CN114842122B - 模型渲染方法、装置、设备及存储介质 - Google Patents
模型渲染方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114842122B CN114842122B CN202210763645.5A CN202210763645A CN114842122B CN 114842122 B CN114842122 B CN 114842122B CN 202210763645 A CN202210763645 A CN 202210763645A CN 114842122 B CN114842122 B CN 114842122B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- candidate
- virtual object
- reduced
- 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
Links
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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of 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)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种模型渲染方法、装置、设备及存储介质,涉及人工智能技术领域,尤其涉及增强现实、虚拟现实、计算机视觉和深度学习等技术领域,可应用于元宇宙等场景。具体实现方案为:根据对虚拟对象的控制操作,确定所述虚拟对象在虚拟空间的空间位置信息;根据所述空间位置信息,从所述虚拟对象的第一候选减面模型中选择目标减面模型;其中,所述第一候选减面模型为对所述虚拟对象的目标高精模型进行不同面数的减面处理得到;对所述目标减面模型进行渲染。通过上述技术方案,能够实现在不影响视觉效果的情况下,高效完成移动端上模型的渲染操作。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及增强现实、虚拟现实、计算机视觉和深度学习等技术领域,可应用于元宇宙等场景,具体涉及一种模型渲染方法、装置、设备及存储介质。
背景技术
在计算机图形应用中,为了尽可能真实呈现虚拟物体,往往需要高精模型。然而,高精模型的复杂性直接关系到它的计算和渲染成本。因此,对于性能较低的移动端而言,在不影响视觉效果的情况下,如何高效实现对模型的渲染至关重要。
发明内容
本公开提供了一种模型渲染方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种模型渲染方法,该方法包括:
根据对虚拟对象的控制操作,确定所述虚拟对象在虚拟空间的空间位置信息;
根据所述空间位置信息,从所述虚拟对象的第一候选减面模型中选择目标减面模型;其中,所述第一候选减面模型为对所述虚拟对象的目标高精模型进行不同面数的减面处理得到;
对所述目标减面模型进行渲染。
根据本公开的另一方面,提供了一种模型渲染装置,该装置包括:
空间位置信息确定模块,用于根据对虚拟对象的控制操作,确定所述虚拟对象在虚拟空间的空间位置信息;
目标减面模型确定模块,用于根据所述空间位置信息,从所述虚拟对象的第一候选减面模型中选择目标减面模型;其中,所述第一候选减面模型为对所述虚拟对象的目标高精模型进行不同面数的减面处理得到;
模型渲染模块,用于对所述目标减面模型进行渲染。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任一实施例所述模型渲染方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行本公开任一实施例所述的模型渲染方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开任一实施例所述的模型渲染方法。
根据本公开的技术,能够实现在不影响视觉效果的情况下,高效完成移动端上模型的渲染操作。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种模型渲染方法的流程图;
图2是根据本公开实施例提供的另一种模型渲染方法的流程图;
图3是根据本公开实施例提供的又一种模型渲染方法的流程图;
图4A是根据本公开实施例提供的又一种模型渲染方法的流程图;
图4B是根据本公开实施例提供的一种五个层级的减面模型示意图;
图5是根据本公开实施例提供的再一种模型渲染方法的流程图;
图6是根据本公开实施例提供的一种渲染引擎系统的框架图;
图7是根据本公开实施例提供的一种模型渲染装置的结构示意图;
图8是用来实现本公开实施例的模型渲染方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”、“候选”、“待选”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,本公开的技术方案中,所涉及的虚拟对象等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开实施例提供的一种模型渲染方法的流程图,该方法适用于如何在不影响视觉效果的情况下,对虚拟空间中表征虚拟对象的三维模型进行渲染的情况。尤其适用于在元宇宙等娱乐产品运行过程中,基于用户在元宇宙的世界空间内对虚拟对象的控制操作,对世界空间中虚拟对象的模型进行渲染的情况。该方法可以由模型渲染装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载渲染功能的电子设备中,比如具有虚拟对象的模型渲染需求的移动端中。如图1所示,本实施例的模型渲染方法可以包括:
S101,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息。
本实施例中,虚拟对象即为活动在虚拟空间中的对象,比如虚拟数字人;虚拟空间可以是元宇宙或包含可移动界面的游戏等娱乐产品为用户所提供的仿真实世界的虚拟活动空间。例如,对于元宇宙产品,其虚拟空间可以是与现实世界映射且可与用户交互的虚拟世界。对于包含可移动界面的游戏,其虚拟空间可以是游戏中的虚拟对象(如用户操作的虚拟数字人)在游戏界面移动过程中,该虚拟对象所处的虚拟世界。
虚拟对象的控制操作可以是用户在使用包含虚拟对象的娱乐产品的过程中,在虚拟空间中对虚拟对象触发的操作;或者还可以是托管模式下基于产品操作流程自动触发操作指令所产生的操作等。需要说明的是,用户对该虚拟对象的控制操作可以是通过外部设备(如鼠标、键盘或手柄等)触发的,也可以是通过点击或滑动等方式触发的,还可以是通过语音或者手势等方式触发的,本实施例对此不进行限定。例如,可以是点击虚拟空间的某一位置而触发的控制虚拟空间中虚拟对象移动的操作。
空间位置信息即为虚拟对象在虚拟空间中的三维坐标信息。
可选的,本实施例中,移动端响应于对虚拟对象的控制操作,控制虚拟对象在虚拟空间中移动,在移动过程中,确定虚拟对象在虚拟空间的空间位置信息。
S102,根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
其中,虚拟对象通常可以采用三维网格模型来表征。可选的,三维网格模型由多个三角面片组成;进一步的,三角面片的数量(即面数)在一定程度上可用来表征模型的复杂度。
本实施例中,目标高精度模型是指移动端本地所能够支持的最高面数的三维模型;第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到。例如,可以基于预先设定的减面算法,依次对虚拟对象的目标高精模型进行不同面数的减面处理,得到具有不同面数的多个第一候选减面模型。例如,目标高精模型具有10000个面数,依次对目标高精模型进行2000、6000、8000个面数的减面处理,可得到具有8000个面数、4000个面数、以及2000个面数的三个第一候选减面模型。
需要说明的是,本实施例中对模型进行减面,相当于模型层次细节简化(Level ofDetails,LOD),即简化采样密集的多面体网格,通过逐次简化表面细节来减少场景的几何复杂度。
目标减面模型是指从第一候选减面模型中所选择的一个减面模型;具体是在虚拟对象处于所确定的空间位置信息时,能够在不影响视觉效果的情况下,以最少面数来表征虚拟对象的一个减面模型。
可选的,可以基于一定的选择规则,根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型。例如,可以基于空间位置信息与减面模型的对应关系,根据虚拟对象在虚拟空间的空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
又如,可以将虚拟对象在虚拟空间的空间位置信息输入减面神经网络中,得到虚拟对象的空间位置信息对应的减面模型的目标面数,基于目标面数,从虚拟对象的第一候选减面模型中选择目标减面模型。具体可以基于面数与减面模型之间的对应关系,根据目标面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
S103,对目标减面模型进行渲染。
可选的,可以基于预设的渲染逻辑,获取相应的渲染参数,对目标减面模型进行渲染,并将渲染结果呈现给用户。
在一可实施方式中,在将对目标减面模型的渲染结果呈现给用户之后,若获取到用户的重新渲染需求,即用户对目标减面模型的渲染结果不满意,则返回S102重新选择目标减面模型,并对重新选择的目标减面模型进行渲染。
本公开实施例提供的技术方案,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,之后根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型;其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到,进而对目标减面模型进行渲染。上述技术方案,引入高精模型的减面模型,可以根据虚拟对象的空间位置信息,灵活选择适合的减面模型进行渲染,相比于直接采用虚拟对象的高精模型进行渲染而言,可实现在不影响视觉效果的情况下,提高移动端上的渲染效率,同时还可以减少对移动端资源的占用。
图2是根据本公开实施例提供的另一种模型渲染方法的流程图。本实施例在上述实施例的基础上,对“根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型”进一步优化,提供一种可选实施方案。如图2所示,本实施例的模型渲染方法可以包括:
S201,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息。
S202,根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息。
本实施例中,相机空间下的视图是指移动端所能够呈现的虚拟对象的视图,也即虚拟对象在二维平面空间中的视图。
具体的,可以基于虚拟空间与相机空间之间的映射关系,根据虚拟对象在虚拟空间的空间位置信息,将虚拟对象从虚拟空间映射到相机空间下,可得到虚拟对象在相机空间下的视图,并可确定视图的尺寸信息。
S203,根据尺寸信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到。
可选的,可以基于尺寸信息与减面模型之间的对应关系,根据虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
可选的,还可以根据尺寸信息,确定模型期望面数;根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。其中,模型期望面数是指期望减面模型所具有的三角面片的数量。
在一可选方式中,可以基于尺寸与面数之间的对应关系,根据尺寸信息,确定模型期望面数,之后根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
在另一可选方式中,可以将尺寸信息输入至面数估计神经网络中,得到模型期望面数,之后根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
可以理解的是,引入模型期望面数来确定目标减面模型,使得所确定的目标减面模型更适合实际场景,从而为移动端上高效渲染模型提供了保障。
需要说明的是,虚拟对象在相机空间下的视图的尺寸信息,可表征虚拟对象在相机空间下距离成像单元的远近。在实际应用场景中,高精模型对于硬件有比较高的要求,如何适配不同远近快速进行渲染非常的重要。采用本实施例的方案,面对不同的渲染场景对虚拟对象的渲染可采用不同程度的减面模型进行实现,例如在一应用中要求近距离的虚拟对象(比如虚拟数字人)需要使用高模型(即面数较多的减面模型)进行渲染,对于中端距离的虚拟对象采用中模型(即面数适中的减面模型)进行渲染,对于远距离场景中的虚拟对象采用低模(较低面数的减面模型)进行渲染。基于不同的实际场景需求,采用不同程度的模型进行渲染,可节约成本。
S204,对目标减面模型进行渲染。
本公开实施例提供的技术方案,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,之后根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,并根据尺寸信息,从虚拟对象的第一候选减面模型中选择目标减面模型,进而对目标减面模型进行渲染。上述技术方案,可以根据虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,来灵活选择适合的减面模型进行渲染,可使得在不影响视觉效果的情况下,不仅能够使最终呈现的虚拟对象更符合实际场景,而且可降低了移动端渲染的负担。
图3是根据本公开实施例提供的又一种模型渲染方法的流程图。本实施例在上述实施例的基础上,对“根据尺寸信息,确定模型期望面数”进一步优化,提供一种可选实施方案。如图3所示,本实施例的模型渲染方法可以包括:
S301,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息。
S302,根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息。
S303,根据尺寸信息,确定模型候选面数。
本实施例中,模型候选面数即为可供选择的三角面片的数量,同一尺寸信息可以对应多个模型候选面数。
具体的,可以基于尺寸和面数的对应关系,根据尺寸信息,确定模型候选面数。例如,某尺寸信息对应的模型候选面数分别为2500、3000和3500。
S304,根据模型候选面数,对目标高精模型进行减面处理,得到模型候选面数对应的中间减面模型。
具体的,对于每一模型候选面数,根据该模型候选面数,对目标高精度模型进行减面处理,得到该模型候选面数对应的中间减面模型。例如,目标高精模型的总面数为4000,模型候选面数为3000,可以对目标高精模型进行减面处理,得到一个具有3000面数的中间减面模型。
S305,根据目标高精模型在相机空间下的视图,与中间减面模型在相机空间下的视图之间的像素误差,从模型候选面数中选择模型期望面数。
具体的,对于每一模型候选面数对应的中间减面模型,计算该中间减面模型在相机空间下的视图与目标高精模型在相机空间下的视图之间的像素误差;之后根据像素阈值,和所得到的各中间减面模型对应的像素误差,从模型候选面数中选择模型期望面数。例如,可以选择像素误差小于像素阈值的中间减面模型对应的模型候选面数,作为模型期望面数。
例如,模型候选面数3000所对应的中间减面模型,和模型候选面数3500所对应的中间减面模型的像素误差均小于像素阈值,此时可以从模型候选面数3000和3500中选择一个,作为模型期望面数,比如可以选择面数较少的3000作为模型期望面数。其中,像素阈值可以由本领域技术人员根据实际需求设定。
S306,根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
S307,对目标减面模型进行渲染。
具体的,在对目标减面模型渲染后,可以先将渲染结果呈现给用户,若识别到用户对渲染结果不满意,则可以重新从满足像素阈值的模型候选面数中选择面数较大的面数,作为模型期望面数,并基于重新确定的模型期望面数来重新选择目标减面模型,对重新选择的目标减面模型进行渲染。
本公开实施例的技术方案,通过根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,之后根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,并根据尺寸信息,确定模型候选面数,根据模型候选面数,对目标高精模型进行减面处理,得到模型候选面数对应的中间减面模型,根据目标高精模型在相机空间下的视图,与中间减面模型在相机空间下的视图之间的像素误差,从模型候选面数中选择模型期望面数,进而根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型,并对目标减面模型进行渲染。上述技术方案,引入中间减面模型,通过比较中间减面模型对应的像素误差,与目标高精模型对应的像素误差,以确定目标减面模型,可以使得所得到的目标减面模型更加符合场景需求,从而可以在不影响视觉效果的情况下,提高渲染效率。
图4A是根据本公开实施例提供的又模型种模型渲染方法的流程图。本实施例在上述实施例的基础上,对“对目标减面模型进行渲染”进一步优化,提供一种可选实施方案。如图4A所示,本实施例的模型渲染方法可以包括:
S401,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息。
S402,根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息。
S403,根据尺寸信息,确定模型期望面数。
S404,根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
S405,根据模型期望面数、目标减面模型的总面数和目标减面模型在第一候选减面模型中的层级位置信息,获取目标边塌陷信息。
在本实施例中,可以对目标高精模型进行多层次的细节简化处理,得到包含不同面数的多层级减面模型,比如L0-L4五个层级的第一候选减面模型,如图4B所示的L0-L4五个层级的减面模型。其中,L0层级的第一候选减面模型包括10000个面,可以记为L0-10000面;同理,L1层级的第一候选减面模型包括8000个面,可以记为L1-8000面,L2层级的第一候选减面模型包括4000个面,可以记为L2-4000面,L3层级的第一候选减面模型包括2000个面,可以记为L3-2000面,L4层级的第一候选减面模型包括1000个面,可以记为L4-1000面。
可选的,本实施例中低面数的减面模型可以是通过对高面数的减面模型进行减面处理得到。比如,L1层级的减面模型L1-8000面是通过对L0层级的减面模型L0-10000面执行L0-L1层级之间的边塌陷信息(比如No.1边塌陷信息、No.2边塌陷信息、…、No.2000边塌陷信息)得到的。其中,边塌陷信息可以包括减去(或者说剔除)减面模型中某一面的相关信息,以及减去该面后减面模型的状态等。
具体的,可以根据模型期望面数和目标减面模型的总面数,确定待减面数,比如将目标减面模型的总面数与模型期望面数之间的差值,作为待减面数;之后根据待减面数和目标减面模型在第一候选减面模型中的层级位置信息,获取目标边塌陷信息。
例如,模型期望面数为3500,目标减面模型的总面数是4000,则待减面数是500,之后根据待减面数,和目标减面模型处于L0-L4五个层级的减面模型中的位置信息(即L2层级),获取No.6001-No.6500的边塌陷信息,作为目标边塌陷信息。
S406,根据目标边塌陷信息,对目标减面模型进行减面处理,得到最终减面模型。
具体的,可以根据目标边塌陷信息,对目标减面模型进行减面处理,得到最终减面模型。
S407,对最终减面模型进行渲染。
具体的,可以基于预设的渲染方法,对最终减面模型进行渲染。
本公开实施例的技术方案,通过根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,之后根据尺寸信息,确定模型期望面数,并根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型,进而根据模型期望面数、目标减面模型的总面数和目标减面模型在第一候选减面模型中的层级位置信息,获取目标边塌陷信息,并根据目标边塌陷信息,对目标减面模型进行减面处理,得到最终减面模型,对最终减面模型进行渲染。上述技术方案,通过边塌陷信息,使得可以快速确定最终的减面模型,从而提高移动端的渲染效率。
在上述实施例的基础上,作为本公开实施例的一种可选方式,根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型还可以是,根据空间位置信息,从虚拟对象的第一候选减面模型中选择待选减面模型;根据虚拟对象在虚拟空间的姿态信息,从待选减面模型中选择目标减面模型。
具体的,根据空间位置信息,从虚拟对象的第一候选减面模型中选择待选减面模型,之后可以基于虚拟对象在虚拟空间的姿态信息,进一步从待选减面模型中选择目标减面模型。例如可以基于姿态与减面模型之间的对应关系,根据虚拟对象在虚拟空间的姿态信息,从待选减面模型中选择目标减面模型。或者,可以基于姿态信息,确定虚拟对象在相机空间下所呈现视图中的遮挡情况,根据遮挡情况,从待选减面模型中选择目标减面模型。例如,脸面遮挡严重的情况下,可以选择面数较少的减面模型。
可以理解的是,引入虚拟对象的姿态信息,来进一步确定目标减面模型,可以进一步保证目标减面模型更适合实际场景,从而进一步为提高模型渲染效率提供了保障。
图5是根据本公开实施例提供的再一种模型渲染方法的流程图。本实施例在上述实施例的基础上,增加了选择目标高精模型的过程。如图5所示,本实施例的模型渲染方法可以包括:
S501,根据本地设备的分辨率和/或硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的目标高精模型。
本实施例中,第二候选减面模型为对虚拟对象的原始高精模型进行不同面数的减面处理得到。其中,原始高精模型是指用来表征虚拟对象的最高面数的三维模型。具体的,也可以对原始高精模型进行多层次的细节简化处理,得到包含不同面数的多层级减面模型,比如L0-L4五个层级的第二候选减面模型。
其中,本地设备即为执行模型渲染方法的移动端,本地设备的硬件信息可以包括但不限于本地设备的中央处理器(Central Processing Unit,CPU)、图形处理器(GraphicsProcessing Unit,GPU)和内存等相关信息,进一步的,本地设备的硬件信息可用于反映本地设备的算力性能。
可选的,根据本地设备的分辨率和/或硬件信息,确定本地设备所能够支持的最高模型面数,基于最高模型面数,从第二候选减面模型中选择本地设备所支持的虚拟对象的目标高精模型。
可选的,还可以根据本地设备的分辨率和/或硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型;根据运行待选高精模型对本地设备的资源占用情况,确定是否将待选高精模型作为本地设备所支持的虚拟对象的目标高精模型。
例如,可以基于分辨率与减面模型之间的对应关系,根据本地设备的分辨率,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型。又如,可以基于硬件与减面模型之间的对应关系,根据本地设备的硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型。再如,可以结合本地设备的分辨率和硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型。
进一步的,还可以根据本地设备的分辨率和硬件信息,以及本地设备所安装的应用数量和/或类型,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型。
之后,可以确定运行待选高精模型对本地设备的资源占用情况,并输出该资源占用情况,与此同时问询用户是否采用待选高精模型,在确定采用待选高精模型的情况下,将待选高精模型作为本地设备所支持的虚拟对象的目标高精模型。
例如,可以以弹窗形式输出运行待选高精模型对本地设备的资源占用情况,并问询用户是否采用待选高精模型,之后在确定采用待选高精模型的情况下,将待选高精模型作为本地设备所支持的虚拟对象的目标高精模型。
可以理解的是,通过采用交互的方式来确定目标高精模型,可使得所确定的目标高精模型能够更好的适配移动端。
需要说明的是,在确定目标高精模型后,可以将本地设备中所下载的第二候选减面模型中除目标高精模型所需数据之外的数据删除,这样可以大大减少软件包的体积,从而减少对本设备的资源占用。
进一步的,还可以在检测到本地设备的算力升级的情况下,对本地设备所支持的目标高精模型进行升级。
S502,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息。
S503,根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到。
S504,对目标减面模型进行渲染。
本公开实施例的技术方案,通过根据本地设备的分辨率和/或硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的目标高精模型,其中,第二候选减面模型为对虚拟对象的原始高精模型进行不同面数的减面处理得到,之后根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,进而根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型,其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到,最后对目标减面模型进行渲染。上述技术方案,结合本地设备的分辨率和/或硬件信息,来确定目标高精模型,可使得所确定的目标高精模型更适配移动端;同时在渲染场景下,可直接在目标高精模型对应的第一减面模型基础上进行,避免了对原始高精模型的重复减面,降低了移动端的渲染负担,提高了移动端渲染的性能;此外本方案提供多种可供选择的第二候选减面模型,还可满足不同性能移动端的渲染需求。
在上述各实施例的基础上,如图6所示,提供一种渲染引擎系统的框架图。其中,渲染引擎系统可配置于移动端,具体可以包括渲染引擎601、初始化模块602、模型减面系统模块603和分辨率适配模块604等。
具体的,用户在对渲染引擎系统初始化时,渲染引擎系统中的初始化模块602获取移动端本地设备的分辨率和硬件信息等,并基于分辨率和硬件信息,确定本地设备所支持的虚拟对象的目标高精模型。之后,初始化模块602将采用所确定的目标高精模型来初始化模型减面系统模块603。
模型减面系统模块603在获得目标高精模型之后,可以对目标高精模型进行不同面数的减面处理,以得到多个第一候选减面模型,并存储。
在确定需要对虚拟对象进行渲染的情况下,渲染引擎601可以将需要显示的虚拟对象的信息传输给分辨率适配模块604。相应的,分辨率适配模块604可以确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息,以及根据尺寸信息,确定模型期望面数,并将所确定的模型期望面数传输给模型减面系统模块603。
模型减面系统模块603可以根据模型期望面数,从多个第一候选减面模型中确定目标减面模型,之后将目标减面模型发送给渲染引擎601。相应的,渲染引擎601可以对目标减面模型进行渲染,以实现对虚拟对象的渲染。进一步的,渲染引擎601还可以将渲染结果呈现给用户。
图7是根据本公开实施例提供的一种模型渲染装置的结构示意图。本公开实施例适用于如何在不影响视觉效果的情况下,对虚拟空间中表征虚拟对象的三维模型进行渲染的情况。尤其适用于在元宇宙等娱乐产品运行过程中,基于用户在元宇宙的世界空间内对虚拟对象的控制操作,对世界空间中虚拟对象的模型进行渲染的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载渲染功能的电子设备中,比如具有虚拟对象的模型渲染需求的移动端中。如图7所示,该模型渲染装置700包括:
空间位置信息确定模块701,用于根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息;
目标减面模型确定模块702,用于根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型;其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到;
模型渲染模块703,用于对目标减面模型进行渲染。
本公开实施例提供的技术方案,根据对虚拟对象的控制操作,确定虚拟对象在虚拟空间的空间位置信息,之后根据空间位置信息,从虚拟对象的第一候选减面模型中选择目标减面模型;其中,第一候选减面模型为对虚拟对象的目标高精模型进行不同面数的减面处理得到,进而对目标减面模型进行渲染。上述技术方案,引入高精模型的减面模型,可以根据虚拟对象的空间位置信息,灵活选择适合的减面模型进行渲染,相比于直接采用虚拟对象的高精模型进行渲染而言,可实现在不影响视觉效果的情况下,提高移动端上的渲染效率,同时还可以减少对移动端资源的占用。
进一步地,目标减面模型确定模块702,包括:
尺寸信息确定单元,用于根据空间位置信息,确定虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息;
目标减面模型确定单元,用于根据尺寸信息,从虚拟对象的第一候选减面模型中选择目标减面模型。
进一步地,目标减面模型确定单元,包括:
模型期望面数确定子单元,用于根据尺寸信息,确定模型期望面数;
目标减面模型确定子单元,用于根据模型期望面数,从虚拟对象的第一候选减面模型中选择目标减面模型。
进一步地,模型期望面数确定子单元具体用于:
根据尺寸信息,确定模型候选面数;
根据模型候选面数,对目标高精模型进行减面处理,得到模型候选面数对应的中间减面模型;
根据目标高精模型在相机空间下的视图,与中间减面模型在相机空间下的视图之间的像素误差,从模型候选面数中选择模型期望面数。
进一步地,模型渲染模块703具体用于:
根据模型期望面数、目标减面模型的总面数和目标减面模型在第一候选减面模型中的层级位置信息,获取目标边塌陷信息;
根据目标边塌陷信息,对目标减面模型进行减面处理,得到最终减面模型;
对最终减面模型进行渲染。
进一步地,目标减面模型确定模块702具体用于:
根据空间位置信息,从虚拟对象的第一候选减面模型中选择待选减面模型;
根据虚拟对象在虚拟空间的姿态信息 ,从待选减面模型中选择目标减面模型。
进一步地,该装置还包括:
目标高精模型确定模块,用于根据本地设备的分辨率和/或硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的目标高精模型;其中,第二候选减面模型为对虚拟对象的原始高精模型进行不同面数的减面处理得到。
进一步地,目标高精模型确定模块,包括:
待选高精模型确定单元,用于根据本地设备的分辨率和/或硬件信息,从虚拟对象的第二候选减面模型中,选择本地设备所支持的虚拟对象的待选高精模型;
目标高精模型确定单元,用于根据运行待选高精模型对本地设备的资源占用情况,确定是否将待选高精模型作为本地设备所支持的虚拟对象的目标高精模型。
进一步地,目标高精模型确定单元具体用于:
输出运行待选高精模型对本地设备的资源占用情况,并问询是否采用待选高精模型;
在确定采用待选高精模型的情况下,将待选高精模型作为本地设备所支持的虚拟对象的目标高精模型。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如模型渲染方法。例如,在一些实施例中,模型渲染方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的模型渲染方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型渲染方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种模型渲染方法,包括:
根据对虚拟对象的控制操作,确定所述虚拟对象在虚拟空间的空间位置信息;
根据所述空间位置信息,确定所述虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息;
根据所述尺寸信息,确定模型候选面数;其中,同一尺寸信息对应多个模型候选面数;
根据所述模型候选面数,对目标高精模型进行减面处理,得到所述模型候选面数对应的中间减面模型;
对于每一模型候选面数对应的中间减面模型,计算该中间减面模型在相机空间下的视图与目标高精模型在相机空间下的视图之间的像素误差;
选择像素误差小于像素阈值的中间减面模型对应的面数较小的模型候选面数,作为模型期望面数;
根据所述模型期望面数,从所述虚拟对象的第一候选减面模型中选择目标减面模型;其中,所述第一候选减面模型为对所述虚拟对象的目标高精模型进行不同面数的减面处理得到;所述目标高精模型是指移动端本地所能够支持的最高面数的三维模型;
对所述目标减面模型进行渲染;
若识别到用户对渲染结果不满意,则重新从满足像素阈值的模型候选面数中选择面数较大的面数,作为模型期望面数,并基于重新确定的模型期望面数来重新选择目标减面模型,对重新选择的目标减面模型进行渲染。
2.根据权利要求1所述的方法,其中,所述对所述目标减面模型进行渲染,包括:
根据所述模型期望面数、所述目标减面模型的总面数和所述目标减面模型在所述第一候选减面模型中的层级位置信息,获取目标边塌陷信息;
根据所述目标边塌陷信息,对所述目标减面模型进行减面处理,得到最终减面模型;
对所述最终减面模型进行渲染。
3.根据权利要求1所述的方法,其中,从所述虚拟对象的第一候选减面模型中选择目标减面模型,包括:
根据所述空间位置信息,从所述虚拟对象的第一候选减面模型中选择待选减面模型;
根据所述虚拟对象在虚拟空间的姿态信息,从所述待选减面模型中选择目标减面模型。
4.根据权利要求1所述的方法,还包括:
根据本地设备的分辨率和或硬件信息,从所述虚拟对象的第二候选减面模型中,选择所述本地设备所支持的所述虚拟对象的目标高精模型;其中,所述第二候选减面模型为对所述虚拟对象的原始高精模型进行不同面数的减面处理得到。
5.根据权利要求4所述的方法,其中,所述根据本地设备的分辨率和或硬件信息,从所述虚拟对象第二候选减面模型中,选择所述本地设备所支持的所述虚拟对象的目标高精模型,包括:
根据本地设备的分辨率和或硬件信息,从所述虚拟对象的第二候选减面模型中,选择所述本地设备所支持的所述虚拟对象的待选高精模型;
根据运行所述待选高精模型对所述本地设备的资源占用情况,确定是否将所述待选高精模型作为所述本地设备所支持的所述虚拟对象的目标高精模型。
6.根据权利要求5所述的方法,其中,所述根据运行所述待选高精模型对所述本地设备的资源占用情况,确定是否将所述待选高精模型作为所述本地设备所支持的所述虚拟对象的目标高精模型,包括:
输出运行所述待选高精模型对所述本地设备的资源占用情况,并问询是否采用所述待选高精模型;
在确定采用所述待选高精模型的情况下,将所述待选高精模型作为所述本地设备所支持的所述虚拟对象的目标高精模型。
7.一种模型渲染装置,包括:
空间位置信息确定模块,用于根据对虚拟对象的控制操作,确定所述虚拟对象在虚拟空间的空间位置信息;
目标减面模型确定模块,包括:
尺寸信息确定单元,用于根据所述空间位置信息,确定所述虚拟对象从虚拟空间映射到相机空间下的视图的尺寸信息;
目标减面模型确定单元,包括:
模型期望面数确定子单元,用于根据所述尺寸信息,确定模型候选面数;其中,同一尺寸信息对应多个模型候选面数;
根据所述模型候选面数,对目标高精模型进行减面处理,得到所述模型候选面数对应的中间减面模型;
对于每一模型候选面数对应的中间减面模型,计算该中间减面模型在相机空间下的视图与目标高精模型在相机空间下的视图之间的像素误差;
选择像素误差小于像素阈值的中间减面模型对应的面数较小的模型候选面数,作为模型期望面数;
目标减面模型确定子单元,用于根据所述模型期望面数,从所述虚拟对象的第一候选减面模型中选择目标减面模型;其中,所述第一候选减面模型为对所述虚拟对象的目标高精模型进行不同面数的减面处理得到;所述目标高精模型是指移动端本地所能够支持的最高面数的三维模型;
模型渲染模块,用于对所述目标减面模型进行渲染;
若识别到用户对渲染结果不满意,则重新从满足像素阈值的模型候选面数中选择面数较大的面数,作为模型期望面数,并基于重新确定的模型期望面数来重新选择目标减面模型,对重新选择的目标减面模型进行渲染。
8.根据权利要求7所述的装置,其中,所述模型渲染模块具体用于:
根据所述模型期望面数、所述目标减面模型的总面数和所述目标减面模型在所述第一候选减面模型中的层级位置信息,获取目标边塌陷信息;
根据所述目标边塌陷信息,对所述目标减面模型进行减面处理,得到最终减面模型;
对所述最终减面模型进行渲染。
9.根据权利要求7所述的装置,其中,所述目标减面模型确定模块具体用于:
根据所述空间位置信息,从所述虚拟对象的第一候选减面模型中选择待选减面模型;
根据所述虚拟对象在虚拟空间的姿态信息 ,从所述待选减面模型中选择目标减面模型。
10.根据权利要求7所述的装置,还包括:
目标高精模型确定模块,用于根据本地设备的分辨率和或硬件信息,从所述虚拟对象的第二候选减面模型中,选择所述本地设备所支持的所述虚拟对象的目标高精模型;其中,所述第二候选减面模型为对所述虚拟对象的原始高精模型进行不同面数的减面处理得到。
11.根据权利要求10所述的装置,其中,所述目标高精模型确定模块,包括:
待选高精模型确定单元,用于根据本地设备的分辨率和或硬件信息,从所述虚拟对象的第二候选减面模型中,选择所述本地设备所支持的所述虚拟对象的待选高精模型;
目标高精模型确定单元,用于根据运行所述待选高精模型对所述本地设备的资源占用情况,确定是否将所述待选高精模型作为所述本地设备所支持的所述虚拟对象的目标高精模型。
12.根据权利要求11所述的装置,其中,所述目标高精模型确定单元具体用于:
输出运行所述待选高精模型对所述本地设备的资源占用情况,并问询是否采用所述待选高精模型;
在确定采用所述待选高精模型的情况下,将所述待选高精模型作为所述本地设备所支持的所述虚拟对象的目标高精模型。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的模型渲染方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的模型渲染方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763645.5A CN114842122B (zh) | 2022-07-01 | 2022-07-01 | 模型渲染方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763645.5A CN114842122B (zh) | 2022-07-01 | 2022-07-01 | 模型渲染方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842122A CN114842122A (zh) | 2022-08-02 |
CN114842122B true CN114842122B (zh) | 2022-11-04 |
Family
ID=82574305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763645.5A Active CN114842122B (zh) | 2022-07-01 | 2022-07-01 | 模型渲染方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842122B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6603484B1 (en) * | 1999-08-06 | 2003-08-05 | Mitsubishi Electric Research Laboratories, Inc. | Sculpting objects using detail-directed hierarchical distance fields |
CN105303597A (zh) * | 2015-12-07 | 2016-02-03 | 成都君乾信息技术有限公司 | 一种用于3d模型的减面处理系统及处理方法 |
CN106910236A (zh) * | 2017-01-22 | 2017-06-30 | 北京微视酷科技有限责任公司 | 一种三维虚拟环境中的渲染显示方法及装置 |
CN111105491B (zh) * | 2019-11-25 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 场景渲染方法、装置、计算机可读存储介质和计算机设备 |
CN111210505A (zh) * | 2019-12-30 | 2020-05-29 | 南昌市小核桃科技有限公司 | 3d模型加载方法、服务器、存储介质、处理器 |
US11717753B2 (en) * | 2020-09-29 | 2023-08-08 | Activision Publishing, Inc. | Methods and systems for generating modified level of detail visual assets in a video game |
CN114491914A (zh) * | 2020-11-13 | 2022-05-13 | 华为技术有限公司 | 模型简化方法、装置、终端设备及可读存储介质 |
CN112652070B (zh) * | 2020-12-21 | 2023-01-13 | 深圳市彬讯科技有限公司 | 三维模型的减面方法、装置、设备及介质 |
CN113781642A (zh) * | 2021-10-22 | 2021-12-10 | 苏州葛兰岱尔数字科技有限公司 | 一种基于减面算法的三维模型多层级lod的生成方法 |
CN114419283A (zh) * | 2022-01-25 | 2022-04-29 | 网易(杭州)网络有限公司 | 网格模型的简化方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-01 CN CN202210763645.5A patent/CN114842122B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114842122A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112819971B (zh) | 虚拟形象的生成方法、装置、设备和介质 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN112785674A (zh) | 纹理贴图的生成方法、渲染方法、装置、设备及存储介质 | |
CN114792359B (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
CN113658309A (zh) | 三维重建方法、装置、设备以及存储介质 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN114842121A (zh) | 贴图生成模型训练和贴图生成方法、装置、设备及介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN112581573A (zh) | 虚拟形象驱动方法、装置、设备、介质和程序产品 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113407850A (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN109697748A (zh) | 模型压缩处理方法、模型贴图处理方法装置、存储介质 | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
CN114781654A (zh) | 联邦迁移学习方法、装置、计算机设备及介质 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
CN117274370A (zh) | 三维位姿确定方法、装置、电子设备和介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN111833391A (zh) | 图像深度信息的估计方法及装置 | |
CN114842122B (zh) | 模型渲染方法、装置、设备及存储介质 | |
CN115908687A (zh) | 渲染网络的训练、渲染方法、装置及电子设备 | |
CN114998490A (zh) | 一种虚拟对象生成方法、装置、设备及存储介质 | |
CN115619986A (zh) | 场景漫游方法、装置、设备和介质 |
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 |