CN116206035B - 人脸重建方法、装置、电子设备以及存储介质 - Google Patents
人脸重建方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116206035B CN116206035B CN202310067248.9A CN202310067248A CN116206035B CN 116206035 B CN116206035 B CN 116206035B CN 202310067248 A CN202310067248 A CN 202310067248A CN 116206035 B CN116206035 B CN 116206035B
- Authority
- CN
- China
- Prior art keywords
- loss
- parameter set
- parameters
- rendering
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000009877 rendering Methods 0.000 claims abstract description 138
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 25
- 238000005286 illumination Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 5
- 210000000697 sensory organ Anatomy 0.000 description 5
- 238000004364 calculation method Methods 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了人脸重建方法、装置、电子设备以及存储介质,涉及人工智能技术领域,具体为计算机视觉、图像处理、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景。具体实现方案为:基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;基于第一渲染图与人脸图像,得到第一损失;基于第二渲染图与人脸图像,得到第二损失;基于第一损失以及第二损失,更新第一参数集合;基于符合第一预设条件,则将第一参数集合作为该人脸图像对应的人脸模型的优化参数集合。本公开实施例可提升人脸模型对应的3D人脸与人脸图像相似度。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉、图像处理、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景。
背景技术
人脸重建是指从图像或视频等数据中得到人脸的3维(3Dimensions,3D)表达,并且保证该三维表达对应的五官、脸型特征与图像或视频中人脸的五官、脸型特征相似,从而将该三维表达作为人物的数字化替身,用以实现3D虚拟人物的制作。
目前一般采用参数化的人脸模型作为人脸的3D表达,通过确定人脸模型中的参数实现人脸重建。但相关技术中人脸模型对应的3D人脸与人脸图像相似度仍有待优化。
发明内容
本公开提供了一种人脸重建方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种人脸重建方法,包括:
基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
基于第一渲染图与人脸图像,得到第一损失;
基于第二渲染图与人脸图像,得到第二损失;
基于第一损失以及第二损失,更新第一参数集合;
基于符合第一预设条件,则将第一参数集合作为该人脸图像对应的人脸模型的优化参数集合。
根据本公开的另一方面,提供了一种人脸重建装置,包括:
第一渲染单元,用于基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
第一损失单元,用于基于第一渲染图与人脸图像,得到第一损失;
第二损失单元,用于基于第二渲染图与人脸图像,得到第二损失;
第一更新单元,用于基于第一损失以及第二损失,更新第一参数集合;
第一确定单元,用于基于符合第一预设条件,则将第一参数集合作为目标参数集合。
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实施例中任一的方法。
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,该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
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,该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
本公开实施例的技术方案,在确定人脸模型的参数的过程中采用光栅化方式和光线追踪方式分别渲染得到不同的渲染图,再利用不同的渲染图与人脸图像确定损失,以更新参数。因此采用本公开实施例的方式,能够基于光栅化方式得到噪声小的渲染图以及基于光线追踪方式得到真实性高的渲染图,从而使得迭代优化过程中的损失计算更准确,提升参数的优化效果,进而提升人脸模型对应的3D人脸与人脸图像的相似度。
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是本公开一实施例提供的人脸重建方法的示意性流程图;
图2是本公开另一实施例提供的人脸重建方法的示意性流程图;
图3是本公开实施例中人脸重建方法的应用示例的示意图;
图4是本公开一实施例提供的人脸重建装置的示意性框图;
图5是本公开另一实施例提供的人脸重建装置的示意性框图;
图6是用来实现本公开实施例的人脸重建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。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。
图1示出了本公开一实施例提供的人脸重建方法的示意性流程图。该方法可以应用于人脸重建装置。人脸重建装置可以部署于电子设备。该电子设备例如是单机、多机或集群系统中的终端、服务器或其他处理设备,其中,终端可以为台式计算机、移动设备、PDA(Personal Digital Assistant,个人数字助理)、手持设备、计算设备、车载设备、可穿戴设备等用户设备(User Equipment,UE)。如图1所示,该人脸重建方法包括:
步骤S110、基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
步骤S120、基于第一渲染图与人脸图像,得到第一损失;
步骤S130、基于第二渲染图与人脸图像,得到第二损失;
步骤S140、基于第一损失以及第二损失,更新第一参数集合;
步骤S150、基于符合第一预设条件,则将第一参数集合作为该人脸图像对应的人脸模型的优化参数集合。
可选地,在不符合第一预设条件的情况下,可以返回步骤S110,基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图,直至得到优化参数集合。也就是说,上述步骤S110~S140可以迭代执行,直至在符合第一预设条件的情况下,将第一参数集合作为人脸模型的优化参数集合。
在本公开实施例中,人脸模型也可以称为人脸参数化模型,例如可以是3DMM(3DMorphable Models,三维形变)模型、Blendshape(混合形状)模型等。人脸模型用于表征3D人脸,换句话说,人脸模型为人脸图像的3D表达,其中包含多个体现人脸特征的参数,例如形状参数、纹理参数、光照参数和姿态参数中的至少一种。人脸模型通过参数的不同取值区分不同的人脸。
在本公开实施例中,人脸模型的优化参数集合可以包括经过迭代优化后的第一参数集合。该优化参数集合可以用于重建人脸,例如利用该第一参数集合确定人脸的网格表示,进一步地还可以在不同场景中构建人脸的数字形象,例如根据实际场景需求渲染不同的人脸图像,或者构建虚拟数字人。
示例性地,该第一参数集合可以包括人脸模型中的全部或部分参数。例如,人脸模型中的参数包括形状参数、纹理参数、光照参数和姿态参数,则第一参数集合可以包括形状参数、纹理参数、光照参数和姿态参数,或者只包括形状参数和纹理参数。
可选地,在执行对第一参数集合的迭代优化之前,首先初始化第一参数集合。示例性地,可以采用预先设定的参数值初始化第一参数集合,即针对输入的不同的人脸图像,均采用设定的参数值作为第一参数集合中各参数的取值。
根据上述步骤S110~S150,基于第一参数集合采用两种不同的渲染方式分别渲染得到渲染图。具体地,可以基于第一参数集合得到对应的网格或纹理图等3D人脸的表示,从而利用网格或纹理图等进行渲染。
其中,两种渲染方式均可以是可微的渲染方式,即上述光栅化方式为可微光栅化,光线追踪方式为可微光线追踪。基于可微的方式进行渲染,使得在利用渲染结果确定损失后,可以得到损失关于人脸参数的导数,利用梯度下降的方式优化第一参数集合。
可选地,在本公开实施例中,损失函数可以根据需求设置,第一损失和第二损失可以采用相同的损失函数计算得到,也可以采用不同的损失函数计算得到。例如,光栅化得到的第一渲染图与人脸图像之间的第一损失可以是L1损失,光线追踪得到的第二渲染图与人脸图像之间的第二损失可以是L1损失,也可以是L2损失。
示例性地,基于第一损失以及第二损失,更新第一参数集合,可以包括:基于第一损失以及第二损失得到总损失,并基于总损失更新第一参数集合。具体地,可以基于总损失得到关于第一参数集合的各参数的导数,再利用梯度下降的方式优化各参数。
在本公开实施例中,第一预设条件用于确定是否将当前的第一参数集合确定为优化参数集合,即用于确定是否停止迭代。示例性地,第一预设条件可以是迭代次数达到预设数量,例如迭代了400次、500次等。或者,第一预设条件可以是总损失小于预设阈值或者其他条件,本领域技术人员可以根据实际需求灵活设置。
根据上述方法,本公开实施例的技术方案,在确定人脸模型的参数的过程中采用光栅化方式和光线追踪方式分别渲染得到不同的渲染图,再利用不同的渲染图与人脸图像确定损失,以更新参数。实际应用中,采用光栅化方式得到的渲染图真实性往往偏低,和真实的人脸图像在脸部光照等细节上相差较大,因此容易导致求解的人脸模型与人脸图像的相似度较低。而采用本公开实施例的方式,能够基于光栅化方式得到噪声小的渲染图以及基于光线追踪方式得到真实性高的渲染图,从而使得迭代优化过程中的损失计算更准确,提升参数的优化效果,进而提升人脸模型对应的3D人脸与人脸图像相似度。
第一参数集合的初始化取值对后续优化效果存在很大的影响,为了提升优化效果,本公开实施例还提供一种示例性的第一参数集合的初始化方式。示例性地,人脸重建方法还包括:基于预先设定的初始化形状参数,得到第一网格;基于第一网格中的人脸关键点位置以及人脸图像中的人脸关键点位置,确定人脸模型的初始化姿态参数;基于初始化姿态参数以及初始化形状参数,得到初始化的第一参数集合。
具体地,第一参数集合可以至少包括形状参数和姿态参数。其中,初始化形状参数可以是预先设定的,初始化姿态参数可以通过初始化形状参数对应的第一网格与人脸图像之间的姿态变换确定。
示例性地,初始化姿态参数可以包括姿态矩阵,该姿态矩阵可以通过利用第一网格中的人脸关键点位置以及人脸图像中的人脸关键点位置进行PnP(Perspective-n-Point,多点透视成像)解算得到。其中,人脸关键点位置例如是人脸的多个五官点的位置。
根据上述示例性的初始化方式,可以得到较为准确的姿态参数,使得第一参数集合对应的网格上的人脸关键点和人脸图像的人脸关键点尽可能位置一致,从而保证后续优化的稳定性。
可选地,第一参数集合还可以包括纹理参数和/或光照参数。其中,纹理参数和光照参数的初始化取值,即初始化纹理参数和初始化光照参数,可以是预先设定的。
下面提供渲染过程的一个具体示例。具体地,步骤S110、基于人脸模型的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图,可以包括:
基于第一参数集合中的形状参数,得到第二网格;
基于第一参数集合中的姿态参数对第二网格进行姿态转换,得到第三网格;
基于第一参数集合中的纹理参数以及第三网格,得到纹理图;
采用光栅化方式对纹理图进行渲染,得到第一渲染图;
采用光线追踪方式对纹理图进行渲染,得到第二渲染图。
在上述渲染过程中,依次利用第一参数集合中的形状参数、姿态参数和纹理参数,得到纹理图,再进行光栅化方式和光线追踪方式的渲染。如此,渲染图能够充分体现第一参数集合的重建效果,基于该渲染图对第一参数集合进行优化,可以提升优化准确性。
需要说明的是,在本公开实施例中,光栅化渲染和光线追踪渲染可以并行执行,也可以先后执行且先后顺序不受限定。针对光栅化的第一渲染图的处理以及针对光线追踪的第一渲染图的处理即步骤S130和S140也可以并行执行,或先后执行,其中先后顺序不受限定。例如,在得到纹理图后,可以采用光栅化方式和光线追踪方式分别并行地进行渲染,并且得到任一个渲染图后即可针对该渲染图进行损失计算。
示例性地,第一损失可以包括第一渲染图与人脸图像之间的身份损失和/或图像损失,即第一损失可以仅包括身份损失,或仅包括图像损失,或同时包括身份损失和图像损失。
其中,该图像损失例如是L1损失或L2损失等,可以用于体现两个图像之间的差异。身份损失例如是ID(Identity Document,身份标识)相似度,该ID相似度用于衡量第一渲染图与人脸图像之间是否对应同一ID。示例性地,可以基于预设的人脸识别网络(例如Arcface)分别提取第一渲染图中的人脸特征以及人脸图像中的人脸特征,并通过计算两者之间的距离(例如余弦距离),得到ID相似度。
根据上述示例,由于光栅化渲染得到的第一渲染图噪声较小,因此可以采用不同的损失函数确定第一损失,从而综合不同角度的重建效果对第一参数集合进行优化,提升优化效果。
示例性地,第二损失可以包括第二渲染图与人脸图像之间的图像损失。
其中,该图像损失例如是L1损失或L2损失。
根据上述示例,由于光线追踪渲染得到的第二渲染图噪声可能较大,因此不采用身份损失这类损失函数,以避免在优化过程中引入误差,从而提升优化稳定性。
可选地,步骤S140、基于第一损失以及第二损失,更新第一参数集合,可以包括:基于第一参数集合对应的网格中的人脸关键点位置以及人脸图像中的人脸关键点位置,得到第一关键点损失;基于第一损失、第二损失以及第一关键点损失,更新第一参数集合。
也就是说,在第一参数集合的优化更新过程中,还考虑第一参数集合的渲染图中的人脸关键点位置是否与人脸图像中的人脸关键点位置一致,从而可以确保优化结果中五官位置的准确性。
可选地,步骤S140、基于第一损失以及第二损失,更新第一参数集合,可以包括:基于预先设定的正则约束规则,确定第一参数集合对应的第一正则约束损失;基于第一损失、第二损失以及第一正则约束损失,更新第一参数集合。
也就是说,在第一参数集合的优化更新过程中,还考虑第一参数集合是否符合预先设定的正则约束规则。其中,正则约束规则例如是约束各参数的取值范围的规则,例如约束形状参数、光照参数小于预设阈值等。通过加入正则约束规则所对应的正则约束损失,可以保证优化的稳定性。
可选地,在本公开的一些实施例中,还可以设置多步的迭代策略,以针对部分细节特征进行进一步优化。示例性地,图2示出了本公开另一实施例提供的人脸重建方法的示意性流程图。如图2所示,在上述任意实施例的基础上,人脸重建方法还可以包括:
步骤S210、基于优化参数集合中除姿态参数以外的其他参数,得到初始化的第二参数集合;
步骤S220、基于优化参数集合中的姿态参数以及当前的第二参数集合,采用光栅化方式得到第三渲染图,并采用光线追踪方式得到第四渲染图;
步骤S230、基于第三渲染图与人脸图像,得到第三损失;
步骤S240、基于第四渲染图与人脸图像,得到第四损失;
步骤S250、基于第三损失以及第四损失,更新第二参数集合;
步骤S260、基于符合第二预设条件,则根据优化参数集合中的姿态参数以及第二参数集合,得到目标参数集合。
可选地,在不符合第二预设条件的情况下,返回步骤S220,基于优化参数集合中的姿态参数以及当前的第二参数集合,采用光栅化方式得到第三渲染图,并采用光线追踪方式得到第四渲染图,直至得到目标参数集合。也就是说,上述步骤S220~S250可以迭代执行,直至在符合第二预设条件的情况下,根据优化参数集合中的姿态参数以及第二参数集合,得到人脸模型的优化参数集合。
示例性地,第二参数集合可以包括形状参数、纹理参数和光照参数。即在上述步骤S220~S250中,对人脸参数模型中除姿态参数以外的其他参数进行优化,或者说,固定姿态参数,对其他参数进行优化。
可以理解,在上述步骤S220中,可以采用前述实施例的方式依次得到当前的第二参数集合对应的网格、纹理图和渲染图。具体地,基于第二参数集合中的形状参数得到对应的第四网格,并利用固定的姿态参数调整第四网格的姿态,得到第五网格,再利用第二参数集合中的纹理参数和第五网格得到纹理图,采用光栅化方式对该纹理图进行渲染得到第三渲染图,采用光线追踪方式对该纹理图进行渲染得到第四渲染图。其中,光栅化渲染和光线追踪渲染可以并行执行,也可以先后执行,其先后顺序不限。
类似地,上述步骤S230~S250,也可以选择采用前述实施例中关于损失函数的设计。例如,第三损失可以包括身份损失和图像损失;第四损失可以包括图像损失;在得到第三损失和第四损失的基础上,还可以结合正则约束损失和/或关键点损失得到总损失,并利用总损失更新第二参数集合。
类似地,第二预设条件也可以采用前述实施例中与第一预设条件类似的设计。例如第二预设条件为步骤S220~S250的迭代次数达到预设阈值等。
示例性地,在本公开实施例中,目标参数集合可以包括经过迭代优化后的第二参数集合以及优化参数集合中的姿态参数,例如包括第一次迭代和第二次迭代后得到的形状参数、纹理参数和光照参数,以及第一次迭代后的姿态参数。该目标参数集合可以用于重建人脸,例如利用该目标参数集合确定人脸的网格表示,进一步地还可以在不同场景中构建人脸的数字形象,例如根据实际场景需求渲染不同的人脸图像,或者构建虚拟数字人。
根据上述实施例,实现了多步的迭代策略。先优化人脸模型的全部参数,再固定姿态参数细调其他参数,如此,可以提高重建结果和输入的人脸图像的相似度。在目标参数集合对应的网格的基础上,增加一些相关配件之后,在UE里面可以渲染得到高相似度的重建效果。
可选地,第二参数集合中的纹理参数的学习率大于第一参数集合中的纹理参数的学习率。
其中,学习率可以表征对参数进行优化更新时参数的优化比例。在本公开实施例中,第二次迭代增加了纹理参数的学习率,从而使得第二次迭代时着重调整了纹理参数,有利于提高重建结果和人脸图像的相似度。
可选地,第三损失对应的损失权重大于第一损失对应的损失权重;第四损失对应的损失权重大于第二损失对应的损失权重。
示例性地,在确定总损失时,基于各损失对应的权重对各损失进行加权求和,得到总损失。在此基础上,再利用总损失更新参数。
根据上述可选方式,在第二次迭代时增加了基于渲染图得到的各类损失的比例,从而降低了正则约束、关键点位置等其他方面对优化结果的约束效果,重点提升重建结果的准确性,从而提升重建结果和人脸图像的相似度。
为了更清楚地理解本公开实施例的技术方案,下面提供一个具体的应用示例。图3示出了本公开实施例中人脸重建方法的应用示例的示意图。
参考图3,在具体的应用示例中,人脸重建方法可以包括以下内容。
(1)首先对人脸进行参数化表示,将人脸网格表示为基于形状、纹理、光照、姿态等四个属性的人脸模型。其中形状是优化的主要目标,所有参数均采用固定初始化。
(2)对于输入的人脸图像,首先进行人脸关键点检测,得到五官和脸颊点位置。然后,通过PnP算法求解姿态参数,具体地,利用形状参数得到网格表示后,通过姿态矩阵进行位姿变换,使得网格上的五官点和输入的人脸图像的五官点尽可能位置一致,从而保证后续优化的稳定性。
(3)如图3所示,使用混合可微渲染的技术优化形状、光照、纹理、姿态等参数。具体地,将网格通过姿态变换后,利用纹理参数得到纹理图。
一方面,采用可微光栅化的方式进行渲染,并在渲染结果(第一渲染图)和输入的人脸图像之间设计身份损失和图像损失的计算。其中,身份损失可以是ID相似度。ID相似度采用预训练的Arcface得到。图像损失采用L2损失。通过此渲染约束可提高重建纹理相似度和真实度。
另一方面,采用可微光线追踪的方式进行渲染,在渲染结果(第二渲染图)和输入的人脸图像之间设计图像损失,例如L2损失。通过此渲染可以提高重建脸型的准确性。
此外,为了五官位置的一致性,加入了上一步中的关键点损失。同时为了保证优化的稳定性,在各个参数上均加入了正则约束,约束形状等参数不至于过大。基于以上损失函数,通过链式法则得到损失关于人脸参数的导数,再利用梯度下降的方式优化人脸参数。该步骤迭代大约400次左右,得到初始优化结果。
(4)在上一步优化结果的基础上,通过增加图像损失和身份损失的权重,来进一步提升重建结果的相似度。具体的,首先固定姿态等参数,其次增大与图像相关的损失,增加纹理参数的学习率,再进行迭代优化,从而优化得到高相似度的渲染结果。
基于上述方法,在优化得到的参数所对应的渲染图基础的形状上增加眼睛、头发等部件,可得到与输入人脸图像相似度较高的渲染结果,并可在UE进行渲染。
可以看到,该应用示例通过混合可微渲染来迭代优化人脸模型参数,利用可微光线追踪渲染方法的高真实度结果来提高五官细节和纹理的准确性,利用可微光栅化提高脸型的准确性。并且,设计了一个多步的迭代策略,首先优化姿态,接着一起优化所有参数,最后再细调形状和纹理等细节,提高重建结果和输入图像的相似度。基于此网格的基础上,增加一些相关配件之后,在UE里面可以渲染得到高相似度的重建效果。利用上述方法可实现照片建模相关服务,推动数字虚拟人相关技术的发展。
根据本公开实施例,还提供一种人脸重建装置。图4示出了本公开一实施例提供的人脸重建装置的示意性框图。如图4所示,该装置包括:
第一渲染单元410,用于基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
第一损失单元420,用于基于所述第一渲染图与人脸图像,得到第一损失;
第二损失单元430,用于基于所述第二渲染图与所述人脸图像,得到第二损失;
第一更新单元440,用于基于所述第一损失以及所述第二损失,更新所述第一参数集合;
第一确定单元450,用于基于符合第一预设条件,则将所述第一参数集合作为所述人脸图像对应的人脸模型的优化参数集合。
图5示出了本公开另一实施例提供的人脸重建装置的示意性框图。如图5所示,人脸重建装置还包括:
网格初始化模块510,用于基于预先设定的初始化形状参数,得到第一网格;
姿态初始化模块520,用于基于所述第一网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,确定所述人脸模型的初始化姿态参数;
参数初始化模块530,用于基于所述初始化姿态参数以及所述初始化形状参数,得到初始化的第一参数集合。
示例性地,人脸重建装置中的第一渲染单元具体用于:
基于所述第一参数集合中的形状参数,得到第二网格;
基于所述第一参数集合中的姿态参数对所述第二网格进行姿态转换,得到第三网格;
基于所述第一参数集合中的纹理参数以及所述第三网格,得到纹理图;
采用光栅化方式对所述纹理图进行渲染,得到所述第一渲染图;
采用光线追踪方式对所述纹理图进行渲染,得到所述第二渲染图。
示例性地,所述第一损失包括所述第一渲染图与所述人脸图像之间的身份损失和/或图像损失。
示例性地,所述第二损失包括所述第二渲染图与所述人脸图像之间的图像损失。
示例性地,第一更新单元具体用于:
基于所述第一参数集合对应的网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,得到第一关键点损失;
基于所述第一损失、所述第二损失以及所述第一关键点损失,更新所述第一参数集合。
示例性地,第一更新单元具体用于:
基于预先设定的正则约束规则,确定所述第一参数集合对应的第一正则约束损失;
基于所述第一损失、所述第二损失以及所述第一正则约束损失,更新所述第一参数集合。
示例性地,如图5所示,人脸重建装置还包括:
迭代初始化模块540,用于基于所述优化参数集合中除姿态参数以外的其他参数,得到初始化的第二参数集合;
第二渲染单元550,用于基于所述优化参数集合中的姿态参数以及当前的第二参数集合,采用光栅化方式得到第三渲染图,并采用光线追踪方式得到第四渲染图;
第三损失单元560,用于基于所述第三渲染图与所述人脸图像,得到第三损失;
第四损失单元570,用于基于所述第四渲染图与所述人脸图像,得到第四损失;
第二更新单元580,用于基于所述第三损失以及所述第四损失,更新所述第二参数集合;
第二确定单元590,用于基于符合第二预设条件,则根据所述优化参数集合中的姿态参数以及所述第二参数集合,得到目标参数集合。
示例性地,所述第二参数集合中的纹理参数的学习率大于所述第一参数集合中的纹理参数的学习率。
示例性地,所述第三损失对应的损失权重大于所述第一损失对应的损失权重;所述第四损失对应的损失权重大于所述第二损失对应的损失权重。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如人脸重建方法。例如,在一些实施例中,人脸重建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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的人脸重建方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸重建方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、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 (20)
1.一种人脸重建方法,包括:
基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
基于所述第一渲染图与人脸图像,得到第一损失;
基于所述第二渲染图与所述人脸图像,得到第二损失;
基于所述第一损失以及所述第二损失,更新所述第一参数集合;
基于符合第一预设条件,则将所述第一参数集合作为所述人脸图像对应的人脸模型的优化参数集合;
基于所述优化参数集合中除姿态参数以外的其他参数,得到初始化的第二参数集合;
基于所述优化参数集合中的姿态参数以及当前的第二参数集合,采用光栅化方式得到第三渲染图,并采用光线追踪方式得到第四渲染图;
基于所述第三渲染图与所述人脸图像,得到第三损失;
基于所述第四渲染图与所述人脸图像,得到第四损失;
基于所述第三损失以及所述第四损失,更新所述第二参数集合;
基于符合第二预设条件,则根据所述优化参数集合中的姿态参数以及所述第二参数集合,得到目标参数集合;所述目标参数集合用于重建人脸。
2.根据权利要求1所述的方法,所述方法还包括:
基于预先设定的初始化形状参数,得到第一网格;
基于所述第一网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,确定所述人脸模型的初始化姿态参数;
基于所述初始化姿态参数以及所述初始化形状参数,得到初始化的第一参数集合。
3.根据权利要求1或2所述的方法,其中,所述基于所述人脸模型的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图,包括:
基于所述第一参数集合中的形状参数,得到第二网格;
基于所述第一参数集合中的姿态参数对所述第二网格进行姿态转换,得到第三网格;
基于所述第一参数集合中的纹理参数以及所述第三网格,得到纹理图;
采用光栅化方式对所述纹理图进行渲染,得到所述第一渲染图;
采用光线追踪方式对所述纹理图进行渲染,得到所述第二渲染图。
4.根据权利要求1或2所述的方法,其中,所述第一损失包括所述第一渲染图与所述人脸图像之间的身份损失和/或图像损失。
5.根据权利要求1或2所述的方法,其中,所述第二损失包括所述第二渲染图与所述人脸图像之间的图像损失。
6.根据权利要求1或2所述的方法,其中,所述基于所述第一损失以及所述第二损失,更新所述第一参数集合,包括:
基于所述第一参数集合对应的网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,得到第一关键点损失;
基于所述第一损失、所述第二损失以及所述第一关键点损失,更新所述第一参数集合。
7.根据权利要求1或2所述的方法,其中,所述基于所述第一损失以及所述第二损失,更新所述第一参数集合,包括:
基于预先设定的正则约束规则,确定所述第一参数集合对应的第一正则约束损失;
基于所述第一损失、所述第二损失以及所述第一正则约束损失,更新所述第一参数集合。
8.根据权利要求1所述的方法,其中,所述第二参数集合中的纹理参数的学习率大于所述第一参数集合中的纹理参数的学习率。
9.根据权利要求1或8所述的方法,其中,所述第三损失对应的损失权重大于所述第一损失对应的损失权重;所述第四损失对应的损失权重大于所述第二损失对应的损失权重。
10.一种人脸重建装置,包括:
第一渲染单元,用于基于人脸模型当前的第一参数集合,采用光栅化方式得到第一渲染图,并采用光线追踪方式得到第二渲染图;
第一损失单元,用于基于所述第一渲染图与人脸图像,得到第一损失;
第二损失单元,用于基于所述第二渲染图与所述人脸图像,得到第二损失;
第一更新单元,用于基于所述第一损失以及所述第二损失,更新所述第一参数集合;
第一确定单元,用于基于符合第一预设条件,则将所述第一参数集合作为所述人脸图像对应的人脸模型的优化参数集合;
迭代初始化模块,用于基于所述优化参数集合中除姿态参数以外的其他参数,得到初始化的第二参数集合;
第二渲染单元,用于基于所述优化参数集合中的姿态参数以及当前的第二参数集合,采用光栅化方式得到第三渲染图,并采用光线追踪方式得到第四渲染图;
第三损失单元,用于基于所述第三渲染图与所述人脸图像,得到第三损失;
第四损失单元,用于基于所述第四渲染图与所述人脸图像,得到第四损失;
第二更新单元,用于基于所述第三损失以及所述第四损失,更新所述第二参数集合;
第二确定单元,用于基于符合第二预设条件,则根据所述优化参数集合中的姿态参数以及所述第二参数集合,得到目标参数集合;所述目标参数集合用于重建人脸。
11.根据权利要求10所述的装置,其中,所述装置还包括:
网格初始化模块,用于基于预先设定的初始化形状参数,得到第一网格;
姿态初始化模块,用于基于所述第一网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,确定所述人脸模型的初始化姿态参数;
参数初始化模块,用于基于所述初始化姿态参数以及所述初始化形状参数,得到初始化的第一参数集合。
12.根据权利要求10或11所述的装置,其中,所述渲染单元具体用于:
基于所述第一参数集合中的形状参数,得到第二网格;
基于所述第一参数集合中的姿态参数对所述第二网格进行姿态转换,得到第三网格;
基于所述第一参数集合中的纹理参数以及所述第三网格,得到纹理图;
采用光栅化方式对所述纹理图进行渲染,得到所述第一渲染图;
采用光线追踪方式对所述纹理图进行渲染,得到所述第二渲染图。
13.根据权利要求10或11所述的装置,其中,所述第一损失包括所述第一渲染图与所述人脸图像之间的身份损失和/或图像损失。
14.根据权利要求10或11所述的装置,其中,所述第二损失包括所述第二渲染图与所述人脸图像之间的图像损失。
15.根据权利要求10或11所述的装置,其中,所述第一更新单元具体用于:
基于所述第一参数集合对应的网格中的人脸关键点位置以及所述人脸图像中的人脸关键点位置,得到第一关键点损失;
基于所述第一损失、所述第二损失以及所述第一关键点损失,更新所述第一参数集合。
16.根据权利要求10或11中任一项所述的装置,其中,所述第一更新单元具体用于:
基于预先设定的正则约束规则,确定所述第一参数集合对应的第一正则约束损失;
基于所述第一损失、所述第二损失以及所述第一正则约束损失,更新所述第一参数集合。
17.根据权利要求10所述的装置,其中,所述第二参数集合中的纹理参数的学习率大于所述第一参数集合中的纹理参数的学习率。
18.根据权利要求10或17所述的装置,其中,所述第三损失对应的损失权重大于所述第一损失对应的损失权重;所述第四损失对应的损失权重大于所述第二损失对应的损失权重。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067248.9A CN116206035B (zh) | 2023-01-12 | 2023-01-12 | 人脸重建方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067248.9A CN116206035B (zh) | 2023-01-12 | 2023-01-12 | 人脸重建方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116206035A CN116206035A (zh) | 2023-06-02 |
CN116206035B true CN116206035B (zh) | 2023-12-01 |
Family
ID=86508872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310067248.9A Active CN116206035B (zh) | 2023-01-12 | 2023-01-12 | 人脸重建方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206035B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191507A (zh) * | 2018-08-24 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 三维人脸图像重建方法、装置和计算机可读存储介质 |
CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿(杭州)信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
WO2020165557A1 (en) * | 2019-02-14 | 2020-08-20 | Huawei Technologies Co., Ltd. | 3d face reconstruction system and method |
CN113160296A (zh) * | 2021-03-31 | 2021-07-23 | 清华大学 | 基于可微渲染的振动液滴三维重建方法及装置 |
CN113648655A (zh) * | 2021-07-21 | 2021-11-16 | 网易(杭州)网络有限公司 | 虚拟模型的渲染方法、装置、存储介质和电子设备 |
CN113989443A (zh) * | 2021-12-07 | 2022-01-28 | 南方电网电力科技股份有限公司 | 一种虚拟人脸图像重建方法及相关装置 |
CN114529649A (zh) * | 2022-02-24 | 2022-05-24 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114842136A (zh) * | 2022-04-08 | 2022-08-02 | 华南理工大学 | 一种基于可微分渲染器的单图三维人脸重建方法 |
CN115496845A (zh) * | 2022-09-01 | 2022-12-20 | 北京达佳互联信息技术有限公司 | 图像渲染方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10853994B1 (en) * | 2019-05-23 | 2020-12-01 | Nvidia Corporation | Rendering scenes using a combination of raytracing and rasterization |
US11450077B2 (en) * | 2020-11-20 | 2022-09-20 | Nvidia Corporation | Appearance-driven automatic three-dimensional modeling |
-
2023
- 2023-01-12 CN CN202310067248.9A patent/CN116206035B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191507A (zh) * | 2018-08-24 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 三维人脸图像重建方法、装置和计算机可读存储介质 |
WO2020165557A1 (en) * | 2019-02-14 | 2020-08-20 | Huawei Technologies Co., Ltd. | 3d face reconstruction system and method |
CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿(杭州)信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
CN113160296A (zh) * | 2021-03-31 | 2021-07-23 | 清华大学 | 基于可微渲染的振动液滴三维重建方法及装置 |
CN113648655A (zh) * | 2021-07-21 | 2021-11-16 | 网易(杭州)网络有限公司 | 虚拟模型的渲染方法、装置、存储介质和电子设备 |
CN113989443A (zh) * | 2021-12-07 | 2022-01-28 | 南方电网电力科技股份有限公司 | 一种虚拟人脸图像重建方法及相关装置 |
CN114529649A (zh) * | 2022-02-24 | 2022-05-24 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114842136A (zh) * | 2022-04-08 | 2022-08-02 | 华南理工大学 | 一种基于可微分渲染器的单图三维人脸重建方法 |
CN115496845A (zh) * | 2022-09-01 | 2022-12-20 | 北京达佳互联信息技术有限公司 | 图像渲染方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116206035A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819971B (zh) | 虚拟形象的生成方法、装置、设备和介质 | |
CN112785674A (zh) | 纹理贴图的生成方法、渲染方法、装置、设备及存储介质 | |
CN115345980B (zh) | 个性化纹理贴图的生成方法及装置 | |
CN112862933B (zh) | 用于优化模型的方法、装置、设备以及存储介质 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN115409933B (zh) | 多风格纹理贴图生成方法及其装置 | |
CN115147265B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113409430B (zh) | 可驱动三维人物生成方法、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 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
CN115222879B (zh) | 一种模型减面处理方法、装置、电子设备及存储介质 | |
CN115147523A (zh) | 虚拟形象驱动方法及装置、设备、介质和程序产品 | |
CN113379932B (zh) | 人体三维模型的生成方法和装置 | |
CN114998490A (zh) | 一种虚拟对象生成方法、装置、设备及存储介质 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112562043B (zh) | 图像处理方法、装置和电子设备 | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN116524162A (zh) | 三维虚拟形象迁移方法、模型更新方法及相关设备 | |
CN116206035B (zh) | 人脸重建方法、装置、电子设备以及存储介质 | |
CN116543417A (zh) | 人体姿态估计方法、装置、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 | |
CN114549785A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
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 |