CN115546408A - 模型简化方法、装置、存储介质、电子设备及产品 - Google Patents
模型简化方法、装置、存储介质、电子设备及产品 Download PDFInfo
- Publication number
- CN115546408A CN115546408A CN202211268211.4A CN202211268211A CN115546408A CN 115546408 A CN115546408 A CN 115546408A CN 202211268211 A CN202211268211 A CN 202211268211A CN 115546408 A CN115546408 A CN 115546408A
- Authority
- CN
- China
- Prior art keywords
- priority
- vertex
- collapse
- polygonal mesh
- mesh model
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种模型简化方法、装置、存储介质、电子设备及产品,涉及计算机技术领域,该方法包括:检测预设多边形网格模型中的优先简化区域对应的区域范围;确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。本申请可以有效提升模型简化效果。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种模型简化方法、装置、存储介质、电子设备及产品。
背景技术
模型简化即对模型对应的数据进行减少的过程。目前相关技术中存在通过边坍缩对模型进行简化的方案,相关技术中,通常根据模型中边坍缩后形成的顶点到其相邻平面的距离平方和形成边的代价,根据代价越小越先坍缩进行模型简化。由于模型通常结构多样,相关技术中边的代价对于模型简化的指导效果较差,导致模型简化效果较差。
发明内容
本申请实施例提供一种方案,可以有效提升模型简化效果。
为解决上述技术问题,本申请实施例提供以下技术方案:
根据本申请的一个实施例,一种模型简化方法,所述方法包括:检测预设多边形网格模型中的优先简化区域对应的区域范围;确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
在本申请的一些实施例中,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
在本申请的一些实施例中,所述确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点,包括:对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
在本申请的一些实施例中,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
在本申请的一些实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:获取所述预设多边形网格模型的全局权重;对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
在本申请的一些实施例中,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:根据预设多边形网格模型所建模的对象确定对应的区域检测算法;根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
根据本申请的一个实施例,一种模型简化装置,所述装置包括:检测模块,用于检测预设多边形网格模型中的优先简化区域对应的区域范围;确定模块,用于确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定模块,用于设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;简化模块,用于将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
在本申请的一些实施例中,所述检测模块,包括第一检测单元,用于:对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
在本申请的一些实施例中,所述确定模块,用于:对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定模块,用于:获取所述预设多边形网格模型的全局权重;对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
在本申请的一些实施例中,所述检测模块,包括第二检测单元,用于:根据预设多边形网格模型所建模的对象确定对应的区域检测算法;根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
根据本申请的另一实施例,一种存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行本申请实施例所述的方法。
根据本申请的另一实施例,一种电子设备可以包括:存储器,存储有计算机程序;处理器,读取存储器存储的计算机程序,以执行本申请实施例所述的方法。
根据本申请的另一实施例,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本申请实施例所述的各种可选实现方式中提供的方法。
本申请实施例的模型简化方案中,检测预设多边形网格模型中的优先简化区域对应的区域范围;确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
以这种方式,形成一种基于选定区域(即优先简化区域)的模型简化方法,在模型简化过程中,基于选定区域(即优先简化区域)设定优先坍缩顶点对应的边的优先级高于其他边的优先级,通过边坍缩处理进行模型简化优先级高的边优化进行坍缩,通过优先级的指导从而预设多边形网格模型中选定区域(即优先简化区域)优先被简化,可以提升选定区域(即优先简化区域)的简化效果,整体上可以有效提升模型简化效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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示出了一种可以应用本申请实施例的系统的示意图。
图2示出了根据本申请的一个实施例的模型简化方法的流程图。
图3示出了根据本申请的另一个实施例的模型简化装置的框图。
图4示出了根据本申请的一个实施例的电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了可以应用本申请实施例的系统100的示意图。如图1所示,系统100可以包括服务器101及终端102。
服务器101可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端102可以是任意的设备,终端102包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、VR/AR设备、智能手表以及计算机等等。一种实施方式中,服务器101或终端102可以是区块链网络或地图车联网平台中的节点设备。
本示例的一种实施方式中,服务器101或终端102可以:检测预设多边形网格模型中的优先简化区域对应的区域范围;确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
图2示意性示出了根据本申请的一个实施例的模型简化方法的流程图。该模型简化方法的执行主体可以是任意的设备,例如图1所示的服务器101或终端102。
如图2所示,该模型简化方法可以包括步骤S210至步骤S240。
步骤S210,检测预设多边形网格模型中的优先简化区域对应的区域范围;步骤S220,确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;步骤S230,设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;步骤S240,将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
预设多边形网格模型可以是针对人物、物品等对象构建的多边形网格模型,预设多边形网格模型为基于多边形网格(Mesh)建模得到的模型。对预设多边形网格模型通过区域检测算法进行检测可以检测出优先简化区域,对该优先简化区域进行范围标定即可得到预设多边形网格模型中的优先简化区域对应的区域范围。
预先对该预设多边形网格模型进行边坍缩分析,可以得到预设多边形网格模型中的边在坍缩后形成的顶点,根据区域范围即可以确定出区域范围内的顶点为优先坍缩顶点,进而,可以确定坍缩形成优先坍缩顶点的边为优先坍缩顶点对应的边。
进一步的,设定预设多边形网格模型中边的优先级,其中,设定优先坍缩顶点对应的边的优先级高于其他边的优先级,其他边即预设多边形网格模型中的所有边中除优先坍缩顶点对应的边之外的边。
设定边的优先级后,将预设多边形网格模型中的边按照优先级进行边坍缩处理,得到预设多边形网格模型对应的简化模型,其中,可以基于边坍缩算法(QMS:Quadric MeshSimplify)对边按照优先级进行边坍缩处理,其中,边坍缩处理具体可以是移动一条边的两个顶点使它们重合成一个顶点,从而消除一条边,从而实现模型简化。
以这种方式,基于步骤S210至步骤S240,形成一种基于选定区域(即优先简化区域)的模型简化方法,在模型简化过程中,基于选定区域(即优先简化区域)设定优先坍缩顶点对应的边的优先级高于其他边的优先级,通过边坍缩处理进行模型简化优先级高的边优化进行坍缩,通过优先级的指导从而预设多边形网格模型中选定区域(即优先简化区域)优先被简化,可以提升选定区域(即优先简化区域)的简化效果,整体上可以有效提升模型简化效果。
下面描述图2实施例中进行模型简化时,所进行的各步骤的进一步具体可选实施例。
一种实施例中,步骤S210,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
该实施例下,通过面部检测算法可以对所述预设多边形网格模型进行面部检测,得到预设多边形网格模型中的面部区域,从而选定的优先简化区域为面部区域。进一步的,可以通过球心和半径进行区域范围标定,在该预设多边形网格模型上标定选定的面部区域对应的区域范围。从而,可以优先对面部区域进行模型简化,可以极为有效的进一步提升具有面部区域的预设多边形网格模型的简化效果。
一种实施例中,步骤S210,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:根据预设多边形网格模型所建模的对象确定对应的区域检测算法,根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
该实施例下,通过针对对象所指定的区域检测算法可以对所述预设多边形网格模型进行区域检测,得到预设多边形网格模型中的目标区域,从而选定的优先简化区域为目标区域。其中,预设多边形网格模型所建模的对象可以是人物或物品等。进一步的,可以通过球心和半径进行区域范围标定,在该预设多边形网格模型上标定选定的目标区域对应的区域范围。从而,可以优先对目标区域进行模型简化,可以极为有效的针对不同对象的预设多边形网格模型实现自适应模型简化,进一步提升模型的简化效果。
一种实施例中,步骤S220,所述确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点,包括:
对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
预先对该预设多边形网格模型进行边坍缩分析,通过边坍缩分析可以分析预设多边形网格模型中的边在移动两个顶点使它们重合得到的顶点,即可以得到预设多边形网格模型中的边在坍缩后形成的顶点。根据区域范围即可以确定出位于该区域范围内的顶点为优先坍缩顶点,进而,可以确定坍缩形成优先坍缩顶点的边为优先坍缩顶点对应的边。
一种实施例中,步骤S230,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
该实施例下,引入可以考虑区域范围的代价函数衡量预设多边形网格模型中边进行边坍缩的代价,具体地,设计代价函数的计算值受到优先简化区域的区域范围的影响,通过代价函数可以将优先坍缩顶点对应的边的代价设定为优先值(即针对优先坍缩顶点对应的边的计算值),并将所述预设多边形网格模型中其他边的代价设定为推后值(即针对其他边的计算值),且优先值小于推后值,代价越小的边的优先级越高(即优先坍缩顶点对应的边的优先级高于其他边)。其中,可以理解,优先坍缩顶点可以包括多个,每个优先坍缩顶点对应的边的优先值可以不同;其他边可以包括多个边,其他边包括的每个边对应的推后值可以不同。
一种实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。该实施例下,越靠近区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小,即越靠近区域范围的中心的优先坍缩顶点所对应边的优先级越高。其中,区域范围的中心例如区域范围为球形范围时球形范围的球心。
一种实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。该实施例下,越靠近区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小,即越靠近区域范围中预定位置的优先坍缩顶点所对应边的优先级越高。其中,预定位置可以根据实际情况指定,预定位置可以为一个或多个。一种示例中,预定位置可以包括多个脸部特征(例如眼睛、嘴巴及鼻子等)对应的位置。
一种实施例中,步骤S230,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:获取所述预设多边形网格模型的全局权重;对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
该实施例下,通过设置全局权重和调整局部权重的方式,实现区域范围内的优先坍缩顶点对应的边的权重高于其他边的权重,即实现区域范围内的优先坍缩顶点对应的边的优先级高于其他边的优先级。
本申请前述实施例中的“预设多边形网格模型”可以是用于生成体积视频的三维模型,体积视频(Volumetric Video,又称容积视频、空间视频、体三维视频或6自由度视频等)是一种通过捕获三维空间中信息(如深度信息和色彩信息等)并生成三维动态模型序列的技术。相对于传统的视频,体积视频将空间的概念加入到视频中,用三维模型来更好的还原真实三维世界,而不是以二维的平面视频加上运镜来模拟真实三维世界的空间感。由于体积视频实质为三维模型序列,使得用户可以随自己喜好调整到任意视角进行观看,较二维平面视频具有更高的还原度和沉浸感。
可选地,在本申请中,用于构成体积视频的三维模型(即预设多边形网格模型)可以按照如下方式重建得到:
先获取拍摄对象的不同视角的彩色图像和深度图像,以及彩色图像对应的相机参数;然后根据获取到的彩色图像及其对应的深度图像和相机参数,训练隐式表达拍摄对象三维模型的神经网络模型,并基于训练的神经网络模型进行等值面提取,实现对拍摄对象的三维重建,得到拍摄对象的三维模型。
应当说明的是,本申请实施例中对采用何种架构的神经网络模型不作具体限制,可由本领域技术人员根据实际需要选取。比如,可以选取不带归一化层的多层感知机(Multilayer Perceptron,MLP)作为模型训练的基础模型。
下面将对本申请提供的三维模型重建方法进行详细描述。
首先,可以同步采用多个彩色相机和深度相机对需要进行三维重建的对象进行多视角的拍摄,得到对象在多个不同视角的彩色图像及对应的深度图像,即在同一拍摄时刻(实际拍摄时刻的差值小于或等于时间阈值即认为拍摄时刻相同),各视角的彩色相机将拍摄得到对象在对应视角的彩色图像,相应的,各视角的深度相机将拍摄得到对象在对应视角的深度图像。需要说明的是,对象可以是任意物体,包括但不限于人物、动物以及植物等生命物体,或者机械、家具、玩偶等非生命物体。
以此,对象在不同视角的彩色图像均具备对应的深度图像,即在拍摄时,彩色相机和深度相机可以采用相机组的配置,同一视角的彩色相机配合深度相机同步对同一对象进行拍摄。比如,可以搭建一摄影棚,该摄影棚中心区域为拍摄区域,环绕该拍摄区域,在水平方向和垂直方向每间隔一定角度配对设置有多组彩色相机和深度相机。当对象处于这些彩色相机和深度相机所环绕的拍摄区域时,即可通过这些彩色相机和深度相机拍摄得到该对象在不同视角的彩色图像及对应的深度图像。
此外,进一步获取每一彩色图像对应的彩色相机的相机参数。其中,相机参数包括彩色相机的内外参,可以通过标定确定,相机内参为与彩色相机自身特性相关的参数,包括但不限于彩色相机的焦距、像素等数据,相机外参为彩色相机在世界坐标系中的参数,包括但不限于彩色相机的位置(坐标)和相机的旋转方向等数据。
如上,在获取到对象在同一拍摄时刻的多个不同视角的彩色图像及其对应的深度图像之后,即可根据这些彩色图像及其对应深度图像对对象进行三维重建。区别于相关技术中将深度信息转换为点云进行三维重建的方式,本申请训练一神经网络模型用以实现对对象的三维模型的隐式表达,从而基于该神经网络模型实现对对象的三维重建。
可选地,本申请选用一不包括归一化层的多层感知机(Multilayer Perceptron,MLP)作为基础模型,按照如下方式进行训练:
基于对应的相机参数将每一彩色图像中的像素点转化为射线;在射线上采样多个采样点,并确定每一采样点的第一坐标信息以及每一采样点距离像素点的SDF值;将采样点的第一坐标信息输入基础模型,得到基础模型输出的每一采样点的预测SDF值以及预测RGB颜色值;基于预测SDF值与SDF值之间的第一差异,以及预测RGB颜色值与像素点的RGB颜色值之间的第二差异,对基础模型的参数进行调整,直至满足预设停止条件;将满足预设停止条件的基础模型作为隐式表达对象的三维模型的神经网络模型。
首先,基于彩色图像对应的相机参数将彩色图像中的一像素点转化为一条射线,该射线可以为经过像素点且垂直于彩色图像面的射线;然后,在该射线上采样多个采样点,采样点的采样过程可以分两步执行,可以先均匀采样部分采样点,然后再在基于像素点的深度值在关键处进一步采样多个采样点,以保证在模型表面附近可以采样到尽量多的采样点;然后,根据相机参数和像素点的深度值计算出采样得到的每一采样点在世界坐标系中的第一坐标信息以及每一采样点的有向距离(Signed Distance Field,SDF)值,其中,SDF值可以为像素点的深度值与采样点距离相机成像面的距离之间的差值,该差值为有符号的值,当差值为正值时,表示采样点在三维模型的外部,当差值为负值时,表示采样点在三维模型的内部,当差值为零时,表示采样点在三维模型的表面;然后,在完成采样点的采样并计算得到每一采样点对应的SDF值之后,进一步将采样点在世界坐标系的第一坐标信息输入基础模型(该基础模型被配置为将输入的坐标信息映射为SDF值和RGB颜色值后输出),将基础模型输出的SDF值记为预测SDF值,将基础模型输出的RGB颜色值记为预测RGB颜色值;然后,基于预测SDF值与采样点对应的SDF值之间的第一差异,以及预测RGB颜色值与采样点所对应像素点的RGB颜色值之间的第二差异,对基础模型的参数进行调整。
此外,对于彩色图像中的其它像素点,同样按照上述方式进行采样点采样,然后将采样点在世界坐标系的坐标信息输入至基础模型以得到对应的预测SDF值和预测RGB颜色值,用于对基础模型的参数进行调整,直至满足预设停止条件,比如,可以配置预设停止条件为对基础模型的迭代次数达到预设次数,或者配置预设停止条件为基础模型收敛。在对基础模型的迭代满足预设停止条件时,即得到能够对对象的三维模型进行准确地隐式表达的神经网络模型。最后,可以采用等值面提取算法对该神经网络模型进行三维模型表面的提取,从而得到对象的三维模型。
可选地,在一些实施例中,根据相机参数确定彩色图像的成像面;确定经过彩色图像中像素点且垂直于成像面的射线为像素点对应的射线。
其中,可以根据彩色图像对应的彩色相机的相机参数,确定该彩色图像在世界坐标系中的坐标信息,即确定成像面。然后,可以确定经过彩色图像中像素点且垂直于该成像面的射线为该像素点对应的射线。
可选地,在一些实施例中,根据相机参数确定彩色相机在世界坐标系中的第二坐标信息及旋转角度;根据第二坐标信息和旋转角度确定彩色图像的成像面。
可选地,在一些实施例中,在射线上等间距采样第一数量个第一采样点;根据像素点的深度值确定多个关键采样点,并根据关键采样点采样第二数量个第二采样点;将第一数量个的第一采样点与第二数量个的第二采样点确定为在射线上采样得到的多个采样点。
其中,先在射线上均匀采样n(即第一数量)个第一采样点,n为大于2的正整数;然后,再根据前述像素点的深度值,从n个第一采样点中确定出距离前述像素点最近的预设数量个关键采样点,或者从n个第一采样点中确定出距离前述像素点小于距离阈值的关键采样点;然后,根据确定出的关键采样点再采样m个第二采样点,m为大于1的正整数;最后,将采样得到的n+m个采样点确定为在射线上采样得到的多个采样点。其中,在关键采样点处再多采样m个采样点,可以使得模型的训练效果在三维模型表面处更为精确,从而提升三维模型的重建精度。
可选地,在一些实施例中,根据彩色图像对应的深度图像确定像素点对应的深度值;基于深度值计算每一采样点距离像素点的SDF值;根据相机参数与深度值计算每一采样点的坐标信息。
其中,在每一像素点对应的射线上采样了多个采样点后,对于每一采样点,根据相机参数、像素点的深度值确定彩色相机的拍摄位置与对象上对应点之间的距离,然后基于该距离逐一计算每一采样点的SDF值以及计算出每一采样点的坐标信息。
需要说明的是,在完成对基础模型的训练之后,对于给定的任意一个点的坐标信息,即可由完成训练的基础模型预测其对应的SDF值,该预测的SDF值即表示了该点与对象的三维模型的位置关系(内部、外部或者表面),实现对对象的三维模型的隐式表达,得到用于隐式表达对象的三维模型的神经网络模型。
最后,对以上神经网络模型进行等值面提取,比如可以采用等值面提取算法(Marching cubes,MC)绘制出三维模型的表面,得到三维模型表面,进而根据该三维模型表面得到对象的三维模型。
本申请提供的三维重建方案,通过神经网络去隐式建模对象的三维模型,并加入深度信息提高模型训练的速度和精度。采用本申请提供的三维重建方案,在时序上持续的对拍摄对象进行三维重建,即可得到拍摄对象在不同时刻的三维模型,这些不同时刻的三维模型按时序构成的三维模型序列即为对拍摄对象所拍摄得到的体积视频。以此,可以针对任意拍摄对象进行“体积视频拍摄”,得到特定内容呈现的体积视频。比如,可以对跳舞的拍摄对象进行体积视频拍摄,得到可以在任意角度观看对象舞蹈的体积视频,可以对教学的拍摄对象进行体积视频拍摄,得到可以在任意角度观看拍摄对象教学的体积视频,等等。
为便于更好的实施本申请实施例提供的模型简化方法,本申请实施例还提供一种基于上述模型简化方法的模型简化装置。其中名词的含义与上述模型简化方法中相同,具体实现细节可以参考方法实施例中的说明。图3示出了根据本申请的一个实施例的模型简化装置的框图。
如图3所示,模型简化装置300,模型简化装置300中可以包括:检测模块310、确定模块320、设定模块330以及简化模块340。
检测模块310可以用于检测预设多边形网格模型中的优先简化区域对应的区域范围;确定模块320可以用于确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定模块330可以用于设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;简化模块340可以用于将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
在本申请的一些实施例中,所述检测模块,包括第一检测单元,用于:对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
在本申请的一些实施例中,所述确定模块,用于:对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定模块,用于:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定模块,用于:获取所述预设多边形网格模型的全局权重;对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
在本申请的一些实施例中,所述检测模块,包括第二检测单元,用于:根据预设多边形网格模型所建模的对象确定对应的区域检测算法;根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,本申请实施例还提供一种电子设备,该电子设备可以为终端或者服务器,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户页面和应用程序等,调制解调处理器主要处理无线通讯。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的计算机程序,从而实现本申请前述实施例中各种功能。
如处理器401可以执行下述步骤:检测预设多边形网格模型中的优先简化区域对应的区域范围;确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
在本申请的一些实施例中,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
在本申请的一些实施例中,所述确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点,包括:对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
在本申请的一些实施例中,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
在本申请的一些实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。
在本申请的一些实施例中,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:获取所述预设多边形网格模型的全局权重;对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
在本申请的一些实施例中,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:根据预设多边形网格模型所建模的对象确定对应的区域检测算法;根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例还提供一种存储介质,其中存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种方法中的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种方法中的步骤,因此,可以实现本申请实施例所提供的方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的实施例,而可以在不脱离其范围的情况下进行各种修改和改变。
Claims (12)
1.一种模型简化方法,其特征在于,所述方法包括:
检测预设多边形网格模型中的优先简化区域对应的区域范围;
确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;
设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;
将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
2.根据权利要求1所述的方法,其特征在于,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:
对所述预设多边形网格模型进行面部检测,得到所述预设多边形网格模型中的面部区域,所述优先简化区域包括所述面部区域;
在所述预设多边形网格模型上标定所述面部区域对应的区域范围。
3.根据权利要求1所述的方法,其特征在于,所述确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点,包括:
对所述预设多边形网格模型中的边进行坍缩分析,得到所述预设多边形网格模型中的边在坍缩后形成的顶点的顶点位置;
根据所述顶点位置与所述区域范围计算位于所述区域范围内的所述顶点,得到优先坍缩顶点;
将坍缩形成所述优先坍缩顶点的边,确定为所述优先坍缩顶点对应的边。
4.根据权利要求1所述的方法,其特征在于,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:
通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,并将所述预设多边形网格模型中其他边的代价设定为推后值,所述优先值小于所述推后值,其中,代价越小的边的优先级越高。
5.根据权利要求4所述的方法,其特征在于,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:
通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围的中心的优先坍缩顶点所对应边的代价的优先值越小。
6.根据权利要求4所述的方法,其特征在于,所述通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,包括:
通过代价函数将所述优先坍缩顶点对应的边的代价设定为优先值,其中,越靠近所述区域范围中预定位置的优先坍缩顶点所对应边的代价的优先值越小。
7.根据权利要求1所述的方法,其特征在于,所述设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级,包括:
获取所述预设多边形网格模型的全局权重;
对所述全局权重进行局部权重调整,得到调整后全局权重,所述调整后全局权重中所述优先坍缩顶点对应的边的权重高于其他边的权重,其中,权重越高的边的优先级越高。
8.根据权利要求1所述的方法,其特征在于,所述检测预设多边形网格模型中的优先简化区域对应的区域范围,包括:
根据预设多边形网格模型所建模的对象确定对应的区域检测算法;
根据该区域检测算法对所述预设多边形网格模型进行检测,得到所述预设多边形网格模型中的目标区域,所述优先简化区域包括所述目标区域;
在所述预设多边形网格模型上标定所述目标区域对应的区域范围。
9.一种模型简化装置,其特征在于,所述装置包括:
检测模块,用于检测预设多边形网格模型中的优先简化区域对应的区域范围;
确定模块,用于确定所述区域范围内的优先坍缩顶点对应的边,所述优先坍缩顶点为所述预设多边形网格模型中的边坍缩后形成位于所述区域范围内的顶点;
设定模块,用于设定所述预设多边形网格模型中边的优先级,其中,所述优先坍缩顶点对应的边的优先级高于其他边的优先级;
简化模块,用于将所述预设多边形网格模型中的边按照所述优先级进行边坍缩处理,得到所述预设多边形网格模型对应的简化模型。
10.一种存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至8任一项所述的方法。
11.一种电子设备,其特征在于,包括:存储器,存储有计算机程序;处理器,读取存储器存储的计算机程序,以执行权利要求1至8任一项所述的方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268211.4A CN115546408A (zh) | 2022-10-17 | 2022-10-17 | 模型简化方法、装置、存储介质、电子设备及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268211.4A CN115546408A (zh) | 2022-10-17 | 2022-10-17 | 模型简化方法、装置、存储介质、电子设备及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546408A true CN115546408A (zh) | 2022-12-30 |
Family
ID=84736117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211268211.4A Pending CN115546408A (zh) | 2022-10-17 | 2022-10-17 | 模型简化方法、装置、存储介质、电子设备及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546408A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473655A (zh) * | 2023-12-27 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置 |
-
2022
- 2022-10-17 CN CN202211268211.4A patent/CN115546408A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473655A (zh) * | 2023-12-27 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置 |
CN117473655B (zh) * | 2023-12-27 | 2024-03-15 | 中国人民解放军国防科技大学 | 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210012558A1 (en) | Method and apparatus for reconstructing three-dimensional model of human body, and storage medium | |
US9646410B2 (en) | Mixed three dimensional scene reconstruction from plural surface models | |
US20240046557A1 (en) | Method, device, and non-transitory computer-readable storage medium for reconstructing a three-dimensional model | |
WO2018107910A1 (zh) | 一种全景视频融合方法及装置 | |
EP3762114A1 (en) | Building virtual reality (vr) gaming environments using real-world models | |
CN114463825B (zh) | 基于多模态融合的人脸预测方法及相关设备 | |
CN111862278A (zh) | 一种动画获得方法、装置、电子设备及存储介质 | |
CN115222917A (zh) | 三维重建模型的训练方法、装置、设备及存储介质 | |
CN115546408A (zh) | 模型简化方法、装置、存储介质、电子设备及产品 | |
CN117218300A (zh) | 三维模型的构建方法、三维构建模型的训练方法及装置 | |
CN111612898A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114266693A (zh) | 图像处理方法、模型生成方法及设备 | |
WO2024159553A1 (zh) | 体积视频的解码方法、存储介质、以及电子设备 | |
US20240044640A1 (en) | Speckle generation method, electronic device, and computer readable storage medium | |
CN116095353A (zh) | 基于体积视频的直播方法、装置、电子设备及存储介质 | |
CN115442658B (zh) | 直播方法、装置、存储介质、电子设备及产品 | |
CN116109974A (zh) | 体积视频展示方法以及相关设备 | |
CN115578542A (zh) | 三维模型的处理方法、装置、设备及计算机可读存储介质 | |
WO2024031882A1 (zh) | 视频处理方法、装置及计算机可读存储介质 | |
CN115830227A (zh) | 三维建模方法、装置、存储介质、电子设备及产品 | |
CN116310245A (zh) | 体积视频上挂载道具的方法、装置、介质、设备及产品 | |
CN116233395A (zh) | 体积视频的视频合拍方法、装置和计算机可读存储介质 | |
CN115497029A (zh) | 视频处理方法、装置及计算机可读存储介质 | |
CN116309538B (zh) | 绘图考试评定方法、装置、计算机设备及存储介质 | |
US11562504B1 (en) | System, apparatus and method for predicting lens attribute |
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 |