CN115222879A - 一种模型减面处理方法、装置、电子设备及存储介质 - Google Patents
一种模型减面处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115222879A CN115222879A CN202210711668.1A CN202210711668A CN115222879A CN 115222879 A CN115222879 A CN 115222879A CN 202210711668 A CN202210711668 A CN 202210711668A CN 115222879 A CN115222879 A CN 115222879A
- Authority
- CN
- China
- Prior art keywords
- models
- processed
- model
- edge
- loss
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000009877 rendering Methods 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 239000000758 substrate Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000011946 reduction process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 210000000697 sensory organ Anatomy 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000001815 facial effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 210000004709 eyebrow Anatomy 0.000 description 5
- 208000029152 Small face Diseases 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 210000001508 eye Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000029154 Narrow face Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution 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
- 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)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种模型减面处理方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及增强现实(AR)、计算机视觉、深度学习等等领域。具体实现方案为：获取模型网格拓扑一致的多个第一待处理模型；针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。采用本公开，通过减面处理可以对高精度的三维模型进行简化。
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(AR)、计算机视觉、深度学习等领域。
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(如用于互动的虚拟人物)，往往需要高精度的三维模型。然而，模型的复杂性直接关系到它的计算成本，需要对高精度的三维模型进行简化。
发明内容
本公开提供了一种模型减面处理方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种模型减面处理方法，包括：
获取模型网格拓扑一致的多个第一待处理模型；
针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；
在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；
其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。
根据本公开的另一方面，提供了一种模型减面处理装置，包括：
获取模块，用于获取模型网格拓扑一致的多个第一待处理模型；
第一处理模块，用于针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；
第二处理模块，用于在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；
其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
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，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
采用本公开，可以获取模型网格拓扑一致的多个第一待处理模型，针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理。在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下可以得到多个目标模型，其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。由于多个目标模型经减面处理后，比多个第一待处理模型更为简化，因此，通过减面处理可以对高精度的三维模型进行简化。
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的一分布式集群处理场景的示意图；
图2是根据本公开实施例的一模型减面处理方法的流程示意图；
图3是根据本公开实施例的另一模型减面处理方法的流程示意图；
图4是根据本公开实施例的应用示例中减面处理的框架示意图；
图5是根据本公开实施例的相关技术中减面处理导致关键特征缺失的示意图；
图6是根据本公开实施例的应用示例中减面处理使得关键点特征及边界得到保护的示意图；
图7是根据本公开实施例的应用示例中减面处理中边塌陷的示意图；
图8是根据本公开实施例的模型减面处理装置的组成结构示意图；
图9是用来实现本公开实施例的模型减面处理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。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在计算机图像应用中，在对高精度的三维模型进行简化的过程中，对于硬件都有比较高的要求，面对不同的渲染场景就需要不同程度的简化模型进行实现，以人脸模型为例，人脸模型的减面处理，可以由美术设计师进行人工的减面处理，需要耗费大量的人力、物力。
根据本公开的实施例，图1是根据本公开实施例的一分布式集群处理场景的示意图，该分布式集群系统为集群系统的一个示例，示例性的描述了可以利用该分布式集群系统进行模型减面处理，本公开不限于单机或多机上的模型减面处理，采用分布式的处理可以进一步提高模型减面处理的精度。如图1所示，在该分布式集群系统100中包括多个节点(如服务器集群101、服务器102、服务器集群103、服务器104、服务器105，服务器105还可以连接电子设备，如手机1051及台式机1052)，多个节点间，以及多个节点与连接的电子设备间可以共同执行一个或多个关系提取任务。可选地，该分布式集群系统中的多个节点可以采用数据并行的方式进行模型减面处理；该分布式集群系统中的多个节点还可以采用模型并行的方式进行模型减面处理。可选地，在每一轮模型减面处理完成后，多个节点之间都可以进行数据交换(如数据同步)。
根据本公开的实施例，提供了一种模型减面处理方法，图2是根据本公开实施例的模型减面处理方法的流程示意图，该方法可以应用于模型减面处理装置，例如，该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下，可以实现模型减面处理等等处理。其中，终端可以为用户设备(UE，User Equipment)、移动设备、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该方法应用于图1所示的分布式集群系统中的任一节点或电子设备(手机或台式机等)中，包括：
S201、获取模型网格拓扑一致的多个第一待处理模型。
S202、针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理。
S203、在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下，得到多个目标模型，其中，多个目标模型为多个第一待处理模型减面处理后的简化模型。
S201-S203的一示例中，该第一待处理模型可以为人脸面部模型，人脸面部模型可以为表情基底(如微笑、哭、皱眉、撇嘴等表情形成的表情基底)，人脸面部模型还可以为形状基底(如大脸、小脸等不同脸型形成的形状基底)。模型网格拓扑一致(即：几何关系一致)的多个第一待处理模型，可以为几何关系一致但是语义不同的多个第一待处理模型，比如，形状基底为大脸(如脸比较宽)、小脸(如脸比较窄)、人脸五官区域(比如鼻子大、眼睛小等)都属于人脸面部模型，相应的模型网格几何关系一致，但是大脸、小脸、人脸五官区域的语义特征是不同的。又如，表情基底为微笑和哭，都属于人脸面部模型，相应的模型网格几何关系一致，但是微笑和哭的语义特征是不同的。以多个人脸面部模型为例，比如人脸面部模型具体为表情基底，针对100个表情基底的同一个边，同时进行针对该边的边塌陷(即：对100个表情基底的边进行边塌陷的并行处理，称之为“并行的边塌陷方式”)，而不是进行边塌陷的串行处理，即处理了一个表情基底的边，再处理另一表情基底的边，这是不准确的，无法很好的用于后续虚拟对象(如虚拟人物)的驱动。
需要指出的是，在模型网格拓扑一致的情况下，才可以更好的进行上述联合减面处理，不仅实现了多个第一待处理模型的自动减面处理，以满足不同应用场景的渲染需求，而且，不仅是针对单一模型的自动减面处理，而且是针对多个模型的联合表情进行自动减面处理。
采用本公开实施例，可以获取模型网格拓扑一致的多个第一待处理模型，针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理。在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下可以得到多个目标模型，其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。由于多个目标模型经减面处理后，比多个第一待处理模型更为简化，因此，通过减面处理可以对高精度的三维模型进行简化。
根据本公开的实施例，提供了一种模型减面处理方法，图3是根据本公开实施例的模型减面处理方法的流程示意图，该方法可以应用于模型减面处理装置，如图3所示，该方法应用于图1所示的分布式集群系统中的任一节点或电子设备(手机或台式机等)中，包括：
S301、获取模型网格拓扑一致的多个第一待处理模型。
一些示例中，模型网格满足点、边及面的几何关系一致的情况下，确定出模型网格的拓扑一致，从而可以获取模型网格拓扑一致的多个第一待处理模型。
一些示例中，多个第一待处理模型可以包括：表情基底、形状基底中的至少一种类型，比如，该第一待处理模型可以为人脸面部模型，人脸面部模型可以为表情基底(如微笑、哭、皱眉、撇嘴等表情形成的表情基底)，人脸面部模型还可以为形状基底(如大脸、小脸等不同脸型形成的形状基底)。
一些示例中，就模型网格而言，对模型网格的简化，需要进行多层次的细节简化(Level of Details，LOD)，主要用于简化采样密集的多面体的模型网格，以及三维场景的存储、传输及绘制，从而，在不影响画面视觉效果的条件下，通过逐次、逐层简化景物的表面细节来减少场景的几何复杂度，从而提高绘制算法的效率。
S302、针对多个第一待处理模型的每一条边，从多个第一待处理模型的每个顶点遍历到每个边的情况下，根据每个顶点对应的二次误差矩阵得到每个边对应的二次误差矩阵。
一些示例中，每个顶点对应二次误差矩阵，每一条边至少包括两个顶点，从多个第一待处理模型的每个顶点遍历到每个边，可以根据每个顶点对应的二次误差矩阵得到每个边对应的二次误差矩阵。
S303、根据每个边对应的二次误差矩阵，进行损失运算，得到多个代价损失，根据多个代价损失的比较结果，确定针对多个第一待处理模型的待塌陷边。
一些示例中，针对每个边对应的二次误差矩阵进行损失运算，可以得到不同的多个代价损失，将多个代价损失进行比较可以得到比较结果，以根据该比较结果确定针对多个第一待处理模型的待塌陷边，比如，可以取比较结果中代价损失相对小的边作为待塌陷边，又如，考虑到代价损失最小的边(即最小代价的那条边，称之为“最小的可移除对”)，相对比较平滑，减面处理的前后对模型的影响不大，换言之，对模型的平滑程度影响可能比较小，可以将“最小的可移除对”作为待塌陷边进行移除，并不会对模型部署在应用场景中带来不利影响，模型即便简化了，仍然是可用的且精确的。
S304、针对多个第一待处理模型的待塌陷边，以并行的边塌陷方式进行联合减面处理。
一些示例中，以多个人脸面部模型为例，比如人脸面部模型具体为形状基底，针对50个形状基底的同一个边，同时进行针对该边的边塌陷(即：对50个形状基底的边进行边塌陷的并行处理，称之为“并行的边塌陷方式”，如此一来，模型迭代更快，且仍然能确保精度，从而很好的用于后续虚拟对象(如虚拟人物)的驱动。
S305、在进行联合减面处理的多个第一待处理模型结束模型迭代的情况下，得到多个目标模型，其中，多个目标模型为多个第一待处理模型减面处理后的简化模型。
一些示例中，在进行该联合减面处理的过程中，基于模型迭代得到的代价损失满足简化率的情况下，结束模型迭代，得到多个目标模型。
一些示例中，该简化率可以根据不同平台、不同硬件、不同终端、不同应用场景中的至少一种需求预先配置。
其中，该简化率用于表征在尽量保证简化前后模型的特征变化最小的情况下，使得该目标模型最为简化的评估指标，比如，多个第一待处理模型由三角面片构成的情况下，该简化率作为该第一待处理模型是否结束模型迭代(或者称之该目标模型相对于该第一待处理模型是否为最简化模型)的评估指标，满足该简化率，以得到最少数量的三角面片，将包括该最少数量的三角面片所构成的网格模型确定为该目标模型。换言之，简化率为需要减面的程度，取值可以为0至1的区间，比如，简化率取值为0.5，则减面之后的三角面片为剩余一半的面数。
其中，不同平台可以是人工智能(Artificial Intelligence，AI)自适应的平台、三维建模平台、用于纹理渲染的平台等的至少一种。相应的，在不同的平台上可以根据需求部署不同的硬件、不同终端及匹配不同应用场景的需求。
一些示例中，多个第一待处理模型可以为高维数据模型，考虑这些高维数据模型的处理过程中需要消耗大量的资源(如，计算资源、内存资源等)，使得这些高维数据模型在后续用于虚拟对象驱动的处理效果比较差(如，处理过程耗时太长、处理过程的资源需求太高等)，通过上述减面处理，得到的多个目标模型比多个第一待处理模型，只需要消耗更少量的资源，用于虚拟对象驱动的处理效果更好。
采用本公开实施例，可以获取模型网格拓扑一致的多个第一待处理模型，针对多个第一待处理模型的每一条边，基于二次误差度量进行模型的减面处理，即：从多个第一待处理模型的每个顶点遍历到每个边，根据每个顶点对应的二次误差矩阵得到每个边对应的二次误差矩阵，根据每个边对应的二次误差矩阵进行损失运算，以得到多个代价损失，从而，可以根据多个代价损失的比较结果确定针对多个第一待处理模型的待塌陷边，这些待塌陷边移除后，不仅简化了模型，而且并不会影响模型的精度，最终，以并行的边塌陷方式进行联合减面处理，可以得到多个目标模型，其中，多个目标模型，为多个第一待处理模型减面处理后的简化模型。由于多个目标模型经减面处理后，比多个第一待处理模型更为简化，因此，通过减面处理可以对高精度的三维模型进行简化，且满足不同场景的需求，是一种多层次的、自动化的模型减面处理，提高了生产效率。
一实施方式中，上述代价损失包括：第二代价损失；
还包括：获取多个第一待处理模型的边界点，根据边界点对应的二次误差矩阵进行损失运算，可以得到第一代价损失。对第一代价损失进行增量补偿，可以得到该第二代价损失。
一些示例中，在进行联合减面处理的过程中，基于模型迭代得到的代价损失(如第二代价损失)满足简化率的情况下，可以结束模型迭代，得到多个目标模型。具体的，根据该第二代价损失可以筛选出待塌陷边，以进行边塌陷处理。
一些示例中，该边界点可以是人脸和人体交界处的点，在对多个第一待处理模型减面处理的过程中，该边界点可能被移除，从而导致最终得到的简化模型，即多个目标模型不精确，因此，需要对边界点对应的第一代价损失进行加大处理，即进行增量补偿(可以是呈倍数的增加，也可以是增加补偿系数等)，可以得到第二代价损失。
采用本实施方式，通过对第一代价损失进行增量补偿，预先对第一待处理模型进行边界约束，从而优化了减面处理，在此基础上执行后续操作(如引入蒙皮信息、边塌陷等)可以避免将边界点移除，实现了边界保护，即便为了达到模型简化的目的进行减面处理，也会保留边界的清晰，提高了模型的精度。
一实施方式中，上述代价损失包括：第四代价损失；
还包括：获取多个第一待处理模型的关键区域，从该关键区域中提取关键特征点、及与该关键特征点相关的蒙皮信息。根据该关键特征点对应的二次误差矩阵进行损失运算，得到第三代价损失。根据该蒙皮信息得到蒙皮权重，根据该第三代价损失及该蒙皮权重，得到该第四代价损失。
一些示例中，在进行联合减面处理的过程中，基于模型迭代得到的代价损失(如第四代价损失)满足简化率的情况下，可以结束模型迭代，得到多个目标模型。具体的，根据该第四代价损失可以筛选出待塌陷边，以进行边塌陷处理。
一些示例中，该蒙皮信息根据模型网格和骨骼信息得到。根据该蒙皮信息得到的蒙皮权重可以决定模型网络上的点，比如模型网格上五官区域在眉毛位置受到某个骨骼节点(如眉骨节点)的权重。遍历加权每个点受相应的骨骼节点的蒙皮权重，可以得到每个点相对于关键骨骼节点的重要性，然后将该蒙皮权重加到第三代价损失中，可以达到保护五官区域关键特征的目的。
采用本实施方式，以人脸面部模型为例，引入蒙皮信息及其蒙皮权重，具体是对代价损失加入由蒙皮信息得到的该蒙皮权重，可以保护人脸面部模型中诸如五官区域的关键部分，避免在减面处理时丢失五官区域的关键特征，即便减面，也会保留五官特征的清晰，提高了模型的精度。
一实施方式中，针对多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理，包括：多个第一待处理模型由三角面片构成的情况下，从多个第一待处理模型的三角面片中筛选出待塌陷边。针对多个第一待处理模型的待塌陷边，以并行的边塌陷方式进行联合减面处理。
一些示例中，多个第一待处理模型可以由三角面片构成。三角面片是计算机图形应用中采用多边形网格进行各种不规律物体建模的数据结构。第一待处理模型对应的模型网格是多边形网格，其中的三角面片是多边形网格分割的最小单位，其组成部分包括：顶点、边及面，可以灵活的描述多边形网格的拓扑结构。以该三角面片为基础筛选出待塌陷边后，可以采用并行的边塌陷方式进行联合减面处理。
采用本实施方式，以该三角面片为基础，由于三角面片为以多边形网格分割的最小单位，可以灵活的描述多边形网格的拓扑结构(顶点、边及面之间的几何关系)，从而可以准确的筛选出待塌陷边，以多个三角面片并采用并行的边塌陷方式进行联合减面处理，模型的处理速度更快。
一实施方式中，从多个第一待处理模型的三角面片中筛选出待塌陷边，包括：获取三角面片的每个顶点对应的二次误差矩阵，从每个顶点遍历到每个边的情况下，根据每个顶点对应的二次误差矩阵得到该三角面片的每个边对应的二次误差矩阵。根据该三角面片的每个边对应的二次误差矩阵进行损失运算，可以得到第五代价损失。
一些示例中，在进行联合减面处理的过程中，基于模型迭代得到的代价损失(如第五代价损失)满足简化率的情况下，可以结束模型迭代，得到多个目标模型。具体的，根据该第五代价损失可以筛选出待塌陷边，以进行边塌陷处理。
一些示例中，针对多个第一待处理模型的每一条边，基于二次误差度量进行模型的减面处理，即：以该三角面片为基础，从每个顶点遍历到每个边的情况下，可以根据每个顶点对应的二次误差矩阵得到该三角面片的每个边对应的二次误差矩阵，根据该三角面片的每个边对应的二次误差矩阵进行损失运算，可以得到第五代价损失，边塌陷需要满足第五代价损失的约束，从而可以根据该第五代价损失筛选出待塌陷边。
采用本实施方式，基于二次误差度量进行模型的减面处理，以该三角面片为基础，在满足第五代价约束的情况下可以更快的筛选出待塌陷边。
一实施方式中，还包括：根据并行的边塌陷方式得到边塌陷结果的情况下，可以对该边塌陷结果对应的纹理坐标点进行更新，得到更新后的纹理坐标点。根据更新后的纹理坐标点进行图像渲染，得到图像渲染结果。
一示例中，还可以根据多个目标模型，以及得到的图像渲染结果，联合驱动虚拟对象(如虚拟人物)。
就UV坐标点而言，UV坐标点(即纹理坐标点)可以构成一张二维图像，通过UV映射将该二维图像投影到三维模型的表面以进行纹理映射的3D建模，其中，U代表水平方向，V代表垂直方向。
采用本实施方式，在进行减面处理的同时，随着边塌陷，还可以对UV坐标点进行更新，将UV结果进行图像渲染，从而将上述处理得到的多个目标模型用于联合驱动，最终可以得到一个虚拟人物。
在计算机图像应用中，面对不同的渲染场景，需要采用不同程度的简化模型来实现，比如，5米近距离的人物可以使用高模型进行渲染进而提升渲染质量；对于5-15米距离的人物可以采用中模型进行渲染；距离太远没有必要采用高模型，则15米之外远距离的人物可以采用低模型进行渲染，从而节约成本。
本应用示例可以适用上述不同的渲染场景，根据给定的简化率来约束模型迭代，即：针对多个第一待处理模型，在进行联合减面处理的过程中，基于模型迭代得到的代价损失满足该简化率的情况下，结束模型迭代，将得到的多个目标模型作为最终的目标模型。其中，简化率可以根据不同平台、不同硬件、不同终端、不同应用场景中的至少一种需求预先配置。
考虑到针对单个模型的减面处理，应用场景是有限的，本应用示例提出了如下针对多模型的联合减面处理方案，只要多个模型满足拓扑一致的条件即可实现联合减面处理及后续的虚拟对象(如虚拟人物)的联合驱动。不仅可以对单个模型进行减面处理，而且可以对所有的基底模型进行联合减面处理，尤其是对多模型的联合表情进行减面处理，比如，针对拓扑一致并可驱动的多个混合形状(BlendShape，BS)表情基底模型进行减面处理，得到拓扑一致并可驱动的BS表情基底以用于虚拟对象的联合驱动，从而大大拓宽了模型的使用范围，适用于多种应用场景的需求。
本应用示例中，以人脸面部模型为例进行减面，是基于二次误差度量的面部模型的减面优化方案，基于二次误差度量的面部模型的减面处理进行减面优化，主要是通过引入对该人脸面部模型的边界保护；采用蒙皮信息(或称骨骼蒙皮信息，骨骼蒙皮信息由模型网格及其骨骼得到)进行关键区域，如五官区域的关键特征的保护；在以边塌陷的方式实现减面处理的过程中，还可以对用于表示纹理信息的UV坐标点进行减面更新，从而实现更高精度的、多层次的、简化的人脸面部模型。
如图4所示，减面处理的框架中包括：数据预处理模块、边代价损失模块(引入边界保护和/或蒙皮权重)、边塌陷模块及几何关系的更新模块(对模型网格的面、边、UV坐标点及边代价损失进行更新)。基于该减面处理的框架实现本公开实施例的上述减面处理，主要包括：从输入的obj文件(3D模型文件格式)中读取解析模型的网格信息，计算模型的网格信息中每个点对应的二次误差矩阵，计算边的二次误差值，构建边坍塌之后的几何关系的更新，并构建UV信息的更新，根据定义的代价损失依次把最小的可移除对从模型网格中删除，并在堆中更新代价损失，直到达到简化率，则停止模型迭代，将得到的简化后模型予以存储，以便后续将该简化后模型应用于各种不同的渲染场景。
如图4所示的各个模块，其具体的实现细节描述如下：
一、数据预处理模块
1、从输入的obj文件(或者FBX中)读取模型的网格信息
一些示例中，获取点的坐标信息、UV信息，三角面片的信息(每个面对应点的ID、及UV对应ID)，以及获取点到临近点所形成的几何关系。
2、计算每个点对应的二次误差矩阵Q
计算每个顶点的初始误差矩阵，在原始的模型网格(即上述第一待处理模型)中，每个顶点可以认为是其周围三角片所在平面的交集，也就是这些平面的交点就是顶点位置，根据如下公式确定顶点的误差为顶点到这些平面的距离平方和：
其中，Δ(v)为顶点的误差；v为顶点(如果作为塌陷边，则为塌陷点)；p为平面，P＝[a b c d]T，P代表ax+by+cz+d＝0定义的平面方程，其中，满足(a2+b2+c2＝1)的关系；a、b、c及d为给定的常量；Kp为二次误差矩阵Q，Kp采用如下公式得到：
二、边代价损失模块
1、计算边的二次误差cost值
得到了每个顶点的二次误差矩阵之后，从顶点遍历每一条边，计算边的塌陷点的坐标，然后计算边的代价为：vT(Q1+Q2)v；其中，v是塌陷点，Q1和Q2为构成边的两点对应的二次误差矩阵；
2、通过上述方式即可得到每个边的代价损失值。
考虑到采用上述基于二次误差度量的面部模型的减面，可能存在减面之后边界不清晰，或五官区域的关键特征丢失，需要进行减面优化。
如图5所示，采用上述基于二次误差度量的面部模型的减面，减面之前的模型为模型501，五官区域为区域503；减面之后的模型为模型502，五官区域为区域504，经过减面后，得到的区域504中的眼睛及眉骨，不如区域503清晰，显然，减面导致了五官区域关键特征的丢失。
如图6所示，对采用上述基于二次误差度量的面部模型的减面进行减面优化，减面之前的模型为模型601，五官区域为区域603；减面之后的模型为模型602，五官区域为区域604；减面前后的边界区域为区域605；经过减面优化后，得到的区域604中的眼睛及眉骨，与区域603一样清晰，区域605中的边界清晰，显然，减面优化使得五官区域关键特征得以不丢弃，以及边界得到了边界保护。
针对上述边界保护及保护五官区域关键特征而言，比如，一个人的模型由多个部件(人脸和人体等)组成，在边界处需要保留，不然会造成边界的不连续，通过检测模型的边界点，对边界点对应的边增大代价损失，从而实现了边界保护。比如，一个人脸面部模型往往具有蒙皮信息，蒙皮信息就决定了点受到某个骨骼节点的权重，如果不引入蒙皮信息，在后续模型驱动时会导致异常(比如眉毛扭曲、穿模等)，对此，提取蒙皮信息以得到蒙皮权重，遍历加权每个点受相应的某些骨骼节点的该蒙皮权重，可以得到每个点对应于关键骨骼节点的重要性，然后将权重加到代价损失中，这样可以达到保护五官区域关键特征的目的。
三、边塌陷模块
1、根据代价损失值确定待塌陷边，并确定构建边坍塌之后的几何关系的更新策略(包括面、边和cost代价)并构建UV的更新。
如图7所示，确定了待塌陷边之后，按照边塌陷的方法进行边塌陷处理，对待塌陷边701进行边塌陷处理后，会减少2个三角面片并减少一个点，得到一个新的点702，即：由待塌陷边701变换为点702，从而完成了边塌陷处理。边塌陷处理的同时，对于新的点、面、边之间的几何关系需要进行更新，相应的代价损失及UV也都需要更新。
就代价损失而言，考虑到整体的表情基底的代价损失，在进行边塌陷的时候，依次更新所有的表情基底。
就UV坐标点的更新而言，可以采用线性插值作为新顶点的UV坐标。
四、几何关系的更新模块
1、进行边塌陷之后的几何关系的更新，并迭代边塌陷直至达到要求的面数，最后存储简化后的模型网格，把更新后只有的点及面的信息写出到文件中，进行输出。
还可以根据给定的代价阈值，依次把最小的可移除对从模型网格中删除，并基于边塌陷模块来更新几何关系，直至达到简化率的要求。
采用本应用示例，基于二次误差度量的模型进行减面优化，满足了不同应用场景的需求，实现了多层次的自动面部模型减面，提高了生产效率。有别于相关技术中的人工减面，节约了大量的人力及物力，尤其对于模型为人脸面部模型时，可以对人脸五官特征区域具有良好的保护作用。
根据本公开的实施例，提供了一种模型减面处理装置，图8是根据本公开实施例的模型减面处理装置的组成结构示意图，如图8所示，模型减面处理装置包括：获取模块801，用于获取模型网格拓扑一致的多个第一待处理模型；第一处理模块802，用于针对所述多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；第二处理模块803，用于在进行所述联合减面处理的所述多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；其中，所述多个目标模型，为所述多个第一待处理模型减面处理后的简化模型。
一实施方式中，所述第二处理模块803，用于在进行所述联合减面处理的过程中，基于所述模型迭代得到的代价损失满足简化率的情况下，结束所述模型迭代，得到所述多个目标模型；其中，所述简化率，根据不同平台、不同硬件、不同终端、不同应用场景中的至少一种需求预先配置。
一实施方式中，所述代价损失包括：第二代价损失；
还包括：第三处理模块，用于获取所述多个第一待处理模型的边界点；根据所述边界点对应的二次误差矩阵，进行损失运算，得到第一代价损失；对所述第一代价损失进行增量补偿，得到该第二代价损失。
一实施方式中，所述代价损失包括：第四代价损失；
还包括：第四处理模块，用于获取所述多个第一待处理模型的关键区域；从所述关键区域中提取关键特征点、及与所述关键特征点相关的蒙皮信息；根据所述关键特征点对应的二次误差矩阵，进行损失运算，得到第三代价损失；根据所述蒙皮信息得到蒙皮权重；根据所述第三代价损失及所述蒙皮权重，得到该第四代价损失。
一实施方式中，所述第一处理模块802，用于所述多个第一待处理模型由三角面片构成的情况下，从所述多个第一待处理模型的所述三角面片中筛选出待塌陷边；针对所述多个第一待处理模型的所述待塌陷边，以并行的边塌陷方式进行联合减面处理。
一实施方式中，所述第一处理模块802，用于获取所述三角面片的每个顶点对应的二次误差矩阵；从所述每个顶点遍历到每个边的情况下，根据所述每个顶点对应的二次误差矩阵，得到所述三角面片的每个边对应的二次误差矩阵；根据所述三角面片的每个边对应的二次误差矩阵，进行损失运算，得到第五代价损失；根据所述第五代价损失，筛选出所述待塌陷边。
一实施方式中，还包括：第五处理模块，用于根据所述并行的边塌陷方式得到边塌陷结果的情况下，对所述边塌陷结果对应的纹理坐标点进行更新，得到更新后的纹理坐标点；根据所述更新后的纹理坐标点进行图像渲染，得到图像渲染结果。
一实施方式中，还包括：第六处理模块，用于根据所述多个目标模型及所述图像渲染结果，联合驱动虚拟对象。
一实施方式中，所述获取模块801，用于所述模型网格满足点、边及面的几何关系一致的情况下，确定出所述模型网格的拓扑一致；获取模型网格拓扑一致的多个第一待处理模型。
一实施方式中，所述多个第一待处理模型包括：表情基底、形状基底中的至少一种类型。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如模型减面处理方法。例如，在一些实施例中，模型减面处理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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的模型减面处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901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减面处理方法。
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、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)、负载可编程逻辑设备(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。
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 (23)
1.一种模型减面处理方法，包括：
获取模型网格拓扑一致的多个第一待处理模型；
针对所述多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；
在进行所述联合减面处理的所述多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；
其中，所述多个目标模型，为所述多个第一待处理模型减面处理后的简化模型。
2.根据权利要求1所述的方法，其中，所述在进行所述联合减面处理的所述多个第一待处理模型结束模型迭代的情况下，得到多个目标模型，包括：
在进行所述联合减面处理的过程中，基于所述模型迭代得到的代价损失满足简化率的情况下，结束所述模型迭代，得到所述多个目标模型；
其中，所述简化率，根据不同平台、不同硬件、不同终端、不同应用场景中的至少一种需求预先配置。
3.根据权利要求2所述的方法，其中，所述代价损失包括：第二代价损失；
还包括：
获取所述多个第一待处理模型的边界点；
根据所述边界点对应的二次误差矩阵，进行损失运算，得到第一代价损失；
对所述第一代价损失进行增量补偿，得到所述第二代价损失。
4.根据权利要求2所述的方法，其中，所述代价损失包括：第四代价损失；
还包括：
获取所述多个第一待处理模型的关键区域；
从所述关键区域中提取关键特征点、及与所述关键特征点相关的蒙皮信息；
根据所述关键特征点对应的二次误差矩阵，进行损失运算，得到第三代价损失；
根据所述蒙皮信息得到蒙皮权重；
根据所述第三代价损失及所述蒙皮权重，得到所述第四代价损失。
5.根据权利要求1-4中任一项所述的方法，针对所述多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理，包括：
所述多个第一待处理模型由三角面片构成的情况下，从所述多个第一待处理模型的所述三角面片中筛选出待塌陷边；
针对所述多个第一待处理模型的所述待塌陷边，以并行的边塌陷方式进行联合减面处理。
6.根据权利要求5所述的方法，其中，所述从所述多个第一待处理模型的所述三角面片中筛选出待塌陷边，包括：
获取所述三角面片的每个顶点对应的二次误差矩阵；
从所述每个顶点遍历到每个边的情况下，根据所述每个顶点对应的二次误差矩阵，得到所述三角面片的每个边对应的二次误差矩阵；
根据所述三角面片的每个边对应的二次误差矩阵，进行损失运算，得到第五代价损失；
根据所述第五代价损失，筛选出所述待塌陷边。
7.根据权利要求1-4中任一项所述的方法，还包括：
根据所述并行的边塌陷方式得到边塌陷结果的情况下，对所述边塌陷结果对应的纹理坐标点进行更新，得到更新后的纹理坐标点；
根据所述更新后的纹理坐标点进行图像渲染，得到图像渲染结果。
8.根据权利要求7所述的方法，还包括：
根据所述多个目标模型及所述图像渲染结果，联合驱动虚拟对象。
9.根据权利要求1-4中任一项所述的方法，其中，获取模型网格拓扑一致的多个第一待处理模型，包括：
所述模型网格满足点、边及面的几何关系一致的情况下，确定出所述模型网格的拓扑一致；
获取模型网格拓扑一致的多个第一待处理模型。
10.根据权利要求9所述的方法，其中，所述多个第一待处理模型包括：表情基底、形状基底中的至少一种类型。
11.一种模型减面处理装置，包括：
获取模块，用于获取模型网格拓扑一致的多个第一待处理模型；
第一处理模块，用于针对所述多个第一待处理模型的每一条边，以并行的边塌陷方式进行联合减面处理；
第二处理模块，用于在进行所述联合减面处理的所述多个第一待处理模型结束模型迭代的情况下，得到多个目标模型；
其中，所述多个目标模型，为所述多个第一待处理模型减面处理后的简化模型。
12.根据权利要求11所述的装置，其中，所述第二处理模块，用于：
在进行所述联合减面处理的过程中，基于所述模型迭代得到的代价损失满足简化率的情况下，结束所述模型迭代，得到所述多个目标模型；
其中，所述简化率，根据不同平台、不同硬件、不同终端、不同应用场景中的至少一种需求预先配置。
13.根据权利要求11所述的装置，其中，所述代价损失包括：第二代价损失；
还包括：第三处理模块，用于：
获取所述多个第一待处理模型的边界点；
根据所述边界点对应的二次误差矩阵，进行损失运算，得到第一代价损失；
对所述第一代价损失进行增量补偿，得到所述第二代价损失。
14.根据权利要求11所述的装置，其中，所述代价损失包括：第四代价损失；
还包括：第四处理模块，用于：
获取所述多个第一待处理模型的关键区域；
从所述关键区域中提取关键特征点、及与所述关键特征点相关的蒙皮信息；
根据所述关键特征点对应的二次误差矩阵，进行损失运算，得到第三代价损失；
根据所述蒙皮信息得到蒙皮权重；
根据所述第三代价损失及所述蒙皮权重，得到所述第四代价损失。
15.根据权利要求11-14中任一项所述的装置，所述第一处理模块，用于：
所述多个第一待处理模型由三角面片构成的情况下，从所述多个第一待处理模型的所述三角面片中筛选出待塌陷边；
针对所述多个第一待处理模型的所述待塌陷边，以并行的边塌陷方式进行联合减面处理。
16.根据权利要求15所述的装置，其中，所述第一处理模块，用于：
获取所述三角面片的每个顶点对应的二次误差矩阵；
从所述每个顶点遍历到每个边的情况下，根据所述每个顶点对应的二次误差矩阵，得到所述三角面片的每个边对应的二次误差矩阵；
根据所述三角面片的每个边对应的二次误差矩阵，进行损失运算，得到第五代价损失；
根据所述第五代价损失，筛选出所述待塌陷边。
17.根据权利要求11-14中任一项所述的装置，还包括：第五处理模块，用于：
根据所述并行的边塌陷方式得到边塌陷结果的情况下，对所述边塌陷结果对应的纹理坐标点进行更新，得到更新后的纹理坐标点；
根据所述更新后的纹理坐标点进行图像渲染，得到图像渲染结果。
18.根据权利要求17所述的装置，还包括：第六处理模块，用于：
根据所述多个目标模型及所述图像渲染结果，联合驱动虚拟对象。
19.根据权利要求11-14中任一项所述的装置，其中，所述获取模块，用于：
所述模型网格满足点、边及面的几何关系一致的情况下，确定出所述模型网格的拓扑一致；
获取模型网格拓扑一致的多个第一待处理模型。
20.根据权利要求19所述的方法，其中，所述多个第一待处理模型包括：表情基底、形状基底中的至少一种类型。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，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权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711668.1A CN115222879B (zh) | 2022-06-22 | 2022-06-22 | 一种模型减面处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711668.1A CN115222879B (zh) | 2022-06-22 | 2022-06-22 | 一种模型减面处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115222879A true CN115222879A (zh) | 2022-10-21 |
| CN115222879B CN115222879B (zh) | 2023-10-27 |
Family
ID=83607401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210711668.1A Active CN115222879B (zh) | 2022-06-22 | 2022-06-22 | 一种模型减面处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222879B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830273A (zh) * | 2023-01-10 | 2023-03-21 | 北京飞渡科技股份有限公司 | 一种三维场景渲染前轻量化网格的优化方法及装置 |
| CN117058668A (zh) * | 2023-10-10 | 2023-11-14 | 中冶武勘智诚(武汉)工程技术有限公司 | 一种三维模型减面评估方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095125A1 (en) * | 2012-09-28 | 2014-04-03 | Deutsche Borse Ag | Method and system for reducing computational effort for solving a model of a real-world scenario |
| CN106504340A (zh) * | 2016-11-14 | 2017-03-15 | 成都君乾信息技术有限公司 | 一种多面体模型减面方法 |
| CN114119837A (zh) * | 2021-12-14 | 2022-03-01 | 博锐尚格科技股份有限公司 | 一种Revit模型轻量化渲染过程中的几何处理压缩方法和装置 |
| CN114186318A (zh) * | 2021-12-14 | 2022-03-15 | 博锐尚格科技股份有限公司 | 一种Revit模型轻量化渲染方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11043028B2 (en) * | 2018-11-02 | 2021-06-22 | Nvidia Corporation | Reducing level of detail of a polygon mesh to decrease a complexity of rendered geometry within a scene |
| CN113706504A (zh) * | 2021-08-27 | 2021-11-26 | 上海米哈游璃月科技有限公司 | 一种残影处理方法、装置、存储介质及电子设备 |
| CN114329668B (zh) * | 2021-12-31 | 2024-01-16 | 西安交通大学 | 一种基于cad模型的rar网格优化方法及系统 |
-
2022
- 2022-06-22 CN CN202210711668.1A patent/CN115222879B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095125A1 (en) * | 2012-09-28 | 2014-04-03 | Deutsche Borse Ag | Method and system for reducing computational effort for solving a model of a real-world scenario |
| CN106504340A (zh) * | 2016-11-14 | 2017-03-15 | 成都君乾信息技术有限公司 | 一种多面体模型减面方法 |
| CN114119837A (zh) * | 2021-12-14 | 2022-03-01 | 博锐尚格科技股份有限公司 | 一种Revit模型轻量化渲染过程中的几何处理压缩方法和装置 |
| CN114186318A (zh) * | 2021-12-14 | 2022-03-15 | 博锐尚格科技股份有限公司 | 一种Revit模型轻量化渲染方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830273A (zh) * | 2023-01-10 | 2023-03-21 | 北京飞渡科技股份有限公司 | 一种三维场景渲染前轻量化网格的优化方法及装置 |
| CN117058668A (zh) * | 2023-10-10 | 2023-11-14 | 中冶武勘智诚(武汉)工程技术有限公司 | 一种三维模型减面评估方法及装置 |
| CN117058668B (zh) * | 2023-10-10 | 2024-02-02 | 中冶武勘智诚(武汉)工程技术有限公司 | 一种三维模型减面评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115222879B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115222879B (zh) | 一种模型减面处理方法、装置、电子设备及存储介质 | |
| CN112562069B (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
| 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 | |
| CN114820905B (zh) | 虚拟形象生成方法、装置、电子设备及可读存储介质 | |
| CN107578467B (zh) | 一种医疗器械三维建模方法及装置 | |
| CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
| CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
| CN109697748B (zh) | 模型压缩处理方法、模型贴图处理方法装置、存储介质 | |
| CN114612600B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN112927328B (zh) | 表情迁移方法、装置、电子设备及存储介质 | |
| 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 | |
| JP2023076820A (ja) | 画像処理方法、装置、電子機器、及び記憶媒体 | |
| CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
| CN113205090B (zh) | 图片矫正方法、装置、电子设备及计算机可读存储介质 | |
| CN112562043A (zh) | 图像处理方法、装置和电子设备 | |
| CN115375847B (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
| CN114581586A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
| CN113421335B (zh) | 图像处理方法、图像处理装置、电子设备和存储介质 | |
| CN115861510A (zh) | 对象渲染方法、装置、电子设备、存储介质及程序产品 | |
| CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
| CN115082298A (zh) | 图像生成方法、装置、电子设备以及存储介质 | |
| CN114078184A (zh) | 数据处理方法、装置、电子设备和介质 | |
| CN114037814B (zh) | 数据处理方法、装置、电子设备和介质 | |
| CN113610992B (zh) | 骨骼驱动系数确定方法、装置、电子设备及可读存储介质 |
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 |