CN114187408B (zh) | 2021-12-15 | 2021-12-15 | 三维人脸模型重建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187408B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080084413A1 (en) * | 2006-10-10 | 2008-04-10 | Samsung Electronics Co.; Ltd | Method for generating multi-resolution three-dimensional model |
CN110288697A (zh) * | 2019-06-24 | 2019-09-27 | 天津大学 | 基于多尺度图卷积神经网络的3d人脸表示与重建方法 |
CN110675489A (zh) * | 2019-09-25 | 2020-01-10 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN112734910A (zh) * | 2021-01-05 | 2021-04-30 | 厦门美图之家科技有限公司 | 基于rgb单图实时人脸三维图像重建方法、装置及电子设备 |
CN112818860A (zh) * | 2021-02-02 | 2021-05-18 | 北京航空航天大学 | 基于端到端多任务多尺度神经网络的实时三维人脸重建方法 |
CN112949707A (zh) * | 2021-02-26 | 2021-06-11 | 西安电子科技大学 | 一种基于多尺度语义信息监督的跨模态人脸图像生成方法 |
CN113538221A (zh) * | 2021-07-21 | 2021-10-22 | Oppo广东移动通信有限公司 | 三维人脸的处理方法、训练方法、生成方法、装置及设备 |
-
2021
- 2021-12-15 CN CN202111535606.1A patent/CN114187408B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080084413A1 (en) * | 2006-10-10 | 2008-04-10 | Samsung Electronics Co.; Ltd | Method for generating multi-resolution three-dimensional model |
CN110288697A (zh) * | 2019-06-24 | 2019-09-27 | 天津大学 | 基于多尺度图卷积神经网络的3d人脸表示与重建方法 |
CN110675489A (zh) * | 2019-09-25 | 2020-01-10 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN112734910A (zh) * | 2021-01-05 | 2021-04-30 | 厦门美图之家科技有限公司 | 基于rgb单图实时人脸三维图像重建方法、装置及电子设备 |
CN112818860A (zh) * | 2021-02-02 | 2021-05-18 | 北京航空航天大学 | 基于端到端多任务多尺度神经网络的实时三维人脸重建方法 |
CN112949707A (zh) * | 2021-02-26 | 2021-06-11 | 西安电子科技大学 | 一种基于多尺度语义信息监督的跨模态人脸图像生成方法 |
CN113538221A (zh) * | 2021-07-21 | 2021-10-22 | Oppo广东移动通信有限公司 | 三维人脸的处理方法、训练方法、生成方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
KUN LI 等: "Image-Guided Human Reconstruction via Multi-Scale Graph Transformation Networks", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114187408B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001914B (zh) | 深度图像补全的方法和装置 | |
CN110458918B (zh) | 用于输出信息的方法和装置 | |
CN111402143B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN111901598B (zh) | 视频解码与编码的方法、装置、介质及电子设备 | |
US11641446B2 (en) | Method for video frame interpolation, and electronic device | |
CN112891946B (zh) | 游戏场景生成方法和装置、可读存储介质、电子设备 | |
CN115908753B (zh) | 一种全身人体网格表面重建方法及相关装置 | |
CN112734910A (zh) | 基于rgb单图实时人脸三维图像重建方法、装置及电子设备 | |
CN110619334A (zh) | 基于深度学习的人像分割方法、架构及相关装置 | |
JP2023039426A (ja) | コンピュータ実装方法、情報処理システム、コンピュータプログラム(時空間的関係ベースmrコンテンツ配置) | |
CN116630514A (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
US20230237713A1 (en) | Method, device, and computer program product for generating virtual image | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN116797768A (zh) | 全景图像减少现实的方法和装置 | |
WO2024041235A1 (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
CN113902789A (zh) | 图像特征处理、深度图像生成方法及装置、介质和设备 | |
CN113379877A (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
CN117392293A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN114187408B (zh) | 三维人脸模型重建方法、装置、电子设备及存储介质 | |
US20230281921A1 (en) | Methods of 3d clothed human reconstruction and animation from monocular image | |
CN117132456A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN114596203A (zh) | 用于生成图像和用于训练图像生成模型的方法和装置 | |
Li et al. | Video vectorization via bipartite diffusion curves propagation and optimization | |
EP3929866A2 (en) | Inpainting method and apparatus for human image, and electronic device |
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 |