CN114663603B - 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 PDF

Info

Publication number
CN114663603B
CN114663603B CN202210566895.XA CN202210566895A CN114663603B CN 114663603 B CN114663603 B CN 114663603B CN 202210566895 A CN202210566895 A CN 202210566895A CN 114663603 B CN114663603 B CN 114663603B
Authority
CN
China
Prior art keywords
static object
model
radiation field
dimensional
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.)
Active
Application number
CN202210566895.XA
Other languages
English (en)
Other versions
CN114663603A (zh
Inventor
陈尧森
王炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Sobey Digital Technology Co Ltd
Original Assignee
Chengdu Sobey Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Sobey Digital Technology Co Ltd filed Critical Chengdu Sobey Digital Technology Co Ltd
Priority to CN202210566895.XA priority Critical patent/CN114663603B/zh
Publication of CN114663603A publication Critical patent/CN114663603A/zh
Application granted granted Critical
Publication of CN114663603B publication Critical patent/CN114663603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

一种基于神经辐射场的静态对象三维网格模型生成方法
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
Figure 487454DEST_PATH_IMAGE001
表示为：
Figure 355659DEST_PATH_IMAGE002
其中，
Figure 948446DEST_PATH_IMAGE003
代表空间位置；
Figure 140393DEST_PATH_IMAGE004
代表视角方向；
Figure 485923DEST_PATH_IMAGE005
代表在空间位置
Figure 855856DEST_PATH_IMAGE003
和视角方向
Figure 654048DEST_PATH_IMAGE004
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；
Figure 649685DEST_PATH_IMAGE006
代表在空间位置
Figure 849723DEST_PATH_IMAGE003
和视角 方向
Figure 122048DEST_PATH_IMAGE004
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
Figure 407535DEST_PATH_IMAGE007
，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：
Figure 941285DEST_PATH_IMAGE002
其中，
Figure 746561DEST_PATH_IMAGE003
代表空间位置；
Figure 707564DEST_PATH_IMAGE004
代表视角方向；
Figure 745927DEST_PATH_IMAGE005
代表在空间位置
Figure 552209DEST_PATH_IMAGE003
和视角方向
Figure 477571DEST_PATH_IMAGE004
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；
Figure 343896DEST_PATH_IMAGE006
代表在空间位置
Figure 603976DEST_PATH_IMAGE003
和视角 方向
Figure 213948DEST_PATH_IMAGE004
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
Figure 993817DEST_PATH_IMAGE007
；
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
Figure 296622DEST_PATH_IMAGE001
表示为：
Figure 43998DEST_PATH_IMAGE002
其中，
Figure 205465DEST_PATH_IMAGE003
代表空间位置；
Figure 89107DEST_PATH_IMAGE004
代表视角方向；
Figure 828393DEST_PATH_IMAGE005
代表在空间位置
Figure 797486DEST_PATH_IMAGE003
和视角方向
Figure 499994DEST_PATH_IMAGE004
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；
Figure 503722DEST_PATH_IMAGE006
代表在空间位置
Figure 148330DEST_PATH_IMAGE003
和视角 方向
Figure 621031DEST_PATH_IMAGE004
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
Figure 110918DEST_PATH_IMAGE007
，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 (7)

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，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；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，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；
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。
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
Figure DEST_PATH_IMAGE001
表示为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
代表空间位置；
Figure DEST_PATH_IMAGE004
代表视角方向；
Figure DEST_PATH_IMAGE005
代表在空间位置
Figure 344906DEST_PATH_IMAGE003
和视角方向
Figure 58784DEST_PATH_IMAGE004
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；
Figure DEST_PATH_IMAGE006
代表在空间位置
Figure 153035DEST_PATH_IMAGE003
和视角方向
Figure 79403DEST_PATH_IMAGE004
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。
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
Figure DEST_PATH_IMAGE007
，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。
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。
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。
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；具体包括如下步骤：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。
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，所述数据格式包括“.ply”格式、“.obj”格式。
CN202210566895.XA 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 Active CN114663603B (zh)

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 CN114663603A (zh) 2022-06-24
CN114663603B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
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
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022104178A1 (en) * 2020-11-16 2022-05-19 Google Llc Inverting neural radiance fields for pose estimation
WO2022104299A1 (en) * 2020-11-16 2022-05-19 Google Llc Deformable neural radiance fields

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538664B (zh) * 2021-07-14 2022-12-13 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
CN113628348B (zh) * 2021-08-02 2024-03-15 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
CN114004941B (zh) * 2022-01-04 2022-08-16 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
CN114119838B (zh) * 2022-01-24 2022-07-22 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
CN114429538B (zh) * 2022-04-02 2022-07-12 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022104178A1 (en) * 2020-11-16 2022-05-19 Google Llc Inverting neural radiance fields for pose estimation
WO2022104299A1 (en) * 2020-11-16 2022-05-19 Google Llc Deformable neural radiance fields
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

Also Published As

Publication number Publication date
CN114663603A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Li et al. Low-light image and video enhancement using deep learning: A survey
CN109671023B (zh) 一种人脸图像超分辨率二次重建方法
Wang et al. Real-esrgan: Training real-world blind super-resolution with pure synthetic data
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
Chen et al. Single-image super-resolution algorithm based on structural self-similarity and deformation block features
CN108921926B (zh) 一种基于单张图像的端到端三维人脸重建方法
CN112465955B (zh) 一种动态人体三维重建和视角合成方法
CN110782490B (zh) 一种具有时空一致性的视频深度图估计方法及装置
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
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
CN113139898A (zh) 基于频域分析和深度学习的光场图像超分辨率重建方法
CN114373056A (zh) 一种三维重建方法、装置、终端设备及存储介质
CN112509106A (zh) 文档图片展平方法、装置以及设备
Xu et al. Exploiting raw images for real-scene super-resolution
Zeng et al. SR-ITM-GAN: Learning 4K UHD HDR with a generative adversarial network
CN114359041A (zh) 一种光场图像空间超分辨率重建方法
Han Texture image compression algorithm based on self-organizing neural network
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
CN111369435A (zh) 基于自适应稳定模型的彩色图像深度上采样方法及系统
CN114118367B (zh) 增量式神经辐射场构建的方法及设备
CN115937374A (zh) 一种数字人体建模方法、装置、设备及介质
Huang et al. Learning image-adaptive lookup tables with spatial awareness for image harmonization
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
Yuan et al. Unsupervised real image super-resolution via knowledge distillation network

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