CN114332321A - 一种基于神经纹理的动态人脸重建方法和装置 - Google Patents
一种基于神经纹理的动态人脸重建方法和装置 Download PDFInfo
- Publication number
- CN114332321A CN114332321A CN202111401637.8A CN202111401637A CN114332321A CN 114332321 A CN114332321 A CN 114332321A CN 202111401637 A CN202111401637 A CN 202111401637A CN 114332321 A CN114332321 A CN 114332321A
- Authority
- CN
- China
- Prior art keywords
- texture
- face
- dimensional
- neural
- nerve
- 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
- 210000005036 nerve Anatomy 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001537 neural effect Effects 0.000 claims abstract description 115
- 238000009877 rendering Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 30
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 18
- 210000004209 hair Anatomy 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经纹理的动态人脸重建方法和装置,其中,该方法包括:预先采集多视角的人脸视频数据集;基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。本发明将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
Description
技术领域
本发明涉及图形学、人脸神经纹理重建、真实感人脸渲染等技术领域,尤其涉及一种基于神经纹理的动态人脸重建方法和装置。
背景技术
深度学习的概念源于人工神经网络的研究,多层感知器、卷积神经网络都属于深度学习的方法。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
基于深度学习的真实感人脸渲染在人脸动画、游戏和影视领域中具有非常广泛的学术价值和应用前景。由于人脸的反射属性非常复杂,具有真实感的人脸渲染难度非常大,需要大量的人工处理;传统渲染方式耗时比较大,而基于深度学习的渲染方式相对来说比较快速,可以大大降低渲染成本。这一类方法称为神经渲染方法,该方法可以应用在动态人脸重建任务中,实现更具有真实感的动态人脸重建效果。神经渲染方法包含二维神经纹理方法与神经立体渲染的方法,这些难以实现动态的效果。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于神经纹理的动态人脸重建方法,可以实现动态人脸的驱动。
本发明的另一个目的在于提出一种基于神经纹理的动态人脸重建装置。
为达上述目的,本发明一方面提出了一种基于神经纹理的动态人脸重建方法,包括以下步骤:
S1,预先采集多视角的人脸视频数据集;
S2,基于所述人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对所述人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及所述双层神经纹理对应的解码网络;
S3,基于训练得到的所述双层神经纹理和所述对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
另外,根据本发明上述实施例的基于神经纹理的动态人脸重建方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述二维神经纹理贴图用于表征皮肤的材质,所述三维神经纹理场用于表征毛发材质与毛发相对皮肤的位置。
进一步地,在本发明的一个实施例中,所述S1,包括:采集方向同一用于做不同表情的人脸多视角图片序列,对所述序列中的每帧进行人脸重建,得到每一帧的人脸几何,利用预训练的人脸图片分割网络,对人脸图片中的皮肤和毛发区域进行分割。
进一步地,在本发明的一个实施例中,所述S2,包括:对采集得到的图片数据和人脸几何数据进行训练,人脸初始化二维神经纹理贴图和三维神经纹理场,使用深度卷积神经网络对所述二维神经纹理贴图进行解码,所述二维神经纹理贴图和人脸相对中性表情的运动经过二维神经纹理渲染网络渲染后,恢复预先采集的人脸视频数据集中皮肤区域的颜色。
进一步地,在本发明的一个实施例中,所述S2,还包括:利用多层感知器解码三维神经纹理场,使所述三维神经纹理场对沿皮肤法向的毛发相对位置和毛发的颜色进行表达,在相机视角下渲染得到的颜色与图片一致,所述三维神经纹理场表征为中性表情人脸下皮肤法向处的毛发,其他表情下对应位置,通过计算所述中性表情人脸到这一表情下人脸几何变化的仿射变换,应用在所述中性表情人脸下这一位置与皮肤的相对位移得到此时的相对位置。
进一步地,在本发明的一个实施例中,所述S3,还包括:利用训练得到的双层神经纹理、双层神经纹理对应解码器和人脸混合模型,指定人脸混合模型系数,利用二维神经纹理贴图进行栅格化,得到二维特征图,利用训练好的二维神经纹理卷积网络进行解码得到皮肤的渲染结果,利用三维神经纹理场与相应的解码器,利用体绘制的方式,得到毛发的渲染结果。
本发明实施例的基于神经纹理的动态人脸重建方法,预先采集多视角的人脸视频数据集;基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。本发明将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
为达到上述目的,本发明另一方面提出了一种基于神经纹理的动态人脸重建装置,包括:
数据采集模块,用于预先采集多视角的人脸视频数据集;
网络训练模块,用于基于所述人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对所述人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及所述双层神经纹理对应的解码网络;
结果应用模块,用于基于训练得到的所述双层神经纹理和所述对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
本发明实施例的基于神经纹理的动态人脸重建装置,预先采集多视角的人脸视频数据集;基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。本发明将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于神经纹理的动态人脸重建方法的流程图;
图2为根据本发明实施例的基于神经纹理的动态人脸重建装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于神经纹理的动态人脸重建方法及装置。
图1是本发明一个实施例的基于神经纹理的动态人脸重建方法的流程图。
如图1所示,该基于神经纹理的动态人脸重建方法包括以下步骤:
S1,预先采集多视角的人脸视频数据集。
可以理解的是,本发明通过一个多视角相机系统,预先采集多视角的某一用户人脸视频数据集,该相机系统中每个相机的内外参预先配准获得。
具体的,采集方向同一用于做不同表情的人脸多视角图片序列,对该序列中的每帧进行人脸重建,得到每一帧的人脸几何,同时利用一个预训练好的人脸图片分割网络,对人脸图片中的皮肤和毛发区域进行分割。
S2,基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络。
可以理解地是,利用这一数据集,可以训练得到一个双层神经纹理表示和两个神经纹理解码网络,包含一个二维神经纹理贴图表示皮肤的反射属性,一个三维的神经纹理场用来表示毛发相对于皮肤法向的相对位置和毛发的材质。对于二维和三维的神经纹理进行分别解码,其中二维神经纹理网络为一个卷积网络,三维神经纹理网络为一个多层感知器。
具体的,根据上述采集得到的图片数据和人脸几何数据进行训练,每个人脸初始化一个二维神经纹理贴图和一个三维神经纹理场,使用一个深度卷积神经网络用于二维神经纹理的解码,要求二维神经纹理贴图和人脸相对中性表情的运动经过神经纹理渲染网络渲染之后,能够恢复预先采集的视频数据中皮肤区域的颜色;同时,利用一个多层感知器,要求这一多层感知器解码三维纹理场,使其能够对沿皮肤法向的毛发相对位置和毛发的颜色进行表达,要求在每个相机视角下渲染得到的颜色与图片一致。颜色一致性利用L2损失函数加以约束。
进一步地,三维神经纹理场表征为中性表情人脸下皮肤法向处的毛发,而其他表情下对应位置xi,通过计算中性人脸到这一表情下人脸几何变化的仿射变换Ti,应用在中性表情下这一位置与皮肤的相对位移得到此时的相对位置为x′=Tix。
S3,基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
具体的,利用训练得到的双层神经纹理表达,神经纹理解码器和人脸混合模型,指定一个人脸混合模型系数,从而可以利用二维神经纹理贴图进行栅格化,得到二维特征图,利用训练好的二维神经纹理卷积网络进行解码得到皮肤的渲染结果,同时利用三维神经纹理场与相应的解码器,利用体绘制的方式,得到毛发的渲染结果,将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
作为一种示例,人脸动画的大尺度几何使用人脸混合模型表示,皮肤渲染为使用栅格化的方式,将二维神经纹理从UV空间栅格化为一张二维神经特征图,使用二维神经卷积网络得到皮肤的渲染结果,对毛发区域使用体渲染的方式,将三维神经纹理场中每个位置处相对于人脸皮肤法向的位移,利用人脸混合模型的仿射变换进行变形,得到变形后相对于皮肤位置的三维神经纹理场,训练得到的多层感知器将位置坐标、仿射变换、该位置处的神经纹理作为输入,得到在相机空间的颜色值,从而利用体绘制的方式得到头发的渲染,由于头发始终在皮肤外面,所以可以将头发的渲染结果直接覆盖在皮肤的渲染结果上得到最终结果。
需要说明的是,针对基于神经纹理的动态人脸重建方法实现方式有多种,但无论具体的实现方法如何,只要方法实现了神经纹理的动态人脸重建,都是针对现有技术问题的解决,并具有相应的效果。
本发明实施例的基于神经纹理的动态人脸重建方法,预先采集多视角的人脸视频数据集;基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。本发明将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
为了实现上述实施例,如图2所示,本实施例中还提供了基于神经纹理的动态人脸重建装置10,该装置10包括:数据采集模块100、网络训练模块200和结果应用模块300。
数据采集模块100,用于预先采集多视角的人脸视频数据集;
网络训练模块200,用于基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;
结果应用模块300,用于基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
进一步地,二维神经纹理贴图用于表征皮肤的材质,三维神经纹理场用于表征毛发材质与毛发相对皮肤的位置。
进一步地,上述数据采集模块100,还用于:
采集方向同一用于做不同表情的人脸多视角图片序列,对序列中的每帧进行人脸重建,得到每一帧的人脸几何,利用预训练的人脸图片分割网络,对人脸图片中的皮肤和毛发区域进行分割。
进一步地,上述网络训练模块200,还用于:
对采集得到的图片数据和人脸几何数据进行训练,人脸初始化二维神经纹理贴图和三维神经纹理场,使用深度卷积神经网络对所述二维神经纹理贴图进行解码,二维神经纹理贴图和人脸相对中性表情的运动经过二维神经纹理渲染网络渲染后,恢复预先采集的人脸视频数据集中皮肤区域的颜色。
本发明实施例的基于神经纹理的动态人脸重建装置,预先采集多视角的人脸视频数据集;基于人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及双层神经纹理对应的解码网络;基于训练得到的双层神经纹理和对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。本发明将渲染结果合并则可得到目标光照下的具有真实感的渲染结果。
需要说明的是,前述对基于神经纹理的动态人脸重建方法实施例的解释说明也适用于该实施例的基于神经纹理的动态人脸重建装置,此处不再赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于神经纹理的动态人脸重建方法,其特征在于,包括以下步骤:
S1,预先采集多视角的人脸视频数据集;
S2,基于所述人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对所述人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及所述双层神经纹理对应的解码网络;
S3,基于训练得到的所述双层神经纹理和所述对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
2.根据权利要求1所述的基于神经纹理的动态人脸重建方法,其特征在于,所述二维神经纹理贴图用于表征皮肤的材质,所述三维神经纹理场用于表征毛发材质与毛发相对皮肤的位置。
3.根据权利要求1所述的基于神经纹理的动态人脸重建方法,其特征在于,所述S1,包括:
采集方向同一用于做不同表情的人脸多视角图片序列,对所述序列中的每帧进行人脸重建,得到每一帧的人脸几何,利用预训练的人脸图片分割网络,对人脸图片中的皮肤和毛发区域进行分割。
4.根据权利要求1所述的基于神经纹理的动态人脸重建方法,其特征在于,所述S2,包括:
对采集得到的图片数据和人脸几何数据进行训练,人脸初始化二维神经纹理贴图和三维神经纹理场,使用深度卷积神经网络对所述二维神经纹理贴图进行解码,所述二维神经纹理贴图和人脸相对中性表情的运动经过二维神经纹理渲染网络渲染后,恢复预先采集的人脸视频数据集中皮肤区域的颜色。
5.根据权利要求1所述的基于神经纹理的动态人脸重建方法,其特征在于,所述S2,还包括:
利用多层感知器解码三维神经纹理场,使所述三维神经纹理场对沿皮肤法向的毛发相对位置和毛发的颜色进行表达,在相机视角下渲染得到的颜色与图片一致,所述三维神经纹理场表征为中性表情人脸下皮肤法向处的毛发,其他表情下对应位置,通过计算所述中性表情人脸到这一表情下人脸几何变化的仿射变换,应用在所述中性表情人脸下这一位置与皮肤的相对位移得到此时的相对位置。
6.根据权利要求1所述的基于神经纹理的动态人脸重建方法,其特征在于,所述S3,还包括:
利用训练得到的双层神经纹理、双层神经纹理对应解码器和人脸混合模型,指定人脸混合模型系数,利用二维神经纹理贴图进行栅格化,得到二维特征图,利用训练好的二维神经纹理卷积网络进行解码得到皮肤的渲染结果,利用三维神经纹理场与相应的解码器,利用体绘制的方式,得到毛发的渲染结果。
7.一种基于神经纹理的动态人脸重建装置,其特征在于,包括:
数据采集模块,用于预先采集多视角的人脸视频数据集;
网络训练模块,用于基于所述人脸视频数据集,利用二维神经纹理渲染网络和三维神经纹理渲染网络,对所述人脸视频数据集进行训练,得到二维神经纹理贴图和三维神经纹理场双层神经纹理,以及所述双层神经纹理对应的解码网络;
结果应用模块,用于基于训练得到的所述双层神经纹理和所述对应的解码网络,利用人脸混合模型构建三维仿射变形场,实现动态人脸的驱动。
8.根据权利要求7所述的基于神经纹理的动态人脸重建装置,其特征在于,所述二维神经纹理贴图用于表征皮肤的材质,所述三维神经纹理场用于表征毛发材质与毛发相对皮肤的位置。
9.根据权利要求7所述的基于神经纹理的动态人脸重建装置,其特征在于,所述数据采集模块,还用于:
采集方向同一用于做不同表情的人脸多视角图片序列,对所述序列中的每帧进行人脸重建,得到每一帧的人脸几何,利用预训练的人脸图片分割网络,对人脸图片中的皮肤和毛发区域进行分割。
10.根据权利要求7所述的基于神经纹理的动态人脸重建装置,其特征在于,所述网络训练模块,还用于:
对采集得到的图片数据和人脸几何数据进行训练,人脸初始化二维神经纹理贴图和三维神经纹理场,使用深度卷积神经网络对所述二维神经纹理贴图进行解码,所述二维神经纹理贴图和人脸相对中性表情的运动经过二维神经纹理渲染网络渲染后,恢复预先采集的人脸视频数据集中皮肤区域的颜色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111401637.8A CN114332321B (zh) | 2021-11-19 | 一种基于神经纹理的动态人脸重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111401637.8A CN114332321B (zh) | 2021-11-19 | 一种基于神经纹理的动态人脸重建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332321A true CN114332321A (zh) | 2022-04-12 |
CN114332321B CN114332321B (zh) | 2024-06-07 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648613A (zh) * | 2022-05-18 | 2022-06-21 | 杭州像衍科技有限公司 | 基于可变形神经辐射场的三维头部模型重建方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669447A (zh) * | 2020-12-30 | 2021-04-16 | 网易(杭州)网络有限公司 | 一种模型头像创建方法、装置、电子设备和存储介质 |
WO2021174833A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸关键点修正方法、装置以及计算机设备 |
CN113421328A (zh) * | 2021-05-27 | 2021-09-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种三维人体虚拟化重建方法及装置 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174833A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸关键点修正方法、装置以及计算机设备 |
CN112669447A (zh) * | 2020-12-30 | 2021-04-16 | 网易(杭州)网络有限公司 | 一种模型头像创建方法、装置、电子设备和存储介质 |
CN113421328A (zh) * | 2021-05-27 | 2021-09-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种三维人体虚拟化重建方法及装置 |
Non-Patent Citations (3)
Title |
---|
LI TANG等: "Robust Multiscale Stereo Matching from Fundus Images with Radiometric Differences", <IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE>, vol. 33, no. 11, 30 November 2011 (2011-11-30) * |
李康: "基于分区的颅骨面貌复原技术与真实感处理方法研究", 《西北大学博士学位论文》, 1 December 2014 (2014-12-01) * |
程日彬: "真实感三维人脸合成技术研究", 《西北大学硕士学位论文》, 1 June 2007 (2007-06-01) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648613A (zh) * | 2022-05-18 | 2022-06-21 | 杭州像衍科技有限公司 | 基于可变形神经辐射场的三维头部模型重建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255831B (zh) | 基于多任务学习的单视图人脸三维重建及纹理生成的方法 | |
Tulsiani et al. | Layer-structured 3d scene inference via view synthesis | |
US10586370B2 (en) | Systems and methods for rendering avatars with deep appearance models | |
CN112837406B (zh) | 一种三维重建方法、装置及系统 | |
CN113313818B (zh) | 一种三维重建方法、装置及系统 | |
CN101916454A (zh) | 基于网格变形和连续优化的高分辨率人脸重建方法 | |
KR102602112B1 (ko) | 얼굴 이미지 생성을 위한 데이터 프로세싱 방법 및 디바이스, 및 매체 | |
CN113239857B (zh) | 视频合成方法及其装置 | |
CN113313828B (zh) | 基于单图片本征图像分解的三维重建方法与系统 | |
Wu et al. | Neuralhdhair: Automatic high-fidelity hair modeling from a single image using implicit neural representations | |
CN114450719A (zh) | 人体模型重建方法、重建系统及存储介质 | |
AU2022231680B2 (en) | Techniques for re-aging faces in images and video frames | |
CN113421328A (zh) | 一种三维人体虚拟化重建方法及装置 | |
CN114049464A (zh) | 一种三维模型的重建方法及设备 | |
Yu et al. | Incremental reconstruction of manifold surface from sparse visual mapping | |
CN116152417B (zh) | 一种多视点类透视空间拟合与渲染的方法和装置 | |
CN116863044A (zh) | 人脸模型的生成方法、装置、电子设备及可读存储介质 | |
CN114332321B (zh) | 一种基于神经纹理的动态人脸重建方法和装置 | |
Maxim et al. | A survey on the current state of the art on deep learning 3D reconstruction | |
CN116385667A (zh) | 三维模型的重建方法、纹理重构模型的训练方法以及装置 | |
CN114332321A (zh) | 一种基于神经纹理的动态人脸重建方法和装置 | |
CN109658326A (zh) | 一种图像显示方法及装置、计算机可读存储介质 | |
US20220076409A1 (en) | Systems and Methods for Building a Skin-to-Muscle Transformation in Computer Animation | |
CN117413299A (zh) | 用于人体3d形状和外观建模的神经辐射场骨骼绑定 | |
CN113674373B (zh) | 基于深度学习的真实感人脸渲染方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |