CN117333592B - 基于大数据融合训练模型的ai数字人口型动画绘制系统 - Google Patents
基于大数据融合训练模型的ai数字人口型动画绘制系统 Download PDFInfo
- Publication number
- CN117333592B CN117333592B CN202311628410.6A CN202311628410A CN117333592B CN 117333592 B CN117333592 B CN 117333592B CN 202311628410 A CN202311628410 A CN 202311628410A CN 117333592 B CN117333592 B CN 117333592B
- Authority
- CN
- China
- Prior art keywords
- animation
- data
- model
- scheme
- unit
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 8
- 210000003414 extremity Anatomy 0.000 claims description 34
- 238000010422 painting Methods 0.000 claims description 27
- 210000001364 upper extremity Anatomy 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 210000003141 lower extremity Anatomy 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及动画绘制技术领域。本发明涉及基于大数据融合训练模型的AI数字人口型动画绘制系统。其包括动画数据收集单元、绘画方案获取单元、模型建立单元以及个性化调整单元;动画数据收集单元用于收集数字人口型人体数据和动画样本,并将收集的数字人口型人体数据和动画样本进行数据融合;绘画方案获取单元用于根据动画数据收集单元融合的数据进行绘画特征提取,并筛选出不同数据的绘画搭配方案;通过动画数据收集单元和绘画方案获取单元、模型建立单元收集大量数字人口型人体数据和动画样本,并形成筛选出多种绘画搭配方案,从而建立AI绘制模型,通过动画制作人员输入数字人口绘画需求,AI绘制模型根据数字人口绘画需求快速生成动画人物。
Description
技术领域
本发明涉及动画绘制技术领域,具体地说,涉及基于大数据融合训练模型的AI数字人口型动画绘制系统。
背景技术
目前数字人口型的动画在制作过程中,大多是需要绘图师直接进行手绘拍摄处理,或者通过在线软件进行绘制,然而,这样的动画绘制方法绘制时间较长,需要动画制作人员花费大量的时间对动画细节进行绘制,降低了动画制作的效率,同时在动画制作人员在进行绘画创作时,需要对数字人口的动画资料进行逐一查询,较为麻烦,且对绘图师有较大的依赖性,普通人员难以实现;无法达到通过既快速又方便的进行动画制作的目的,另外,一旦完成很难进行肢体个性化调整。
发明内容
本发明的目的在于提供基于大数据融合训练模型的AI数字人口型动画绘制系统,以解决上述背景技术中提出的问题。
为实现上述目的,提供了基于大数据融合训练模型的AI数字人口型动画绘制系统,包括动画数据收集单元、绘画方案获取单元、模型建立单元以及个性化调整单元;
所述动画数据收集单元用于收集数字人口型人体数据和动画样本,并将收集的数字人口型人体数据和动画样本进行数据融合;
所述绘画方案获取单元用于根据动画数据收集单元融合的数据进行绘画特征提取,并筛选出不同数据的绘画搭配方案;
所述模型建立单元用于根据绘画方案获取单元筛选的绘画搭配方案建立AI绘制模型,并采集用户的数字人口绘画需求输入至AI绘制模型进行动画绘制;
所述个性化调整单元用于对模型建立单元的AI绘制模型动画绘制过程进行阶段监测,并向用户发送反馈申请,根据用户的反馈申请数据对AI绘制模型进行动画绘制个性化数据调整,直至完成数字人口的动画绘制。
作为本技术方案的进一步改进,所述动画数据收集单元使用3D扫描技术获取的数字人体模型,以及动画师创作的各种动画样本。
作为本技术方案的进一步改进,所述动画数据收集单元对数字人口型人体数据和动画样本进行融合处理,包括去除噪声、对齐姿态、调整尺度,使得数字人口型人体数据和动画样本统一到相同的数据格式和坐标系。
作为本技术方案的进一步改进,所述绘画方案获取单元包括特征提取模块和方案搭配模块;
所述特征提取模块用于对动画数据收集单元融合的数据以肢体结构为提取目标进行绘画特征提取,获取下肢数据库、上肢数据库以及头部数据库;
所述方案搭配模块用于将特征提取模块获取的下肢数据库、上肢数据库以及头部数据库以肢体组合进行搭配比对,获取多种肢体数据搭配方案。
作为本技术方案的进一步改进,所述绘画方案获取单元包括绘画方案标注模块,所述绘画方案标注模块用于对方案搭配模块获取的肢体数据搭配方案进行场景分析,确定每个肢体数据搭配方案所适用的场景,并对应对肢体数据搭配方案进行标记保存,获取适用不同场景的绘画搭配方案。
作为本技术方案的进一步改进,所述模型建立单元收集绘画方案标注模块获取的适用不同场景的绘画搭配方案,并通过动画生成卷积神经网络建立AI绘制模型。
作为本技术方案的进一步改进,所述模型建立单元通过向用户发送一个数字人口绘画需求采集问卷,用户通过填写问卷然后再反馈给AI绘制模型,AI绘制模型对反馈回来的问卷进行数字人口绘画需求提取,获取用户提供的绘画描述,并根据绘画描述开始进行数字人口的动画绘制。
作为本技术方案的进一步改进,所述个性化调整单元包括绘画监测模块和动画调整模块;
所述绘画监测模块用于将AI绘制模型进行动画绘制分为上肢选择阶段、下肢选择阶段以及头部选择阶段,并在每个选择阶段选择的绘画搭配方案发送至用户进行调整评估;
所述动画调整模块用于根据绘画监测模块获取的调整评估结果对选择的绘画搭配方案进行更换,并在下肢数据库、上肢数据库以及头部数据库进行用户需求筛选,获取用户所需求的肢体数据进行调整。
作为本技术方案的进一步改进,所述个性化调整单元还包括自适应用户模块,所述自适应用户模块用于对不同的用户均进行标记,并对应保存该用户完成的动画绘制记录,并在该用户后续使用AI绘制模型进行动画绘制时,AI绘制模型结合该用户的动画绘制记录选择绘画搭配方案。
与现有技术相比,本发明的有益效果:
该基于大数据融合训练模型的AI数字人口型动画绘制系统中,通过动画数据收集单元和绘画方案获取单元、模型建立单元收集大量数字人口型人体数据和动画样本,并形成筛选出多种绘画搭配方案,从而建立AI绘制模型,通过动画制作人员输入数字人口绘画需求,AI绘制模型根据数字人口绘画需求快速生成动画人物,提高动画制作人员的工作效率,同时通过个性化调整单元对绘制过程进行阶段监测,辅助人员对动画资料进行个性化调整,从而快速绘画出动作制作人员所需求的动画人物。
附图说明
图1为本发明的整体结构原理图。
图中各个标号意义为:
10、动画数据收集单元;20、绘画方案获取单元;30、模型建立单元;40、个性化调整单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
请参阅图1所示,本实施例目的在于,提供了基于大数据融合训练模型的AI数字人口型动画绘制系统,包括动画数据收集单元10、绘画方案获取单元20、模型建立单元30以及个性化调整单元40;
动画数据收集单元10用于收集数字人口型人体数据和动画样本,并将收集的数字人口型人体数据和动画样本进行数据融合;
动画数据收集单元10使用3D扫描技术获取的数字人体模型,以及动画师创作的各种动画样本;步骤如下:
使用专业的3D扫描设备对人体进行扫描,以获取高精度的数字人体模型。这个过程可以捕捉到人体的形状、表面纹理和细节;
数据处理:将扫描得到的人体模型进行数据处理,包括去除噪点、填补缺失部分、使模型拓扑结构规范等。确保人体模型的质量和完整性;
收集动画样本:收集动画师创作的各种动画样本,包括不同动作、表情、姿势等。这些样本可以来自动画师的作品集、动画片或其他资源。
动画数据收集单元10对数字人口型人体数据和动画样本进行融合处理,包括去除噪声、对齐姿态、调整尺度,使得数字人口型人体数据和动画样本统一到相同的数据格式和坐标系。步骤如下:
数据预处理:对数字人口型人体数据和动画样本进行预处理,包括去除噪声、对齐姿态、调整尺度等。确保数据的统一性和一致性;
数据融合技术选择:选择合适的数据融合技术,常见的方法包括混合模型、深度学习、图像处理等。根据具体需求选择合适的算法和模型;
特征提取和匹配:对数字人口型人体数据和动画样本提取特征,并进行特征匹配。通过比较特征的相似度和匹配度,找到数据融合的对应关系;
融合策略设计:根据特征匹配的结果,设计合适的融合策略,包括权重调整、特征融合、关键帧选择等。确保融合后的数据具有更高的质量和真实性;
数据融合实现:根据设计的融合策略,实现数字人口型人体数据和动画样本的融合。使用适当的算法和工具将数据进行融合处理,生成融合后的数据。
绘画方案获取单元20用于根据动画数据收集单元10融合的数据进行绘画特征提取,并筛选出不同数据的绘画搭配方案;
绘画方案获取单元20包括特征提取模块和方案搭配模块;
特征提取模块用于对动画数据收集单元10融合的数据以肢体结构为提取目标进行绘画特征提取,获取下肢数据库、上肢数据库以及头部数据库;步骤如下:
肢体结构提取:使用计算机视觉的技术,如深度学习方法或传统的图像处理算法,对融合数据进行肢体结构的提取。这个过程可以识别和分割出下肢、上肢和头部的关键点,如关节、轮廓和特定的区域;
特征提取:根据具体的需求,设计和选择合适的特征提取方法。这可以包括形状特征、纹理特征、运动特征或其他相关的特征。例如,使用局部特征描述符如SIFT或HOG,或者使用深度学习的方法如卷积神经网络CNN提取感兴趣区域的特征;
数据库构建:根据提取的特征,建立下肢数据库、上肢数据库和头部数据库。这些数据库可以使用数据库管理系统进行组织和存储,以便于后续的查询和检索。
方案搭配模块用于将特征提取模块获取的下肢数据库、上肢数据库以及头部数据库以肢体组合进行搭配比对,获取多种肢体数据搭配方案。步骤如下:
搭配规则设计:根据需求和设计要求,设计搭配规则或者考虑数据间的联系和约束条件。这可以包括考虑风格、形状、颜色、比例等方面的规则或约束;
特征提取:从每个数据库中提取适当的特征,如形状、姿势、纹理、颜色、表情等。这可以使用计算机视觉和图像处理的方法,例如特征描述符、深度学习的特征提取网络等;
数据搭配比对:对提取的特征进行比对,并根据搭配规则进行匹配和组合。根据特征的相似性、差异性或其他指标,生成多种肢体数据搭配方案;
评估和选择:对生成的肢体搭配方案进行评估和选择。可以利用用户调查、专家意见、可视化效果、设计目标等进行评估,并选择最合适的方案;
可视化展示:将选择的肢体搭配方案进行可视化展示,以便于用户或决策者进行查看和决策。这可以使用图形渲染技术将肢体数据进行可视化呈现。
绘画方案获取单元20包括绘画方案标注模块,绘画方案标注模块用于对方案搭配模块获取的肢体数据搭配方案进行场景分析,确定每个肢体数据搭配方案所适用的场景,并对应对肢体数据搭配方案进行标记保存,获取适用不同场景的绘画搭配方案。步骤如下:
场景分类和定义:根据绘画搭配的应用场景,进行场景分类和定义。例如,可以考虑日常生活、工作环境、运动场景、特殊活动等不同类型的场景;
场景特征提取:针对每个已搭配的肢体方案,提取与场景相关的特征。这些特征可以包括服装风格、动作姿态、表情、环境背景等;
场景匹配和分析:将已搭配的肢体方案与定义的场景进行匹配和分析。根据特征的相似性或组合的效果,将每个肢体方案与适用的场景进行关联;
标记和保存:对每个肢体搭配方案进行标记并保存。可以使用标签或关键词来表示适用的场景信息,以便后续的查询和检索;
绘画搭配方案生成:根据每个场景的需求,根据标记和保存的肢体搭配方案,生成适用于不同场景的绘画搭配方案。这可以通过匹配相应的标记或关键词来选择合适的肢体方案。
模型建立单元30用于根据绘画方案获取单元20筛选的绘画搭配方案建立AI绘制模型,并采集用户的数字人口绘画需求输入至AI绘制模型进行动画绘制;
模型建立单元30收集绘画方案标注模块获取的适用不同场景的绘画搭配方案,并通过动画生成卷积神经网络建立AI绘制模型。步骤如下:
收集绘画搭配方案:从已有的搭配方案中,根据场景标记和保存的信息,收集适用于不同场景的绘画搭配方案,表示为,其中si表示第i个搭配方案;
数据准备:将收集的绘画搭配方案转换为图像数据,按场景进行分类和标记。将每个搭配方案si转换为对应的图像数据xi;
数据预处理:对图像数据进行预处理,包括图像的标准化、尺寸调整、去噪等操作,确保数据的质量和一致性;
动画生成卷积神经网络CNN建立:使用动画生成的技术,建立一个卷积神经网络模型,用于根据输入的图像数据生成相应的绘画搭配方案。CNN模型可以包括卷积层、池化层、全连接层等;公式如下:
输入图像:X;
卷积层:;
;
池化层:;
全连接层:;
;
输出层:;
其中,W1、W2、W3分别为卷积层、全连接层的权重参数;
B1、B2、B3分别为卷积层、全连接层的偏置参数;
Activation代表激活函数,如ReLU、Sigmoid等;Convolution表示卷积运算,Pooling表示池化运算;FC表示全连接层运算。 输入图像X通过卷积层、池化层和全连接层的计算,最终得到Output,即为生成的绘画搭配方案。
模型训练:使用预处理后的图像数据作为训练集,对建立的CNN模型进行训练。这个过程通常需要大量的计算资源和时间。可以使用GPU进行加速训练;
模型优化:对训练好的模型进行优化,通过调整超参数和模型架构,以获得更好的绘画搭配方案生成效果。可以使用迁移学习等技术,将已经训练好的网络应用到绘画搭配方案的生成上;
模型测试和评估:使用测试集对训练好的模型进行测试和评估。可以使用指标如准确率、精确率、召回率等来评估模型的性能和效果;
模型应用:将训练好的模型应用到实际场景中,使用输入的图像数据作为输入,通过CNN模型生成相应的绘画搭配方案,并输出生成的绘画结果。
模型建立单元30通过向用户发送一个数字人口绘画需求采集问卷,用户通过填写问卷然后再反馈给AI绘制模型,AI绘制模型对反馈回来的问卷进行数字人口绘画需求提取,获取用户提供的绘画描述,并根据绘画描述开始进行数字人口的动画绘制。步骤如下:
设计问卷:根据数字人口绘画需求采集的目标和要求,设计一个问卷,包括针对用户数字人口绘画需求的各种问题和选项。问题可以涵盖关于绘画风格、场景、角色、颜色等方面;
发送问卷:将设计好的问卷发送给用户,可以通过电子邮件、在线调查工具或其他适合的方式将问卷发送给用户;
用户填写问卷:用户接收到问卷后,填写并提交给AI绘制模型。用户可以根据自己的数字人口绘画需求,选择或填写适当的选项或描述;
数字人口绘画需求提取:AI绘制模型接收到用户提交的问卷后,进行数字人口绘画需求提取。这涉及到对提交的问卷进行解析和分析,提取出用户的绘画描述和需求;
动画绘制:根据提取的绘画描述和需求,AI绘制模型开始进行动画绘制。这可以涉及到使用生成对抗网络GANs、变分自编码器VAE或其他相关的技术,根据用户的需求生成相应的动画作品;公式如下:
生成器(Generator):;
判别器(Discriminator):;
损失函数:;
;
其中,表示生成器根据输入的噪声z生成的动画作品;X表示真实的动画作品;X'表示生成器生成的虚假动画作品;D(X)表示判别器将真实动画作品预测为真的概率;表示判别器将生成的虚假动画作品预测为真的概率;/>表示生成器的损失函数,用于衡量生成的虚假动画作品与真实动画作品之间的差距;/>表示判别器的损失函数,用于衡量判别器的准确度和鉴别真假的能力。
完成和展示:一旦动画绘制完成,可以将生成的动画作品展示给用户。这可以通过视频、动画文件或在线展示等方式进行。
个性化调整单元40用于对模型建立单元30的AI绘制模型动画绘制过程进行阶段监测,并向用户发送反馈申请,根据用户的反馈申请数据对AI绘制模型进行动画绘制个性化数据调整,直至完成数字人口的动画绘制。
个性化调整单元40包括绘画监测模块和动画调整模块;
绘画监测模块用于将AI绘制模型进行动画绘制分为上肢选择阶段、下肢选择阶段以及头部选择阶段,并在每个选择阶段选择的绘画搭配方案发送至用户进行调整评估;步骤如下:
上肢选择阶段:
a.AI绘制模型根据用户的数字人口绘画需求和输入的上肢数据库,生成多个上肢搭配方案;
b.将生成的上肢搭配方案发送给用户,用户可以对每个方案进行选择或提供反馈意见;
下肢选择阶段:
a.AI绘制模型根据用户在上肢选择阶段的选择和反馈意见,结合下肢数据库,生成多个上肢和下肢的搭配方案;
b.将生成的上肢和下肢搭配方案发送给用户,用户可以对每个方案进行选择或提供反馈意见;
头部选择阶段:
a.AI绘制模型根据用户在下肢选择阶段的选择和反馈意见,结合头部数据库,生成多个上肢、下肢和头部的搭配方案;
b.将生成的上肢、下肢和头部搭配方案发送给用户,用户可以对每个方案进行选择或提供反馈意见;
动画调整模块用于根据绘画监测模块获取的调整评估结果对选择的绘画搭配方案进行更换,并在下肢数据库、上肢数据库以及头部数据库进行用户需求筛选,获取用户所需求的肢体数据进行调整。
调整评估:
a.用户针对每个发送的搭配方案可以提供反馈意见,例如调整某个部位的姿势、颜色或比例等;
b.AI绘制模型根据用户的反馈意见,对搭配方案进行调整,并生成重新调整后的搭配方案;
c.重复这个过程,直到用户对最终的搭配方案满意。
个性化调整单元40还包括自适应用户模块,自适应用户模块用于对不同的用户均进行标记,并对应保存该用户完成的动画绘制记录,并在该用户后续使用AI绘制模型进行动画绘制时,AI绘制模型结合该用户的动画绘制记录选择绘画搭配方案。步骤如下:
用户标记和记录:为每个用户创建独立的标识符或账号,用于标记和记录其完成的动画绘制记录。可以使用用户身份验证、登录或注册系统来确保用户身份准确;
动画绘制记录保存:当用户使用AI绘制模型进行动画绘制时,将用户的动画绘制结果和相关信息保存到用户的记录中。这可以包括动画的描述、绘画参数、生成的动画文件等;
用户动画记录管理:建立用户动画记录管理系统,用于存储和管理用户的动画绘制记录。这可以是一个数据库系统,用于存储用户记录的相关数据和文件,并与AI绘制模型进行交互;
动画绘制方案选择:当用户再次使用AI绘制模型进行动画绘制时,结合用户的动画绘制记录,AI绘制模型从存储的记录中选择合适的绘画搭配方案。这可以是基于用户个人偏好、历史记录或相关的推荐算法;
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于大数据融合训练模型的AI数字人口型动画绘制系统,其特征在于:包括动画数据收集单元(10)、绘画方案获取单元(20)、模型建立单元(30)以及个性化调整单元(40);
所述动画数据收集单元(10)用于收集数字人口型人体数据和动画样本,并将收集的数字人口型人体数据和动画样本进行数据融合;
所述绘画方案获取单元(20)用于根据动画数据收集单元(10)融合的数据进行绘画特征提取,并筛选出不同数据的绘画搭配方案;
所述模型建立单元(30)用于根据绘画方案获取单元(20)筛选的绘画搭配方案建立AI绘制模型,并采集用户的数字人口绘画需求输入至AI绘制模型进行动画绘制;
所述个性化调整单元(40)用于对模型建立单元(30)的AI绘制模型动画绘制过程进行阶段监测,并向用户发送反馈申请,根据用户的反馈申请数据对AI绘制模型进行动画绘制个性化数据调整,直至完成数字人口的动画绘制;
所述动画数据收集单元(10)使用3D扫描技术获取的数字人体模型,以及动画师创作的各种动画样本;
所述动画数据收集单元(10)对数字人口型人体数据和动画样本进行融合处理,包括去除噪声、对齐姿态、调整尺度,使得数字人口型人体数据和动画样本统一到相同的数据格式和坐标系;
所述绘画方案获取单元(20)包括特征提取模块和方案搭配模块;
所述特征提取模块用于对动画数据收集单元(10)融合的数据以肢体结构为提取目标进行绘画特征提取,获取下肢数据库、上肢数据库以及头部数据库;
所述方案搭配模块用于将特征提取模块获取的下肢数据库、上肢数据库以及头部数据库以肢体组合进行搭配比对,获取多种肢体数据搭配方案;
所述绘画方案获取单元(20)包括绘画方案标注模块,所述绘画方案标注模块用于对方案搭配模块获取的肢体数据搭配方案进行场景分析,确定每个肢体数据搭配方案所适用的场景,并对应对肢体数据搭配方案进行标记保存,获取适用不同场景的绘画搭配方案;
所述模型建立单元(30)收集绘画方案标注模块获取的适用不同场景的绘画搭配方案,并通过动画生成卷积神经网络建立AI绘制模型。
2.根据权利要求1所述的基于大数据融合训练模型的AI数字人口型动画绘制系统,其特征在于:所述模型建立单元(30)通过向用户发送一个数字人口绘画需求采集问卷,用户通过填写问卷然后再反馈给AI绘制模型,AI绘制模型对反馈回来的问卷进行数字人口绘画需求提取,获取用户提供的绘画描述,并根据绘画描述开始进行数字人口的动画绘制。
3.根据权利要求1所述的基于大数据融合训练模型的AI数字人口型动画绘制系统,其特征在于:所述个性化调整单元(40)包括绘画监测模块和动画调整模块;
所述绘画监测模块用于将AI绘制模型进行动画绘制分为上肢选择阶段、下肢选择阶段以及头部选择阶段,并在每个选择阶段选择的绘画搭配方案发送至用户进行调整评估;
所述动画调整模块用于根据绘画监测模块获取的调整评估结果对选择的绘画搭配方案进行更换,并在下肢数据库、上肢数据库以及头部数据库进行用户需求筛选,获取用户所需求的肢体数据进行调整。
4.根据权利要求1所述的基于大数据融合训练模型的AI数字人口型动画绘制系统,其特征在于:所述个性化调整单元(40)还包括自适应用户模块,所述自适应用户模块用于对不同的用户均进行标记,并对应保存该用户完成的动画绘制记录,并在该用户后续使用AI绘制模型进行动画绘制时,AI绘制模型结合该用户的动画绘制记录选择绘画搭配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628410.6A CN117333592B (zh) | 2023-12-01 | 2023-12-01 | 基于大数据融合训练模型的ai数字人口型动画绘制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628410.6A CN117333592B (zh) | 2023-12-01 | 2023-12-01 | 基于大数据融合训练模型的ai数字人口型动画绘制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333592A CN117333592A (zh) | 2024-01-02 |
CN117333592B true CN117333592B (zh) | 2024-03-08 |
Family
ID=89293834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628410.6A Active CN117333592B (zh) | 2023-12-01 | 2023-12-01 | 基于大数据融合训练模型的ai数字人口型动画绘制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333592B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094302A (ko) * | 2014-02-11 | 2015-08-19 | 동서대학교산학협력단 | 3d 디지털 캐릭터 액팅 동작 구현 및 편집 시스템, 그리고 3d 디지털 캐릭터 액팅 동작 구현 및 편집 방법 |
CN106971414A (zh) * | 2017-03-10 | 2017-07-21 | 江西省杜达菲科技有限责任公司 | 一种基于深度循环神经网络算法的三维动画生成方法 |
CN114119911A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种人体模型神经网络训练方法、设备和存储介质 |
CN116309992A (zh) * | 2023-02-24 | 2023-06-23 | 北京全界科技有限公司 | 一种智能元宇宙直播人物生成方法、设备和存储介质 |
CN116630495A (zh) * | 2023-07-04 | 2023-08-22 | 深圳微品致远信息科技有限公司 | 基于aigc算法的虚拟数字人模型规划系统 |
CN116843785A (zh) * | 2023-07-13 | 2023-10-03 | 智创聚成(深圳)网络科技有限公司 | 基于人工智能绘画图像生成方法、显示终端及存储介质 |
-
2023
- 2023-12-01 CN CN202311628410.6A patent/CN117333592B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094302A (ko) * | 2014-02-11 | 2015-08-19 | 동서대학교산학협력단 | 3d 디지털 캐릭터 액팅 동작 구현 및 편집 시스템, 그리고 3d 디지털 캐릭터 액팅 동작 구현 및 편집 방법 |
CN106971414A (zh) * | 2017-03-10 | 2017-07-21 | 江西省杜达菲科技有限责任公司 | 一种基于深度循环神经网络算法的三维动画生成方法 |
CN114119911A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种人体模型神经网络训练方法、设备和存储介质 |
CN116309992A (zh) * | 2023-02-24 | 2023-06-23 | 北京全界科技有限公司 | 一种智能元宇宙直播人物生成方法、设备和存储介质 |
CN116630495A (zh) * | 2023-07-04 | 2023-08-22 | 深圳微品致远信息科技有限公司 | 基于aigc算法的虚拟数字人模型规划系统 |
CN116843785A (zh) * | 2023-07-13 | 2023-10-03 | 智创聚成(深圳)网络科技有限公司 | 基于人工智能绘画图像生成方法、显示终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117333592A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Slossberg et al. | High quality facial surface and texture synthesis via generative adversarial networks | |
CN111028305A (zh) | 表情生成方法、装置、设备及存储介质 | |
CN103620590B (zh) | 用于图像至文本以及文本至图像的关联的系统和方法 | |
CN102306298B (zh) | 一种基于Wiki的图像分类体系动态演化方法 | |
CN111242948B (zh) | 图像处理、模型训练方法、装置、设备和存储介质 | |
US20220237917A1 (en) | Video comparison method and apparatus, computer device, and storage medium | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
CN113392781A (zh) | 一种基于图神经网络的视频情感语义分析方法 | |
CN116228319A (zh) | 基于埋点的智能广告投放方法与系统 | |
CN115115825A (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN106599926A (zh) | 一种表情图片推送方法及系统 | |
Lin et al. | Integrated circuit board object detection and image augmentation fusion model based on YOLO | |
CN117541202A (zh) | 基于多模态知识图谱和预训练大模型融合的就业推荐系统 | |
CN117333592B (zh) | 基于大数据融合训练模型的ai数字人口型动画绘制系统 | |
CN111914912B (zh) | 一种基于孪生条件对抗网络的跨域多视目标识别方法 | |
CN117392289A (zh) | 基于ai语音自动生成案发现场视频的方法和系统 | |
CN112131477A (zh) | 一种基于用户画像的图书馆图书推荐系统及方法 | |
Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
CN111881979B (zh) | 多模态数据标注装置及包含程序的计算机可读存储介质 | |
CN114332549A (zh) | 一种基于bp神经网络单元的变形体识别方法 | |
CN113705318A (zh) | 基于图像的识别方法、装置、设备及可读存储介质 | |
CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
CN116628829B (zh) | 一种基于数字孪生的智慧建筑三维可视化系统 | |
CN109101653A (zh) | 一种视频文件的检索方法及其系统和应用 | |
Jeong et al. | Data Preparation for AI-Assisted Video Analysis in Manual Assembly Task: A Step Towards Industry 5.0 |
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 |