CN114998405A - 基于图像驱动的数字化人体模型构建方法 - Google Patents

基于图像驱动的数字化人体模型构建方法 Download PDF

Info

Publication number
CN114998405A
CN114998405A CN202210790323.XA CN202210790323A CN114998405A CN 114998405 A CN114998405 A CN 114998405A CN 202210790323 A CN202210790323 A CN 202210790323A CN 114998405 A CN114998405 A CN 114998405A
Authority
CN
China
Prior art keywords
image
human body
model
neural network
expression
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.)
Pending
Application number
CN202210790323.XA
Other languages
English (en)
Inventor
戴翘楚
吴翼天
曹静萍
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.)
Hangzhou Yilan Technology Co ltd
Original Assignee
Hangzhou Yilan 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 Hangzhou Yilan Technology Co ltd filed Critical Hangzhou Yilan Technology Co ltd
Priority to CN202210790323.XA priority Critical patent/CN114998405A/zh
Publication of CN114998405A publication Critical patent/CN114998405A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于图像驱动的数字化人体模型构建方法，包括使用成像设备进行人体拍摄，得到人体在不同姿势下的图像；将得到的图像与标准化的人体参数化模型进行对齐，得到对齐后的形状姿势参数；构建初始神经网络并进行训练，得到将对齐后的模型图像向三维模型转换的神经网络；将拍摄得到的单视角RGB‑D序列导入训练后的神经网络中得到动态人体三维模型序列。

Description

基于图像驱动的数字化人体模型构建方法
技术领域
本申请涉及计算机视觉与计算机图形学领域，特别涉及基于图像驱动的数字化人体模型构建方法。
背景技术
单视角人体动态重建是计算机图形学和计算机视觉领域的重点问题。高质量的人体重建序列在影视娱乐、人体数字化等领域有着广泛的应用前景和重要的应用价值。但是高质量、高拟真度的人体动态序列获取通常依靠价格昂贵的激光扫描仪或者多相机阵列系统对人体建模来实现。
虽然效果较为真实，但是也显著存在着一些缺点：第一，设备复杂，这些方法往往需要多相机阵列的搭建；第二，建模速度慢，重建一个三维人体模型往往需要至少10分钟到数小时的时间，而重建人体动态序列则需要更久的时间。
发明内容
本申请实施例提出了基于图像驱动的数字化人体模型构建方法，借助单个RGBD相机的拍摄数据即可在实际应用中方便地生成人体动态模型序列，简化了建模所需的设备规模；同时由于处理数据的规模减少，因此也缩短了建模时长。
具体的，本申请实施例提出的基于图像驱动的数字化人体模型构建方法，包括：
S1，使用成像设备进行人体拍摄，得到人体在不同姿势下的图像；
S2，将得到的图像与标准化的人体参数化模型进行对齐，得到对齐后的形状姿势参数；
S3，构建初始神经网络并进行训练，结合已得到的形状姿势参数得到将对齐后的模型图像向三维模型转换的神经网络；
S4，将拍摄得到的单视角RGB-D序列导入训练后的神经网络中得到动态人体三维模型序列。
可选的，所述S2包括：
S21，构建对应人体参数化模型的能量函数；
S22，对能量函数进行最优化求解，得到对应人体参数化模型的形状姿势参数。
可选的，所述S21包括：
构建如公式一所示的能量函数
Figure DEST_PATH_IMAGE001
表达式，
Figure 676623DEST_PATH_IMAGE002
，公式一；
其中，姿势函数表达式
Figure DEST_PATH_IMAGE003
，形状参数表达式
Figure 258914DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
是人体参数化模型的顶点坐标，
Figure 856249DEST_PATH_IMAGE006
是人体参数化 模型的法向，
Figure DEST_PATH_IMAGE007
是扫描模型上的最近邻对应点，
Figure 814978DEST_PATH_IMAGE008
分别是待求解人体参数化模型的姿势参 数、形状参数。
可选的，所述S3包括：
S31，采用卷积神经网络提取输入图像的特征图
Figure DEST_PATH_IMAGE009
，构建对应特征图
Figure 673212DEST_PATH_IMAGE009
的神经网 络；
S32，建立对应神经网络的损失函数表达式，对表达式进行求解，得到损失最小情况下的神经网络。
可选的，所述S31包括：
在人体参数化模型上采样
Figure 957563DEST_PATH_IMAGE010
个节点，每个节点定义一个局部编码器来编码空间点 的位置信息以及当前人体姿势信息；
对于三维空间中任意点
Figure DEST_PATH_IMAGE011
进行编码分别获得图像特征
Figure 773685DEST_PATH_IMAGE012
以及相对坐标特征
Figure DEST_PATH_IMAGE013
：
Figure 536104DEST_PATH_IMAGE014
，公式二；
Figure DEST_PATH_IMAGE015
，公式三；
其中，
Figure 248846DEST_PATH_IMAGE016
分别是点
Figure 704098DEST_PATH_IMAGE011
所对应的图像特征以及位置与姿势特征，
Figure DEST_PATH_IMAGE017
表示向二维 图像平面的投影函数，
Figure 276024DEST_PATH_IMAGE018
是加权权重，代表了节点
Figure DEST_PATH_IMAGE019
对点
Figure 373293DEST_PATH_IMAGE011
的影响权重，
Figure 409383DEST_PATH_IMAGE020
是点
Figure 769957DEST_PATH_IMAGE011
相对于节点
Figure 157076DEST_PATH_IMAGE019
的相对坐标，
Figure DEST_PATH_IMAGE021
是参数化人体模型的姿势参数；
通过小网络
Figure 933402DEST_PATH_IMAGE022
将级联之后的特征映射到占用值函数场，得到如公式四所示的神 经网络表达式，
Figure DEST_PATH_IMAGE023
，公式四。
可选的，所述S32包括：
通过图像和扫描模型数据进行端到端的训练，其损失函数定义为
Figure DEST_PATH_IMAGE025
其中，
Figure 620735DEST_PATH_IMAGE026
为真实占用值，由扫描数据获得。
可选的，所述S4包括：
S41，将单视角RGB-D序列按深度信息逐步导入训练后的神经网络中；
S42，在神经网络中按深度信息对图像中的RGB信息进行转换，得到与姿势相关的动态数据序列。
有益效果：
通过构建图像到三维模型转换的神经网络，代替了现有技术中使用大量样本图像构建人体三维模型的复杂方案，同时由于仅需使用单个相机拍摄的RGB-D图像序列，代替现有技术中使用多相机阵列构成的图像采集系统，从而在大幅简化系统结构的同时也降低了构建成本。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例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申请的一些实施例，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为本申请实施例提出的基于图像驱动的数字化人体模型构建方法的流程图。
具体实施方式
为使本申请的结构和优点更加清楚，下面将结合附图对本申请的结构作进一步地描述。
本申请实施例提出一种图像驱动的数字人体化身模型构建方法，应用于单视角人体动态重建，相较于其他重建方法，该方法可以重建更加动态、并且与姿势相关的人体动态模型序列。
具体的，本申请实施例提出的基于图像驱动的数字化人体模型构建方法，如图1所示，包括：
S1，使用成像设备进行人体拍摄，得到人体在不同姿势下的图像；
S2，将得到的图像与标准化的人体参数化模型进行对齐，得到对齐后的形状姿势参数；
S3，构建初始神经网络并进行训练，结合已得到的形状姿势参数得到将对齐后的模型图像向三维模型转换的神经网络；
S4，将拍摄得到的单视角RGB-D序列导入训练后的神经网络中得到动态人体三维模型序列。
在实施中，基于密集多视点相机系统采集人体多个姿势下的三维模型，基于深度学习的方法构建单视角图像到模型的映射关系，在使用过程中只需输入单视角RGBD图像序列，神经网络就会推测出动态连续的人体三维模型序列。该方法主要包括以下步骤：使用包括多相机系统或扫描仪等设备在内的成像设备对单个人体采集不同姿势下的高质量模型；然后对每个模型对齐人体参数化模型；随后构建从图像到模型映射的神经网络，并对进行网络训练；训练完成后，可以获得一个训练好的、由图像驱动的端到端的映射网络；最后，可以通过同一人体拍摄的单视角RGBD序列生成与之对应的动态人体三维模型序列。
在实际应用过程中，通过同一人体拍摄的单视角RGBD序列生成与之对应的动态人体三维模型序列，并且该序列具有姿势相关的动态几何细节。
根据本发明实施例的图像驱动的人体三维模型，利用多相机系统或扫描仪获得同一人体的不同姿势下的模型，通过神经网络建立图像到模型的映射关系，在实际应用中可以方便快捷地仅适用单个RGBD图像即可重建相应的动态人体三维模型序列。该方法所需的输入信息非常容易采集，拥有广阔的应用前景，可以在PC机或工作站等硬件系统上快速实现。
可选的，所述S2包括：
S21，构建对应人体参数化模型的能量函数；
S22，对能量函数进行最优化求解，得到对应人体参数化模型的形状姿势参数。
在实施中，步骤S2用于确定步骤S1中图像对应的不同的形状参数以及姿势参数。由于每张图像对应的形状参数和姿势参数会对后续神经网络优化过程产生重要影响，因此在本步骤中需要借助能量函数进行计算。
具体的，S21包括：
构建如公式一所示的能量函数
Figure 152211DEST_PATH_IMAGE001
表达式，
Figure 761046DEST_PATH_IMAGE002
，公式一；
其中，姿势函数表达式
Figure 606643DEST_PATH_IMAGE003
，形状参数表达式
Figure 617324DEST_PATH_IMAGE004
，
Figure 319701DEST_PATH_IMAGE005
是人体参数化模型的顶点坐标，
Figure 415833DEST_PATH_IMAGE006
是人体参数化 模型的法向，
Figure 658595DEST_PATH_IMAGE007
是扫描模型上的最近邻对应点，
Figure 789362DEST_PATH_IMAGE008
分别是待求解人体参数化模型的姿势 参数、形状参数。
在实施中，这里的能量函数包含姿势函数表达式和形状参数表达式，后两个函数表达式分别通过范数、绝对值的方式进行求解。
为了构建图像到三维模型映射的神经网络，对应的执行步骤S3包括：
S31，采用卷积神经网络提取输入图像的特征图
Figure 662640DEST_PATH_IMAGE009
，构建对应特征图
Figure 918172DEST_PATH_IMAGE009
的神经网 络；
S32，建立对应神经网络的损失函数表达式，对表达式进行求解，得到损失最小情况下的神经网络。
在实施中，需要对图像进行编码，采用卷积神经网络提取输入图像的特征图
Figure 167888DEST_PATH_IMAGE009
；此 外，在参数化人体模型上采样个节点，每个节点定义一个局部编码器来编码空间点的位置 信息以及当前人体姿势信息，用多层感知器（MLP）来表示。
具体的，构建神经网络的步骤S31包括：
在人体参数化模型上采样
Figure 887582DEST_PATH_IMAGE010
个节点，每个节点定义一个局部编码器来编码空间点 的位置信息以及当前人体姿势信息；
对于三维空间中任意点
Figure 197341DEST_PATH_IMAGE011
进行编码分别获得图像特征
Figure 64803DEST_PATH_IMAGE012
以及相对坐标特征
Figure 852630DEST_PATH_IMAGE013
：
Figure 692410DEST_PATH_IMAGE014
，公式二；
Figure 845174DEST_PATH_IMAGE015
，公式三；
其中，
Figure 137615DEST_PATH_IMAGE016
分别是点
Figure 729134DEST_PATH_IMAGE011
所对应的图像特征以及位置与姿势特征，
Figure 423420DEST_PATH_IMAGE017
表示向二维 图像平面的投影函数，
Figure 871719DEST_PATH_IMAGE018
是加权权重，代表了节点
Figure 651456DEST_PATH_IMAGE019
对点
Figure 46665DEST_PATH_IMAGE011
的影响权重，
Figure 267562DEST_PATH_IMAGE020
是点
Figure 355604DEST_PATH_IMAGE011
相对于节 点
Figure 357058DEST_PATH_IMAGE019
的相对坐标，
Figure 290379DEST_PATH_IMAGE021
是参数化人体模型的姿势参数；
通过小网络
Figure 755995DEST_PATH_IMAGE022
将级联之后的特征映射到占用值函数场，得到如公式四所示的神 经网络表达式，
Figure 749359DEST_PATH_IMAGE023
，公式四。
可选的，所述S32包括：
通过图像和扫描模型数据进行端到端的训练，其损失函数定义为
Figure DEST_PATH_IMAGE027
其中，
Figure 910213DEST_PATH_IMAGE026
为真实占用值，由扫描数据获得。
可选的，所述S4包括：
S41，将单视角RGB-D序列按深度信息逐步导入训练后的神经网络中；
S42，在神经网络中按深度信息对图像中的RGB信息进行转换，得到与姿势相关的动态数据序列。
训练完成后，获得一个训练好的、由图像驱动的端到端的映射网络，在实际应用过程中，通过同一人体拍摄的单视角RGBD序列生成与之对应的动态人体三维模型序列，并且该序列具有姿势相关的动态几何细节。
以上所述仅为本申请的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.基于图像驱动的数字化人体模型构建方法，其特征在于，所述方法包括：
S1，使用成像设备进行人体拍摄，得到人体在不同姿势下的图像；
S2，将得到的图像与标准化的人体参数化模型进行对齐，得到对齐后的形状姿势参数；
S3，构建初始神经网络并进行训练，结合已得到的形状姿势参数得到将对齐后的模型图像向三维模型转换的神经网络；
S4，将拍摄得到的单视角RGB-D序列导入训练后的神经网络中得到动态人体三维模型序列。
2.根据权利要求1所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S2包括：
S21，构建对应人体参数化模型的能量函数；
S22，对能量函数进行最优化求解，得到对应人体参数化模型的形状姿势参数。
3.根据权利要求2所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S21包括：
构建如公式一所示的能量函数
Figure 319965DEST_PATH_IMAGE001
表达式，
Figure 14252DEST_PATH_IMAGE002
，公式一；
其中，姿势函数表达式
Figure 462551DEST_PATH_IMAGE003
，形状参数表达式
Figure 507867DEST_PATH_IMAGE004
，
Figure 637497DEST_PATH_IMAGE005
是人体参数化模型的顶点坐标，是人体参数化模 型的法向，
Figure 858394DEST_PATH_IMAGE006
是扫描模型上的最近邻对应点，
Figure 680857DEST_PATH_IMAGE007
分别是待求解人体参数化模型的姿势参 数、形状参数。
4.根据权利要求1所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S3包括：
S31，采用卷积神经网络提取输入图像的特征图
Figure 947890DEST_PATH_IMAGE008
，构建对应特征图
Figure 943528DEST_PATH_IMAGE008
的神经网络；
S32，建立对应神经网络的损失函数表达式，对表达式进行求解，得到损失最小情况下的神经网络。
5.根据权利要求4所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S31包括：
在人体参数化模型上采样
Figure 346827DEST_PATH_IMAGE009
个节点，每个节点定义一个局部编码器来编码空间点的位 置信息以及当前人体姿势信息；
对于三维空间中任意点
Figure 340191DEST_PATH_IMAGE010
进行编码分别获得图像特征
Figure 766624DEST_PATH_IMAGE011
以及相对坐标特征
Figure 503636DEST_PATH_IMAGE012
：
Figure 761442DEST_PATH_IMAGE013
，公式二；
Figure 191286DEST_PATH_IMAGE014
，公式三；
其中，
Figure 964070DEST_PATH_IMAGE015
分别是点
Figure 239194DEST_PATH_IMAGE010
所对应的图像特征以及位置与姿势特征，
Figure 882665DEST_PATH_IMAGE016
表示向二维图像 平面的投影函数，
Figure 887005DEST_PATH_IMAGE017
是加权权重，代表了节点
Figure 615927DEST_PATH_IMAGE018
对点
Figure 429162DEST_PATH_IMAGE010
的影响权重，
Figure 927140DEST_PATH_IMAGE019
是点
Figure 229945DEST_PATH_IMAGE010
相对于节点
Figure 180584DEST_PATH_IMAGE018
的 相对坐标，
Figure 63089DEST_PATH_IMAGE020
是参数化人体模型的姿势参数；
通过小网络
Figure 87677DEST_PATH_IMAGE021
将级联之后的特征映射到占用值函数场，得到如公式四所示的神经网 络表达式，
Figure 30225DEST_PATH_IMAGE022
，公式四。
6.根据权利要求4所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S32包括：
通过图像和扫描模型数据进行端到端的训练，其损失函数定义为
Figure 202580DEST_PATH_IMAGE023
其中，
Figure 419935DEST_PATH_IMAGE024
为真实占用值，由扫描数据获得。
7.根据权利要求1所述的基于图像驱动的数字化人体模型构建方法，其特征在于，所述S4包括：
S41，将单视角RGB-D序列按深度信息逐步导入训练后的神经网络中；
S42，在神经网络中按深度信息对图像中的RGB信息进行转换，得到与姿势相关的动态数据序列。
CN202210790323.XA 2022-07-06 2022-07-06 基于图像驱动的数字化人体模型构建方法 Pending CN114998405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210790323.XA CN114998405A (zh) 2022-07-06 2022-07-06 基于图像驱动的数字化人体模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210790323.XA CN114998405A (zh) 2022-07-06 2022-07-06 基于图像驱动的数字化人体模型构建方法

Publications (1)

Publication Number Publication Date
CN114998405A true CN114998405A (zh) 2022-09-02

Family

ID=83020487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210790323.XA Pending CN114998405A (zh) 2022-07-06 2022-07-06 基于图像驱动的数字化人体模型构建方法

Country Status (1)

Country Link
CN (1) CN114998405A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937374A (zh) * 2022-12-27 2023-04-07 北京元起点信息科技有限公司 一种数字人体建模方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937374A (zh) * 2022-12-27 2023-04-07 北京元起点信息科技有限公司 一种数字人体建模方法、装置、设备及介质
CN115937374B (zh) * 2022-12-27 2023-11-07 北京元起点信息科技有限公司 一种数字人体建模方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111462329B (zh) 一种基于深度学习的无人机航拍影像的三维重建方法
CN112465955B (zh) 一种动态人体三维重建和视角合成方法
CN114666564B (zh) 一种基于隐式神经场景表示进行虚拟视点图像合成的方法
CN112330795B (zh) 基于单张rgbd图像的人体三维重建方法及系统
CN113762147B (zh) 人脸表情迁移方法、装置、电子设备及存储介质
CN115484410B (zh) 基于深度学习的事件相机视频重建方法
Chen et al. Single-image super-resolution using multihypothesis prediction
CN113962858A (zh) 一种多视角深度获取方法
CN112950475A (zh) 一种基于残差学习及空间变换网络的光场超分辨率重建方法
Guan et al. Srdgan: learning the noise prior for super resolution with dual generative adversarial networks
CN109949217A (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
CN113096239A (zh) 一种基于深度学习的三维点云重建方法
CN116721207A (zh) 基于Transformer模型的三维重建方法、装置、设备及存储介质
CN116778063A (zh) 一种基于特征纹理网格和哈希编码的快速虚拟视点合成方法及装置
CN114998405A (zh) 基于图像驱动的数字化人体模型构建方法
CN115375838A (zh) 一种基于无人机的双目灰度图像的三维重建方法
Waizenegger et al. Real-time patch sweeping for high-quality depth estimation in 3D video conferencing applications
CN114429531A (zh) 虚拟视点图像的生成方法及装置
CN116957931A (zh) 一种基于神经辐射场的相机图像画质提升方法
CN115937374B (zh) 一种数字人体建模方法、装置、设备及介质
CN113920270B (zh) 一种基于多视角全景的布局重建方法及其系统
CN116703719A (zh) 一种基于人脸3d先验信息的人脸超分辨率重建装置及方法
CN113486928B (zh) 一种基于有理多项式模型可微分张量表达的多视影像对齐方法
CN115330935A (zh) 一种基于深度学习的三维重建方法及系统
CN114723915A (zh) 一种基于多视红外的稠密点云生成方法

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