CN116188640A - 三维虚拟形象的生成方法、装置、设备和介质 - Google Patents
三维虚拟形象的生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116188640A CN116188640A CN202211584720.8A CN202211584720A CN116188640A CN 116188640 A CN116188640 A CN 116188640A CN 202211584720 A CN202211584720 A CN 202211584720A CN 116188640 A CN116188640 A CN 116188640A
- Authority
- CN
- China
- Prior art keywords
- model data
- dimensional model
- initial
- dimensional
- face image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000001815 facial effect Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 41
- 238000013145 classification model Methods 0.000 claims description 19
- 210000004209 hair Anatomy 0.000 claims description 19
- 239000000758 substrate Substances 0.000 claims description 17
- 210000004709 eyebrow Anatomy 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000009877 rendering Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 210000005252 bulbus oculi Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 210000001508 eye Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000203 mixture Substances 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
- 230000009471 action Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种三维虚拟形象的生成方法、装置、设备和介质,涉及人工智能技术领域,具体为增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景。该三维虚拟形象的生成方法包括:获取待处理的脸部图像;对所述脸部图像进行分类处理,以确定目标部位的分类结果;根据所述脸部图像,通过预置的基底三维模型,生成初始三维模型数据;基于预设的BS系数的转换关系,根据所述初始三维模型数据和基底BS系数,确定所述脸部图像对应的初始BS系数;根据所述分类结果、所述初始三维模型数据和所述初始BS系数,生成所述脸部图像对应的初始三维虚拟形象。本公开可以高效率且低成本地生成三维虚拟形象。
Description
技术领域
本公开涉及人工智能技术领域,具体为增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景,尤其涉及一种三维虚拟形象的生成方法、装置、设备和介质。
背景技术
随着元宇宙概念的出现,虚拟数字人正以各种职业身份渗透到各个行业,虚拟数字人的形象可以称为虚拟形象,根据人物图形维度,虚拟数字人的虚拟形象可分为二维(2D)和三维(3D)两大类。
针对3D虚拟形象,通过采用较为复杂的生成算法,生成人物的3D虚拟形象。
发明内容
本公开提供了一种三维虚拟形象的生成方法、装置、设备和介质。
根据本公开的一方面,提供了一种三维虚拟形象的生成方法,包括:获取待处理的脸部图像;对所述脸部图像进行分类处理,以确定目标部位的分类结果;根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据;基于预设的混合变形BS系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数;根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
根据本公开的另一方面,提供了一种三维虚拟形象的生成装置,包括:获取模块,用于获取待处理的脸部图像;分类模块,用于对所述脸部图像进行分类处理,以确定目标部位的分类结果;重建模块,用于根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据;第一确定模块,用于基于预设的混合变形BS系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数;第一生成模块,用于根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
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如上述任一方面的任一项所述的方法。
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,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案,可以高效率且低成本地生成三维虚拟形象。
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是根据本公开第一实施例的示意图;
图2是本公开实施例对应的应用场景的示意图;
图3a~图3c是本公开实施例中三个API的组成示意图;
图4是根据本公开第二实施例的示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是用来实现本公开实施例的三维虚拟形象的生成方法的电子设备的示意图。
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。
相关技术中,可以基于视频流(包括多个角度的图像)或通过深度相机获得的具有深度信息的图像数据,生成人物的3D虚拟形象,但是,这些方式通过对图像采集设备具有较高要求,并且生成算法较为复杂,因此,生成效率较差,生成成本较高。
为了提高生成效率、降低生成成本,本公开提供如下实施例。
图1是根据本公开第一实施例的示意图。本实施例提供一种三维(3D)虚拟形象的生成方法,包括:
101、获取待处理的脸部图像。
102、对所述脸部图像进行分类处理,以确定目标部位的分类结果。
103、根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据。
104、基于预设的混合变形(BlendShape,BS)系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数。
105、根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
其中,待处理的脸部图像可以是人物的脸部图像、动物的脸部图像等。
以人物的脸部图像为例,用户可以使用普通的相机、摄像头等进行拍摄,以获得该用户的人脸图像。
目标部位可以包括:眉毛,和/或,头发。
由于眉毛和/或头发具有显著的个人特征,可以反映出用户的个性化信息,因此,在生成3D虚拟形象时参考眉毛和/或头发的分类结果,可以生成更具个性化的3D虚拟形象。
其中,以头发为例,可以预先设置头发的多种类别,如类别数量用N(N为正整数)表示,可以采用预先训练的分类器对脸部图像进行处理,以获得头发的分类结果,即头发属于N种类别中的哪一种。
基底3D模型,是预先生成的,是所有用户共用的,不同的用户对应同一个基底3D模型,可以由设计人员设计得到。
3D模型数据,是用于重建3D模型的文件数据,例如为obj格式,也可以称为obj数据。
为了区分,基于脸部图像和基底3D模型生成的3D模型数据,可以称为初始3D模型数据。之后,可以基于初始3D模型数据重建初始3D模型,用户还可以针对初始3D模型进行美化,相应的数据和模型可以称为美化后的3D模型数据和美化后的3D模型。
脸部图像对应的初始3D模型数据,是个性化的,即,不同的脸部图像可以生成不同的初始3D模型数据。
基底3D模型具有的混合变形(BlendShape,BS)系数可以称为基底BS系数,与基底3D模型类似,基底BS系数也可以是预先生成的。因此,基底3D模型和基底BS系数都是已知量。
初始3D模型数据对应的BS系数可以称为初始BS系数,可以基于初始3D模型数据和基底BS系数获得。其中,可以预设BS系数的转换关系,如BS’=f(BS),BS是转换前的BS系数,如基底BS系数,BS’是转换后的BS系数,如初始BS系数,f是预设的转换关系,具体公式可以根据实际需要设定。
3D模型数据通常不包含表情(或称为动作)信息,BS系数用于驱动3D模型数据,使得3D虚拟形象具有表情信息。
脸部图像对应的初始3D虚拟形象,是个性化的,即不同用户的3D虚拟形象通常是不同的。
3D虚拟形象可以采用3D渲染器进行渲染后生成。
针对初始3D虚拟形象,3D渲染器可以基于目标部位的分类结果、初始3D模型数据和初始BS系数进行渲染,以生成初始3D虚拟形象。
其中,3D模型数据用于构建3D虚拟形象的空间拓扑结构,BS系数用于驱动上述的空间拓扑结构发生形变,以使得3D虚拟形象具有表情信息。基于BS系数驱动3D模型数据,以生成3D虚拟形象的内容可以采用已有技术实现。另外,渲染器中还可以预先配置每种类别的目标部位的3D模型数据,基于目标部位的分类结果,选择对应类别的目标部位的3D模型数据进行渲染,以使得3D虚拟形象具有对应类别的目标部位(如眉毛和/或头发)。
本实施例中,基于脸部图像和基底3D模型生成初始3D模型数据,由于基底3D模型是预置的,并不需要整体进行3D重建,从而可以降低成本以及提高效率;基于初始3D模型数据和基底BS系数确定初始BS系数,并基于初始BS系数生成初始3D虚拟形象,可以使得初始3D虚拟形象具有脸部图像对应的表情信息,提高虚拟形象的准确度;通过确定目标部位的分类结果并基于分类结果生成初始3D虚拟形象,由于目标部位可以更好地反映个性化信息,因此可以提高虚拟形象的个性化程度。因此,本实施例能够以更低的成本、更高的效率,生成准确度更高、更具个性化的3D虚拟形象。
为了更好地理解本公开实施例,对本公开实施例可以适用的应用场景进行说明。
图2是本公开实施例对应的应用场景的示意图。本实施例以人物的脸部图像(即人脸图像)为例进行说明。如图2所示,用户可以采用用户终端上传待处理的人脸图像,用户终端可以是具有图像采集模块(如摄像头)的终端,如手机、平板电脑、笔记本电脑、智能穿戴设备等。
以手机为例,用户可以采用手机201上的摄像头采集用户的人脸图像,手机上还可以安装用于生成3D虚拟形象的应用程序(Application,APP)。手机上安装的该APP还可以称为客户端,用户将人脸图像上传到该客户端后,该客户端可以将人脸图像传输给该客户端对应的服务端,服务端可以部署在服务器202上,服务器可以是本地服务器或云端服务器。服务端可以接收到人脸图像后,可以基于该人脸图像获得对应的3D模型数据(通过3D重建获得)、BS系数、目标部位的分类结果(通过分类获得),并将相关数据(如3D模型数据、BS系数、分类结果)反馈给客户端,客户端内的渲染器基于这些相关数据进行渲染,以生成人脸图像对应的3D虚拟形象。
由于还可以进行美化,因此上述的3D模型数据可以包括:初始3D模型数据和美化后的3D模型数据,BS系数可以包括:初始BS系数和美化后的BS系数,相应的3D虚拟形象可以包括:初始3D虚拟形象和美化后的3D虚拟形象。
可以理解的是,上述以服务端获得相关数据(如3D模型数据、BS系数、分类结果)为例,如果用户终端本地具有相关的处理能力,也可以在用户终端本地获得上述的相关数据。
具体实现时,客户端与服务端进行交互时,可以采用不同的应用程序接口(Application Program Interface,API)获得上述的相关数据。
如图3a~3c所示,客户端可以调用三个API,即第一API~第三API,采用第一API可以基于人脸图像生成初始3D虚拟形象;采用第二API对初始3D虚拟形象进行美化处理,得到美化后的3D虚拟形象;生成3D虚拟形象(初始3D虚拟形象和美化后的3D虚拟形象)时,需要BS系数,可以采用第三API生成BS系数。
上述的三个API可以是不同的,从而为用户操作提供灵活的操作空间,如,在美化操作时可以利用第二API,而不需要重新执行第一API的流程,可以提高美化操作的效率,节省时间。
第一API获得初始三维模型数据后,可以存储在预设的存储空间,后续的美化操作的第二API都可以从该存储空间获得初始三维模型数据,并基于初始三维模型数据生成美化后的三维模型数据。
通过将初始三维模型数据进行存储,美化操作可以直接读取该初始三维模型数据,而不需要从脸部图像重新获得初始三维模型数据,避免反复的三维重建,节省时间、提高效率。
如图3a所示,可以采用第一API基于人脸图像生成初始3D虚拟形象,主要包括:对目标部位(眉毛和/或头发)进行分类获得分类结果;基于人脸图像和基底3D模型生成初始3D模型数据;获得初始BS系数;以及,基于分类结果、初始3D模型数据和初始BS系数,生成初始3D虚拟形象。
如图3b所示,可以采用第二API对初始3D虚拟形象进行美化处理,以生成美化后的3D虚拟形象。其中,可以基于用户产生的美化操作,对第一API生成的初始3D模型数据进行美化处理,以生成美化后的3D模型数据,并获取美化后的BS系数,基于分类结果、美化后的3D模型数据和美化后的BS系数,生成美化后的3D虚拟形象。
如图3c所示,可以采用第三API生成BS系数。其中,可以通过变形转换(DeformationTransfer,DT)模块,基于输入的3D模型数据输出对应的BS系数。即,针对初始BS系数,可以基于初始3D模型数据和基底BS系数获得,针对美化后的BS系数,可以基于美化后的3D模型数据和初始BS系数获得。
BS系数转换采用预设的BS系数的转换关系实现,具体公式可以设定,如公式是BS’=BS[key]*w+shape获得,以初始BS系数为例,BS’是初始BS系数,key是键值,表示驱动部位(如嘴、眼睛),BS[key]是驱动部位的基底BS系数,w是权重,w=(origin_scales/new_scales+coeff)/2+b,origin_scales是驱动部位的原始尺寸(可以基于基底3D模型数据获得),new_scales是驱动部位的新尺寸(可以基于初始3D模型数据获得),coeff和b是预设值,shape是初始3D模型数据对应的变形系数。
结合上述的应用场景,本公开还提供了如下的实施例。
图4是根据本公开第二实施例的示意图。本实施例以待处理的脸部图像是用户的人脸图像,且目标部位包括眉毛和头发为例,如图4所示,本实施例提供了一种3D虚拟形象的生成方法,该方法包括:
401、获取用户的人脸图像。
402、对所述人脸图像进行质量检测,判断是否通过质量检测,若是,执行404,否则执行403。
其中,可以采用已有的质量检测平台进行质量检测,检测项可以包括:图像光照条件、人脸是否完整、人脸清晰度等。
由于该步骤可以采用现有技术实现,不再赘述。
403、结束;或者,还可以重新采集人脸图像。本实施例以结束为例。
404、采用预先训练的分类模型,对输入的所述人脸图像进行处理,以输出人脸图像中的眉毛的分类结果和头发的分类结果。
其中,针对每种目标部位(如眉毛和头发)可以预先一个分类模型,该分类模型的输入是图像,输出是对应的目标部位的分类结果。
以目标部位是眉毛和头发为例,则分类模型可以包括第一分类模型和第二分类模型,采用第一分类模型对输入的人脸图像进行处理,输出为眉毛分类结果,采用第二分类模型对输入的人脸图像进行处理,输出为头发分类结果。
针对单个的分类模型,该分类模型可以是已有的预训练模型,如卷积神经网络(Convolutional Neural Network,CNN)模型等。
本实施例中,采用分类模型获得目标部位的分类结果,由于分类模型通常是深度学习模型,具有良好的性能,因此,可以提高分类结果的识别准确度。
405、基于所述人脸图像和预置的基底3D模型,生成脸部轮廓的3D模型数据。
其中,3D模型数据例如为obj数据。可以基于人脸图像和基底3D模型进行3D重建,得到脸部轮廓的obj数据。
其中,基于人脸图像和基底3D模型进行3D重建时,可以基于特征点对齐的方式进行重建。
具体可以包括:提取所述脸部图像中的第一特征点;确定所述基底3D模型中与所述第一特征点对应的第二特征点;基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的3D模型数据。
其中,可以采用已有的人脸关键点检测技术,提取人脸图像中的特征点(或称为landmark),人脸图像中的特征点可以称为第一特征点。
第一特征点的数量可以基于实际需要设定。
基底3D模型上与第一特征点对应的特征点可以称为第二特征点。上述的特征点(第一特征点和第二特征点)例如包括:眉毛处的特征点、眼睛处的特征点、鼻子处的特征点、嘴部的特征点等。
其中,所述基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的三维模型数据,包括:基于所述第一特征点和所述第二特征点,对所述基底三维模型的模型数据进行脸部对齐操作,以获得对齐后的三维模型数据;对所述对齐后的三维模型数据进行插值处理,以生成所述脸部轮廓的三维模型数据。
确定第一特征点和第二特征点后,可以基于两者进行人脸对齐处理,例如采用空间归一化操作进行对齐处理。
对齐处理后,可以采用空间转换网络(Spatial Transformer Networks,STN)提取人脸图像的特征(如形状特征、纹理特征等)。
之后可以基于特征进行迭代优化。例如,针对基底3D模型中的每个特征点,可以在该特征点邻域内进行迭代搜索,通过局部特征点的特征匹配找到新的人脸特征点位置,并采用基底3D模型在人脸特征中搜索目标形状,使搜索的特征点和对应特征点最接近,并持续优化迭代直至收敛。
本实施例中,通过提取脸部图像中的特征点,基于特征点生成脸部轮廓的3D模型数据,由于特征点的数量可以设定,为了降低工作量,可以选择较少(具体数值可设置)的特征点,从而可以加快3D模型的重建速度,可以较快地获得脸部轮廓的3D模型数据。
进一步地,还可以对对齐后的三维模型数据进行插值,以获得重拓扑后的脸部轮廓的3D模型数据,之后采用重拓扑后的脸部轮廓的3D模型数据进行后续处理。
其中,基于特征点生成脸部轮廓的3D模型数据时,为了提高重建速度,通常选择较少的特征点,从而生成的该3D模型数据不够精细,为了获得更精细的3D模型数据,还可以进行插值处理,使得插值后的特征点的数量与原始的基底3D模型的特征点的数量一致。例如,基底3D模型的特征点共有4000个,提取人脸图像的特征点时可能提取2000个特征点,则基于特征点生成3D模型数据时是基于2000个特征点进行的,为了提高精细化程度,可以对这2000个特征点对应的3D模型数据,插值为4000个特征点对应的3D模型数据。
通过插值处理,可以获得更精细的3D模型数据,从而可以生成更精准的3D虚拟形象。
插值处理采用的算法例如为径向基函数(Radial Basis Function,RBF)插值算法。
通过RBF函数,由于RBF函数具有的良好性能,可以获得较好的插值效果。
进一步地,获得脸部轮廓的3D模型数据后,还可以进行默认美化处理。即,可以采用预设的加权系数对脸部轮廓的3D模型数据进行加权处理。另外,脸部的不同区域的加权系数可以相同或不同,例如,眼睛区域和鼻子区域采用不同的加权系数。
406、对所述人脸图像中的脸部配件进行对齐处理,以生成所述人脸图像中的脸部配件的3D模型数据。
其中,脸部配件例如包括:嘴、牙齿、眼球等。
上述生成的脸部轮廓的3D模型数据可以体现出个性化信息,即不同用户的脸部轮廓的3D模型数据通常是不同的。
基底3D模型中除了包括脸部轮廓,还包括脸部配件,基底3D模型中的脸部配件的3D模型数据是共用的,为了体现个性化信息,需要对这些共用的数据进行调整,也就是对脸部配件进行对齐处理,从而可以获得体现个性化信息的脸部配件的3D模型数据。
以眼球为例,可以基于人脸图像获得眼球的相关信息,如眼球所在区域的坐标信息,基于该坐标信息调整基底3D模型中的基底眼球的刚性形状,使得调整后的眼球形状与个性化人脸上的眼球形状匹配。
407、基于所述脸部轮廓的3D模型数据和所述脸部配件的3D模型数据,以生成所述人脸图像对应的初始3D模型数据。
其中,获得脸部轮廓的3D模型数据和脸部配件的3D模型数据后,可以将两者合并后获得脸部整体的3D模型模型,即初始3D模型数据。
本实施例中,通过生成脸部轮廓的3D模型数据和脸部配件的3D模型数据,可以基于脸部轮廓的3D模型数据和脸部配件的3D模型数据获得脸部整体的3D模型数据(初始3D模型数据),保证脸部数据的完整性和准确性。
408、基于所述初始3D模型数据和所述基底3D模型的基底BS系数,确定所述脸部图像对应的初始BS系数。
409、基于所述目标部位的分类结果、所述初始3D模型数据和所述初始BS系数,生成所述脸部图像对应的初始3D虚拟形象。
通过上述流程,可以基于人脸图像生成对应的3D虚拟形象,该3D虚拟形象可以称为初始3D虚拟形象。
进一步地,用户还可以对初始3D虚拟形象进行美化。
即,一些实施例中,获得初始3D虚拟形象之后,如图5所示,还可以包括:
501、响应于针对所述3D虚拟形象的美化操作,基于所述美化操作对应的美化系数,对所述初始3D模型数据进行美化处理,以获得美化后的3D模型数据。
其中,可以预设多种美化级别,每个美化级别具有对应的美化系数。
用户可以根据自身需要选择美化级别,用户选择美化级别后,可以基于该选择的美化级别的美化系数对初始3D模型数据进行美化处理,得到美化后的3D模型数据。
其中,用公式可以表示为:obj’=obj*w+b,其中,obj’是美化后的3D模型数据,obj是初始3D模型数据,w和b是美化系数,可以是预设值,即每个美化级别可以预先配置对应的美化系数。
其中,采用第一API生成初始3D模型数据后,可以对其进行存储,以便基于该初始3D模型数据进行美化处理。
502、基于所述美化处理后的3D模型数据和所述初始BS系数,确定美化后的BS系数。
其中,类似基于基底BS系数和初始3D模型数据生成初始BS系数的流程,可以基于美化后的3D模型数据和初始BS系数,生成美化后的BS系数。
503、基于所述目标部位的分类结果、所述美化后的3D模型数据和所述美化后的BS系数,生成所述脸部图像对应的美化后的3D虚拟形象。
其中,类似初始3D虚拟形象的生成过程,也可以采用渲染器,基于目标部位的分类结果、美化后的3D模型数据和美化后的BS系数进行渲染,得到美化后的3D虚拟形象。
由于3D重建需要消耗较多资源,相对于从人脸图像开始3D重建的方式,本实施例中,基于初始3D模型数据获得美化后的3D模型数据,可以提高虚拟形象的生成效率,降低生成时间,可以较为快速地进行美化处理。
图6是根据本公开第四实施例的示意图。本实施例提供一种三维(3D)虚拟形象的生成装置,如图6所示,该装置600包括:获取模块601、分类模块602、重建模块603、第一确定模块604和第一生成模块605。
获取模块601用于获取待处理的脸部图像;分类模块602用于对所述脸部图像进行分类处理,以确定目标部位的分类结果;重建模块603用于根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据;第一确定模块604用于基于预设的混合变形BS系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数;第一生成模块605用于根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
本实施例中,基于脸部图像和基底3D模型生成初始3D模型数据,由于基底3D模型是预置的,并不需要整体进行3D重建,从而可以降低成本以及提高效率;基于初始3D模型数据和基底BS系数确定初始BS系数,并基于初始BS系数生成初始3D虚拟形象,可以使得初始3D虚拟形象具有脸部图像对应的表情信息,提高虚拟形象的准确度;通过确定目标部位的分类结果并基于分类结果生成初始3D虚拟形象,由于目标部位可以更好地反映个性化信息,因此可以提高虚拟形象的个性化程度。因此,本实施例能够以更低的成本、更高的效率,生成准确度更高、更具个性化的3D虚拟形象。
一些实施例中,该装置600还包括:美化模块,用于响应于针对所述三维虚拟形象的美化操作,基于所述美化操作对应的美化系数,对所述初始三维模型数据进行美化处理,以获得美化后的三维模型数据;第二确定模块,用于基于所述BS系数的转换关系,根据所述美化处理后的三维模型数据和所述初始BS系数,确定美化后的BS系数;第二生成模块,用于根据所述目标部位的分类结果、所述美化后的三维模型数据和所述美化后的BS系数,通过所述三维渲染器进行三维渲染,以生成所述脸部图像对应的美化后的三维虚拟形象。
由于3D重建需要消耗较多资源,相对于从人脸图像开始3D重建的方式,本实施例中,基于初始3D模型数据获得美化后的3D模型数据,可以提高虚拟形象的生成效率,降低生成时间,可以较为快速地进行美化处理。
一些实施例中,所述初始三维模型数据通过第一应用程序接口API获得,并存储在预设的存储空间内;所述美化后的三维模型数据是通过第二API,从所述存储空间获得所述初始三维模型数据,并基于所述初始三维模型数据生成的;其中,所述第二API与所述第一API不同。
通过第一API与第二API不同,可以为用户操作提供灵活的操作空间,如,在美化操作时可以利用第二API,而不需要重新执行第一API的流程,可以提高美化操作的效率,节省时间。
通过将初始三维模型数据进行存储,美化操作可以直接读取该初始三维模型数据,而不需要从脸部图像重新获得初始三维模型数据,避免反复的三维重建,节省时间、提高效率。
一些实施例中,所述重建模块603进一步用于:基于所述脸部图像和所述基底三维模型,生成所述脸部图像中的脸部轮廓的三维模型数据;对所述脸部图像中的脸部配件进行对齐处理,以生成所述脸部图像中的脸部配件的三维模型数据;对所述脸部轮廓的三维模型数据和所述脸部配件的三维模型数据进行合并处理,以生成所述初始三维模型数据。
本实施例中,通过生成脸部轮廓的3D模型数据和脸部配件的3D模型数据,可以基于脸部轮廓的3D模型数据和脸部配件的3D模型数据获得脸部整体的3D模型数据(初始3D模型数据),保证脸部数据的完整性和准确性。
一些实施例中,所述重建模块603进一步用于:提取所述脸部图像中的第一特征点;确定所述基底三维模型中与所述第一特征点对应的第二特征点;基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的三维模型数据。
本实施例中,通过提取脸部图像中的特征点,基于特征点生成脸部轮廓的3D模型数据,由于特征点的数量可以设定,为了降低工作量,可以选择较少的特征点,从而可以加快3D模型的重建速度,可以较快地获得脸部轮廓的3D模型数据。
一些实施例中,所述重建模块603进一步用于:基于所述第一特征点和所述第二特征点,对所述基底三维模型的模型数据进行脸部对齐操作,以获得对齐后的三维模型数据;对所述对齐后的三维模型数据进行插值处理,以生成所述脸部轮廓的三维模型数据。
通过插值处理,可以获得更精细的3D模型数据,从而可以生成更精准的3D虚拟形象。
一些实施例中,所述重建模块603进一步用于:采用径向基函数,对所述对齐后的三维模型数据进行插值处理,以获得所述脸部轮廓的三维模型数据。
通过RBF函数,由于RBF函数具有的良好性能,可以获得较好的插值效果。
一些实施例中,所述分类模块602进一步用于:采用预先训练的分类模型,对输入的所述脸部图像进行分类处理,以输出所述目标部位的分类结果。
本实施例中,采用分类模型获得目标部位的分类结果,由于分类模型通常是深度学习模型,具有良好的性能,因此,可以提高分类结果的识别准确度。
一些实施例中,所述目标部位包括:眉毛,和/或,头发。
由于眉毛和/或头发具有显著的个人特征,可以反映出用户的个性化信息,因此,在生成3D虚拟形象时参考眉毛和/或头发的分类结果,可以生成更具个性化的3D虚拟形象。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、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。
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7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备700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、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,个人数字助理、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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理,例如3D虚拟形象的生成方法。例如,在一些实施例中,3D虚拟形象的生成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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的3D虚拟形象的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元701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3D虚拟形象的生成方法。
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(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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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 (21)
1.一种三维虚拟形象的生成方法,包括:
获取待处理的脸部图像;
对所述脸部图像进行分类处理,以确定目标部位的分类结果;
根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据;
基于预设的混合变形BS系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数;
根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
2.根据权利要求1所述的方法,还包括:
响应于针对所述三维虚拟形象的美化操作,基于所述美化操作对应的美化系数,对所述初始三维模型数据进行美化处理,以获得美化后的三维模型数据;
基于所述BS系数的转换关系,根据所述美化处理后的三维模型数据和所述初始BS系数,确定美化后的BS系数;
根据所述目标部位的分类结果、所述美化后的三维模型数据和所述美化后的BS系数,通过所述三维渲染器进行三维渲染,以生成所述脸部图像对应的美化后的三维虚拟形象。
3.根据权利要求2所述的方法,其中,
所述初始三维模型数据通过第一应用程序接口API获得,并存储在预设的存储空间内;
所述美化后的三维模型数据是通过第二API,从所述存储空间获得所述初始三维模型数据,并基于所述初始三维模型数据生成的;其中,所述第二API与所述第一API不同。
4.根据权利要求1所述的方法,其中,所述根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据,包括:
基于所述脸部图像和所述基底三维模型,生成所述脸部图像中的脸部轮廓的三维模型数据;
对所述脸部图像中的脸部配件进行对齐处理,以生成所述脸部图像中的脸部配件的三维模型数据;
对所述脸部轮廓的三维模型数据和所述脸部配件的三维模型数据进行合并处理,以生成所述初始三维模型数据。
5.根据权利要求4所述的方法,其中,所述基于所述脸部图像和所述基底三维模型,生成所述脸部图像中的脸部轮廓的三维模型数据,包括:
提取所述脸部图像中的第一特征点;
确定所述基底三维模型中与所述第一特征点对应的第二特征点;
基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的三维模型数据。
6.根据权利要求5所述的方法,其中,所述基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的三维模型数据,包括:
基于所述第一特征点和所述第二特征点,对所述基底三维模型的模型数据进行脸部对齐操作,以获得对齐后的三维模型数据;
对所述对齐后的三维模型数据进行插值处理,以生成所述脸部轮廓的三维模型数据。
7.根据权利要求6所述的方法,其中,所述对所述对齐后的三维模型数据进行插值处理,以生成所述脸部轮廓的三维模型数据,包括:
采用径向基函数,对所述对齐后的三维模型数据进行插值处理,以获得所述脸部轮廓的三维模型数据。
8.根据权利要求1所述的方法,其中,所述对所述脸部图像进行分类处理,以确定目标部位的分类结果,包括:
采用预先训练的分类模型,对输入的所述脸部图像进行分类处理,以输出所述目标部位的分类结果。
9.根据权利要求1-5任一项所述的方法,其中,所述目标部位包括:
眉毛,和/或,头发。
10.一种三维虚拟形象的生成装置,包括:
获取模块,用于获取待处理的脸部图像;
分类模块,用于对所述脸部图像进行分类处理,以确定目标部位的分类结果;
重建模块,用于根据所述脸部图像,通过预置的基底三维模型,生成所述脸部图像对应的初始三维模型数据;
第一确定模块,用于基于预设的混合变形BS系数的转换关系,根据所述初始三维模型数据和所述基底三维模型的基底BS系数,确定所述脸部图像对应的初始BS系数;
第一生成模块,用于根据所述目标部位的分类结果、所述初始三维模型数据和所述初始BS系数,通过预设的三维渲染器进行三维渲染,以生成所述脸部图像对应的初始三维虚拟形象。
11.根据权利要求10所述的装置,还包括:
美化模块,用于响应于针对所述三维虚拟形象的美化操作,基于所述美化操作对应的美化系数,对所述初始三维模型数据进行美化处理,以获得美化后的三维模型数据;
第二确定模块,用于基于所述BS系数的转换关系,根据所述美化处理后的三维模型数据和所述初始BS系数,确定美化后的BS系数;
第二生成模块,用于根据所述目标部位的分类结果、所述美化后的三维模型数据和所述美化后的BS系数,通过所述三维渲染器进行三维渲染,以生成所述脸部图像对应的美化后的三维虚拟形象。
12.根据权利要求11所述的装置,其中,
所述初始三维模型数据通过第一应用程序接口API获得,并存储在预设的存储空间内;
所述美化后的三维模型数据是通过第二API,从所述存储空间获得所述初始三维模型数据,并基于所述初始三维模型数据生成的;其中,所述第二API与所述第一API不同。
13.根据权利要求10所述的装置,其中,所述重建模块进一步用于:
基于所述脸部图像和所述基底三维模型,生成所述脸部图像中的脸部轮廓的三维模型数据;
对所述脸部图像中的脸部配件进行对齐处理,以生成所述脸部图像中的脸部配件的三维模型数据;
对所述脸部轮廓的三维模型数据和所述脸部配件的三维模型数据进行合并处理,以生成所述初始三维模型数据。
14.根据权利要求13所述的装置,其中,所述重建模块进一步用于:
提取所述脸部图像中的第一特征点;
确定所述基底三维模型中与所述第一特征点对应的第二特征点;
基于所述第一特征点和所述第二特征点,生成所述脸部轮廓的三维模型数据。
15.根据权利要求14所述的装置,其中,所述重建模块进一步用于:
基于所述第一特征点和所述第二特征点,对所述基底三维模型的模型数据进行脸部对齐操作,以获得对齐后的三维模型数据;
对所述对齐后的三维模型数据进行插值处理,以生成所述脸部轮廓的三维模型数据。
16.根据权利要求15所述的装置,其中,所述重建模块进一步用于:
采用径向基函数,对所述对齐后的三维模型数据进行插值处理,以获得所述脸部轮廓的三维模型数据。
17.根据权利要求10所述的装置,其中,所述分类模块进一步用于:
采用预先训练的分类模型,对输入的所述脸部图像进行分类处理,以输出所述目标部位的分类结果。
18.根据权利要求10-17任一项所述的装置,其中,所述目标部位包括:
眉毛,和/或,头发。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品,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1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584720.8A CN116188640B (zh) | 2022-12-09 | 2022-12-09 | 三维虚拟形象的生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584720.8A CN116188640B (zh) | 2022-12-09 | 2022-12-09 | 三维虚拟形象的生成方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188640A true CN116188640A (zh) | 2023-05-30 |
CN116188640B CN116188640B (zh) | 2023-09-08 |
Family
ID=86441127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211584720.8A Active CN116188640B (zh) | 2022-12-09 | 2022-12-09 | 三维虚拟形象的生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188640B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844521A (zh) * | 2016-12-29 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 基于bs架构的跨终端三维数字地球交互方法 |
CN109215131A (zh) * | 2017-06-30 | 2019-01-15 | Tcl集团股份有限公司 | 虚拟人脸的驱动方法及装置 |
CN109377544A (zh) * | 2018-11-30 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 一种人脸三维图像生成方法、装置和可读介质 |
CN110335334A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 虚拟头像驱动显示方法、装置、电子设备及存储介质 |
WO2020019665A1 (zh) * | 2018-07-27 | 2020-01-30 | 北京微播视界科技有限公司 | 基于人脸的三维特效生成方法、装置和电子设备 |
US20200090400A1 (en) * | 2018-09-17 | 2020-03-19 | Purdue Research Foundation | Methods of processing three dimensional models |
CN111862278A (zh) * | 2020-07-22 | 2020-10-30 | 成都数字天空科技有限公司 | 一种动画获得方法、装置、电子设备及存储介质 |
CN112541445A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 人脸表情的迁移方法、装置、电子设备及存储介质 |
CN113592985A (zh) * | 2021-08-06 | 2021-11-02 | 宿迁硅基智能科技有限公司 | 混合变形值的输出方法及装置、存储介质、电子装置 |
CN113610989A (zh) * | 2021-08-04 | 2021-11-05 | 北京百度网讯科技有限公司 | 风格迁移模型训练方法和装置、风格迁移方法和装置 |
CN114677739A (zh) * | 2022-03-30 | 2022-06-28 | 北京字跳网络技术有限公司 | 一种面部表情捕捉方法、装置、计算机设备及存储介质 |
WO2022135518A1 (zh) * | 2020-12-25 | 2022-06-30 | 百果园技术(新加坡)有限公司 | 基于三维卡通模型的眼球配准方法、装置、服务器和介质 |
CN115345980A (zh) * | 2022-10-18 | 2022-11-15 | 北京百度网讯科技有限公司 | 个性化纹理贴图的生成方法及装置 |
CN115393488A (zh) * | 2022-10-28 | 2022-11-25 | 北京百度网讯科技有限公司 | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 |
-
2022
- 2022-12-09 CN CN202211584720.8A patent/CN116188640B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844521A (zh) * | 2016-12-29 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 基于bs架构的跨终端三维数字地球交互方法 |
CN109215131A (zh) * | 2017-06-30 | 2019-01-15 | Tcl集团股份有限公司 | 虚拟人脸的驱动方法及装置 |
WO2020019665A1 (zh) * | 2018-07-27 | 2020-01-30 | 北京微播视界科技有限公司 | 基于人脸的三维特效生成方法、装置和电子设备 |
US20200090400A1 (en) * | 2018-09-17 | 2020-03-19 | Purdue Research Foundation | Methods of processing three dimensional models |
CN109377544A (zh) * | 2018-11-30 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 一种人脸三维图像生成方法、装置和可读介质 |
CN110335334A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 虚拟头像驱动显示方法、装置、电子设备及存储介质 |
CN111862278A (zh) * | 2020-07-22 | 2020-10-30 | 成都数字天空科技有限公司 | 一种动画获得方法、装置、电子设备及存储介质 |
CN112541445A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 人脸表情的迁移方法、装置、电子设备及存储介质 |
WO2022135518A1 (zh) * | 2020-12-25 | 2022-06-30 | 百果园技术(新加坡)有限公司 | 基于三维卡通模型的眼球配准方法、装置、服务器和介质 |
CN113610989A (zh) * | 2021-08-04 | 2021-11-05 | 北京百度网讯科技有限公司 | 风格迁移模型训练方法和装置、风格迁移方法和装置 |
CN113592985A (zh) * | 2021-08-06 | 2021-11-02 | 宿迁硅基智能科技有限公司 | 混合变形值的输出方法及装置、存储介质、电子装置 |
CN114677739A (zh) * | 2022-03-30 | 2022-06-28 | 北京字跳网络技术有限公司 | 一种面部表情捕捉方法、装置、计算机设备及存储介质 |
CN115345980A (zh) * | 2022-10-18 | 2022-11-15 | 北京百度网讯科技有限公司 | 个性化纹理贴图的生成方法及装置 |
CN115393488A (zh) * | 2022-10-28 | 2022-11-25 | 北京百度网讯科技有限公司 | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
FENG LIU 等: "Joint face and 3D Face Reconstruction with Application to Face Recognition", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 42, no. 3, pages 664 - 678, XP011769914, DOI: 10.1109/TPAMI.2018.2885995 * |
KEYU CHEN 等: "Modeling Caricature Expressions by 3D Blendshape and Dynamic Texture", COMPUTER VISION AND PATTERN RECOGNITION, pages 1 - 9 * |
林克正 等: "压缩感知的人脸图像去噪", 哈尔滨理工大学学报, vol. 20, no. 05, pages 91 - 96 * |
高翔 等: "3DMM与GAN结合的实时人脸表情迁移方法", 计算机应用与软件, vol. 37, no. 04, pages 119 - 126 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188640B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345980B (zh) | 个性化纹理贴图的生成方法及装置 | |
CN115049799B (zh) | 3d模型和虚拟形象的生成方法和装置 | |
CN113327278A (zh) | 三维人脸重建方法、装置、设备以及存储介质 | |
CN105096353B (zh) | 一种图像处理方法及装置 | |
CN115147265B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN113362263A (zh) | 变换虚拟偶像的形象的方法、设备、介质及程序产品 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN117274491B (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
KR20230007998A (ko) | 멀티태스크의 인식 방법, 훈련 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN113808249B (zh) | 图像处理方法、装置、设备和计算机存储介质 | |
CN117911588A (zh) | 虚拟对象脸部驱动及模型训练方法、装置、设备和介质 | |
CN116342782A (zh) | 生成虚拟形象渲染模型的方法和装置 | |
CN116843807B (zh) | 虚拟形象生成、模型的训练方法、装置及电子设备 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN115661322B (zh) | 人脸纹理图像的生成方法、装置 | |
CN115359171B (zh) | 虚拟形象处理方法、装置、电子设备和存储介质 | |
CN116188640B (zh) | 三维虚拟形象的生成方法、装置、设备和介质 | |
CN115082298A (zh) | 图像生成方法、装置、电子设备以及存储介质 | |
CN114648601A (zh) | 虚拟形象的生成方法、电子设备、程序产品及用户终端 | |
CN115147578B (zh) | 风格化三维人脸生成方法、装置、电子设备及存储介质 | |
CN116012666B (zh) | 图像生成、模型的训练、信息重建方法、装置及电子设备 | |
CN116385643B (zh) | 虚拟形象生成、模型的训练方法、装置及电子设备 |
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 |