CN117853680A - 三维重建的网格优化方法和装置 - Google Patents
三维重建的网格优化方法和装置 Download PDFInfo
- Publication number
- CN117853680A CN117853680A CN202211216137.1A CN202211216137A CN117853680A CN 117853680 A CN117853680 A CN 117853680A CN 202211216137 A CN202211216137 A CN 202211216137A CN 117853680 A CN117853680 A CN 117853680A
- Authority
- CN
- China
- Prior art keywords
- grid
- images
- optimized
- energy
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000009499 grossing Methods 0.000 claims description 64
- 238000013507 mapping Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000012545 processing Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 235000019557 luminance Nutrition 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本公开实施例提供一种三维重建的网格优化方法和装置,包括:根据待优化网格中的各顶点,获取待优化网格的全局平滑特征,待优化网格为基于多幅图像构建的,确定多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度,根据各二阶ZNCC能量和全局平滑特征对待优化网格进行优化,得到优化后的网格,提出了将对网格的优化近似于二阶的优化方案,以避免一阶收敛效率低的弊端,可以提高网格优化的效率。
Description
技术领域
本公开实施例涉及图像处理技术领域,尤其涉及一种三维重建的网格优化方法和装置。
背景技术
在三维重建中,需要先生成网格,网格优化是三维重建过程中极为重要的环节,网格优化用于将网格上没有的真实对象的细节恢复出来。
在一些实施例中,可以通过构建用于三维重建的图像之间的相关性的一阶方程组,以通过梯度下降法对该一阶方程组进行迭代求解,以实现对网格的优化。
然而,采用上述方式对网格进行优化时,收敛的速度是一阶的,相对耗时较长,存在优化的效率偏低的技术问题。
发明内容
本公开实施例提供一种三维重建的网格优化方法和装置,以提高三维重建的网格的优化效率。
第一方面,本公开实施例提供一种三维重建的网格优化方法,包括:
根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
第二方面,本公开实施例提供一种三维重建的网格优化装置,包括:
获取单元,用于根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定单元,用于确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
优化单元,用于根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
第三方面,本公开实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的三维重建的网格优化方法。
第四方面,本公开实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的三维重建的网格优化方法。
第五方面,本公开实施例提供一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
本实施例提供的三维重建的网格优化方法和装置,包括:根据待优化网格中的各顶点,获取待优化网格的全局平滑特征,待优化网格为基于多幅图像构建的,确定多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度,根据各二阶ZNCC能量和全局平滑特征对待优化网格进行优化,得到优化后的网格,提出了将对网格的优化近似于二阶的优化方案,以避免一阶收敛效率低的弊端,可以提高网格优化的效率。
附图说明
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一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,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为网格优化前后的细节比对示意图;
图2为本公开一个实施例的三维重建的网格优化方法的流程示意图;
图3为本公开另一实施例的三维重建的网格优化方法的流程示意图;
图4为本公开一个实施例的三维重建的网格优化装置的示意图;
图5为本公开另一实施例的三维重建的网格优化装置的示意图;
图6为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
为便于读者对本公开的理解,现对至少部分术语进行解释如下:
三维重建,是指对三维对象(物体或人物)建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。
例如,三维重建可以为对房子等建筑物的三维重建。又如,三维重建可以为在虚拟现实(Virtual Reality,VR)场景中,将真实场景中的对象在虚拟场景中显示的三维重建。再如,三维重建可以为在自动驾驶场景中,对自动驾驶车辆的周围环境中的对象(如车辆、行人、指示牌等)的三维重建。关于三维重建可以应用的其他场景,此处不再一一列举。
其中,VR技术又称虚拟实境或灵境技术,虚拟现实技术囊括了计算机、电子信息、仿真技术,其基本实现方式是以计算机技术为主,利用并综合三维图形技术、多媒体技术、仿真技术、显示技术、伺服技术等多种高科技,借助计算机等设备产生一个逼真的三维视觉、触觉、嗅觉等多种感官体验的虚拟世界,从而使处于虚拟世界中的人产生一种身临其境的感觉。
变分,是指泛函的“微分”,它最终寻求的是极值函数:它们使得泛函取得极大或极小值。
梯度下降法(Gradient descent,简称GD)是一阶最优化算法。要使用梯度下降法找到一个函数的局部极小值。梯度下降法是迭代法的一种,收敛速度是一阶的,可以用于求解最小二乘问题(线性和非线性都可以)。
为便于将被用于三维重建的对象、以及三维重建后的对象进行区分,我们可以将被用于三维重建的对象称为真实对象,三维重建后的对象称为虚拟对象。
在三维重建时,可以采集真实对象的多幅图像,以根据多幅图像生成三维重建的网格,并在网格上进行贴图处理,以得到虚拟对象。
相对而言,三维重建的网格的准确性越高,可以使得贴图处理的准确性越高,从而使得基于三维重建得到的虚拟对象具有较高的可靠性和准确性,即可以使得虚拟对象与真实对象之间具有高度的相似性,实现虚拟对象对真实对象的高度还原。
系统在三维重建过程中,会先生成网格,在网格生成后,通常会对网格进行预处理,预处理可以包括降噪处理、错误拓扑修复处理、简化处理、重网格(remesh)处理等中的至少一种。然而预处理具有平滑效应,使得网格无法表达真实对象的部分细节(如部分高频信号),即在网格中,真实对象的部分细节会消失。
而网格变分优化(refine)可以将网格上没有的真实对象的细节恢复出来,因此,网格变分优化是三维重建过程中极为重要的一环,以将网格上没有的真实对象的细节恢复出来。如图1所示,优化后的网格的细节相对优化前的网格的细节更丰富。
在一些实施例中,对网格的优化方法可以包括:构建网格的一阶全局能量,一阶全局能量可以通过一阶方程表征,且一阶能量表现为一阶零均值归一化互相关系数ZNCC能量与一阶狄利克雷能量之和。
其中,一阶ZNCC能量和一阶狄利克雷能量分别可以通过一阶方程中的一阶项表征,且一阶ZNCC能量可以通过一阶项的方式表征如上所述的真实对象的图像之间的相似程度,一阶狄利克雷能量可以通过一阶项的方式表征网格的全局平滑特征。
相应的,在构建了一阶全局能量之后,可以基于梯度下降法对一阶全局能量进行求解,以得到网格中的顶点的偏移量,以基于偏移量对网格中的顶点的位置进行优化,以实现对网格的优化,从而得到优化后的网格。
然而,构建一阶全局能量,且基于梯度下降法对一阶全局能量进行求解时,收敛的速度是一阶的,耗费的时间相对较长,速度相对较低,即采用上述方法存在优化速度慢的弊端。
为了避免上述问题,本公开的发明人经过创造性地劳动,得到了本公开的发明构思:构建网格的二阶全局能量,以结合高斯牛顿对二阶全局能量进行求解,得到网格中的顶点的偏移量,并基于偏移量对网格进行优化。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
请参阅图2,图2为本公开一个实施例的三维重建的网格优化方法的流程示意图。
如图2所示,该方法包括:
S201:根据待优化网格中的各顶点,获取待优化网格的全局平滑特征。其中,待优化网格为基于多幅图像构建的。
示例性的,本实施例的执行主体可以为三维重建的网格优化装置(下文简称网格优化装置),网格优化装置可以为服务器(如本地服务器,或者云端服务器,或者服务器集群等),也可以为处理器,也可以为芯片等,本实施例不做限定。
结合上述分析可知,本公开的三维重建的网格优化方法可以应用于不同的应用场景,针对不同的应用场景,网格优化装置的具体表现形式可能并不相同。
例如,本公开的三维重建的网格优化方法可以应用于VR场景,在VR场景中,网格优化装置可以为VR设备,且VR设备可以为头戴设备,且头戴设备可以为VR一体机。更具体的,网格优化装置可以为VR一体机中的处理器,也可以为VR一体机中的芯片等。
以网格优化装置为VR一体机为例,VR一体机可以包括摄像头和处理器,摄像头可以对VR场景中的真实对象的图像进行采集,得到真实对象的多幅图像,并可以将多幅图像传输给处理器,处理器可以基于多幅图像构建待优化网格,并执行后续的网格优化的操作。
又如,本公开的三维重建的网格优化方法可以应用于对房子等建筑物的三维重建。在该场景中,网格优化装置可以为服务器,如具体可以为本地服务器。
以优化网格装置为服务器为例,服务器可以与外界设备连接,并接收由外接设备传输的建筑物的多幅图像,并基于多幅图像构建待优化网格,且执行后续的网格优化的操作。
再如,本公开的三维重建的网格优化方法可以应用于自动驾驶场景。在该场景中,网格优化装置可以为车载终端。
以优化网格装置为车载终端为例,车载终端可以与自动驾驶车辆上部署的图像采集装置(如摄像头)建立通信链路,图像采集装置可以采集自动驾驶车辆的周围环境中的对象的多幅图像,并将多幅图像经通信链路传输给车载终端。相应的,车载终端接收到多幅图像,并基于多幅图像生成待优化网格,且执行后续的网格优化的操作。
应该理解的是,上述示例只是用于示范性地说明,本实施例的三维重建的网格优化方法可能的应用场景,以及在相应的应用场景中可能的网格优化装置,而不能理解为对应用场景的限定,也不能理解为对网格优化装置的限定。
其中,网格优化装置在对真实对象进行三维重建时,可以获取真实对象的N(N为大于1的正整数)幅图像,根据N幅图像生成待优化网格,待优化网格中包括多个顶点。
其中,N的取值可以基于需求、历史记录、以及试验等方式确定,本实施例不做限定。
例如,针对精度要求相对较高的三维重建场景,图像的数量可以相对较多;反之,针对精度要求相对较低的三维重建场景,图像的数量可以相对较少。
全局平滑特征,是指用于表征待优化网格的整体的平滑性的特征。全局平滑特征中的“全局”用于与后文中的局部平滑特征进行区分,而不能理解为对全局平滑特征的内容的限定。
S202:确定多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量。其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度。
示例性的,结合上述分析,若N=2,即待优化网格为基于两幅图像构建的,则该步骤可以理解为:确定两幅图像之间的相似程度,且该相似程度通过二阶表达式表征,即通过二阶ZNCC能量表征。
若N>2,即待优化网格为基于三幅或者更多幅图像构建的,则该步骤可以理解为:针对三幅或者更多幅图像中的任意两幅图像,计算该任意两幅图像之间的相似程度。
例如,若N=3,即待优化网格为基于三幅图像构建的,且为便于读者理解该步骤的实现原理,将三幅图像分别称为第一图像、第二图像、第三图像。相应的,网格优化装置计算第一图像与第二图像之间的相似程度,计算第一图像与第三图像之间的相似程度,计算第二图像与第三图像之间的相似程度。
S203:根据各二阶ZNCC能量和全局平滑特征对待优化网格进行优化,得到优化后的网格。
示例性的,结合上述分析,若待优化网格为基于两幅图像构建的,则经过S202可以得到一个二阶ZNCC能量,并根据该二阶ZNCC能量、以及全局平滑特征对待优化网格进行优化,得到优化后的网格。
若待优化网格为基于三幅或者更多幅图像构建的,则经过S202可以得到多个二阶ZNCC能量,并根据各二阶ZNCC能量、以及全局平滑特征对待优化网格进行优化,得到优化后的网格。
基于上述分析可知,本公开提供了一种三维重建的网格优化方法,该方法包括:根据待优化网格中的各顶点,获取待优化网格的全局平滑特征,待优化网格为基于多幅图像构建的,确定多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度,根据各二阶ZNCC能量和全局平滑特征对待优化网格进行优化,得到优化后的网格,在本实施例中,通过获取全局平滑特征和二阶ZNCC能量,以结合全局平滑特征和二阶ZNCC能量对待优化网格进行优化的技术特征,提出了将对网格的优化近似于二阶的优化方案,以避免一阶收敛效率低的弊端,可以提高网格优化的效率。
为使得读者更加深刻地理解本公开的实现原理,现结合图3对本公开的三维重建的网格优化方法进行更为详细地阐述。
其中,图3为本公开另一实施例的三维重建的网格优化方法的流程示意图。如图3所示,该方法包括:
S301:针对待优化网格中的每一顶点,根据该顶点的坐标、以及与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征。
其中,待优化网格为基于多幅图像构建的。
应该理解的是,为了避免繁琐地陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
待优化网格中包括多个顶点,每一顶点具有位置,每一顶点的位置可以基于该顶点在待优化网格中的坐标表示。每一顶点还具有相邻的顶点,此处的相邻是指物理空间上的相邻,且具体可以理解为在待优化网格上的物理空间的相邻。
相应的,该步骤可以理解为:待优化网格中有多个顶点,每一顶点具有坐标,每一顶点具有与之相邻的顶点,由于相邻的顶点也是待优化网格中的顶点,因此,相邻的顶点也具有坐标。
对于多个顶点中的每一顶点,可以根据该顶点的坐标、以及待优化网格中与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征,以得到待优化网格中的各个顶点各自对应的局部平滑特征。
例如,若待优化网格中包括第一顶点、第二顶点、第三顶点、第四顶点,且第二顶点、第三顶点、第四顶点分别为与第一顶点在物理空间上相邻的顶点。则可以根据第一顶点的坐标、第二顶点的坐标、第三顶点的坐标、第四顶点的坐标,确定第一顶点的局部平滑特征。
同理,局部平滑特征用于表征单个顶点的平滑特征。局部平滑特征中的“局部”不能理解为对相应顶点的平滑特征的内容的限定。
在一些实施例中,局部平滑特征为二阶局部平滑特征,且可以通过拉普拉斯方程表征局部平滑特征,例如,顶点i的局部平滑特征可以通过式1表示,式1:
其中,为与顶点i在物理空间上相邻的顶点的集合,j为/>中的顶点,即j为与顶点i在物理空间上相邻的顶点,X为顶点的坐标(如横坐标,纵坐标,竖坐标),相应的,Xi为顶点i的坐标,Xj为顶点j的坐标,λ为预设的拉普拉斯方程的边权重。
同理,本实施例对λ的取值不做限定,如可以基于需求、历史记录、以及试验等方式确定。例如,λ可以基于各顶点的坐标的梯度的散度(即拉普拉斯算子)确定,若拉普拉斯算子为伞形正则,则λ为1,若拉普拉斯算子为双边,则可以基于双边的边长以及双边所处的平面信息(如法向量)确定。
S302:根据各顶点各自对应的局部平滑特征生成全局平滑特征。
示例性的,在得到各顶点各自对应的局部平滑特征之后,可以对各局部平滑特征进行求和处理,以得到全局平滑特征。
例如,可以通过式1表征每一顶点的局部平滑特征,并将各顶点各自对应的式1相加,得到全局平滑特征。
其中,全局平滑特征可以基于式2表示,式2:
在本实施例中,通过先确定待优化网格中各顶点各自对应的局部平滑特征,以基于各局部平滑特征确定待优化网格的全局平滑特征,可以使得全局平滑特征可以相对真实可靠地表征待优化网格的整体平滑特性。且结合上述分析可知,每一局部平滑特征为二阶局部平滑特征,相应的,整体平滑特征为二阶整体平滑特征,以结合二阶ZNCC能量进行二阶速度的收敛,以提高对网格优化的效率。
S303:针对多幅图像中的每两幅图像,根据该两幅图像在同一窗口内像素点对应的亮度,计算得到该两幅图像在同一窗口内各自对应的平均亮度,并根据该两幅图像在同一窗口内各自对应的平均亮度,构建该两幅图像之间的二阶ZNCC能量。
示例性的,以两幅图像包括第一图像和第二图像为例,对构建第一图像与第二图像之间的二阶ZNCC能量进行示范性地阐述如下:
获取第一图像在同一窗口内像素点对应的亮度,并对获取到的亮度进行求均值处理,得到第一图像在同一窗口的平均亮度,为便于区分,将该平均亮度称为第一平均亮度。
获取第二图像在同一窗口内像素点对应的亮度,并对获取到的亮度进行求均值处理,得到第二图像在同一窗口的平均亮度,为便于区分,将该平均亮度称为第二平均亮度。
根据第一平均亮度和第二平均亮度,确定第一图像与第二图像之间的相似程度,即构建得到第一图像与第二图像之间的二阶ZNCC能量。
在一些实施例中,可以基于式3确定平均亮度式3:
其中,W为同一窗口,|·|为向量的模长,|W|为同一窗口的向量的模长,可以理解为同一窗口的向量的大小,xy为任意图像的图像坐标,x为横坐标,y为纵坐标,a,b为同一窗口W的区间。
式3可以理解为,针对任意图像,遍历该任意图像在同一窗口内的每一像素点的图像坐标,得到该任意图像在同一窗口内的各像素点各自对应的亮度之和,并对该和求均值,得到该任意图像在同一窗口内的平均亮度。
在本实施例中,通过确定两幅图像各自对应的平均亮度,以基于两幅图像各自对应的平均亮度确定两幅图像之间二阶ZNCC能量,可以使得二阶ZNCC能量与两幅图像的亮度特征高度关联,而二阶ZNCC能量表征的为两幅图像之间的相似程度,因此,在相似程度与亮度强关联的情况下,确定出的二阶ZNCC能量具有较高的准确性和可靠性。
在一些实施例中,根据两幅图像在同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量,可以包括如下步骤:
第一步骤:根据两幅图像在同一窗口内各自对应的平均亮度,确定两幅图像在同一窗口内各自对应的向量之间的平行误差。
在一些实施例中,可以基于式4确定平行误差exy,式4:
其中, 表示同一窗口内的两幅图像,|·|为向量的模长,w为同一窗口的宽度。
第二步骤:根据平行误差构建两幅图像之间的二阶ZNCC能量。
在一些实施例中,可以基于式5确定两幅图像之间的二阶ZNCC能量Exy,式5:
其中,T为转置,a,b为同一窗口W的区间。
在本实施例中,通过确定平行误差,可以将一阶ZNCC能量转换为二阶ZNCC能量,即可以通过平行误差构建二阶ZNCC能量,以实现以二阶的收敛速度对网格进行优化,从而提高优化速度。
S304:根据各二阶ZNCC能量和全局平滑特征,构建待优化能量。
示例性的,结合上述分析,可以基于式4确定两个图像之间的二阶ZNCC能量,若构建优化网格的图像为三幅及以上,则可以得到多个二阶ZNCC能量。相应的,可以计算得到构建优化网格的多幅图像对应的总体的二阶ZNCC能量,即将各二阶ZNCC能量进行求和处理,并根据总的二阶ZNCC能量和全局平滑特征,构建待优化能量。
其中,待优化能量可以为总的二阶ZNCC能量与全局平滑特征之和。
在一些实施例中,可以基于式6确定待优化能量E,式6:
S305:采用高斯牛顿法对待优化能量进行求解,得到优化后的网格。
结合上述分析可知,待优化能量为二阶ZNCC能量与全局平滑特征之和,二阶ZNCC能量可以通过二阶的表达式表征,全局平滑特征也可以通过二阶的表达式表征,因此,待优化能量为二阶的待优化能量,也可以通过二阶的表达式表征。
高斯牛顿法是非线性回归模型中求回归参数进行最小二乘的一种迭代方法,该法使用泰勒级数展开式去近似地代替非线性回归模型,然后通过多次迭代,多次修正回归系数,使回归系数不断逼近非线性回归模型的最佳回归系数,最后使原模型的残差平方和达到最小。
因此,在本实施例中,可以采用高斯牛顿法对二阶的待优化能量进行迭代计算,从而实现对网格的优化,且迭代时的收敛速度为二阶,收敛速度相对较快,可以提高网格优化的效率。
在一些实施例中,S305可以包括如下步骤:
第一步骤:采用高斯牛顿法将待优化能量转换为线性方程组,并求解线性方程组,得到各顶点的偏移量。
其中,不同顶点的偏移量相同。
在一些实施例中,线性方程组可以通过式7表示,式7:
其中,d是求导,T是转置,x为优化前的顶点的坐标,δx为偏移量,Lδx为偏移量下的待优化网格的全局平滑度,Lx为优化前的待优化网格的全局平滑度。
第二步骤:根据偏移量对各顶点的位置进行优化,得到优化后的网格。
例如,若优化前的顶点的坐标为x,则优化后的顶点的坐标为x+δx。
在本实施例中,通过结合高斯牛顿法计算得到偏移量,以基于偏移量确定优化后的顶点的坐标,从而得到优化后的网格,可以提高对网格优化的效率,也可以提高对网格优化的可靠性。
S306:根据多幅图像对优化后的网格进行贴图处理,得到多幅图像中的目标对象的三维重建对象。
其中,针对不同的应用场景,多幅图像的内容可能不同,多幅图像中包括的目标对象也可能不同。
例如,结合上述示例,若应用场景为VR场景,则目标对象可以为VR场景中的真实对象,如用户等。又如,若应用场景为自动驾驶场景,则目标对象可以为自动驾驶车辆周围的车辆等。
结合上述分析可知,网格优化是为了得到准确性更高的三维重建对象,因此,在基于S301-S305得到优化后的网格后,可以在优化后的网格上进行贴图处理,以在优化后的网格上重建目标对象,得到三维重建对象。
且基于上述分析可知,通过S301-S305得到优化后的网格具有较高的准确性和可靠性,因此,在此基础上进行贴图处理得到的三维重建对象具有较高的准确性和可靠性,使得三维重建对象可以高度还原目标对象。
应该理解的是,图3所示的实施例只是用于说明本公开可能的实施例,而不能理解为对实施例的内容的限定。例如,上述实施例中的部分内容可以组成新的实施例,例如,S301-S305可以为新的实施例。又如,上述针对S304描述的部分内容可以与其他步骤组合,得到新的实施例,等等,此处不再一一列举。
根据本公开的实施例,本公开还提供了一种三维重建的网格优化装置。
请参阅图4,图4为本公开一个实施例的三维重建的网格优化装置的示意图,如图4所示,三维重建的网格优化装置400,包括:
获取单元401,用于根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的。
确定单元402,用于确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度。
优化单元403,用于根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
请参阅图5,图5为本公开另一实施例的三维重建的网格优化装置的示意图,如图5所示,三维重建的网格优化装置500,包括:
获取单元501,用于根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的。
在一些实施例中,结合图5所示,获取单元501,包括:
确定子单元5011,用于针对所述各顶点中的每一顶点,根据该顶点的坐标、以及与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征。
生成子单元5012,用于根据所述各顶点各自对应的局部平滑特征生成所述全局平滑特征。
确定单元502,用于确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度。
在一些实施例中,结合图5所示,确定单元502,包括:
计算子单元5021,用于根据两幅图像在同一窗口内像素点对应的亮度,计算得到两幅图像在所述同一窗口内各自对应的平均亮度。
第一构建子单元5022,用于根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量。
在一些实施例中,第一构建子单元5022,包括:
确定模块,用于根据两幅图像在所述同一窗口内各自对应的平均亮度,确定两幅图像在同一窗口内各自对应的向量之间的平行误差。
构建模块,用于根据所述平行误差构建两幅图像之间的二阶ZNCC能量。
优化单元503,用于根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
在一些实施例中,结合图5所示,优化单元503,包括:
第二构建子单元5031,用于根据各二阶ZNCC能量和所述全局平滑特征,构建待优化能量。
求解子单元5032,用于采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格。
在一些实施例中,求解子单元5032,包括:
转换模块,用于采用高斯牛顿法将所述待优化能量转换为线性方程组。
求解模块,用于求解所述线性方程组,得到所述各顶点的偏移量。
优化模块,用于根据所述偏移量对所述各顶点的位置进行优化,得到所述优化后的网格。
贴图单元504,用于根据所述多幅图像对所述优化后的网格进行贴图处理,得到所述多幅图像中的目标对象的三维重建对象。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
根据本公开的实施例,本公开还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
参考图6,其示出了适于用来实现本公开实施例的电子设备600的结构示意图,该电子设备600可以为终端设备或服务器。其中,终端设备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、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑(Portable Android Device,简称PAD)、便携式多媒体播放器(Portable MediaPlayer,简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。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(Read Only Memory,简称ROM)602中的程序或者从存储装置608加载到随机访问存储器(Random Access Memory,简称RAM)603中的程序而执行各种适当的动作和处理。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(Liquid CrystalDisplay,简称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。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ROM602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。
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。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
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(LocalArea Network,简称LAN)或广域网(Wide Area Network,简称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,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
第一方面,根据本公开的一个或多个实施例,提供了一种三维重建的网格优化方法,包括:
根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
根据本公开的一个或多个实施例,所述根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,包括:
针对所述各顶点中的每一顶点,根据该顶点的坐标、以及与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征;
根据所述各顶点各自对应的局部平滑特征生成所述全局平滑特征。
根据本公开的一个或多个实施例,所述确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,包括:
根据两幅图像在同一窗口内像素点对应的亮度,计算得到两幅图像在所述同一窗口内各自对应的平均亮度;
根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量。
根据本公开的一个或多个实施例,所述根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量,包括:
根据两幅图像在所述同一窗口内各自对应的平均亮度,确定两幅图像在同一窗口内各自对应的向量之间的平行误差;
根据所述平行误差构建两幅图像之间的二阶ZNCC能量。
根据本公开的一个或多个实施例,所述根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格,包括:
根据各二阶ZNCC能量和所述全局平滑特征,构建待优化能量;
采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格。
根据本公开的一个或多个实施例,所述采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格,包括:
采用高斯牛顿法将所述待优化能量转换为线性方程组,并求解所述线性方程组,得到所述各顶点的偏移量;
根据所述偏移量对所述各顶点的位置进行优化,得到所述优化后的网格。
根据本公开的一个或多个实施例,所述方法还包括:
根据所述多幅图像对所述优化后的网格进行贴图处理,得到所述多幅图像中的目标对象的三维重建对象。
第二方面,根据本公开的一个或多个实施例,提供了一种三维重建的网格优化装置,包括:
获取单元,用于根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定单元,用于确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
优化单元,用于根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
根据本公开的一个或多个实施例,所述获取单元,包括:
确定子单元,用于针对所述各顶点中的每一顶点,根据该顶点的坐标、以及与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征;
生成子单元,用于根据所述各顶点各自对应的局部平滑特征生成所述全局平滑特征。
根据本公开的一个或多个实施例,所述确定单元,包括:
计算子单元,用于根据两幅图像在同一窗口内像素点对应的亮度,计算得到两幅图像在所述同一窗口内各自对应的平均亮度;
第一构建子单元,用于根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量。
根据本公开的一个或多个实施例,所述第一构建子单元,包括:
确定模块,用于根据两幅图像在所述同一窗口内各自对应的平均亮度,确定两幅图像在同一窗口内各自对应的向量之间的平行误差;
构建模块,用于根据所述平行误差构建两幅图像之间的二阶ZNCC能量。
根据本公开的一个或多个实施例,所述优化单元,包括:
第二构建子单元,用于根据各二阶ZNCC能量和所述全局平滑特征,构建待优化能量;
求解子单元,用于采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格。
根据本公开的一个或多个实施例,所述求解子单元,包括:
转换模块,用于采用高斯牛顿法将所述待优化能量转换为线性方程组;
求解模块,用于求解所述线性方程组,得到所述各顶点的偏移量;
优化模块,用于根据所述偏移量对所述各顶点的位置进行优化,得到所述优化后的网格。
根据本公开的一个或多个实施例,所述装置还包括:
贴图单元,用于根据所述多幅图像对所述优化后的网格进行贴图处理,得到所述多幅图像中的目标对象的三维重建对象。
第三方面,根据本公开的一个或多个实施例,提供了一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的三维重建的网格优化方法。
第四方面,根据本公开的一个或多个实施例,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的三维重建的网格优化方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种三维重建的网格优化方法,其特征在于,所述方法包括:
根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
2.根据权利要求1所述的方法,其特征在于,所述根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,包括:
针对所述各顶点中的每一顶点,根据该顶点的坐标、以及与该顶点在物理空间上相邻的顶点的坐标,确定该顶点的局部平滑特征;
根据所述各顶点各自对应的局部平滑特征生成所述全局平滑特征。
3.根据权利要求1或2所述的方法,其特征在于,所述确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,包括:
根据两幅图像在同一窗口内像素点对应的亮度,计算得到两幅图像在所述同一窗口内各自对应的平均亮度;
根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量。
4.根据权利要求3所述的方法,其特征在于,所述根据两幅图像在所述同一窗口内各自对应的平均亮度,构建两幅图像之间的二阶ZNCC能量,包括:
根据两幅图像在所述同一窗口内各自对应的平均亮度,确定两幅图像在同一窗口内各自对应的向量之间的平行误差;
根据所述平行误差构建两幅图像之间的二阶ZNCC能量。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格,包括:
根据各二阶ZNCC能量和所述全局平滑特征,构建待优化能量;
采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格。
6.根据权利要求5所述的方法,其特征在于,所述采用高斯牛顿法对所述待优化能量进行求解,得到优化后的网格,包括:
采用高斯牛顿法将所述待优化能量转换为线性方程组,并求解所述线性方程组,得到所述各顶点的偏移量;
根据所述偏移量对所述各顶点的位置进行优化,得到所述优化后的网格。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述方法还包括:
根据所述多幅图像对所述优化后的网格进行贴图处理,得到所述多幅图像中的目标对象的三维重建对象。
8.一种三维重建的网格优化装置,其特征在于,所述装置包括:
获取单元,用于根据待优化网格中的各顶点,获取所述待优化网格的全局平滑特征,所述待优化网格为基于多幅图像构建的;
确定单元,用于确定所述多幅图像中,每两幅图像之间的二阶零均值归一化互相关系数ZNCC能量,其中,两幅图像之间的二阶ZNCC能量用于表征两幅图像之间的相似程度;
优化单元,用于根据各二阶ZNCC能量和所述全局平滑特征对所述待优化网格进行优化,得到优化后的网格。
9.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211216137.1A CN117853680A (zh) | 2022-09-30 | 2022-09-30 | 三维重建的网格优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211216137.1A CN117853680A (zh) | 2022-09-30 | 2022-09-30 | 三维重建的网格优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853680A true CN117853680A (zh) | 2024-04-09 |
Family
ID=90556491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211216137.1A Pending CN117853680A (zh) | 2022-09-30 | 2022-09-30 | 三维重建的网格优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853680A (zh) |
-
2022
- 2022-09-30 CN CN202211216137.1A patent/CN117853680A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846497B (zh) | 应用于终端的呈现三维地图的方法和装置 | |
CN111932664A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN110378947B (zh) | 3d模型重建方法、装置及电子设备 | |
CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
CN115775310A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN110378948B (zh) | 3d模型重建方法、装置及电子设备 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN116863078A (zh) | 三维人体模型重建方法、装置、电子设备和可读介质 | |
US10754498B2 (en) | Hybrid image rendering system | |
CN114092642B (zh) | 一种三维户型模型生成方法、装置及设备 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113963000B (zh) | 图像分割方法、装置、电子设备及程序产品 | |
CN117853680A (zh) | 三维重建的网格优化方法和装置 | |
CN114494574A (zh) | 一种多损失函数约束的深度学习单目三维重建方法及系统 | |
CN114049403A (zh) | 一种多角度三维人脸重建方法、装置及存储介质 | |
CN113870271A (zh) | 3d点云的压缩方法、装置、设备及存储介质 | |
CN113744379A (zh) | 图像生成方法、装置和电子设备 | |
CN111627105B (zh) | 人脸特效分裂方法、装置、介质和设备 | |
CN111754423B (zh) | 高模gpu蒙皮平滑处理方法、装置及电子设备 | |
CN113808050B (zh) | 3d点云的去噪方法、装置、设备及存储介质 | |
CN117058668B (zh) | 一种三维模型减面评估方法及装置 | |
US20240096023A1 (en) | Information processing method and device | |
CN112395826B (zh) | 文字特效处理方法及装置 |
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 |