CN114663603A - 一种基于神经辐射场的静态对象三维网格模型生成方法 - Google Patents
一种基于神经辐射场的静态对象三维网格模型生成方法 Download PDFInfo
- Publication number
- CN114663603A CN114663603A CN202210566895.XA CN202210566895A CN114663603A CN 114663603 A CN114663603 A CN 114663603A CN 202210566895 A CN202210566895 A CN 202210566895A CN 114663603 A CN114663603 A CN 114663603A
- Authority
- CN
- China
- Prior art keywords
- static object
- model
- radiation field
- dimensional
- dimensional mesh
- 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
- 230000003068 static effect Effects 0.000 title claims abstract description 122
- 230000005855 radiation Effects 0.000 title claims abstract description 62
- 210000005036 nerve Anatomy 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002834 transmittance Methods 0.000 claims abstract description 21
- 238000009877 rendering Methods 0.000 claims abstract description 20
- 238000004040 coloring Methods 0.000 claims abstract description 10
- 238000012512 characterization method Methods 0.000 claims description 21
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- 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
- G06T15/50—Lighting effects
- G06T15/55—Radiosity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于神经辐射场的静态对象三维网格模型生成方法，属于计算机图形学和计算机视觉领域，包括以下步骤：S1，构建基于神经辐射场的静态对象表征模型，并对表征模型进行优化；S2，利用优化后的静态对象表征模型预测设定体素中的透过率；S3，利用体素中的透过率进行表面重建得到静态对象三维网格模型；S4，去除静态对象三维网格模型中的噪声；S5，对静态对象三维网格模型进行上色并保存为三维模型文件。本发明实现基于神经辐射场的静态对象重建后与现有的渲染引擎进行对接，从而将基于神经辐射场的静态对象重建与传统的渲染方法进行结合，为数字创意制作提供智能技术支持。
Description
技术领域
本发明涉及计算机图形学和计算机视觉领域，更为具体的，涉及一种基于神经辐射场的静态对象三维网格模型生成方法。
背景技术
随着数字媒体的快速发展，特别是数字创意在制作的过程中，静态三维对象高质量的重建成为非常重要的挑战。例如，通过多个视角拍摄到的对象，通过传统的三维对象重建方法很难逼真地实现对象的重建。
近年来，基于神经辐射场的静态三维对象表征相比于传统的三维对象重建方法在重建质量上有较大提升。基于神经辐射场的三维对象表征通过神经网络实现三维对象的几何与材质的表征，而传统的渲染引擎则大多通过可解释的几何模型如三维网格来表征三维对象，如何将基于神经辐射场的三维表征与传统的渲染引擎中的三维对象的几何与材质的表征实现统一成为一大难点。基于神经辐射场的静态三维对象表征方法很难与传统的渲染引擎进行对接，从而限制了在实际场景中进行应用。
因此，我们需要设计一种基于神经辐射场的静态对象三维网格模型生成方法实现基于神经辐射场的静态对象重建后与现有的渲染引擎进行对接，从而将基于神经辐射场的静态对象重建与传统的渲染方法进行结合，为数字创意制作提供智能技术支持。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于神经辐射场的静态对象三维网格模型生成方法，实现基于神经辐射场的静态对象重建后与现有的渲染引擎进行对接，从而将基于神经辐射场的静态对象重建与传统的渲染方法进行结合，为数字创意制作提供智能技术支持。
本发明的目的是通过以下方案实现的：
一种基于神经辐射场的静态对象三维网格模型生成方法，包括以下步骤：
S1，构建基于神经辐射场的静态对象表征模型，并对表征模型进行优化；
S2，利用优化后的静态对象表征模型预测设定体素中的透过率；
S3，利用体素中的透过率进行表面重建得到静态对象三维网格模型；
S4，去除静态对象三维网格模型中的噪声；
S5，对静态对象三维网格模型进行上色并保存为三维模型文件。
进一步地，步骤S1中，所述构建基于神经辐射场的静态对象表征模型，包括子步骤：采用多个视角对静态对象进行拍摄得到的多张图片作为输入，并通过预测每张图片的相机姿态来构建训练数据集和验证集。
进一步地，步骤S1中，所述对表征模型进行优化，包括子步骤：通过优化神经辐射
场的表征模型实现静态对象的任意视角生成，其表征模型
表示为：
其中，
代表空间位置；
代表视角方向；
代表在空间位置
和视角方向
下通过神经辐射场的静态对象表征模型预测出来的RGB颜色；
代表在空间位置
和视角
方向
下通过神经辐射场的静态对象表征模型预测出来的透过率。
进一步地，步骤S2中，包括如下子步骤：
S21：设定一个分辨率为N的三维体素网格，其大小为
，N为正整数；
S22：根据设定的三维体素网格和步骤S1中得到的优化后的基于神经辐射场的静态对象表征模型来预测每个体素网格中的透过率，从而得到静态对象的体素网格表征。
进一步地，步骤S3中，在进行表面重建时，采用Maching Cube算法实现三角面的三维网格的生成。
进一步地，步骤S4中，在去除静态对象三维网格模型中的噪声时，通过保留最大的连通三维网格来去除三维网格模型中的噪声。
进一步地，步骤S5中，在对静态对象三维网格模型进行上色时，通过利用优化后的静态对象表征模型预测不同视角下三维网格定点的颜色并进行加权得到最终的颜色值。
进一步地，步骤S5中，在对静态对象三维网格模型保存为三维模型文件时，根据不同的渲染引擎所需要的数据格式保存，以实现与不同渲染引擎的导入。
进一步地，所述数据格式包括“.ply”格式、“.obj”格式。
本发明的有益效果包括：
本发明能够利用基于神经辐射场的静态对象表征方法转换为传统的三维网格模型的对象表征方法，从而为实现将基于神经辐射场的静态对象表征转换为传统的几何表征方法。
本发明同时通过利用优化后的静态对象表征模型预测不同视角下三维网格点的颜色，从而实现了静态对象的材质表征。
本发明能够基于神经辐射场的静态对象三维网格模型生成方法，实现基于神经辐射场的静态对象重建后与现有的渲染引擎进行对接，满足不同渲染引擎的数据存储格式，从而将基于神经辐射场的静态对象重建与传统的渲染方法进行结合，为数字创意制作提供智能技术支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本发明基于神经辐射场的静态对象三维网格模型生成方法的流程图；
图2为本发明构建基于神经辐射场的静态对象表征模型时数据采集的示意图；
图3为本发明中利用优化后的静态对象表征模型预测设定体素中的透过率的流程图；
图4为本发明中利用静态对象三维网格模型对静态对象三维网格模型进行上色的示意图。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
如图1所示，本发明实施例的一种基于神经辐射场的静态对象三维网格模型生成方法，包括如下步骤：
S1、构建基于神经辐射场的静态对象表征模型，并对表征模型进行优化；
S2、利用优化后的静态对象表征模型预测设定体素中的透过率；
S3、利用体素中的透过率进行表面重建得到静态对象三维网格模型；
S4、去除静态对象三维网格模型中的噪声；
S5、对静态对象三维网格模型进行上色并保存为三维模型文件。
在实际应用过程中，步骤S1中，构建基于神经辐射场的静态对象表征模型时，采用如图2所示进行数据采集，多个视角对静态对象进行拍摄得到的多张图片作为输入，并通过预测每张图片的相机姿态来构建训练数据集和验证集。
在实际应用过程中，步骤S1中，构建基于神经辐射场的静态对象表征模型时，通过优化神经辐射场的表征模型实现静态对象的任意视角生成，其表征模型可表示为：
其中，
代表空间位置；
代表视角方向；
代表在空间位置
和视角方向
下通过神经辐射场的静态对象表征模型预测出来的RGB颜色；
代表在空间位置
和视角
方向
下通过神经辐射场的静态对象表征模型预测出来的透过率。
需要指出的是，本发明实施例中所使用的神经辐射场的静态表征模型可不局限于某种具体形式，其示例可以是《NeRF: Representing Scenes as Neural Radiance Fieldsfor View Synthesis》（出处：https://arxiv.org/abs/2003.08934）、《Instant NeuralGraphics Primitives with a Multiresolution Hash Encoding》（出处：https://nvlabs.github.io/instant-ngp/）、《Plenoxels: Radiance Fields without NeuralNetworks》（出处：https://alexyu.net/plenoxels/）等论文中所提出的方法。
在实际应用过程中，如图3所示，步骤S2中，利用优化后的静态对象表征模型预测设定体素中的透过率包含如下处理子步骤：
S21：设定一个分辨率为N的三维体素网格，其大小应该为
；
S22：根据设定的三维体素网格和步骤S1中得到的优化后的基于神经辐射场的静态对象表征模型来预测每个体素网格中的透过率，从而得到静态对象的体素网格表征。
在实际应用过程中，步骤S3中，利用体素中的透过率进行表面重建得到静态对象三维网格模型时，采用Maching Cube算法实现三角面的三维网格的生成。
在实际应用过程中，步骤S4中，在去除静态对象三维网格模型中的噪声时，通过保留最大的连通三维网格来去除三维网格模型中的噪声。
在实际应用过程中，步骤S5中在对静态对象三维网格模型进行上色时，如图4所给出的上色的一种示例，通过利用优化后的静态对象表征模型预测不同视角下三维网格定点的颜色进行加权得到最终的颜色值。具体方法为：首先，获取静态对象三维网格模型中的所有顶点法线；然后，计算静态对象三维网格模型中的所有顶点法线的反向法线；最后，通过神经辐射场的静态对象表征模型计算对应顶点的颜色。
在实际应用过程中，步骤S5中在对静态对象三维网格模型保存为三维模型文件时，根据不同的渲染引擎所需要的数据格式保存，这些格式包括但不限于“.ply”、“.obj”等，以实现与不同渲染引擎的导入。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
实施例1
一种基于神经辐射场的静态对象三维网格模型生成方法，包括以下步骤：
S1，构建基于神经辐射场的静态对象表征模型，并对表征模型进行优化；
S2，利用优化后的静态对象表征模型预测设定体素中的透过率；
S3，利用体素中的透过率进行表面重建得到静态对象三维网格模型；
S4，去除静态对象三维网格模型中的噪声；
S5，对静态对象三维网格模型进行上色并保存为三维模型文件。
实施例2
在实施例1的基础上，步骤S1中，所述构建基于神经辐射场的静态对象表征模型，包括子步骤：采用多个视角对静态对象进行拍摄得到的多张图片作为输入，并通过预测每张图片的相机姿态来构建训练数据集和验证集。
实施例3
在实施例1的基础上，步骤S1中，所述对表征模型进行优化，包括子步骤：通过优化
神经辐射场的表征模型实现静态对象的任意视角生成，其表征模型
表示为：
其中，
代表空间位置；
代表视角方向；
代表在空间位置
和视角方向
下通过神经辐射场的静态对象表征模型预测出来的RGB颜色；
代表在空间位置
和视角
方向
下通过神经辐射场的静态对象表征模型预测出来的透过率。
实施例4
在实施例1的基础上，步骤S2中，包括如下子步骤：
S21：设定一个分辨率为N的三维体素网格，其大小为
，N为正整数；
S22：根据设定的三维体素网格和步骤S1中得到的优化后的基于神经辐射场的静态对象表征模型来预测每个体素网格中的透过率，从而得到静态对象的体素网格表征。
实施例5
在实施例1的基础上，步骤S3中，在进行表面重建时，采用MachingCube算法实现三角面的三维网格的生成。
实施例6
在实施例1的基础上，步骤S4中，在去除静态对象三维网格模型中的噪声时，通过保留最大的连通三维网格来去除三维网格模型中的噪声。
实施例7
在实施例1的基础上，步骤S5中，在对静态对象三维网格模型进行上色时，通过利用优化后的静态对象表征模型预测不同视角下三维网格定点的颜色并进行加权得到最终的颜色值。
实施例8
在实施例1的基础上，步骤S5中，在对静态对象三维网格模型保存为三维模型文件时，根据不同的渲染引擎所需要的数据格式保存，以实现与不同渲染引擎的导入。
实施例9
在实施例8的基础上，所述数据格式包括“.ply”格式、“.obj”格式。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，包括以下步骤：
S1，构建基于神经辐射场的静态对象表征模型，并对表征模型进行优化；
S2，利用优化后的静态对象表征模型预测设定体素中的透过率；
S3，利用体素中的透过率进行表面重建得到静态对象三维网格模型；
S4，去除静态对象三维网格模型中的噪声；
S5，对静态对象三维网格模型进行上色并保存为三维模型文件。
2.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S1中，所述构建基于神经辐射场的静态对象表征模型，包括子步骤：采用多个视角对静态对象进行拍摄得到的多张图片作为输入，并通过预测每张图片的相机姿态来构建训练数据集和验证集。
3.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S1中，所述对表征模型进行优化，包括子步骤：通过优化神经辐射场的表征模型实现静态对象的任意视角生成，其表征模型
表示为：
其中，
代表空间位置；
代表视角方向；
代表在空间位置
和视角方向
下通过神经辐射场的静态对象表征模型预测出来的RGB颜色；
代表在空间位置
和视角方向
下通过神经辐射场的静态对象表征模型预测出来的透过率。
4.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S2中，包括如下子步骤：
S21：设定一个分辨率为N的三维体素网格，其大小为
，N为正整数；
S22：根据设定的三维体素网格和步骤S1中得到的优化后的基于神经辐射场的静态对象表征模型来预测每个体素网格中的透过率，从而得到静态对象的体素网格表征。
5.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S3中，在进行表面重建时，采用Maching Cube算法实现三角面的三维网格的生成。
6.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S4中，在去除静态对象三维网格模型中的噪声时，通过保留最大的连通三维网格来去除三维网格模型中的噪声。
7.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S5中，在对静态对象三维网格模型进行上色时，通过利用优化后的静态对象表征模型预测不同视角下三维网格定点的颜色并进行加权得到最终的颜色值。
8.根据权利要求1所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，步骤S5中，在对静态对象三维网格模型保存为三维模型文件时，根据不同的渲染引擎所需要的数据格式保存，以实现与不同渲染引擎的导入。
9.根据权利要求8所述的基于神经辐射场的静态对象三维网格模型生成方法，其特征在于，所述数据格式包括“.ply”格式、“.obj”格式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566895.XA CN114663603B (zh) | 2022-05-24 | 2022-05-24 | 一种基于神经辐射场的静态对象三维网格模型生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566895.XA CN114663603B (zh) | 2022-05-24 | 2022-05-24 | 一种基于神经辐射场的静态对象三维网格模型生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114663603A true CN114663603A (zh) | 2022-06-24 |
| CN114663603B CN114663603B (zh) | 2022-09-02 |
Family
ID=82038228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210566895.XA Active CN114663603B (zh) | 2022-05-24 | 2022-05-24 | 一种基于神经辐射场的静态对象三维网格模型生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114663603B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664782A (zh) * | 2023-07-31 | 2023-08-29 | 南京信息工程大学 | 一种基于融合体素的神经辐射场三维重建方法 |
| WO2024007182A1 (zh) * | 2022-07-06 | 2024-01-11 | 北京原创力科技有限公司 | 静态NeRF模型与动态NeRF模型融合的视频渲染方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538664A (zh) * | 2021-07-14 | 2021-10-22 | 清华大学 | 车辆去光照三维重建方法、装置、电子设备和存储介质 |
| CN113628348A (zh) * | 2021-08-02 | 2021-11-09 | 聚好看科技股份有限公司 | 一种确定三维场景中视点路径的方法及设备 |
| CN113822977A (zh) * | 2021-06-28 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像渲染方法、装置、设备以及存储介质 |
| CN113888689A (zh) * | 2021-11-05 | 2022-01-04 | 上海壁仞智能科技有限公司 | 图像渲染模型训练、图像渲染方法及装置 |
| CN114004941A (zh) * | 2022-01-04 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 一种基于神经辐射场的室内场景三维重建系统及方法 |
| CN114119838A (zh) * | 2022-01-24 | 2022-03-01 | 阿里巴巴（中国）有限公司 | 体素模型与图像生成方法、设备及存储介质 |
| CN114429538A (zh) * | 2022-04-02 | 2022-05-03 | 中科计算技术创新研究院 | 交互式编辑神经辐射场几何的方法 |
| WO2022104299A1 (en) * | 2020-11-16 | 2022-05-19 | Google Llc | Deformable neural radiance fields |
| WO2022104178A1 (en) * | 2020-11-16 | 2022-05-19 | Google Llc | Inverting neural radiance fields for pose estimation |
-
2022
- 2022-05-24 CN CN202210566895.XA patent/CN114663603B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022104299A1 (en) * | 2020-11-16 | 2022-05-19 | Google Llc | Deformable neural radiance fields |
| WO2022104178A1 (en) * | 2020-11-16 | 2022-05-19 | Google Llc | Inverting neural radiance fields for pose estimation |
| CN113822977A (zh) * | 2021-06-28 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像渲染方法、装置、设备以及存储介质 |
| CN113538664A (zh) * | 2021-07-14 | 2021-10-22 | 清华大学 | 车辆去光照三维重建方法、装置、电子设备和存储介质 |
| CN113628348A (zh) * | 2021-08-02 | 2021-11-09 | 聚好看科技股份有限公司 | 一种确定三维场景中视点路径的方法及设备 |
| CN113888689A (zh) * | 2021-11-05 | 2022-01-04 | 上海壁仞智能科技有限公司 | 图像渲染模型训练、图像渲染方法及装置 |
| CN114004941A (zh) * | 2022-01-04 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 一种基于神经辐射场的室内场景三维重建系统及方法 |
| CN114119838A (zh) * | 2022-01-24 | 2022-03-01 | 阿里巴巴（中国）有限公司 | 体素模型与图像生成方法、设备及存储介质 |
| CN114429538A (zh) * | 2022-04-02 | 2022-05-03 | 中科计算技术创新研究院 | 交互式编辑神经辐射场几何的方法 |
Non-Patent Citations (1)
| Title |
|---|
| PETER HEDMAN 等: "Baking Neural Radiance Fields for Real-Time View Synthesis", 《 2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024007182A1 (zh) * | 2022-07-06 | 2024-01-11 | 北京原创力科技有限公司 | 静态NeRF模型与动态NeRF模型融合的视频渲染方法及系统 |
| CN116664782A (zh) * | 2023-07-31 | 2023-08-29 | 南京信息工程大学 | 一种基于融合体素的神经辐射场三维重建方法 |
| CN116664782B (zh) * | 2023-07-31 | 2023-10-13 | 南京信息工程大学 | 一种基于融合体素的神经辐射场三维重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114663603B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
| Li et al. | Low-light image and video enhancement using deep learning: A survey | |
| CN112465955B (zh) | 一种动态人体三维重建和视角合成方法 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN114663603B (zh) | 一种基于神经辐射场的静态对象三维网格模型生成方法 | |
| CN108921926B (zh) | 一种基于单张图像的端到端三维人脸重建方法 | |
| Van Hoorick | Image outpainting and harmonization using generative adversarial networks | |
| CN116958453B (zh) | 基于神经辐射场的三维模型重建方法、设备和介质 | |
| CN114049464B (zh) | 一种三维模型的重建方法及设备 | |
| CN114862697A (zh) | 一种基于三维分解的人脸盲修复方法 | |
| CN114730480A (zh) | 基于体积捕获和网格跟踪的机器学习 | |
| CN117252987B (zh) | 一种基于显式和隐式混合编码的动态场景重建方法 | |
| Zeng et al. | SR-ITM-GAN: Learning 4K UHD HDR with a generative adversarial network | |
| CN112132923A (zh) | 一种基于风格小图高清化的两阶段数字图像风格变换方法及系统 | |
| Huang et al. | Learning image-adaptive lookup tables with spatial awareness for image harmonization | |
| CN116863101A (zh) | 基于自适应网格细分的重建模型几何与纹理优化方法 | |
| CN115049559A (zh) | 模型训练、人脸图像处理、人脸模型处理方法及装置、电子设备及可读存储介质 | |
| CN116452715A (zh) | 动态人手渲染方法、装置及存储介质 | |
| CN114118367B (zh) | 增量式神经辐射场构建的方法及设备 | |
| Bai et al. | Local-to-Global Panorama Inpainting for Locale-Aware Indoor Lighting Prediction | |
| CN115049558A (zh) | 模型训练、人脸图像处理方法及装置、电子设备及可读存储介质 | |
| CN111127587B (zh) | 一种基于对抗生成网络的无参考图像质量地图生成方法 | |
| Zheng et al. | Research on 3D Object Reconstruction Based on Single-view RGB Image | |
| CN113988270B (zh) | 一种面向季节和时间变换的视觉仿真方法和系统 | |
| Liang et al. | Image Inpainting Network Based on Deep Fusion of Texture and Structure. |
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 |