CN117689804A - 一种三维重建方法、装置、设备和存储介质 - Google Patents

一种三维重建方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117689804A
CN117689804A CN202211104909.2A CN202211104909A CN117689804A CN 117689804 A CN117689804 A CN 117689804A CN 202211104909 A CN202211104909 A CN 202211104909A CN 117689804 A CN117689804 A CN 117689804A
Authority
CN
China
Prior art keywords
reconstructed
images
matching
reconstruction
target
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
Application number
CN202211104909.2A
Other languages
English (en)
Inventor
刘雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shining 3D Technology Co Ltd
Original Assignee
Shining 3D Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shining 3D Technology Co Ltd filed Critical Shining 3D Technology Co Ltd
Priority to CN202211104909.2A priority Critical patent/CN117689804A/zh
Priority to PCT/CN2023/117506 priority patent/WO2024051783A1/zh
Publication of CN117689804A publication Critical patent/CN117689804A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G06T15/205—Image-based rendering
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种三维重建方法、装置、设备和存储介质。三维重建方法包括：获取目标对象的多个待重建图像；基于提取的多个待重建图像的特征数据进行特征匹配，得到多个待重建图像的第一匹配结果；根据第一匹配结果，构建多个待重建图像中多个目标待重建图像间的图型结构；基于图型结构进行三维重建，得到目标对象的第一重建结果，其中，第一重建结果包括目标对象的三维数据。本公开提供的方法，通过具有摄像功能的可移动终端获取目标对象的多个待重建图像，基于多个待重建图像完成目标对象的三维重建，简化了操作流程，降低了设备成本，且三维重建效果比较好。

Description

一种三维重建方法、装置、设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种三维重建方法、装置、设备和存储介质。
背景技术
随着三维技术的发展，三维重建技术在口腔医学领域被广泛应用，在专业种植、正畸等牙科领域，需要获得高精度的牙齿模型以进行种植和正畸诊疗。目前，牙齿三维模型重建多是通过双目相机和结构光投射器实现的，但是该种方式需要专业人员来操作设备，在设备的使用过程中对操作环境的要求比较高，操作流程复杂，所使用的设备的硬件成本也比较高。
发明内容
为了解决上述技术问题，本公开提供了一种三维重建方法、装置、设备和存储介质，通过具有摄像功能的可移动终端获取多个待重建图像，基于多个待重建图像完成三维重建，简化了操作流程，降低了设备成本，且三维重建效果比较好。
第一方面，本公开实施例提供了一种三维重建方法，包括：
获取目标对象的多个待重建图像；
基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果；
根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构；
基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，其中，所述第一重建结果包括所述目标对象的三维数据。
可选的，所述基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，包括：
基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数；
根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果。
可选的，所述基于提取的所述多个待重建图像的特征数据进行特征匹配，得到第一匹配结果，包括：
提取所述多个待重建图像中每个待重建图像中包括的目标对象的特征，得到所述每个待重建图像的特征数据；
将所述多个待重建图像中每两个待重建图像的特征数据进行特征匹配，得到第一匹配结果。
可选的，所述根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构，包括：
对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果；
基于所述第二匹配结果构建多个目标待重建图像间的图型结构；
其中，所述多个目标待重建图像为所述第二匹配结果包括的多个子匹配结果对应的待重建图像。
可选的，所述对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果，包括：
统计所述第一匹配结果包括的每个子匹配结果中的匹配点信息，以对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第三匹配结果；
确定所述第三匹配结果包括的每个子匹配结果对应的待重建图像间的对应关系，以对所述第三匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果。
可选的，所述基于所述第二匹配结果构建多个目标待重建图像间的图型结构，包括：
确定所述第二匹配结果中每个子匹配结果对应的待重建图像的相机位置，并将所述相机位置作为目标顶点；
将所述每个子匹配结果中待重建图像之间的二维匹配关系作为目标边；
基于所述目标顶点和所述目标边，构建所述多个目标待重建图像间的图型结构。
可选的，所述基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数，包括：
在所述图型结构对应的多个目标待重建图像中确定初始待重建图像，并对所述初始待重建图像进行双目重建，得到初始三维点；
基于所述初始三维点，优化所述图型结构中的相邻边以增加新的三维点，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数。
可选的，所述根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果，包括：
在所述第二重建结果的基础上，根据所述多个目标待重建图像的相机参数，构建所述目标对象的目标三维场景；
根据所述目标三维目标场景得到关于所述目标对象的神经辐射场景描述；
基于所述神经辐射场景描述生成所述目标对象的第一重建结果。
第二方面，本公开实施例提供了一种三维重建装置，包括：
获取模块，用于获取目标对象的多个待重建图像；
匹配模块，用于基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果；
构建模块，用于根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构；
重建模块，用于基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，其中，所述第一重建结果包括所述目标对象的三维数据。
第三方面，本公开实施例提供了一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述的三维重建方法。
第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的三维重建方法的步骤。
本公开实施例提供了一种三维重建方法，包括：获取目标对象的多个待重建图像；基于提取的多个待重建图像的特征数据进行特征匹配，得到多个待重建图像的第一匹配结果；根据第一匹配结果，构建多个待重建图像中多个目标待重建图像间的图型结构；基于图型结构进行三维重建，得到目标对象的第一重建结果，其中，第一重建结果包括目标对象的三维数据。本公开提供的方法，通过具有摄像功能的可移动终端获取目标对象的多个待重建图像，基于多个待重建图像完成目标对象的三维重建，简化了操作流程，降低了设备成本，且三维重建效果比较好。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种应用场景的示意图；
图2为本公开实施例提供的一种三维重建方法的流程示意图；
图3为本公开实施例提供的一种三维重建方法的流程示意图；
图4为本公开实施例提供的一种三维重建方法的流程示意图；
图5为本公开实施例提供的一种三维重建装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
目前，牙齿的三维重建多是通过双目相机和结构光投射器实现的，通过设备实现单帧的牙齿三维重建，再通过多帧点云拼接算法完成三维重建，但是上述方法设备操作流程比较复杂，设备的硬件成本高，需要高配置的终端来实现，对操作环境的要求也比较高。
针对上述技术问题，本公开实施例提供了一种三维重建方法，用户使用可移动终端通过固定设备离线在口内采集序列图像的牙颌数据，口内的牙颌即为待重建的目标对象，牙颌数据包括多个待重建图像，其中，可移动终端可以是具有拍摄功能的终端，例如，手机或者简易单目相机，牙颌数据包括牙冠数据、牙龈数据等，随后将牙颌数据传输至服务器进行三维重建，也就是基于多个二维的待重建图像重建出目标对象的三维模型。本公开提供的方法，使用具有拍摄功能的可移动终端采集牙颌数据，设备硬件成本低，使用成本和持有成本也比较低，进一步简化了设备的操作流程，采集到牙颌数据后直接在云服务器、计算机或者可移动终端上进行离线三维重建，结构简单，操作方便，对用户的操作环境要求低，可适用于多种场景，且后续三维重建的精度和效率也比较高。具体通过下述一个或多个实施例进行详细说明。
具体的，下述实施例以可移动终端采集待重建图像，服务器执行三维重建方法为例进行说明。示例性的，参见图1，图1为本公开实施例提供的一种应用场景的示意图，终端11采集目标对象的多个待重建图像，服务器12获取多个待重建图像进行三维重建。多个待重建图像可以是终端11拍摄获得的。或者，多个待重建图像是终端11从其他设备中获取的。再或者，多个待重建图像是终端11对预设图像进行图像处理后得到的图像，该预设图像可以是终端11拍摄获得的，或者该预设图像可以是终端11从其他设备中获取的。此处，并不对其他设备做具体限定。可以理解的是，本公开实施例提供的三维重建方法并不限于如上所述的几种可能场景。
图2为本公开实施例提供的一种三维重建方法的流程示意图，应用于上述服务器12，具体包括如图2所示的如下步骤S210至S240：
S210、获取目标对象的多个待重建图像。
可理解的，获取目标对象的多个待重建图像，目标对象可以是牙颌，待重建图像可以是在用户使用数码相机或者手机相机等具有拍摄功能的可移动终端自行采集牙颌数据生成的，该种场景下，待重建图像也可以称为牙齿图像。具体的，用户可以自行采集包括多个待重建图像的牙颌数据，在采集过程中可以将采集的牙颌数据实时传输至服务器，也可以是离线采集完用户口内的完整牙颌数据后，再将牙颌数据传输至服务器，用户还可以直接采集关于口内牙颌的连续视频流，随后离线或实时传输至服务器，随后服务器对接收到的视频流进行抽帧以获取到多个待重建图像，具体应用场景不作限定。其中，每个待重建图像包括至少部分的目标对象，例如，被采集的目标对象是牙颌，牙颌包括牙冠和牙龈等，采集到的待重建图像包括至少部分的牙冠和/或牙龈。
S220、基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果。
可理解的，在上述S210的基础上，获取到多个待重建图像后，对多个待重建图像进行特征提取，得到多个待重建图像的特征数据。随后，将多个待重建图像的特征数据进行特征匹配，得到和多个待重建图像中至少部分待重建图像相关的第一匹配结果，其中，第一匹配结果包括多个子匹配结果，每个匹配结果反映多个待重建图像中每两个待重建图像之间的二维(2d-2d)匹配关系，例如，获取到n个待重建图像，可以将n个待重建图像进行两两匹配，n个待重建图像中的某1个待重建图像会得到n-1个相关的子匹配结果。或者，若获取的多个待重建图像是在口内连续采集的牙颌数据，则可以直接将多个待重建图像中的相邻待重建图像进行两两匹配，得到相邻待重建图像特征的二维匹配关系，具体的匹配方式可根据用户采集牙颌数据的方式自行选取，在此不作限定。
可选的，上述S220得到第一匹配结果具体可以通过下述步骤实现：
提取所述多个待重建图像中每个待重建图像中包括的目标对象的特征，得到所述每个待重建图像的特征数据。
将所述多个待重建图像中每两个待重建图像的特征数据进行特征匹配，得到第一匹配结果。
可理解的，通过预先训练的特征提取器来提取每个待重建图像中包括的目标对象的特征，也就是提取每个待重建图像中牙颌的特征，得到每个待重建图像的特征数据。其中，用于特征提取的特征提取器可以是由构建的自监督深度学习框架(SuperPoint)通过大量的牙齿数据集训练得到的，利用特征提取器可以准确提取牙齿图像的特征数据，特征提取器的具体训练过程在此不作限定。
可理解的，得到每个待重建图像的特征数据后，基于预先训练的特征匹配器对多个待重建图像中每两个待重建图像的特征数据进行特征匹配，得到多个反应每两个待重建图像之间匹配关系的子匹配结果，进而由多个子匹配结果组成第一匹配结果，具有匹配关系的两个待重建图像可以称为图像对。其中，用于特征匹配的特征匹配器可以是由构建的多层神经网络结构(SuperGlue)通过大量的牙齿数据集训练得到的，该牙齿数据集可以是上述训练完成的特征提取器输出的特征数据，特征匹配器的具体训练过程在此不作限定。
S230、根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构。
可理解的，在上述S220的基础上，得到第一匹配结果后，可以对第一匹配结果包括的多个子匹配结果进行过滤，过滤掉存在误匹配关系的子匹配结果。随后，基于过滤后的多个子匹配结果构建多个目标待重建图像之间的图型结构(graph结构)，多个目标待重建图像为过滤后的多个子匹配结果对应的待重建图像，过滤后的每个子匹配结果反应的是包括有效二维匹配点的图像对之间的匹配关系，该图像对包括的两个待重建图像即为目标待重建图像，也就是通过每两个待重建图像间(图像对)的匹配关系建立多个待重建图像之间的关联关系，以完成二维到三维的转换。
S240、基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果。
其中，所述第一重建结果包括所述目标对象的三维数据。
可理解的，在上述S230的基础上，得到多个目标待重建图像间的图型结构后，基于图型结构进行三维重建，得到目标对象的第一重建结果，第一重建结果包括目标对象的三维数据(三维模型)，三维数据可以是三维网格数据或者三维点云数据，具体重建出的三维数据类型不做限定。
本公开实施例提供了一种三维重建方法，用户通过具有摄像功能的可移动终端拍摄目标对象，并生成多个待重建图像，操作流程简单，对操作环境以及操作人员的要求比较低，操作设备的成本也比较低。随后，服务器获取终端生成的目标对象的多个待重建图像，提取多个待重建图像中每个待重建图像的特征数据，并在多个待重建图像之间基于特征数据进行两两匹配，得到和多个待重建图像至少部分待重建图像相关的第一匹配结果，匹配结果反应的是图像对的二维匹配关系；根据第一匹配结果，构建多个待重建图像中多个目标待重建图像间的图型结构；最后基于图型结构进行三维重建，得到目标对象的第一重建结果，完成二维数据到三维数据的转换，其中，第一重建结果包括目标对象的重建效果较好的三维数据。本公开提供的方法，通过具有摄像功能的可移动终端获取目标对象的多个待重建图像，基于多个待重建图像完成目标对象的三维重建，简化了操作流程，便于实施，降低了设备成本，且有效解决了三维重建效果不佳的问题。
在上述实施例的基础上，图3为本公开实施例提供的一种三维重建方法的流程示意图，可选的，所述根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构，具体包括如图3所示的如下步骤S310至S320：
S310、对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果。
可理解的，得到第一匹配结果后，将第一匹配结果包括的多个子匹配结果中存在误匹配关系的子匹配结果过滤出去，得到第二匹配结果，第二匹配结果包括的子匹配结果的数量要小于或等于第一匹配结果包括的子匹配结果的数量，过滤存在误匹配关系的子匹配结果，提高匹配率，可以减少后续进行三维重建的数据量，提高三维重建效率，并提高三维重建的效果。
可选的，上述S310得到第二匹配结果具体可以通过如下步骤实现：
统计所述第一匹配结果包括的每个子匹配结果中的匹配点信息，以对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第三匹配结果。
确定所述第三匹配结果包括的每个子匹配结果对应的待重建图像间的对应关系，以对所述第三匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果。
可理解的，统计第一匹配结果包括的每个子匹配结果中的匹配点信息，子匹配结果是对两个待重建图像(图像对)的特征数据进行匹配后得到的，子匹配结果包括图像对之间匹配点的信息，匹配点也就是匹配上的特征点，匹配点信息包括匹配点的数量和分布，将多个子匹配结果中匹配点的数量和分布小于或等于预设阈值的子匹配结果删除，例如，反应图像1和图像2特征点之间的匹配关系的子匹配结果1中包括的匹配点数量和分布小于预设阈值，则说明图像1和图像2是误匹配，需要将子匹配结果1删除，以提高匹配率。通过匹配质量和阈值对第一匹配结果包括的多个子匹配结果进行第一次过滤，得到第三匹配结果，第三匹配结果包括的子匹配结果的数量要小于或等于第一匹配结果包括的子匹配结果的数量。完成第一次过滤后，通过双目对极几何算法确定第三匹配结果包括的每个子匹配结果对应的待重建图像间的对应关系，以对第三匹配结果包括的多个子匹配结果进行第二次过滤，得到第二匹配结果，也就是通过计算的图像对之间的对应关系进一步过滤误匹配图像，其中，第二匹配结果包括的子匹配结果的数量要小于或等于第三匹配结果包括的子匹配结果的数量，第二匹配结果对应的待重建图像的数量也要小于或等于第三匹配结果对应的待重建图像的数量，第二匹配结果对应的待重建图像即为目标待重建图像，第二匹配结果对应的待重建图像是图像对匹配较为准确的图像。
S320、基于所述第二匹配结果构建多个目标待重建图像间的图型结构。
其中，所述多个目标待重建图像为所述第二匹配结果包括的多个子匹配结果对应的待重建图像。
可理解的，在上述S310的基础上，第一匹配结果经过两次过滤得到第二匹配结果后，通过图优化(pose-graph)算法，基于第二匹配结果包括的多个子匹配结果构建多个目标待重建图像间的图型结构，其中，pose-graph算法是对多帧图像进行局部优化，得出各帧图像的位姿，再计算得出相邻关键帧间的相对位姿的算法。
可选的，上述S320得到图型结构具体可以通过如下步骤实现：
确定所述第二匹配结果中每个子匹配结果对应的待重建图像的相机位置，并将所述相机位置作为目标顶点。
将所述每个子匹配结果中待重建图像之间的二维匹配关系作为目标边。
基于所述目标顶点和所述目标边，构建所述多个目标待重建图像间的图型结构。
可理解的，根据第二匹配结果中每个子匹配结果确定该匹配结果对应的每个待重建图像的相机位置，也就是通过匹配关系确定每个目标待重建图像的相机位置，具体的可以将某一目标待匹配图像对的相机位置作为目标顶点，将每个子匹配结果中待重建图像之间的二维匹配关系作为目标边，基于目标顶点和目标边，构建多个目标待重建图像间的图型结构，也就是由目标顶点开始，将目标顶点对应的目标待重建图像作为第一帧图像，根据匹配关系逐渐计算出相邻帧图像之间的相对位姿，也就是一帧图像一帧图像的计算出每帧图像的相机位姿，按照估计出的相机的运行轨迹，构建具有有效匹配关系的目标待重建图像间的graph结构(图型结构)，在构建图型结构的过程中，还会根据每帧图像间的相对位姿进一步过滤出可能存在误匹配关系的图像。
本公开实施例提供了一种三维重建方法，通过对第一匹配结果包括的多个子匹配结果进行多次过滤，得到反应有效匹配关系的第二匹配结果，随后基于第二匹配结果构建多个目标待重建图像间的图型结构，具体的，统计第一匹配结果包括的每个子匹配结果中匹配点数量和分布小于或等于预设阈值的子匹配结果，进行将该复合条件的子匹配结果进行第一次过滤，得到第三匹配结果。随后再通过双目对极几何和pose-graph算法进一步过滤第三匹配结果中尚且存在误匹配关系的子匹配结果，得到第二匹配结果，同时根据子匹配结果确定其对应的待重建图像的相机位置，并将该相机位置作为目标顶点，图像和图像之间的二维匹配关系为目标边，构建具有有效匹配关系的多个目标待重建图像间的graph结构。本公开提供的方法，通过多次过滤存在误匹配关系的子匹配结果，得到第二匹配结果，提高了匹配率，同时完成多个目标待重建图像间的graph结构的构建，便于后续基于graph结构高效准确的构建目标对象的三维数据，完成二维数据和三维数据间的转换，为简化三维重建的操作流程提供技术支持。
在上述实施例的基础上，图4为本公开实施例提供的一种三维重建方法的流程示意图，可选的，所述基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，具体包括如图4所示的如下步骤S410至S420：
S410、基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数。
可理解的，基于图型结构进行目标对象的三维数据的稀疏重建，得到目标对象的第二重建结果，第二重建结果包括大量三维点，稀疏重建是基于二维特征点确定三维点的过程，在进行稀疏重建的过程中，还可以估计出多个目标待重建图像中每个目标待重建图像的相机参数，相机参数包括相机内参、相机外参和相机位姿，也就是拍摄的每张待重建图像都存在对应的相机参数，基于相机参数可以估计出相机的运行轨迹。
可选的，上述S410得到第二重建结果以及估计出多个目标带重建图像的相机参数具体可以通过如下步骤实现：
在所述图型结构对应的多个目标待重建图像中确定初始待重建图像，并对所述初始待重建图像进行双目重建，得到初始三维点。
基于所述初始三维点，优化所述图型结构中的相邻边以增加新的三维点，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数。
可理解的，通过图型结构可以获取多个含有有效二维匹配点的图像对，每个图像对是由两个目标待重建图像组成的，多个图像对即为图型结构对应的多个目标待重建图像组成的。随后在多个图像对中确定匹配质量最高的目标图像对，并将目标图像对包括的两个待重建图像作为初始待重建图像，匹配质量最高是指图像对之间匹配点的数量和分布最高。随后对初始待重建图像进行双目重建，得到牙齿三维模型的初始三维点，该初始三维点可以理解为起始三维点。确定初始三维点后，基于初始三维点，通过光束法平差优化算法(Bundle Adjustment，BA)增量式优化图型结构中的相邻边以增加新的三维点，也就是从初始三维点开始，基于图型结构中的二维特征点不断扩充牙齿三维模型的三维点，直至完成目标对象的稀疏重建，得到第二重建结果，同时在稀疏重建的过程中完成多个目标待重建图像中每个待重建图像的相机参数的估计。
S420、根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果。
可理解的，在上述S410的基础上，根据多个目标待重建图像中每个目标待重建图像的相机参数，基于第二重建结果中的三维点进行稠密重建，得到目标对象的第一重建结果，第一重建结果即为目标对象完整的三维网格数据。
可选的，上述S420得到第一重建结果具体通过如下步骤实现：
在所述第二重建结果的基础上，根据所述多个目标待重建图像的相机参数，构建所述目标对象的目标三维场景。
根据所述目标三维目标场景得到关于所述目标对象的神经辐射场景描述。
基于所述神经辐射场景描述生成所述目标对象的第一重建结果。
可理解的，得到第二重建结果后，根据估计的多个目标待重建图像的相机参数，通过神经辐射场(Neural Radiance Field，Nerf)非显式地对用户口内的场景进行建模，得到包括目标对象三维数据的目标三维场景，目标三维场景可以理解为牙齿三维场景，在Nerf训练完成后，可以将口内牙齿三维场景表示为一个输入为5D向量的函数，进而得到关于口内三维牙齿数据的神经辐射场描述，随后结合MachineCube算法在神经辐射场描述中抽取牙齿的三维数据，抽取的牙齿的三维数据即为第一重建结果，也就是对稀疏重建的第二重建结果进行稠密重建，将多个三维点进行补充描述，得到具有最佳重建效果的第一重建结果。
可理解的，得到第二重建结果后，通过SGM(Semi-Global Matching)或者传统的经典的PatchMatch算法，根据估计的多个目标待重建图像的相机参数在第二重建结果的基础上进行稠密重建，得到第一重建结果，对稀疏重建的第二重建结果的基础上进行稠密重建得到第一重建结果的实现方式不做限定，可根据用户需求自行确定。
本公开实施例提供了一种三维重建方法，基于图型结构进行稀疏重建，得到目标对象的第二重建结果，并估计出多个目标待重建图像的相机参数，其中，稀疏重建主要是重建出二维匹配点(二维特征点)的三维点，确定一系列和目标对象相关的二维匹配点对应的三维点；随后根据多个目标待重建图像的相机参数，通过Nerf算法对第二重建结果进行稠密重建，以得到具有最佳三维重建效果的第一重建结果。
图5为本公开实施例提供的一种三维重建装置的结构示意图。本公开实施例提供的三维重建装置可以执行上述三维重建方法实施例提供的处理流程，如图5所示，三维重建装置500包括获取模块510、匹配模块520、构建模块530以及重建模块540，其中：
获取模块510，用于获取目标对象的多个待重建图像；
匹配模块520，用于基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果；
构建模块530，用于根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构；
重建模块540，用于基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，其中，所述第一重建结果包括所述目标对象的三维数据。
可选的，重建模块540具体用于：
基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数；
根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果。
可选的，匹配模块520具体用于：
提取所述多个待重建图像中每个待重建图像中包括的目标对象的特征，得到所述每个待重建图像的特征数据；
将所述多个待重建图像中每两个待重建图像的特征数据进行特征匹配，得到第一匹配结果。
可选的，构建模块530具体用于：
对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果；
基于所述第二匹配结果构建多个目标待重建图像间的图型结构；
其中，所述多个目标待重建图像为所述第二匹配结果包括的多个子匹配结果对应的待重建图像。
可选的，构建模块530具体用于：
统计所述第一匹配结果包括的每个子匹配结果中的匹配点信息，以对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第三匹配结果；
确定所述第三匹配结果包括的每个子匹配结果对应的待重建图像间的对应关系，以对所述第三匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果。
可选的，构建模块530具体用于：
确定所述第二匹配结果中每个子匹配结果对应的待重建图像的相机位置，并将所述相机位置作为目标顶点；
将所述每个子匹配结果中待重建图像之间的二维匹配关系作为目标边；
基于所述目标顶点和所述目标边，构建所述多个目标待重建图像间的图型结构。
可选的，重建模块540具体用于：
在所述图型结构对应的多个目标待重建图像中确定初始待重建图像，并对所述初始待重建图像进行双目重建，得到初始三维点；
基于所述初始三维点，优化所述图型结构中的相邻边以增加新的三维点，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数。
可选的，重建模块540具体用于：
在所述第二重建结果的基础上，根据所述多个目标待重建图像的相机参数，构建所述目标对象的目标三维场景；
根据所述目标三维目标场景得到关于所述目标对象的神经辐射场景描述；
基于所述神经辐射场景描述生成所述目标对象的第一重建结果。
图5所示实施例的三维重建装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图6，其示出了适于用来实现本公开实施例中的电子设备600的结构示意图。本公开实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的三维重建方法。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的三维重建方法。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的三维重建方法。
此外，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的三维重建方法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种三维重建方法，其特征在于，包括：
获取目标对象的多个待重建图像；
基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果；
根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构；
基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，其中，所述第一重建结果包括所述目标对象的三维数据。
2.根据权利要求1所述的方法，其特征在于，所述基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，包括：
基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数；
根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果。
3.根据权利要求1所述的方法，其特征在于，所述基于提取的所述多个待重建图像的特征数据进行特征匹配，得到第一匹配结果，包括：
提取所述多个待重建图像中每个待重建图像中包括的目标对象的特征，得到所述每个待重建图像的特征数据；
将所述多个待重建图像中每两个待重建图像的特征数据进行特征匹配，得到第一匹配结果。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构，包括：
对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果；
基于所述第二匹配结果构建多个目标待重建图像间的图型结构；
其中，所述多个目标待重建图像为所述第二匹配结果包括的多个子匹配结果对应的待重建图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果，包括：
统计所述第一匹配结果包括的每个子匹配结果中的匹配点信息，以对所述第一匹配结果包括的多个子匹配结果进行过滤，得到第三匹配结果；
确定所述第三匹配结果包括的每个子匹配结果对应的待重建图像间的对应关系，以对所述第三匹配结果包括的多个子匹配结果进行过滤，得到第二匹配结果。
6.根据权利要求4所述的方法，其特征在于，所述基于所述第二匹配结果构建多个目标待重建图像间的图型结构，包括：
确定所述第二匹配结果中每个子匹配结果对应的待重建图像的相机位置，并将所述相机位置作为目标顶点；
将所述每个子匹配结果中待重建图像之间的二维匹配关系作为目标边；
基于所述目标顶点和所述目标边，构建所述多个目标待重建图像间的图型结构。
7.根据权利要求2所述的方法，其特征在于，所述基于所述图型结构进行稀疏重建，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数，包括：
在所述图型结构对应的多个目标待重建图像中确定初始待重建图像，并对所述初始待重建图像进行双目重建，得到初始三维点；
基于所述初始三维点，优化所述图型结构中的相邻边以增加新的三维点，得到所述目标对象的第二重建结果，并估计出所述多个目标待重建图像的相机参数。
8.根据权利要求2所述的方法，其特征在于，所述根据所述多个目标待重建图像的相机参数，对所述第二重建结果进行优化，得到所述目标对象的第一重建结果，包括：
在所述第二重建结果的基础上，根据所述多个目标待重建图像的相机参数，构建所述目标对象的目标三维场景；
根据所述目标三维目标场景得到关于所述目标对象的神经辐射场景描述；
基于所述神经辐射场景描述生成所述目标对象的第一重建结果。
9.一种三维重建装置，其特征在于，包括：
获取模块，用于获取目标对象的多个待重建图像；
匹配模块，用于基于提取的所述多个待重建图像的特征数据进行特征匹配，得到所述多个待重建图像的第一匹配结果；
构建模块，用于根据所述第一匹配结果，构建所述多个待重建图像中多个目标待重建图像间的图型结构；
重建模块，用于基于所述图型结构进行三维重建，得到所述目标对象的第一重建结果，其中，所述第一重建结果包括所述目标对象的三维数据。
10.一种电子设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1至8中任一所述的三维重建方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一所述的三维重建方法的步骤。
CN202211104909.2A 2022-09-09 2022-09-09 一种三维重建方法、装置、设备和存储介质 Pending CN117689804A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211104909.2A CN117689804A (zh) 2022-09-09 2022-09-09 一种三维重建方法、装置、设备和存储介质
PCT/CN2023/117506 WO2024051783A1 (zh) 2022-09-09 2023-09-07 一种三维重建方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211104909.2A CN117689804A (zh) 2022-09-09 2022-09-09 一种三维重建方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117689804A true CN117689804A (zh) 2024-03-12

Family

ID=90127185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211104909.2A Pending CN117689804A (zh) 2022-09-09 2022-09-09 一种三维重建方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN117689804A (zh)
WO (1) WO2024051783A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111599001B (zh) * 2020-05-14 2023-03-14 星际（重庆）智能装备技术研究院有限公司 基于图像三维重建技术的无人机导航地图构建系统及方法
CN111833447A (zh) * 2020-07-13 2020-10-27 Oppo广东移动通信有限公司 三维地图构建方法、三维地图构建装置及终端设备
US11734890B2 (en) * 2020-08-17 2023-08-22 Nvidia Corporation Three-dimensional model recovery from two-dimensional images
CN112102475B (zh) * 2020-09-04 2023-03-07 西北工业大学 一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法
CN114067051A (zh) * 2021-11-16 2022-02-18 百度在线网络技术（北京）有限公司 三维重建处理方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
WO2024051783A1 (zh) 2024-03-14

Similar Documents

Publication Publication Date Title
JP7072119B2 (ja) 画像処理方法および装置、電子機器ならびに記憶媒体
CN109741388B (zh) 用于生成双目深度估计模型的方法和装置
CN111292420B (zh) 用于构建地图的方法和装置
CN109754464B (zh) 用于生成信息的方法和装置
EP4178194A1 (en) Video generation method and apparatus, and readable medium and electronic device
CN111669502B (zh) 目标对象显示方法、装置及电子设备
CN113327318B (zh) 图像显示方法、装置、电子设备和计算机可读介质
CN114708150A (zh) 一种扫描数据处理方法、装置、电子设备及介质
WO2023213252A1 (zh) 扫描数据处理方法、装置、设备及介质
CN115068140A (zh) 牙齿模型的获取方法、装置、设备及介质
CN112714263B (zh) 视频生成方法、装置、设备及存储介质
CN109816791B (zh) 用于生成信息的方法和装置
CN115937290B (zh) 一种图像深度估计方法、装置、电子设备及存储介质
CN117689804A (zh) 一种三维重建方法、装置、设备和存储介质
CN116188583A (zh) 相机位姿信息生成方法、装置、设备和计算机可读介质
CN112434064B (zh) 数据处理方法、装置、介质及电子设备
CN112288817B (zh) 基于图像的三维重建处理方法及装置
CN113850716A (zh) 模型训练方法、图像处理方法、装置、电子设备及介质
CN110969651B (zh) 3d景深估计方法、装置及终端设备
WO2024212740A1 (zh) 一种基于时序信息融合的扫描场景语义分割方法和装置
WO2024217237A1 (zh) 数据生成方法、装置、电子设备、计算机可读介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN117764883A (zh) 图像处理方法、装置、电子设备及存储介质
CN117323038A (zh) 一种正畸治疗监测方法、装置、设备和存储介质
CN118333928A (zh) 图像评价方法及装置、存储介质及电子设备

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