WO2023132261A1 - 情報処理システム、情報処理方法および情報処理プログラム - Google Patents

情報処理システム、情報処理方法および情報処理プログラム Download PDF

Info

Publication number
WO2023132261A1
WO2023132261A1 PCT/JP2022/047439 JP2022047439W WO2023132261A1 WO 2023132261 A1 WO2023132261 A1 WO 2023132261A1 JP 2022047439 W JP2022047439 W JP 2022047439W WO 2023132261 A1 WO2023132261 A1 WO 2023132261A1
Authority
WO
WIPO (PCT)
Prior art keywords
texture
shape
image
camera
face
Prior art date
Application number
PCT/JP2022/047439
Other languages
English (en)
French (fr)
Inventor
ミハウ ヨアヒムチャク
ジュエン リュウ
広志 安藤
清貴 内元
Original Assignee
国立研究開発法人情報通信研究機構
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 国立研究開発法人情報通信研究機構 filed Critical 国立研究開発法人情報通信研究機構
Publication of WO2023132261A1 publication Critical patent/WO2023132261A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Definitions

  • the present invention relates to an information processing system, information processing method, and information processing program for reproducing a 3D model.
  • Non-Patent Document 1 acquires the 3D shape and texture of a person using a depth sensor, transmits the acquired 3D shape and texture to a remote location, and uses an MR (mixed reality) headset to obtain the 3D shape of the person.
  • MR mixed reality
  • Disclosed is a system that enables communication while a model is superimposed on the real space. Also, the 3D shape of a person may be obtained using multiple cameras.
  • One object of the present invention is to provide a configuration that can reproduce a 3D model of a person with a simpler configuration.
  • An information processing system includes a camera, a storage unit storing pre-created 3D shape data representing a 3D shape of a body and texture data representing the texture of the body, and an image captured by the camera.
  • a face texture reconstruction unit that reconstructs the texture of the face from the 2D image of the person
  • a face shape reconstruction unit that reconstructs the 3D shape of the face from the 2D image of the person captured by the camera, and the person captured by the camera.
  • a pose estimating unit that estimates the pose of the person from the 2D image, reconstructs the 3D shape of the body corresponding to the pose estimated based on the 3D shape data, and reconstructs the reconstructed 3D shape and reconstruction of the body a shape integrating unit that reconstructs the 3D shape of the person captured by the camera by integrating the 3D shape of the face captured by the camera; a texture reconstruction unit that reconstructs a texture image of the person captured by the camera; and a texture image of the person captured by the camera based on the 3D shape of the person captured by the camera and the texture image of the person captured by the camera and a model generator that generates the 3D model.
  • the texture data includes a texture image corresponding to the reconstructed 3D shape of the body, a texture image corresponding to the reconstructed 3D shape of the face, a texture map corresponding to the reconstructed 3D shape of the body, and , and a texture map corresponding to the reconstructed 3D shape of the face.
  • the information processing system includes a body shape reconstruction unit that reconstructs a 3D shape of the body from multiple 2D images of the person captured by the camera, and a 3D shape of the head from the multiple 2D images of the person captured by the camera. Determining the correspondence between the reconstructed head shape reconstruction unit and the reconstructed 3D shape of the body and the reconstructed 3D shape of the head, and based on the determined correspondence between the 3D shapes, Determining a correspondence relationship between a texture map corresponding to the 3D shape of the body and a texture map corresponding to the 3D shape of the head, and producing a texture image corresponding to the 3D shape of the body based on the determined correspondence relationship between the texture maps. and a texture integration unit that generates a texture image corresponding to the 3D shape of the head from.
  • the shape integration unit may integrate the reconstructed 3D shape of the body and the reconstructed 3D shape of the face based on the texture map included in the texture data.
  • the model generation unit may integrate the 3D shape of the person and the texture image of the person based on the texture map included in the texture data.
  • the texture reconstructing unit may superimpose the result of passing through a mask in the texture image of the person captured by the camera on the texture image included in the texture data.
  • the mask may be configured to have a continuously varying transmittance.
  • a partial image corresponding to a window set in a 2D image of a person captured by a camera may be input to the face texture reconstruction unit and the face shape reconstruction unit.
  • the information processing system may further include a stabilization unit that temporally smoothes the position of the person in the 2D image to set the window.
  • the texture integration unit integrates a texture image corresponding to the 3D shape of the body and a texture image corresponding to the 3D shape of the head, and also integrates a texture map corresponding to the 3D shape of the body and a texture image corresponding to the 3D shape of the head. Texture data may be generated by integrating with a map.
  • An information processing method includes the steps of reconstructing a facial texture from a 2D image of a person captured by a camera, and reconstructing a 3D shape of the face from the 2D image of a person captured by a camera.
  • a step of estimating the pose of the person from a 2D image of the person captured by a camera reconstructing and integrating the reconstructed 3D shape of the body and the reconstructed 3D shape of the face to reconstruct the 3D shape of the person captured by the camera; blending the reconstructed texture image of the face with the texture image included in the texture data representing the texture of the face to reconstruct a texture image of the person captured by the camera; and generating a 3D model of the person captured by the camera based on the texture image of the person captured by the camera.
  • an information processing program for causing a computer to execute the above method is provided.
  • a 3D model of a person can be reproduced with a simpler configuration.
  • FIG. 1 is a schematic diagram showing an example of a system configuration of an information processing system according to an embodiment
  • FIG. 1 is a schematic diagram showing an example of a hardware configuration of an information processing device that constitutes an information processing system according to an embodiment
  • FIG. 4 is a flow chart showing a processing procedure in an initial model building stage of the information processing system according to the present embodiment
  • 4 is a flow chart showing a processing procedure in a 3D model reproduction stage of the information processing system according to the present embodiment
  • FIG. 3 is a schematic diagram showing a functional configuration example for realizing an initial model construction stage of the information processing system according to the present embodiment
  • FIG. 4 is a diagram showing an example of data generated in an initial model building stage of the information processing system according to the present embodiment
  • FIG. 4 is a schematic diagram for explaining texture integration processing in the initial model construction stage of the information processing system according to the present embodiment
  • FIG. 3 is a schematic diagram showing a functional configuration example for realizing a 3D model reproduction stage of the information processing system according to the present embodiment
  • FIG. 4 is a diagram showing an example of data generated in the 3D model reproduction stage of the information processing system according to the present embodiment
  • FIG. 4 is a schematic diagram for explaining blending processing in the information processing system according to the present embodiment
  • FIG. 4 is a schematic diagram showing another example of the system configuration of the information processing system according to the present embodiment
  • 3D three-dimensional or three-dimensional objects
  • 2D two-dimensional or planar objects
  • FIG. 1 is a schematic diagram showing an example of a system configuration of an information processing system 1 according to this embodiment.
  • FIG. 1 shows, for example, a configuration in which information processing apparatuses 100-1 and 100-2 (hereinafter sometimes collectively referred to as "information processing apparatuses 100") and an information processing apparatus 200 are connected via a network 2.
  • a camera 140-1 is connected to the information processing device 100-1
  • a camera 140-2 is connected to the information processing device 100-2.
  • the information processing device 100 acquires an initial model of the person 10 in advance.
  • the information processing apparatus 100 reproduces a 3D model of the person 10 by continuously capturing images of the person 10 with the camera 140 .
  • the reproduced 3D model changes in real time by reflecting the movements and facial expressions of the person 10 being imaged.
  • the reproduced 3D model of the person 10 is also called a 3D avatar, or simply an avatar.
  • a person 10-1 exists within the field of view of the camera 140-1
  • a person 10-2 exists within the field of view of the camera 140-2.
  • the information processing device 100-1 reproduces a 3D model 20-1 of the person 10-1 on the screen of the information processing device 200 by capturing an image of the person 10-1.
  • the information processing device 100-2 reproduces a 3D model 20-2 of the person 10-2 on the screen of the information processing device 200 by capturing an image of the person 10-2.
  • the 3D models 20-1 and 20-2 reproduced on the screen of the information processing device 200 can exist in any 3D space.
  • FIG. 2 is a schematic diagram showing an example of a hardware configuration of information processing apparatus 100 forming information processing system 1 according to the present embodiment.
  • information processing apparatus 100 can be implemented using a general-purpose computer.
  • information processing apparatus 100 includes, as main hardware components, CPU 102, GPU 104, main memory 106, display 108, network interface (I/F) 110, and input device 112. , optical drive 114 , camera interface (I/F) 118 , and storage 120 .
  • the CPU 102 and/or GPU 104 are processors that execute the information processing method according to the present embodiment.
  • a plurality of CPUs 102 and GPUs 104 may be arranged, or may have a plurality of cores.
  • the main memory 106 is a storage area that temporarily stores (or caches) program code and work data when the processor (CPU 102 and/or GPU 104) executes processing. ) and SRAM (Static Random Access Memory).
  • the display 108 is a display unit that outputs a user interface related to processing, processing results, and the like, and is composed of, for example, an LCD (liquid crystal display) or an organic EL (electroluminescence) display.
  • the network interface 110 exchanges data with any information processing device or the like connected to the network 2 .
  • the input device 112 is a device that receives instructions and operations from the user, and is composed of, for example, a keyboard, mouse, touch panel, and pen.
  • the optical drive 114 reads information stored in an optical disc 116 such as a CD-ROM (compact disc read only memory) or DVD (digital versatile disc) and outputs it to other components.
  • the optical disc 116 is an example of a non-transitory recording medium, and is distributed in a state in which arbitrary programs are stored in a non-volatile manner.
  • the optical drive 114 reads the program from the optical disc 116 and installs it in the storage 120 or the like, so that the computer functions as the information processing device 100 . Therefore, the subject of the present invention can be the program itself installed in storage 120 or the like, or a recording medium such as optical disc 116 storing a program for realizing the functions and processes according to the present embodiment.
  • FIG. 2 shows an optical recording medium such as an optical disk 116 as an example of a non-transitory recording medium, but is not limited to this, semiconductor recording media such as flash memory, magnetic recording media such as hard disks or storage tapes. , MO (magneto-optical disk) or other magneto-optical recording media may be used.
  • semiconductor recording media such as flash memory
  • magnetic recording media such as hard disks or storage tapes.
  • MO magnetic-optical disk
  • other magneto-optical recording media may be used.
  • the camera interface 118 acquires the video imaged by the camera 140 and gives the camera 140 commands regarding imaging.
  • the storage 120 stores programs and data necessary for the computer to function as the information processing device 100 .
  • it is composed of a non-volatile storage device such as a hard disk or SSD (solid state drive).
  • the storage 120 includes an OS (operating system) (not shown), an initial model construction program 122 that implements initial model construction processing (initial model construction stage), and a 3D model generation process (3D model 3D model reproduction program 124 for realizing the reproduction stage).
  • OS operating system
  • initial model construction program 122 that implements initial model construction processing
  • 3D model generation process (3D model 3D model reproduction program 124 for realizing the reproduction stage).
  • the initial 3D shape data 162 and initial texture data 168 generated in the initial model building stage may be stored in the storage 120 . That is, the storage 120 corresponds to a storage unit that stores pre-created 3D shape data 126 representing the 3D shape of the body and initial texture data 168 (texture data) representing the texture of the body.
  • FIG. 2 shows an example in which the information processing apparatus 100 is configured using a single computer. , the information processing method according to the present embodiment may be realized.
  • All or part of the functions realized by the processor (CPU 102 and/or GPU 104) executing the program may be realized using a hard-wired circuit such as an integrated circuit.
  • a hard-wired circuit such as an integrated circuit.
  • it may be realized using ASIC (application specific integrated circuit) or FPGA (field-programmable gate array).
  • a person skilled in the art will be able to implement the information processing apparatus 100 according to the present embodiment by appropriately using technology suitable for the era in which the present invention is implemented.
  • the hardware configuration of the information processing apparatus 200 that constitutes the information processing system 1 is the same as that of FIG. 2, so detailed description will not be repeated.
  • Texture data is a generic term for texture images and texture maps.
  • FIG. 3 is a flow chart showing a processing procedure in the initial model construction stage of information processing system 1 according to the present embodiment. Each process shown in FIG. 3 is typically implemented by the processor of the information processing apparatus 100 executing a program (initial model construction program 122 shown in FIG. 2).
  • the information processing device 100 acquires the 2D video (for one frame) captured by the camera 140 (step S100).
  • the information processing apparatus 100 determines whether or not a predetermined number of frames of 2D video has been acquired (step S102). If the predetermined number of frames of 2D video has not been acquired (NO in step S102), the processing from step S100 onward is repeated.
  • the information processing apparatus 100 may start imaging with the camera 140 in response to an explicit instruction from the user, or may repeat imaging at a predetermined cycle.
  • the information processing apparatus 100 reconstructs body 3D shape data 160 representing the captured 3D shape of the body based on the acquired multiple 2D images (multi-viewpoint images 144) (step S104).
  • the information processing apparatus 100 then flattens the area corresponding to the face area in the displacement map included in the body 3D shape data 160 (step S106).
  • the shape parameters and the displacement map after flattening are output as the initial 3D shape data 162 (step S108).
  • the information processing apparatus 100 reconstructs body texture data (body texture image 1642 and body texture map 1644) representing the texture of the body based on the acquired plurality of 2D images (multi-viewpoint images 144) (step S110). ).
  • the information processing apparatus 100 also reconstructs head 3D shape data 167 representing the captured 3D shape of the head based on the acquired multiple 2D images (multi-viewpoint images 144) (step S112).
  • the texture integration unit 158 integrates the body texture data 164 and the face texture data 166 to reconstruct the initial texture data 168 (initial texture image 1682 and initial texture map 1684) (step S114).
  • the information processing device 100 stores the initial 3D shape data 162 and the initial texture data 168 of the person as an initial model (step S116).
  • FIG. 4 is a flowchart showing a processing procedure in the 3D model reproduction stage of information processing system 1 according to the present embodiment. Each process shown in FIG. 4 is typically implemented by the processor of the information processing apparatus 100 executing a program (3D model reproduction program 124 shown in FIG. 2).
  • the information processing device 100 acquires the 2D video (for one frame) captured by the camera 140 (step S200).
  • the information processing apparatus 100 detects the face area included in the acquired 2D video (for one frame) (step S202), and determines the current window position and size based on the past detection result of the face area (step S204).
  • the information processing apparatus 100 reconstructs a face texture image 1666 representing the imaged face image based on the 2D image of the portion corresponding to the determined window (step S206). That is, the information processing apparatus 100 reconstructs the texture of the face from the 2D image of the person captured by the camera 140 .
  • the information processing apparatus 100 blends the face texture image 1666 with the initial texture image 1682 (initial face texture image 1686) reconstructed in the initial model construction stage to reconstruct a blended face texture image 1824 (step S208). That is, the information processing apparatus 100 blends the reconstructed face texture image (face texture image 1666) with the texture image (initial face texture image 1686) included in the texture data representing the texture of the body created in advance. , reconstructs the texture image of the person captured by camera 140 (blended face texture image 1824).
  • the information processing apparatus 100 reconstructs parameters (facial expression parameters 184) indicating each of the facial expression, movement, and 3D shape based on the 2D image of the portion corresponding to the determined window (step S210). . That is, the information processing apparatus 100 reconstructs the 3D shape of the face from the 2D image of the person captured by the camera 140 .
  • the information processing apparatus 100 also estimates the pose (orientation) of the body for each frame from the 2D video (for one frame) (step S212). That is, the information processing apparatus 100 estimates the pose of the person from the 2D image of the person captured by the camera 140 . The estimated pose is output as body pose data 186 for each frame.
  • step S210 and the processing of step S212 may be executed in parallel or serially.
  • the execution order of the processes may be any.
  • the information processing apparatus 100 inputs the body pose data 186 and the facial expression parameters 184 to the initial 3D shape data 162 reconstructed in the initial model building stage, thereby creating a 3D model that integrates the 3D shape of the body and the 3D shape of the face.
  • Integrated 3D shape data 188 representing the shape is reconstructed (step S214). More specifically, the information processing apparatus 100 creates a 3D shape of the body (integrated 3D shape) corresponding to the pose estimated based on 3D shape data (initial 3D shape data 162) representing the 3D shape of the body created in advance. data 188) are reconstructed.
  • the information processing apparatus 100 also integrates the reconstructed 3D shape of the body and the reconstructed 3D shape of the face to reconstruct the 3D shape of the person captured by the camera 140 (integrated 3D shape data 188). To construct.
  • steps S202 to S208 and the processing of steps S210 to S214 may be executed in parallel or serially.
  • the execution order of the processes may be any.
  • the information processing device 100 integrates the integrated 3D shape data 188 and the blended face texture image 1824 (step S216), and outputs a 3D model viewed from one designated viewpoint (step S218). That is, the information processing apparatus 100 generates the 3D model 190 of the person captured by the camera 140 based on the 3D shape of the person captured by the camera 140 and the texture image of the person captured by the camera 140 .
  • steps S200 to S218 are repeated for each frame.
  • an initial model for reproducing a 3D model is constructed by imaging a person.
  • the initial model that is constructed reflects the body and face information of the person, respectively.
  • FIG. 5 is a schematic diagram showing a functional configuration example for realizing the initial model construction stage of the information processing system 1 according to the present embodiment.
  • FIG. 6 is a diagram showing an example of data generated in the initial model construction stage of information processing system 1 according to the present embodiment.
  • FIG. 5 Each function shown in FIG. 5 is typically implemented by the processor of the information processing device 100 executing a program (the initial model construction program 122 shown in FIG. 2).
  • information processing apparatus 100 includes video acquisition unit 142, body 3D shape reconstruction unit 150, 3D shape correction unit 152, body texture reconstruction unit 154, and face texture reconstruction unit 156. , a head 3D shape reconstruction unit 157 and a texture integration unit 158 .
  • the image acquisition unit 142 acquires the 2D image captured by the camera 140 .
  • the image acquisition unit 142 acquires a plurality of 2D images (multi-viewpoint images 144) obtained by imaging a person whose 3D model is to be reproduced from multiple viewpoints.
  • the position of the camera 140 may be changed with respect to the person to capture images from a plurality of viewpoints, or the person may rotate his or her body while the camera 140 is fixed so that images from a plurality of viewpoints may be captured.
  • a plurality of cameras 140 may be prepared, and a plurality of 2D images may be obtained by capturing images of a person with each camera 140 .
  • FIG. 6A shows an example of a multi-viewpoint video 144 in which a person is imaged from eight viewpoints.
  • the multi-viewpoint video 144 used to reconstruct the initial model is preferably a 2D video of 5 to 10 frames.
  • the body 3D shape reconstruction unit 150 reconstructs the 3D shape of the body based on the multi-viewpoint video 144 . That is, the body 3D shape reconstruction unit 150 reconstructs the 3D shape of the body from a plurality of 2D images of the person captured by the camera 140, and outputs body 3D shape data 160 representing the captured 3D shape of the body. do.
  • FIG. 6B shows an example of visually expressing the reconstructed body 3D shape data 160. As shown in FIG.
  • the body 3D shape reconstruction unit 150 reconstructs a model representing the 3D shape of the human body from the 2D image.
  • “Tex2Shape” Alldieck, T.; Pons-Moll, G.; Theobalt, C.; Magnor, M. Tex2Shape: Detailed Full Human Body Geometry From a Single Image In 2019 IEEE/CVF International Conference on Computer Vision (ICCV); 2019; pp 2293-2303. https://doi.org/10.1109/ICCV.2019.00238.
  • “Tex2Shape” outputs shape parameters (principal component feature ⁇ that indicates shape) and displacement maps.
  • shape parameters principal component feature ⁇ that indicates shape
  • displacement maps When “Tex2Shape” outputs a model in SMPL format, it may be further converted into SMPL-X format, which has four times the resolution of SMPL format.
  • the body 3D shape reconstruction unit 150 outputs body 3D shape data 160 as information indicating the 3D shape of the human body.
  • the body 3D shape data 160 typically consists of data in mesh format.
  • the 3D shape correction unit 152 flattens the face area in the body 3D shape data 160 reconstructed by the body 3D shape reconstruction unit 150 .
  • another model is used to reconstruct the person's face, so it is preferable not to mutate the reconstructed 3D shape of the face region.
  • the 3D shape correction unit 152 corrects the area in the displacement map corresponding to the estimated face area to a flat area. That is, the 3D shape correction unit 152 corrects the face area to a flat area without undulations. Such flattening makes it possible to more efficiently reproduce the human head in the 3D model reproduction stage.
  • the 3D shape correction unit 152 extracts a person included in the 2D image used to reconstruct the body 3D shape data 160, and estimates the human body region (body parts) of the extracted person. . For example, regions corresponding to a person's face, hands, feet, etc. are estimated. For such estimation in the human body region, "DensePose" (Gueler, R. A.; Noneova, N.; Kokkinos, I. DensePose: Dense Human Pose Estimation in the Wild. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2018; pp 7297-7306. https://doi.org/10.1109/CVPR.2018.00762.) can be used.
  • the 3D shape correction unit 152 updates the value of the region within the displacement map corresponding to the estimated face region to a value indicating a flat region.
  • the 3D shape correction unit 152 outputs initial 3D shape data 162 representing a 3D shape obtained by flattening the face area.
  • FIG. 6C shows an example of visually representing the initial 3D shape data 162 .
  • body texture reconstruction unit 154 reconstructs body texture from a plurality of 2D images (multi-viewpoint images 144) of a person captured by the camera 140.
  • body texture reconstruction unit 154 reconstructs body texture image 1642 and body texture map 1644 .
  • the body texture image 1642 and the body texture map 1644 may be collectively referred to as "body texture data 164".
  • FIG. 6(D) shows an example of a body texture image 1642 and a body texture map 1644 (body texture data 164).
  • the body texture reconstruction unit 154 reconstructs the body texture data 164 according to the following processing.
  • the body texture reconstruction unit 154 detects key points of a person from 2D images included in the multi-viewpoint image 144 .
  • "OpenPose” (Cao, Z.; Hidalgo, G.; Simon, T.; Wei, S.-E.; Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Known algorithms such as Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence 2021, 43 (1), 172-186. https://doi.org/10.1109/TPAMI.2019.2929257.) can be used.
  • the body texture reconstruction unit 154 uses the detected keypoints to perform semantic segmentation on the 2D video to estimate the human body region (body parts) of the person.
  • semantic segmentation includes "PGN" (Gong, K.; Liang, X.; Li, Y.; Chen, Y.; Yang, M.; Lin, L. Instance-Level Human Parsing via Part Grouping Network In Computer Vision - ECCV 2018; Ferrari, V., Hebert, M., Sminchisescu, C., Weiss, Y., Eds.; Lecture Notes in Computer Science; Springer International Publishing: Cham, 2018; pp 805-822. https://doi.org/10.1007/978-3-030-01225-0_47.) can be used.
  • the body texture reconstruction unit 154 uses the estimated human body region to reconstruct texture data (body texture image 1642 and body texture map 1644) from multiple 2D images (multi-viewpoint images 144).
  • texture data body texture image 1642 and body texture map 1644.
  • "Semantic Human Texture Stitching” Alldieck, T.; Magnor, M.; Xu, W.; Theobalt, C.; Pons-Moll, G. Detailed Human Avatars from Monocular Video In 2018 International Conference on 3D Vision (3DV); 2018; pp 98-109. https://doi.org/10.1109/3DV.2018.00022.
  • “Semantic Human Texture Stitching” can output texture data in both SMPL and SMPL-X formats. As described above, when body 3D shape data 160 conforming to the SMPL-X format is used, texture data also conforming to the SMPL-X format is used.
  • the SMPL format/SMPL-X format adopts the same format as the texture map (UV mapping) included in the texture data.
  • the face texture reconstruction unit 156 reconstructs the texture of the face from the 2D image of the person captured by the camera 140 .
  • the face texture reconstruction unit 156 reconstructs the texture of the face based on the 2D video included in the multi-viewpoint video 144 .
  • facial texture reconstructor 156 reconstructs facial texture image 1662 and facial texture map 1664 .
  • Face texture image 1662 and face texture map 1664 are sometimes collectively referred to as "face texture data 166".
  • the face texture image is reconstructed by the texture integrating section 158, so the facial texture image 1662 reconstructed by the facial texture reconstruction section 156 may be discarded.
  • the facial texture reconstruction unit 156 reconstructs the facial texture data 166 according to the following processing. That is, "DECA” (Feng, Y.; Feng, H.; Black, M. J.; Bolkart, T. Learning an Animatable Detailed 3D Face Model from In-the-Wild Images. ACM Trans. Graph. 2021, 40 (4), 88:1-88:13.https://doi.org/10.1145/3450626.3459936.) can be used.
  • DECA outputs FLAME model parameters (indicating the shape and expression of the face) for reproducing a person's face and texture data according to the FLAME format.
  • the face texture data 166 conforming to the FLAME format is output from the 2D image of the person captured by the camera.
  • the texture integration unit 158 integrates the body texture data 164 by applying the face texture data 166 conforming to the FLAME format to the body texture data 164 .
  • the facial texture reconstruction unit 156 reconstructs the facial texture data 166 for each frame even in the 3D model reproduction stage.
  • the head 3D shape reconstruction unit 157 reconstructs the 3D shape of the head from a plurality of 2D images (multi-viewpoint images 144 ) of the person captured by the camera 140 . That is, the head 3D shape reconstruction unit 157 reconstructs head 3D shape data 167 representing the 3D shape of the imaged head.
  • the head 3D shape reconstruction unit 157 uses the same algorithm as the body 3D shape reconstruction unit 150 to reconstruct a model representing the 3D shape of the person's head from the 2D image.
  • the head 3D shape reconstruction unit 157 outputs head 3D shape data 167 as information indicating the 3D shape of the head.
  • the head 3D shape data 167 typically consists of mesh format data.
  • Texture integration unit 158 integrates body texture data 164 and face texture data 166 to reconstruct initial texture data 168 (initial texture image 1682 and initial texture map 1684). The texture integration unit 158 integrates the body texture data 164 and the face texture data 166 based on the correspondence relationship between the body 3D shape data 160 and the head 3D shape data 167 .
  • each of the initial texture image 1682 and the initial texture map 1684 is composed of a head portion including the face and a body portion other than the head.
  • the initial texture image 1682 is composed of an initial face texture image 1686 reconstructed by processing described later, and a modified body texture image 1642H obtained by nullifying a head partial image 1642H corresponding to the head from the body texture image 1642. and a texture image 1642A.
  • the initial texture map 1684 consists of a face texture map 1664 and a modified body texture map 1644A obtained by invalidating the head part map 1644H corresponding to the head from the body texture map 1644.
  • the initial texture data 168 (texture data) consists of a texture image (modified body texture image 1642A) corresponding to the 3D shape of the reconstructed body and a 3D texture image of the reconstructed face.
  • a texture image corresponding to the shape (initial face texture image 1686), a texture map corresponding to the reconstructed 3D shape of the body (modified body texture map 1644A), and a texture corresponding to the reconstructed 3D shape of the face. map (face texture map 1664).
  • FIG. 6E shows a state in which the head partial image 1642H and the head partial map 1644H are deleted as an example of invalidation of the head partial image 1642H and the head partial map 1644H.
  • FIG. 7 is a schematic diagram for explaining texture integration processing in the initial model construction stage of the information processing system 1 according to the present embodiment.
  • the texture integration unit 158 executes the following five processes.
  • the texture integration unit 158 maps the body 3D shape data 160 and the head 3D shape data 167 to a common 3D space, thereby aligning the two shapes. Align the data.
  • the body 3D shape data 160 and the head 3D shape data 167 represent 3D shapes reconstructed from the same person, they are considered to have substantially the same topology.
  • the texture integration unit 158 focuses on common characteristic parts of the face (eyes, nose, etc.) and maps each shape data onto a common 3D space so that the focused parts have the same coordinates. Coordinate transformation matrices including operations such as translation, rotation, and scaling are used for processing for realizing such alignment.
  • the texture integration unit 158 determines correspondence between meshes between the two pieces of aligned shape data. That is, the texture integration unit 158 determines the correspondence relationship between the mesh included in the body 3D shape data 160 (for example, a set of triangles defined by three vertices) and the mesh included in the head 3D shape data 167. .
  • the texture integration unit 158 searches for the closest mesh among the meshes included in the post-alignment head 3D shape data 167 for each mesh included in the post-alignment body 3D shape data 160 . Finally, the texture integration unit 158 determines the correspondence between meshes (for example, the correspondence between the index indicating each mesh included in the body 3D shape data 160 and the index indicating each mesh included in the head 3D shape data 167). Array that indicates the relationship).
  • the texture integration unit 158 determines the correspondence relationship between the reconstructed 3D shape of the body (body 3D shape data 160) and the reconstructed 3D shape of the head (head 3D shape data 167). .
  • the texture integration unit 158 determines correspondence between the body texture map 1644 and the face texture map 1664 .
  • the correspondence (one-to-one) between body 3D shape data 160 and body texture map 1644 is known, as is the correspondence (one-to-one) between head 3D shape data 167 and face texture map 1664. Known.
  • the correspondence (one-to-one) between the body 3D shape data 160 and the head 3D shape data 167 is determined. determine the correspondence between
  • the texture integration unit 158 combines the texture map (body texture map 1644) corresponding to the 3D shape of the body (3D body shape data 160) with the 3D shape of the head based on the determined 3D shape correspondence relationship. Determine the correspondence with the texture map (face texture map 1664) corresponding to (head 3D shape data 167).
  • texture integration section 158 generates initial face texture image 1686 based on the correspondence relationship between body texture map 1644 and face texture map 1664 .
  • the texture integration unit 158 determines the coordinates of the body texture map 1644 corresponding to the coordinates of the face texture map 1664, and calculates the pixel values of the body texture image 1642 at the determined coordinates of the body texture map 1644. Applies as a new pixel value of the face texture image. That is, by mapping the body texture image 1642 based on the correspondence relationship between the body texture map 1644 and the face texture map 1664, an initial face texture image 1686, which is a new face texture image, is generated.
  • the texture integration unit 158 extracts the 3D shape of the head from the texture image (body texture image 1642) corresponding to the 3D shape of the body (3D body shape data 160) based on the determined texture map correspondence.
  • a texture image (initial face texture image 1686) corresponding to (head 3D shape data 167) is generated.
  • texture integration section 158 reconstructs initial texture data 168 (initial texture image 1682 and initial texture map 1684).
  • the texture integration unit 158 invalidates the head partial image 1642H corresponding to the head in the body texture image 1642, and combines it with the generated initial face texture image 1686.
  • the initial texture image 1682 corresponds to the modified body texture map 1644A and the initial face texture image 1686 adjusted to the same scale and placed adjacent to each other.
  • the texture integration unit 158 invalidates the head part map 1644H corresponding to the head among the body texture maps 1644 and combines it with the face texture map 1664 .
  • the initial texture map 1684 corresponds to the modified body texture image 1642A and the face texture map 1664 adjusted to the same scale and arranged adjacent to each other.
  • texture data conforming to the SMPL-X format it can be reformatted to the FLAME format by a predetermined scaling.
  • the correspondence between texture maps conforming to the SMPL-X format and texture maps conforming to the FLAME format is one-to-one. can decide.
  • the texture integration unit 158 generates a texture image (body texture image 1642) corresponding to the 3D shape of the body (body 3D shape data 160) and a texture image corresponding to the 3D shape of the head (head 3D shape data 167).
  • Image initial face texture image 1686) is integrated, and a texture map corresponding to the 3D shape of the body (modified body texture map 1644A) and a texture map corresponding to the 3D shape of the head (face texture map 1664) are integrated.
  • initial texture data 168 is generated.
  • the initial texture data 168 (initial texture image 1682 and initial texture map 1684) is composed of a part about the head including the face and parts of the body other than the head. By preparing more textures for the head including the face, it is possible to improve the reproducibility of facial expressions and movements (gestures) even in imaging using a single camera.
  • a 3D model is reproduced from a 2D image (for one frame) of a person captured by one camera 140 .
  • a 3D model is reproduced from a 2D image (for one frame) of a person captured by one camera 140 .
  • FIG. 8 is a schematic diagram showing a functional configuration example for realizing the 3D model reproduction stage of the information processing system 1 according to the present embodiment.
  • FIG. 9 is a diagram showing an example of data generated in the 3D model reproduction stage of information processing system 1 according to the present embodiment.
  • Each function shown in FIG. 8 is typically implemented by the processor of the information processing device 100 executing a program (the 3D model reproduction program 124 shown in FIG. 2). Note that the information processing apparatus 200 may take charge of some of the processes.
  • information processing apparatus 100 includes a stabilization unit 170, a face texture reconstruction unit 156, a texture image blending unit 172, a face shape reconstruction unit 174, a pose estimation unit 176, and a shape integration unit. 178 and a 3D model generator 180 .
  • the stabilizing unit 170 detects a face area included in the 2D image captured by the camera 140 and temporally stabilizes the detected face area.
  • Stabilizing section 170 outputs the temporally stabilized partial video corresponding to the facial region to facial texture reconstructing section 156 and facial shape reconstructing section 174 . That is, the partial image corresponding to the window set in the 2D image of the person captured by the camera 140 is input to the face texture reconstruction unit 156 and the face shape reconstruction unit 174 .
  • the stabilization unit 170 temporally smoothes the position and size of the face area 163 (window) extracted from the 2D image 146 .
  • FIG. 9A shows an example of processing for extracting face regions 163A and 163B from the 2D image 146.
  • FIG. The ranges of face areas 163A and 163B can be determined by known image recognition processing.
  • the positions of face keypoints eg, eyes
  • the size can also change from frame to frame.
  • the stabilization unit 170 stabilizes the reproduced face by temporally smoothing the position and size of the window. That is, the stabilization unit 170 temporally smoothes the position of the person in the 2D image to set the window.
  • the stabilization unit 170 adopts a window with a certain size that can cover the entire face of the person, and sets the window at a position based on a specific keypoint.
  • a window can be set around the tip of the nose.
  • the stabilization unit 170 uses the average position of each specific keypoint detected from the past n frames as a reference. , sets the position of the window in the next frame. Also, when the person approaches or moves away from the camera 140 in the next frame, the stabilization unit 170 follows the window size based on the moving average of the window sizes in the past n frames. change.
  • the size and position of the window are reset and set again. In this case, discontinuity may occur in the reproduced face, so additional processing may be performed to reduce discomfort.
  • the position and size of the sequentially extracted face region 163 do not change greatly between frames, so that discontinuity in the shape of the reconstructed face can be minimized. can be reduced.
  • the face texture reconstruction unit 156 reconstructs the texture of the face based on the image of the face region 163 extracted from the 2D image 146 . More specifically, facial texture reconstructor 156 reconstructs facial texture image 1666 . Facial texture reconstruction unit 156 is substantially the same as facial texture reconstruction unit 156 shown in FIG. 5, so detailed description thereof will not be repeated.
  • FIG. 9B shows an example of a reconstructed face texture image 1666.
  • the facial texture reconstruction unit 156 also reconstructs the facial texture map, it is not necessarily required in the texture image blending unit 172, so it may be discarded.
  • the texture image blending unit 172 blends the initial texture image 1682 reconstructed in the initial model construction stage and the facial texture image 1666 reconstructed by the facial texture reconstruction unit 156 to reconstruct a blended facial texture image 1824. To construct. That is, the texture image blending unit 172 blends the reconstructed facial texture image (initial texture image 1682) with the texture image (initial texture image 1682) included in the texture data (initial texture data 168), Reconstruct the texture image of the person (blended face texture image 1824) captured in .
  • FIG. 9(C) shows an example of a reconstructed blended face texture image 1824.
  • FIG. 10 is a schematic diagram for explaining the blending process in information processing system 1 according to the present embodiment.
  • texture image blending unit 172 uses mask 1826 to add face texture image 1666 to initial face texture image 1686 of initial texture image 1682 (initial face texture image 1686 and modified body texture image 1642A). The blending produces modified face texture image 1686A.
  • a blended face texture image 1824 is generated by performing a blending process on the initial face texture image 1686 of the initial texture image 1682 .
  • the texture image blending unit 172 superimposes, on the initial face texture image 1686 , the result of the face texture image 1666 that has passed through the mask 1826 .
  • the texture image blending unit 172 superimposes the result of the mask transmitted through the texture image (blended face texture image 1824) of the person captured by the camera 140 on the initial face texture image 1686 included in the initial texture data 168. do.
  • the mask 1826 may be generated, for example, by assigning the reliability of each pixel of the facial texture data 166 reconstructed by the facial texture reconstruction unit 156 as intensity (transparency).
  • the mask 1826 may be generated based on the face texture image 1666. More specifically, among pixels included in face texture image 1666, pixels whose pixel values exceed a predetermined threshold value are assigned “1” (transparent), and other pixels are assigned “0” (blocked). ). Subsequently, a minimization filter is applied using a square window, and a blurring filter (eg, Gaussian filter, box filter, etc.) is applied to the edges.
  • a minimization filter is applied using a square window, and a blurring filter (eg, Gaussian filter, box filter, etc.) is applied to the edges.
  • mask 1826 By using such a mask 1826, blending in which the periphery of the face texture image 1666 superimposed on the initial face texture image 1686 is gradually changed can be realized. That is, mask 1826 would be configured to have a continuously varying transmittance.
  • facial expressions that reflect the video of the current frame can be reproduced in real time, while hairstyles and the like can be stably reproduced using the initial texture image 1682 .
  • information such as facial expressions reconstructed from the video of each frame is used to reflect it in the 3D model in real time, but it is not necessarily reconstructed from the video of the frame.
  • the information of the initial facial texture image 1686 is reflected in the 3D model for the texture of the area other than the facial area of the head.
  • the facial shape reconstruction unit 174 reconstructs parameters (facial expression parameters 184 ) representing each of the facial expression, movement, and 3D shape based on the image of the facial region 163 extracted from the 2D image 146 . That is, the face shape reconstruction unit 174 corresponds to a face shape reconstruction unit that reconstructs the 3D shape of the face from the 2D image of the person captured by the camera 140 .
  • the face shape reconstruction unit 174 may employ a known algorithm such as "DECA" as described above.
  • FIG. 9(D) shows an example of visually expressing the parameters (facial expression parameters 184) representing each of the reconstructed facial expression, movement, and 3D shape.
  • the pose estimation unit 176 estimates a body pose (orientation) for each frame from the 2D video 146 . That is, the pose estimation unit 176 estimates the pose of the person from the 2D image of the person captured by the camera 140 .
  • Body pose data 186 is output from the pose estimation unit 176 for each frame. Typically, body pose data 186 includes information such as the angles of each joint.
  • a known pose estimation algorithm can be employed for the pose estimation unit 176 .
  • FIG. 9(E) shows an example of visually representing the pose estimation process and the estimated body pose data 186 .
  • the shape integration unit 178 inputs body pose data 186 and facial expression parameters 184 to the initial 3D shape data 162 reconstructed in the initial model construction stage, thereby obtaining a 3D shape of the body corresponding to the captured 2D image 146. to rebuild.
  • the shape integration unit 178 creates a 3D shape of the body corresponding to the pose specified by the body pose data 186 and the expression defined by the facial expression parameters 184 based on the initial 3D shape data 162. rebuild.
  • integrated 3D shape data 188 representing a 3D shape that integrates the 3D shape of the body and the 3D shape of the face is reconstructed.
  • the shape integration unit 178 reconstructs the integrated 3D shape data 188 using not only the initial 3D shape data 162 but also 3D shape data obtained by incorporating the head 3D shape data 167 into the initial 3D shape data 162.
  • the shape integration unit 178 determines the correspondence relationship based on the initial texture map 1684 (the modified body texture map 1644A and the face texture map 1664), and then integrates the 3D shape of the body and the 3D shape of the face.
  • the shape integration unit 178 reconstructs the 3D shape of the body corresponding to the pose estimated based on the initial 3D shape data 162 (3D shape data), and the reconstructed 3D shape of the body,
  • the 3D shape of the face reconstructed based on the facial expression parameters 184 is integrated to reconstruct the 3D shape of the person captured by the camera 140 (integrated 3D shape data 188).
  • the shape integration unit 178 integrates the reconstructed 3D shape of the body and the reconstructed 3D shape of the face based on the texture map (initial texture map 1684) included in the initial texture data 168. , the reproducibility can be improved.
  • FIG. 9(F) shows an example of visually representing the reconstructed integrated 3D shape data 188 .
  • the 3D model generator 180 integrates the 3D shape based on the integrated 3D shape data 188 and the blended face texture image 1824 . Also, the 3D model generator 180 outputs a 3D model 190 viewed from the specified viewpoint.
  • the 3D model generation unit 180 based on the 3D shape of the person captured by the camera 140 (integrated 3D shape data 188) and the texture image of the person captured by the camera 140 (blended face texture image 1824), A 3D model 190 of the person captured by the camera 140 is generated.
  • the initial texture map 1684 may be referred to for combining the integrated 3D shape data 188 and the blended face texture image 1824 (texture image mapping). That is, the 3D model generation unit 180 generates the 3D shape of the person (integrated 3D shape data 188) and the texture image of the person (blended face texture image 1824) based on the initial texture map 1684 included in the initial texture data 168 (texture data). ) may be integrated.
  • FIG. 9(F) shows an example of visually expressing the state of viewing the 3D model 190 from multiple viewpoints. Note that the 3D model generation unit 180 does not have to simultaneously display 3D models viewed from a plurality of viewpoints as shown in FIG. 9F, and outputs a 3D model viewed from a designated single viewpoint.
  • the initial model (initial 3D shape data 162 and initial texture data 168) may be constructed in advance and used as appropriate at the stage where the 3D model needs to be reproduced.
  • FIG. 11 is a schematic diagram showing another example of the system configuration of the information processing system 1 according to this embodiment.
  • server device 300 pre-stores initial 3D shape data 162 and initial texture data 168 for each user.
  • the server device 300 provides the designated initial 3D shape data 162 and initial texture data 168 in response to requests from the information processing devices 100-3 and 100-4.
  • Each of information processing devices 100-3 and 100-4 uses initial 3D shape data 162 and initial texture data 168 provided from server device 300 to execute a process of generating a 3D model (3D model reproduction step). .
  • the initial 3D shape data 162 and the initial texture data 168 do not necessarily have to be created based on a 2D image of the user using the information processing device 100 .
  • texture images reconstructed by photographing a person are blended.
  • a 3D model of the person can be reproduced.
  • the information processing apparatuses 100-1 and 100-2 and the information processing apparatus 200 shown in FIG. step) may be performed.
  • the processing that each information processing device takes charge of can be arbitrarily designed.
  • information processing system 1 can generate a 3D model of a person from one frame of 2D video instead of a plurality of 2D videos captured by a plurality of cameras. By reconstructing the shape and texture of the body and face, respectively, facial expressions and gestures can be reproduced with higher accuracy.
  • the 3D model when reproducing the 3D model, can be generated from the 2D image captured by the camera for one frame, so the processing load can be reduced compared to the case of using a plurality of 2D images captured by a plurality of cameras. 3D models can be reproduced in real time.
  • 1 information processing system 2 network, 10 person, 20, 190 3D model, 100, 200 information processing device, 102 CPU, 104 GPU, 106 main memory, 108 display, 110 network interface, 112 input device, 114 optical drive, 116 Optical disc, 118 Camera interface, 120 Storage, 122 Initial model construction program, 124 Reproduction program, 126, 162 3D shape data, 140 Camera, 142 Image acquisition unit, 144 Multi-viewpoint image, 146 2D image, 150 Body 3D shape reconstruction 152 3D shape correction unit 154 body texture reconstruction unit 156 face texture reconstruction unit 157 head 3D shape reconstruction unit 158 texture integration unit 160 body 3D shape data 163, 163A, 163B face region, 164 body texture data, 166 face texture data, 167 head 3D shape data, 168 initial texture data, 170 stabilization unit, 172 texture image blending unit, 174 face shape reconstruction unit, 176 pose estimation unit, 178 shape integration unit, 180 3D model generator, 184 facial expression parameters, 186 body pose data, 188 integrated 3D

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Image Generation (AREA)

Abstract

情報処理システムは、カメラで撮像された人物の２Ｄ映像から顔のテクスチャを再構築する顔テクスチャ再構築部と、人物の２Ｄ映像から顔の３Ｄ形状を再構築する顔形状再構築部と、人物の２Ｄ映像から当該人物のポーズを推定するポーズ推定部と、３Ｄ形状データに基づいて推定されたポーズに対応する身体の３Ｄ形状を再構築するとともに、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合して、人物の３Ｄ形状を再構築する形状統合部と、テクスチャデータに含まれるテクスチャ画像に再構築された顔のテクスチャ画像をブレンディングして、人物のテクスチャ画像を再構築するテクスチャ再構築部と、カメラで撮像された人物の３Ｄ形状およびカメラで撮像された人物のテクスチャ画像に基づいて、人物の３Ｄモデルを生成するモデル生成部とを含む。

Description

情報処理システム、情報処理方法および情報処理プログラム
　本発明は、３Ｄモデルを再現するための情報処理システム、情報処理方法および情報処理プログラムに関する。
　人物をより現実に近い形で表現する３Ｄモデルを再構築し、再構築した３Ｄモデルを遠隔地に伝送するとともに、ＸＲ（ＶＲ／ＡＲ／ＭＲ）の技術を用いて３Ｄ空間を共有する、遠隔のコミュニケーションを提供する技術が提案されている。
　例えば、非特許文献１は、デプスセンサを用いて人物の３Ｄ形状とテクスチャとを取得し、取得した３Ｄ形状およびテクスチャを遠隔地に伝送し、ＭＲ（複合現実）ヘッドセットを用いて当該人物の３Ｄモデルを実空間に重畳した状態でコミュニケーションできるシステムを開示する。また、人物の３Ｄ形状は、複数のカメラを用いて取得されることもある。
M.　Joachimczak,　J.　Liu,　H.　Ando,　2017.Real　Time　Mixed　Reality　Telepresence　via　3D　Reconstruction　with　HoloLens　and　Commodity　Depth　Sensors.　In　Proceedings　of　19th　ACM　International　Conference　on　Multimodal　Interaction　(ICMI'17).　ACM,　New　York,　NY,　USA,　2　pages.　https://doi.org/10.1145/3136755.3143031
　上述の先行技術においては、デプスセンサまたは複数のカメラが必要であり、装置構成が複雑化し得る。そのため、１つのカメラで撮像した人物の２Ｄ映像から、当該人物の３Ｄ形状とテクスチャとを取得して、当該人物の３Ｄモデルを遠隔地に伝送して再現できる手法が要望されている。
　本発明の一つ目的は、より簡素化された構成で人物の３Ｄモデルを再現できる構成を提供することである。
　ある実施の形態に従う情報処理システムは、カメラと、予め作成された、身体の３Ｄ形状を示す３Ｄ形状データと、当該身体のテクスチャを示すテクスチャデータとを格納する記憶部と、カメラで撮像された人物の２Ｄ映像から顔のテクスチャを再構築する顔テクスチャ再構築部と、カメラで撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築する顔形状再構築部と、カメラで撮像された人物の２Ｄ映像から当該人物のポーズを推定するポーズ推定部と、３Ｄ形状データに基づいて推定されたポーズに対応する身体の３Ｄ形状を再構築するとともに、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合して、カメラで撮像された人物の３Ｄ形状を再構築する形状統合部と、テクスチャデータに含まれるテクスチャ画像に再構築された顔のテクスチャ画像をブレンディングして、カメラで撮像された人物のテクスチャ画像を再構築するテクスチャ再構築部と、カメラで撮像された人物の３Ｄ形状およびカメラで撮像された人物のテクスチャ画像に基づいて、カメラで撮像された人物の３Ｄモデルを生成するモデル生成部とを含む。
　テクスチャデータは、再構築された身体の３Ｄ形状に対応するテクスチャ画像、および、再構築された顔の３Ｄ形状に対応するテクスチャ画像と、再構築された身体の３Ｄ形状に対応するテクスチャマップ、および、再構築された顔の３Ｄ形状に対応するテクスチャマップとを含んでいてもよい。
　情報処理システムは、カメラで撮像された人物の複数の２Ｄ映像から身体の３Ｄ形状を再構築する身体形状再構築部と、カメラで撮像された人物の複数の２Ｄ映像から頭部の３Ｄ形状を再構築する頭部形状再構築部と、再構築された身体の３Ｄ形状と再構築された頭部の３Ｄ形状との対応関係を決定し、当該決定された３Ｄ形状の対応関係に基づいて、身体の３Ｄ形状に対応するテクスチャマップと頭部の３Ｄ形状に対応するテクスチャマップとの対応関係を決定し、当該決定されたテクスチャマップの対応関係に基づいて、身体の３Ｄ形状に対応するテクスチャ画像から頭部の３Ｄ形状に対応するテクスチャ画像を生成するテクスチャ統合部とをさらに含んでいてもよい。
　形状統合部は、テクスチャデータに含まれるテクスチャマップに基づいて、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合するようにしてもよい。
　モデル生成部は、テクスチャデータに含まれるテクスチャマップに基づいて、人物の３Ｄ形状と人物のテクスチャ画像とを統合するようにしてもよい。
　テクスチャ再構築部は、カメラで撮像された人物のテクスチャ画像のうちマスクを透過した結果をテクスチャデータに含まれるテクスチャ画像に重畳するようにしてもよい。
　マスクは、透過度が連続的に変化するように構成されていてもよい。
　カメラで撮像された人物の２Ｄ映像に設定されたウィンドウに対応する部分映像が顔テクスチャ再構築部および顔形状再構築部に入力されてもよい。情報処理システムは、２Ｄ映像における人物の位置を時間的に平滑化してウィンドウを設定する安定化部をさらに含んでいてもよい。
　テクスチャ統合部は、身体の３Ｄ形状に対応するテクスチャ画像と頭部の３Ｄ形状に対応するテクスチャ画像とを統合するとともに、身体の３Ｄ形状に対応するテクスチャマップと頭部の３Ｄ形状に対応するテクスチャマップとを統合することで、テクスチャデータを生成するようにしてもよい。
　別の実施の形態に従う情報処理方法は、カメラで撮像された人物の２Ｄ映像から顔のテクスチャを再構築するステップと、カメラで撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築するステップと、カメラで撮像された人物の２Ｄ映像から当該人物のポーズを推定するステップと、予め作成された身体の３Ｄ形状を示す３Ｄ形状データに基づいて推定されたポーズに対応する身体の３Ｄ形状を再構築するステップと、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合して、カメラで撮像された人物の３Ｄ形状を再構築するステップと、予め作成された身体のテクスチャを示すテクスチャデータに含まれるテクスチャ画像に再構築された顔のテクスチャ画像をブレンディングして、カメラで撮像された人物のテクスチャ画像を再構築するステップと、カメラで撮像された人物の３Ｄ形状およびカメラで撮像された人物のテクスチャ画像に基づいて、カメラで撮像された人物の３Ｄモデルを生成するステップとを含む。
　さらに別の実施の形態に従えば、コンピュータに上記の方法を実行させるための情報処理プログラムが提供される。
　本発明によれば、より簡素化された構成で人物の３Ｄモデルを再現できる。
本実施の形態に従う情報処理システムのシステム構成の一例を示す模式図である。 本実施の形態に従う情報処理システムを構成する情報処理装置のハードウェア構成の一例を示す模式図である。 本実施の形態に従う情報処理システムの初期モデル構築段階における処理手順を示すフローチャートである。 本実施の形態に従う情報処理システムの３Ｄモデル再現段階における処理手順を示すフローチャートである。 本実施の形態に従う情報処理システムの初期モデル構築段階を実現するための機能構成例を示す模式図である。 本実施の形態に従う情報処理システムの初期モデル構築段階において生成されるデータの一例を示す図である。 本実施の形態に従う情報処理システムの初期モデル構築段階におけるテクスチャ統合の処理を説明するための模式図である。 本実施の形態に従う情報処理システムの３Ｄモデル再現段階を実現するための機能構成例を示す模式図である。 本実施の形態に従う情報処理システムの３Ｄモデル再現段階において生成されるデータの一例を示す図である。 本実施の形態に従う情報処理システムにおけるブレンディング処理を説明するための模式図である。 本実施の形態に従う情報処理システムのシステム構成の別の一例を示す模式図である。
　本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。
　本明細書においては、３次元あるいは立体を「３Ｄ」と略称し、２次元あるいは平面を「２Ｄ」と略称する。
　［Ａ．システム構成］
　図１は、本実施の形態に従う情報処理システム１のシステム構成の一例を示す模式図である。図１には、例えば、情報処理装置１００－１，１００－２（以下、「情報処理装置１００」と総称することもある。）および情報処理装置２００がネットワーク２を介して接続されている構成例を示す。情報処理装置１００－１にはカメラ１４０－１が接続されており、情報処理装置１００－２にはカメラ１４０－２が接続されている。
　情報処理装置１００は、人物１０の初期モデルを予め取得している。情報処理装置１００は、カメラ１４０で人物１０を連続的に撮像することで、人物１０の３Ｄモデルを再現する。なお、再現される３Ｄモデルは、撮像される人物１０の動きや表情を反映してリアルタイムに変化する。再現される人物１０の３Ｄモデルは、３Ｄアバター、あるいは、単にアバターとも称される。
　図１に示す例では、カメラ１４０－１の視野範囲内には人物１０－１が存在しており、カメラ１４０－２の視野範囲内には人物１０－２が存在している。情報処理装置１００－１は、人物１０－１を撮像することで情報処理装置２００の画面上などに、人物１０－１の３Ｄモデル２０－１を再現する。同様に、情報処理装置１００－２は、人物１０－２を撮像することで情報処理装置２００の画面上などに、人物１０－２の３Ｄモデル２０－２を再現する。情報処理装置２００の画面上に再現される３Ｄモデル２０－１，２０－２は、任意の３Ｄ空間に存在させることができる。
　［Ｂ．ハードウェア構成例］
　図２は、本実施の形態に従う情報処理システム１を構成する情報処理装置１００のハードウェア構成の一例を示す模式図である。典型的には、情報処理装置１００は、汎用コンピュータを用いて実現できる。
　図２を参照して、情報処理装置１００は、主要なハードウェアコンポーネントとして、ＣＰＵ１０２と、ＧＰＵ１０４と、主メモリ１０６と、ディスプレイ１０８と、ネットワークインターフェイス（Ｉ／Ｆ：interface）１１０と、入力デバイス１１２と、光学ドライブ１１４と、カメラインターフェイス（Ｉ／Ｆ）１１８と、ストレージ１２０とを含む。
　ＣＰＵ１０２および／またはＧＰＵ１０４は、本実施の形態に従う情報処理方法を実行するプロセッサである。ＣＰＵ１０２およびＧＰＵ１０４は、複数個配置されてもよいし、複数のコアを有していてもよい。
　主メモリ１０６は、プロセッサ（ＣＰＵ１０２および／またはＧＰＵ１０４）が処理を実行するにあたって、プログラムコードやワークデータなどを一時的に格納（あるいは、キャッシュ）する記憶領域であり、例えば、ＤＲＡＭ（Dynamic　Random　Access　Memory）やＳＲＡＭ（Static　Random　Access　Memory）などの揮発性記憶装置で構成される。
　ディスプレイ１０８は、処理に係るユーザインターフェイスや処理結果などを出力する表示部であり、例えば、ＬＣＤ（liquid　crystal　display）や有機ＥＬ（electroluminescence）ディスプレイなどで構成される。
　ネットワークインターフェイス１１０は、ネットワーク２に接続された任意の情報処理装置などとの間でデータをやり取りする。
　入力デバイス１１２は、ユーザからの指示や操作などを受け付けるデバイスであり、例えば、キーボード、マウス、タッチパネル、ペンなどで構成される。
　光学ドライブ１１４は、ＣＤ－ＲＯＭ（compact　disc　read　only　memory）、ＤＶＤ（digital　versatile　disc）などの光学ディスク１１６に格納されている情報を読出して、他のコンポーネントへ出力する。光学ディスク１１６は、非一過的（non-transitory）な記録媒体の一例であり、任意のプログラムを不揮発的に格納した状態で流通する。光学ドライブ１１４が光学ディスク１１６からプログラムを読み出して、ストレージ１２０などにインストールすることで、コンピュータが情報処理装置１００として機能するようになる。したがって、本発明の主題は、ストレージ１２０などにインストールされたプログラム自体、または、本実施の形態に従う機能や処理を実現するためのプログラムを格納した光学ディスク１１６などの記録媒体でもあり得る。
　図２には、非一過的な記録媒体の一例として、光学ディスク１１６などの光学記録媒体を示すが、これに限らず、フラッシュメモリなどの半導体記録媒体、ハードディスクまたはストレージテープなどの磁気記録媒体、ＭＯ（magneto-optical　disk）などの光磁気記録媒体を用いてもよい。
　カメラインターフェイス１１８は、カメラ１４０が撮像した映像を取得するとともに、カメラ１４０に対して撮像に関する指令などを与える。
　ストレージ１２０は、コンピュータを情報処理装置１００として機能させるために必要なプログラムおよびデータを格納する。例えば、ハードディスク、ＳＳＤ（solid　state　drive）などの不揮発性記憶装置で構成される。
　より具体的には、ストレージ１２０は、図示しないＯＳ（operating　system）の他、初期モデル構築の処理（初期モデル構築段階）を実現する初期モデル構築プログラム１２２と、３Ｄモデルを生成する処理（３Ｄモデル再現段階）を実現する３Ｄモデル再現プログラム１２４とを格納している。これらの情報処理プログラムは、コンピュータの一例である情報処理装置１００に本実施の形態に従う各種処理を実行させる。
　また、初期モデル構築段階において生成される初期３Ｄ形状データ１６２および初期テクスチャデータ１６８がストレージ１２０に格納されていてもよい。すなわち、ストレージ１２０は、予め作成された、身体の３Ｄ形状を示す３Ｄ形状データ１２６と、身体のテクスチャを示す初期テクスチャデータ１６８（テクスチャデータ）とを格納する記憶部に相当する。
　図２には、単一のコンピュータを用いて情報処理装置１００を構成する例を示すが、これに限らず、コンピュータネットワークを介して接続された複数のコンピュータが明示的または黙示的に連携して、本実施の形態に従う情報処理方法を実現するようにしてもよい。
　プロセッサ（ＣＰＵ１０２および／またはＧＰＵ１０４）がプログラムを実行することで実現される機能の全部または一部を、集積回路などのハードワイヤード回路（hard-wired　circuit）を用いて実現してもよい。例えば、ＡＳＩＣ（application　specific　integrated　circuit）やＦＰＧＡ（field-programmable　gate　array）などを用いて実現してもよい。
　当業者であれば、本発明が実施される時代に応じた技術を適宜用いて、本実施の形態に従う情報処理装置１００を実現できるであろう。
　また、情報処理システム１を構成する情報処理装置２００のハードウェア構成についても、図２と同様であるので、詳細な説明は繰り返さない。
　［Ｃ．３Ｄモデル再現に係る処理手順］
　３Ｄモデルを再現するためには、典型的には、初期モデル構築の処理（初期モデル構築段階）および３Ｄモデルを生成する処理（３Ｄモデル再現段階）が実行される。
　本明細書において、「テクスチャデータ」は、テクスチャ画像およびテクスチャマップを総称する用語である。
　（ｃ１：初期モデル構築段階）
　図３は、本実施の形態に従う情報処理システム１の初期モデル構築段階における処理手順を示すフローチャートである。図３に示す各処理は、典型的には、情報処理装置１００のプロセッサがプログラム（図２に示す初期モデル構築プログラム１２２）を実行することで実現される。
　図３を参照して、情報処理装置１００は、カメラ１４０が撮像した２Ｄ映像（１フレーム分）を取得する（ステップＳ１００）。情報処理装置１００は、所定フレーム数の２Ｄ映像を取得したか否かを判断する（ステップＳ１０２）。所定フレーム数の２Ｄ映像が取得されていなければ（ステップＳ１０２においてＮＯ）、ステップＳ１００以下の処理が繰り返される。
　なお、情報処理装置１００は、ユーザから明示的に指示を受けてカメラ１４０により撮像を開始してもよいし、予め定められた周期で撮像を繰り返してもよい。
　続いて、情報処理装置１００は、取得した複数の２Ｄ映像（複数視点映像１４４）に基づいて、撮像された身体の３Ｄ形状を示す身体３Ｄ形状データ１６０を再構築する（ステップＳ１０４）。そして、情報処理装置１００は、身体３Ｄ形状データ１６０に含まれるディスプレイスメントマップ内の顔領域に対応する領域を平坦化する（ステップＳ１０６）。最終的に、形状パラメータおよび平坦化後のディスプレイスメントマップを初期３Ｄ形状データ１６２として出力する（ステップＳ１０８）。
　また、情報処理装置１００は、取得した複数の２Ｄ映像（複数視点映像１４４）に基づいて、身体のテクスチャを示す身体テクスチャデータ（身体テクスチャ画像１６４２および身体テクスチャマップ１６４４）を再構築する（ステップＳ１１０）。
　また、情報処理装置１００は、取得した複数の２Ｄ映像（複数視点映像１４４）に基づいて、撮像された頭部の３Ｄ形状を示す頭部３Ｄ形状データ１６７を再構築する（ステップＳ１１２）。
　情報処理装置１００は、テクスチャ統合部１５８は、身体テクスチャデータ１６４および顔テクスチャデータ１６６を統合して、初期テクスチャデータ１６８（初期テクスチャ画像１６８２および初期テクスチャマップ１６８４）を再構築する（ステップＳ１１４）。
　なお、ステップＳ１０４～Ｓ１０８の処理と、ステップＳ１１０～Ｓ１１４の処理との実行順序は問わない。あるいは、これらの処理を並列的に実行してもよい。
　最終的に、情報処理装置１００は、人物の初期３Ｄ形状データ１６２および初期テクスチャデータ１６８を初期モデルとして格納する（ステップＳ１１６）。
　（ｃ２：３Ｄモデル再現段階）
　図４は、本実施の形態に従う情報処理システム１の３Ｄモデル再現段階における処理手順を示すフローチャートである。図４に示す各処理は、典型的には、情報処理装置１００のプロセッサがプログラム（図２に示す３Ｄモデル再現プログラム１２４）を実行することで実現される。
　図４を参照して、情報処理装置１００は、カメラ１４０が撮像した２Ｄ映像（１フレーム分）を取得する（ステップＳ２００）。
　情報処理装置１００は、取得した２Ｄ映像（１フレーム分）に含まれる顔領域を検出し（ステップＳ２０２）、過去の顔領域の検出結果に基づいて、今回のウィンドウの位置およびサイズを決定する（ステップＳ２０４）。
　情報処理装置１００は、決定されたウィンドウに対応する部分の２Ｄ映像に基づいて、撮像された顔の画像を示す顔テクスチャ画像１６６６を再構築する（ステップＳ２０６）。すなわち、情報処理装置１００は、カメラ１４０で撮像された人物の２Ｄ映像から顔のテクスチャを再構築する。
　続いて、情報処理装置１００は、初期モデル構築段階において再構築された初期テクスチャ画像１６８２（初期顔テクスチャ画像１６８６）に顔テクスチャ画像１６６６をブレンディングして、ブレンディッド顔テクスチャ画像１８２４を再構築する（ステップＳ２０８）。すなわち、情報処理装置１００は、予め作成された身体のテクスチャを示すテクスチャデータに含まれるテクスチャ画像（初期顔テクスチャ画像１６８６）に再構築された顔のテクスチャ画像（顔テクスチャ画像１６６６）をブレンディングして、カメラ１４０で撮像された人物のテクスチャ画像（ブレンディッド顔テクスチャ画像１８２４）を再構築する。
　また、情報処理装置１００は、決定されたウィンドウに対応する部分の２Ｄ映像に基づいて、顔の表情、動き、３Ｄ形状の各々を示すパラメータ（顔表情パラメータ１８４）を再構築する（ステップＳ２１０）。すなわち、情報処理装置１００は、カメラ１４０で撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築する。
　また、情報処理装置１００は、２Ｄ映像（１フレーム分）からフレーム毎の身体のポーズ（姿勢）を推定する（ステップＳ２１２）。すなわち、情報処理装置１００は、カメラ１４０で撮像された人物の２Ｄ映像から当該人物のポーズを推定する。推定されたポーズは、身体ポーズデータ１８６としてフレーム毎に出力される。
　ステップＳ２１０の処理と、ステップＳ２１２の処理とは、並行して実行されてもよいし、直列的に実行されてもよい。処理の実行順序はいずれであってもよい。
　情報処理装置１００は、初期モデル構築段階において再構築された初期３Ｄ形状データ１６２に、身体ポーズデータ１８６および顔表情パラメータ１８４を入力することで、身体の３Ｄ形状および顔の３Ｄ形状を統合した３Ｄ形状を示す統合３Ｄ形状データ１８８を再構築する（ステップＳ２１４）。より具体的には、情報処理装置１００は、予め作成された身体の３Ｄ形状を示す３Ｄ形状データ（初期３Ｄ形状データ１６２）に基づいて推定されたポーズに対応する身体の３Ｄ形状（統合３Ｄ形状データ１８８）を再構築する。また、情報処理装置１００は、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合して、カメラ１４０で撮像された人物の３Ｄ形状（統合３Ｄ形状データ１８８）を再構築する。
　なお、ステップＳ２０２～Ｓ２０８の処理と、ステップＳ２１０～Ｓ２１４の処理とは、並行して実行されてもよいし、直列的に実行されてもよい。処理の実行順序はいずれであってもよい。
　情報処理装置１００は、統合３Ｄ形状データ１８８とブレンディッド顔テクスチャ画像１８２４とを統合し（ステップＳ２１６）、指定された１つの視点から見た３Ｄモデルを出力する（ステップＳ２１８）。すなわち、情報処理装置１００は、カメラ１４０で撮像された人物の３Ｄ形状およびカメラ１４０で撮像された人物のテクスチャ画像に基づいて、カメラ１４０で撮像された人物の３Ｄモデル１９０を生成する。
　ステップＳ２００～Ｓ２１８の処理は、フレーム毎に繰り返される。
　［Ｄ．初期モデル構築段階における処理の詳細］
　本実施の形態に従う情報処理システム１の初期モデル構築段階においては、人物を撮像することで、３Ｄモデルを再現するための初期モデルを構築する。構築される初期モデルは、人物の身体および顔の情報をそれぞれ反映したものである。
　図５は、本実施の形態に従う情報処理システム１の初期モデル構築段階を実現するための機能構成例を示す模式図である。図６は、本実施の形態に従う情報処理システム１の初期モデル構築段階において生成されるデータの一例を示す図である。
　図５に示す各機能は、典型的には、情報処理装置１００のプロセッサがプログラム（図２に示す初期モデル構築プログラム１２２）を実行することで実現される。図５を参照して、情報処理装置１００は、映像取得部１４２と、身体３Ｄ形状再構築部１５０と、３Ｄ形状修正部１５２と、身体テクスチャ再構築部１５４と、顔テクスチャ再構築部１５６と、頭部３Ｄ形状再構築部１５７と、テクスチャ統合部１５８とを含む。
　（ｄ１：映像取得部１４２）
　映像取得部１４２は、カメラ１４０が撮像した２Ｄ映像を取得する。このとき、映像取得部１４２は、３Ｄモデルを再現する対象となる人物を複数視点で撮像した複数の２Ｄ映像（複数視点映像１４４）を取得する。人物に対してカメラ１４０の位置を異ならせて複数視点で撮像するようにしてもよいし、カメラ１４０を固定した状態で人物が身体を回転させて複数視点での撮像を実現してもよい。また、カメラ１４０を複数用意して、それぞれのカメラ１４０で人物を撮像することで複数の２Ｄ映像を取得してもよい。図６（Ａ）には、８つの視点で人物を撮像した複数視点映像１４４の例を示す。
　なお、初期モデルの再構築に用いる複数視点映像１４４は、５～１０フレーム分の２Ｄ映像が好ましい。
　（ｄ２：身体３Ｄ形状再構築部１５０）
　身体３Ｄ形状再構築部１５０は、複数視点映像１４４に基づいて、身体の３Ｄ形状を再構築する。すなわち、身体３Ｄ形状再構築部１５０は、カメラ１４０で撮像された人物の複数の２Ｄ映像から身体の３Ｄ形状を再構築して、撮像された身体の３Ｄ形状を示す身体３Ｄ形状データ１６０を出力する。図６（Ｂ）には、再構築された身体３Ｄ形状データ１６０を視覚的に表現した例を示す。
　より具体的には、身体３Ｄ形状再構築部１５０は、２Ｄ映像から人物の身体の３Ｄ形状を示すモデルを再構築する。このような３Ｄ形状を示すデータの再構築には、「Tex2Shape」（Alldieck,　T.;　Pons-Moll,　G.;　Theobalt,　C.;　Magnor,　M.　Tex2Shape:　Detailed　Full　Human　Body　Geometry　From　a　Single　Image.　In　2019　IEEE/CVF　International　Conference　on　Computer　Vision　(ICCV);　2019;　pp　2293-2303.　https://doi.org/10.1109/ICCV.2019.00238.）といった公知のアルゴリズムを用いることができる。
　「Tex2Shape」は、形状パラメータ（形状を示す主成分特徴β）およびディスプレイスメントマップを出力する。なお、「Tex2Shape」がSMPLフォーマットのモデルを出力する場合には、SMPLフォーマットに比較して４倍の解像度を有するSMPL-Xフォーマットにさらに変換するようにしてもよい。
　身体３Ｄ形状再構築部１５０は、人物の身体の３Ｄ形状を示す情報として身体３Ｄ形状データ１６０を出力する。身体３Ｄ形状データ１６０は、典型的には、メッシュ形式のデータからなる。
　（ｄ３：３Ｄ形状修正部１５２）
　３Ｄ形状修正部１５２は、身体３Ｄ形状再構築部１５０が再構築した身体３Ｄ形状データ１６０のうち、顔領域を平坦化する。３Ｄモデル再現段階において、人物の顔の再現には別のモデルが用いられるので、再構築される３Ｄ形状の顔領域については変異させないことが好ましい。
　そのため、３Ｄ形状修正部１５２は、推定された顔領域に対応するディスプレイスメントマップ内の領域を平坦領域に補正する。すなわち、３Ｄ形状修正部１５２は、顔領域については起伏を生じない平坦な領域に修正する。このような平坦化によって、３Ｄモデル再現段階における人物の頭部を再現する処理をより効率的に行うことができる。
　より具体的には、３Ｄ形状修正部１５２は、身体３Ｄ形状データ１６０の再構築に用いられた２Ｄ映像に含まれる人物を抽出するとともに、抽出された人物の人体領域（ボディパーツ）を推定する。例えば、人物の顔、手、足などに対応する領域が推定される。このような人体領域に推定には、「DensePose」（Gueler,　R.　A.;　Neverova,　N.;　Kokkinos,　I.　DensePose:　Dense　Human　Pose　Estimation　in　the　Wild.　In　2018　IEEE/CVF　Conference　on　Computer　Vision　and　Pattern　Recognition;　2018;　pp　7297-7306.　https://doi.org/10.1109/CVPR.2018.00762.）といった公知のアルゴリズムを利用することができる。
　そして、３Ｄ形状修正部１５２は、推定された顔領域に対応するディスプレイスメントマップ内の領域の値を、平坦領域を示す値に更新する。
　また、人物の指などについても変異領域としてモデル化されやすいので、平坦領域に補正することが好ましい。
　最終的に、３Ｄ形状修正部１５２は、顔領域を平坦化した３Ｄ形状を示す初期３Ｄ形状データ１６２を出力する。図６（Ｃ）には、初期３Ｄ形状データ１６２を視覚的に表現した例を示す。
　（ｄ４：身体テクスチャ再構築部１５４）
　身体テクスチャ再構築部１５４は、カメラ１４０で撮像された人物の複数の２Ｄ映像（複数視点映像１４４）から身体のテクスチャを再構築する。より具体的には、身体テクスチャ再構築部１５４は、身体テクスチャ画像１６４２および身体テクスチャマップ１６４４を再構築する。身体テクスチャ画像１６４２および身体テクスチャマップ１６４４をまとめて「身体テクスチャデータ１６４」と称することもある。
　図６（Ｄ）には、身体テクスチャ画像１６４２および身体テクスチャマップ１６４４（身体テクスチャデータ１６４）の一例を示す。
　身体テクスチャ再構築部１５４は、以下のような処理に従って、身体テクスチャデータ１６４を再構築する。
　まず、身体テクスチャ再構築部１５４は、複数視点映像１４４に含まれる２Ｄ映像から人物のキーポイントを検出する。このようなキーポイントの検出には、「OpenPose」（Cao,　Z.;　Hidalgo,　G.;　Simon,　T.;　Wei,　S.-E.;　Sheikh,　Y.　OpenPose:　Realtime　Multi-Person　2D　Pose　Estimation　Using　Part　Affinity　Fields.　IEEE　Transactions　on　Pattern　Analysis　and　Machine　Intelligence　2021,　43　(1),　172-186.　https://doi.org/10.1109/TPAMI.2019.2929257.）といった公知のアルゴリズムを用いることができる。
　次に、身体テクスチャ再構築部１５４は、検出したキーポイントを利用して、２Ｄ映像に対してセマンティックセグメンテーションを行って、人物の人体領域（ボディパーツ）を推定する。このようなセマンティックセグメンテーションには、「PGN」（Gong,　K.;　Liang,　X.;　Li,　Y.;　Chen,　Y.;　Yang,　M.;　Lin,　L.　Instance-Level　Human　Parsing　via　Part　Grouping　Network.　In　Computer　Vision　-　ECCV　2018;　Ferrari,　V.,　Hebert,　M.,　Sminchisescu,　C.,　Weiss,　Y.,　Eds.;　Lecture　Notes　in　Computer　Science;　Springer　International　Publishing:　Cham,　2018;　pp　805-822.　https://doi.org/10.1007/978-3-030-01225-0_47.）といった公知のアルゴリズムを用いることができる。
　最終的に、身体テクスチャ再構築部１５４は、推定された人体領域を利用して、複数の２Ｄ映像（複数視点映像１４４）からテクスチャデータ（身体テクスチャ画像１６４２および身体テクスチャマップ１６４４）を再構築する。このようなテクスチャデータの再構築には、「Semantic　Human　Texture　Stitching」（Alldieck,　T.;　Magnor,　M.;　Xu,　W.;　Theobalt,　C.;　Pons-Moll,　G.　Detailed　Human　Avatars　from　Monocular　Video.　In　2018　International　Conference　on　3D　Vision　(3DV);　2018;　pp　98-109.　https://doi.org/10.1109/3DV.2018.00022.）といった公知のアルゴリズムを用いることができる。
　「Semantic　Human　Texture　Stitching」は、SMPLフォーマットおよびSMPL-Xフォーマットのいずれでもテクスチャデータを出力可能である。上述したように、SMPL-Xフォーマットに従う身体３Ｄ形状データ１６０が用いられる場合には、同じくSMPL-Xフォーマットに従うテクスチャデータが用いられる。
　ここで、SMPLフォーマット／SMPL-Xフォーマットは、テクスチャデータに含まれるテクスチャマップ（ＵＶマッピング）と同じフォーマットを採用している。
　（ｄ５：顔テクスチャ再構築部１５６）
　顔テクスチャ再構築部１５６は、カメラ１４０で撮像された人物の２Ｄ映像から顔のテクスチャを再構築する。初期モデル構築段階においては、顔テクスチャ再構築部１５６は、複数視点映像１４４に含まれる２Ｄ映像に基づいて、顔のテクスチャを再構築する。より具体的には、顔テクスチャ再構築部１５６は、顔テクスチャ画像１６６２および顔テクスチャマップ１６６４を再構築する。顔テクスチャ画像１６６２および顔テクスチャマップ１６６４をまとめて「顔テクスチャデータ１６６」と称することもある。後述するように、顔テクスチャ画像は、テクスチャ統合部１５８により再構築されるので、顔テクスチャ再構築部１５６が再構築する顔テクスチャ画像１６６２は破棄してもよい。
　顔テクスチャ再構築部１５６は、以下のような処理に従って、顔テクスチャデータ１６６を再構築する。すなわち、「DECA」（Feng,　Y.;　Feng,　H.;　Black,　M.　J.;　Bolkart,　T.　Learning　an　Animatable　Detailed　3D　Face　Model　from　In-the-Wild　Images.　ACM　Trans.　Graph.　2021,　40　(4),　88:1-88:13.　https://doi.org/10.1145/3450626.3459936.）といった公知のアルゴリズムを用いることができる。
　「DECA」は、人物の顔を再現するためのFLAMEモデルパラメータ（顔の形状および表情を示す）およびFLAMEフォーマットに従うテクスチャデータを出力する。このように、カメラで撮像した人物の２Ｄ映像からFLAMEフォーマットに従う顔テクスチャデータ１６６が出力される。後述するように、テクスチャ統合部１５８は、FLAMEフォーマットに従う顔テクスチャデータ１６６を身体テクスチャデータ１６４に適用することで、両者を統合する。
　なお、顔テクスチャ再構築部１５６は、３Ｄモデル再現段階においても顔テクスチャデータ１６６をフレーム毎に再構築する。
　（ｄ６：頭部３Ｄ形状再構築部１５７）
　頭部３Ｄ形状再構築部１５７は、カメラ１４０で撮像された人物の複数の２Ｄ映像（複数視点映像１４４）から頭部の３Ｄ形状を再構築する。すなわち、頭部３Ｄ形状再構築部１５７は、撮像された頭部の３Ｄ形状を示す頭部３Ｄ形状データ１６７を再構築する。
　頭部３Ｄ形状再構築部１５７は、身体３Ｄ形状再構築部１５０と同様のアルゴリズムを用いて、２Ｄ映像から人物の頭部の３Ｄ形状を示すモデルを再構築する。頭部３Ｄ形状再構築部１５７は、頭部の３Ｄ形状を示す情報として頭部３Ｄ形状データ１６７を出力する。頭部３Ｄ形状データ１６７は、典型的には、メッシュ形式のデータからなる。
　（ｄ７：テクスチャ統合部１５８）
　テクスチャ統合部１５８は、身体テクスチャデータ１６４および顔テクスチャデータ１６６を統合して、初期テクスチャデータ１６８（初期テクスチャ画像１６８２および初期テクスチャマップ１６８４）を再構築する。テクスチャ統合部１５８は、身体３Ｄ形状データ１６０と頭部３Ｄ形状データ１６７との対応関係に基づいて、身体テクスチャデータ１６４と顔テクスチャデータ１６６とを統合する。
　図６（Ｅ）に示すように、初期テクスチャ画像１６８２および初期テクスチャマップ１６８４の各々は、顔を含む頭部についての部分と、頭部以外の身体の部分とから構成される。
　より具体的には、初期テクスチャ画像１６８２は、後述するような処理によって再構築される初期顔テクスチャ画像１６８６と、身体テクスチャ画像１６４２から頭部に対応する頭部部分画像１６４２Ｈを無効化した修正身体テクスチャ画像１６４２Ａとからなる。
　初期テクスチャマップ１６８４は、顔テクスチャマップ１６６４と、身体テクスチャマップ１６４４から頭部に対応する頭部部分マップ１６４４Ｈを無効化した修正身体テクスチャマップ１６４４Ａとからなる。
　図６（Ｅ）に示すように、初期テクスチャデータ１６８（テクスチャデータ）は、再構築される身体の３Ｄ形状に対応するテクスチャ画像（修正身体テクスチャ画像１６４２Ａ）、および、再構築される顔の３Ｄ形状に対応するテクスチャ画像（初期顔テクスチャ画像１６８６）と、再構築される身体の３Ｄ形状に対応するテクスチャマップ（修正身体テクスチャマップ１６４４Ａ）、および、再構築される顔の３Ｄ形状に対応するテクスチャマップ（顔テクスチャマップ１６６４）とを含む。
　なお、図６（Ｅ）には、頭部部分画像１６４２Ｈおよび頭部部分マップ１６４４Ｈの無効化の一例として、削除されている状態を示すが、必ずしも削除されている必要はなく、処理に使用しないように設定すればよい。
　図７は、本実施の形態に従う情報処理システム１の初期モデル構築段階におけるテクスチャ統合の処理を説明するための模式図である。テクスチャ統合部１５８は、以下のような５つの処理を実行する。
　（１）身体３Ｄ形状データ１６０と頭部３Ｄ形状データ１６７とのアライメント
　テクスチャ統合部１５８は、身体３Ｄ形状データ１６０および頭部３Ｄ形状データ１６７を共通の３Ｄ空間に写像することで、２つの形状データをアライメントする。ここで、身体３Ｄ形状データ１６０および頭部３Ｄ形状データ１６７は、同一の人物から再構築された３Ｄ形状を示すので、実質的に同一のトポロジーを有していると考えられる。
　テクスチャ統合部１５８は、共通の顔の特徴的な部分（目や鼻など）に注目して、注目した部分が同一の座標となるように、それぞれの形状データを共通の３Ｄ空間に写像する。このようなアライメントを実現するための処理には、平行移動（transition）、回転（rotation）、縮小・拡大（scale）などの演算を含む座標変換行列が用いられる。
　（２）メッシュ間の対応関係の決定
　次に、テクスチャ統合部１５８は、アライメントされた２つの形状データの間で、メッシュ間の対応関係を決定する。すなわち、テクスチャ統合部１５８は、身体３Ｄ形状データ１６０に含まれるメッシュ（例えば、３つの頂点により定義される三角形の集合）と、頭部３Ｄ形状データ１６７に含まれるメッシュとの対応関係を決定する。
　より具体的には、テクスチャ統合部１５８は、アライメント後の身体３Ｄ形状データ１６０に含まれる各メッシュについて、アライメント後の頭部３Ｄ形状データ１６７に含まれるメッシュのうち最も近接したメッシュを探索する。最終的に、テクスチャ統合部１５８は、メッシュ間の対応関係（例えば、身体３Ｄ形状データ１６０に含まれる各メッシュを示すインデックスと、頭部３Ｄ形状データ１６７に含まれる各メッシュを示すインデックスとの対応関係を示す配列）を決定する。
　このように、テクスチャ統合部１５８は、再構築された身体の３Ｄ形状（身体３Ｄ形状データ１６０）と再構築された頭部の３Ｄ形状（頭部３Ｄ形状データ１６７）との対応関係を決定する。
　（３）テクスチャマップ間の対応関係の決定
　次に、テクスチャ統合部１５８は、身体テクスチャマップ１６４４および顔テクスチャマップ１６６４の間で対応関係を決定する。
　身体３Ｄ形状データ１６０と身体テクスチャマップ１６４４との間の対応関係（一対一）は既知であり、同様に、頭部３Ｄ形状データ１６７と顔テクスチャマップ１６６４との間の対応関係（一対一）も既知である。上述の処理によって、身体３Ｄ形状データ１６０と頭部３Ｄ形状データ１６７との対応関係（一対一）が決定されるので、この形状データの対応関係を利用して、テクスチャ統合部１５８は、テクスチャマップ間の対応関係を決定する。
　このように、テクスチャ統合部１５８は、決定された３Ｄ形状の対応関係に基づいて、身体の３Ｄ形状（身体３Ｄ形状データ１６０）に対応するテクスチャマップ（身体テクスチャマップ１６４４）と頭部の３Ｄ形状（頭部３Ｄ形状データ１６７）に対応するテクスチャマップ（顔テクスチャマップ１６６４）との対応関係を決定する。
　（４）初期顔テクスチャ画像の生成
　次に、テクスチャ統合部１５８は、身体テクスチャマップ１６４４と顔テクスチャマップ１６６４との間の対応関係に基づいて、初期顔テクスチャ画像１６８６を生成する。
　より具体的には、テクスチャ統合部１５８は、顔テクスチャマップ１６６４の各座標に対応する身体テクスチャマップ１６４４の座標を決定し、当該決定した身体テクスチャマップ１６４４の座標における身体テクスチャ画像１６４２の画素値を顔テクスチャ画像の新たな画素値として適用する。すなわち、身体テクスチャマップ１６４４と顔テクスチャマップ１６６４との間の対応関係に基づいて、身体テクスチャ画像１６４２がマッピングされることで、新たな顔テクスチャ画像である初期顔テクスチャ画像１６８６が生成される。
　このように、テクスチャ統合部１５８は、決定されたテクスチャマップの対応関係に基づいて、身体の３Ｄ形状（身体３Ｄ形状データ１６０）に対応するテクスチャ画像（身体テクスチャ画像１６４２）から頭部の３Ｄ形状（頭部３Ｄ形状データ１６７）に対応するテクスチャ画像（初期顔テクスチャ画像１６８６）を生成する。
　（５）データ結合
　最終的に、テクスチャ統合部１５８は、初期テクスチャデータ１６８（初期テクスチャ画像１６８２および初期テクスチャマップ１６８４）を再構築する。
　より具体的には、テクスチャ統合部１５８は、身体テクスチャ画像１６４２のうち、頭部に対応する頭部部分画像１６４２Ｈを無効化した上で、生成された初期顔テクスチャ画像１６８６と結合する。初期テクスチャ画像１６８２は、修正身体テクスチャマップ１６４４Ａと初期顔テクスチャ画像１６８６とを同じスケールに調整した上で、隣接配置したものに相当する。
　また、テクスチャ統合部１５８は、身体テクスチャマップ１６４４のうち、頭部に対応する頭部部分マップ１６４４Ｈを無効化した上で、顔テクスチャマップ１６６４と結合する。初期テクスチャマップ１６８４は、修正身体テクスチャ画像１６４２Ａと顔テクスチャマップ１６６４とを同じスケールに調整した上で、隣接配置したものに相当する。
　なお、SMPL-Xフォーマットに従うテクスチャデータの場合には、所定のスケーリングにより、FLAMEフォーマットにリフォーマットできる。すなわち、SMPL-Xフォーマットに従うテクスチャマップと、FLAMEフォーマットに従うテクスチャマップとの間の対応関係は一対一であるので、テクスチャ画像を伸張する場合の倍率などは、フォーマット間の対応関係に基づいて一意に決定できる。
　このように、テクスチャ統合部１５８は、身体の３Ｄ形状（身体３Ｄ形状データ１６０）に対応するテクスチャ画像（身体テクスチャ画像１６４２）と頭部の３Ｄ形状（頭部３Ｄ形状データ１６７）に対応するテクスチャ画像（初期顔テクスチャ画像１６８６）とを統合するとともに、身体の３Ｄ形状に対応するテクスチャマップ（修正身体テクスチャマップ１６４４Ａ）と頭部の３Ｄ形状に対応するテクスチャマップ（顔テクスチャマップ１６６４）とを統合することで、初期テクスチャデータ１６８を生成する。
　初期テクスチャデータ１６８（初期テクスチャ画像１６８２および初期テクスチャマップ１６８４）は、顔を含む頭部についての部分と、頭部以外の身体の部分とから構成される。顔を含む頭部についてテクスチャをより多く用意しておくことで、１台のカメラを用いた撮像であっても、顔の表情や動き（ジェスチャ）の再現性を高めることができる。
　以上のような処理により、初期モデル構築の処理が完了する。
　［Ｅ．３Ｄモデル再現段階における処理の詳細］
　本実施の形態に従う情報処理システム１の３Ｄモデル再現段階においては、１つのカメラ１４０で撮像した人物の２Ｄ映像（１フレーム分）から３Ｄモデルを再現する。３Ｄモデルを２Ｄ映像のフレーム毎に更新することで、人物の動きや表情の変化を動画として再現できる。
　図８は、本実施の形態に従う情報処理システム１の３Ｄモデル再現段階を実現するための機能構成例を示す模式図である。図９は、本実施の形態に従う情報処理システム１の３Ｄモデル再現段階において生成されるデータの一例を示す図である。
　図８に示す各機能は、典型的には、情報処理装置１００のプロセッサがプログラム（図２に示す３Ｄモデル再現プログラム１２４）を実行することで実現される。なお、一部の処理は、情報処理装置２００が担当してもよい。
　図８を参照して、情報処理装置１００は、安定化部１７０と、顔テクスチャ再構築部１５６と、テクスチャ画像ブレンディング部１７２と、顔形状再構築部１７４と、ポーズ推定部１７６と、形状統合部１７８と、３Ｄモデル生成部１８０とを含む。
　（ｅ１：安定化部１７０）
　安定化部１７０は、カメラ１４０が撮像した２Ｄ映像に含まれる顔領域を検出し、検出した顔領域を時間的に安定化する。安定化部１７０は、時間的に安定化された顔領域に対応する部分映像を顔テクスチャ再構築部１５６および顔形状再構築部１７４へ出力する。すなわち、カメラ１４０で撮像された人物の２Ｄ映像に設定されたウィンドウに対応する部分映像が顔テクスチャ再構築部１５６および顔形状再構築部１７４に入力される。
　安定化部１７０は、２Ｄ映像１４６から抽出される顔領域１６３（ウィンドウ）の位置およびサイズを時間的に平滑化する。図９（Ａ）には、２Ｄ映像１４６から顔領域１６３Ａ，１６３Ｂを抽出する処理の一例を示す。顔領域１６３Ａ，１６３Ｂの範囲は、公知の画像認識処理により決定することができる。
　フレーム毎に人物の顔を再現するために、上述したような「DECA」といった公知のアルゴリズムを用いる場合を想定する。「DECA」は、１フレーム毎に顔を再現することが可能であるが、顔領域１６３の大きさおよび位置をフレーム毎に都度決定すると、フレーム間で見ると、再現される顔に揺らぎや不連続性が生じ得る。
　一般的に、２Ｄ映像（１フレーム分）から検出される顔のキーポイント（例えば、目）の位置はフレーム毎に変化し得るので、検出されるキーポイントに基づいて決定されるウィンドウの位置およびサイズもフレーム毎に変化し得る。
　そこで、安定化部１７０は、ウィンドウの位置およびサイズを時間的に平滑化することで、再現される顔を安定化する。すなわち、安定化部１７０は、２Ｄ映像における人物の位置を時間的に平滑化してウィンドウを設定する。
　より具体的には、安定化部１７０は、人物の顔全体を覆うことができる一定のサイズをもつウィンドウを採用するとともに、特定のキーポイントを基準にした位置にウィンドウを設定する。例えば、鼻の先端を中心としてウィンドウを設定することができる。
　例えば、次のフレームにおいて、人物が先行のフレームにおいて設定されていたウィンドウ内で移動する場合には、安定化部１７０は、過去ｎフレームからそれぞれ検出された特定のキーポイントの平均位置を基準として、当該次のフレームにおけるウィンドウの位置を設定する。また、次のフレームにおいて、人物がカメラ１４０に近付いた、あるいは、遠ざかった場合には、安定化部１７０は、過去ｎフレームにおけるウィンドウのサイズの移動平均に基づいて、ウィンドウのサイズを追従して変化させる。
　このような処理によって、２Ｄ映像１４６における人物の移動にウィンドウを追従させる際に、フレーム間で不連続性が生じる度合いを低減できる。
　なお、人物の動きが早すぎて、ウィンドウの外部に移動してしまった場合には、ウィンドウのサイズおよび位置はリセットされて、再度設定される。この場合には、再現される顔に不連続性が生じ得るので、違和感を低減するための付加的な処理を行ってもよい。
　上述したような処理を採用することで、順次抽出される顔領域１６３（ウィンドウ）の位置およびサイズはフレーム間で大きく変化することはないので、再構築される顔の形状に生じる不連続性を低減できる。
　（ｅ２：顔テクスチャ再構築部１５６）
　顔テクスチャ再構築部１５６は、２Ｄ映像１４６から抽出された顔領域１６３の映像に基づいて、顔のテクスチャを再構築する。より具体的には、顔テクスチャ再構築部１５６は、顔テクスチャ画像１６６６を再構築する。顔テクスチャ再構築部１５６は、図５に示す顔テクスチャ再構築部１５６と実質的に同一であるので、詳細な説明は繰り返さない。図９（Ｂ）には、再構築された顔テクスチャ画像１６６６の一例を示す。
　なお、顔テクスチャ再構築部１５６は、顔テクスチャマップも再構築するが、テクスチャ画像ブレンディング部１７２において必ずしも必要ではないので、破棄されてもよい。
　（ｅ３：テクスチャ画像ブレンディング部１７２）
　テクスチャ画像ブレンディング部１７２は、初期モデル構築段階において再構築された初期テクスチャ画像１６８２と、顔テクスチャ再構築部１５６により再構築された顔テクスチャ画像１６６６とをブレンディングして、ブレンディッド顔テクスチャ画像１８２４を再構築する。すなわち、テクスチャ画像ブレンディング部１７２は、テクスチャデータ（初期テクスチャデータ１６８）に含まれるテクスチャ画像（初期テクスチャ画像１６８２）に再構築された顔のテクスチャ画像（初期テクスチャ画像１６８２）をブレンディングして、カメラ１４０で撮像された人物のテクスチャ画像（ブレンディッド顔テクスチャ画像１８２４）を再構築する。
　図９（Ｃ）には、再構築されたブレンディッド顔テクスチャ画像１８２４の一例を示す。
　図１０は、本実施の形態に従う情報処理システム１におけるブレンディング処理を説明するための模式図である。図１０を参照して、テクスチャ画像ブレンディング部１７２は、初期テクスチャ画像１６８２（初期顔テクスチャ画像１６８６および修正身体テクスチャ画像１６４２Ａ）のうち初期顔テクスチャ画像１６８６に、マスク１８２６を用いて顔テクスチャ画像１６６６をブレンディングすることで、修正顔テクスチャ画像１６８６Ａを生成する。
　すなわち、初期テクスチャ画像１６８２の初期顔テクスチャ画像１６８６に対するブレンディング処理が行われることで、ブレンディッド顔テクスチャ画像１８２４が生成される。このとき、テクスチャ画像ブレンディング部１７２は、初期顔テクスチャ画像１６８６に、顔テクスチャ画像１６６６のうちマスク１８２６を透過した結果を重畳する。このように、テクスチャ画像ブレンディング部１７２は、カメラ１４０で撮像された人物のテクスチャ画像（ブレンディッド顔テクスチャ画像１８２４）のうちマスクを透過した結果を初期テクスチャデータ１６８に含まれる初期顔テクスチャ画像１６８６に重畳する。
　マスク１８２６は、例えば、顔テクスチャ再構築部１５６が再構築した顔テクスチャデータ１６６の各画素の信頼度を強度（透過度）として割り当てることで生成してもよい。
　あるいは、顔テクスチャ画像１６６６に基づいてマスク１８２６を生成してもよい。より具体的には、顔テクスチャ画像１６６６に含まれる画素のうち、画素値が予め定められたしきい値を超える画素に「１」（透過）を割り当て、それ以外の画素に「０」（遮断）を割り当てる。続いて、正方ウィンドウを用いて最小化フィルタを適用し、さらにエッジにぼかしフィルタ（例えば、ガウシアンフィルタやボックスフィルタなど）を適用する。
　このようなマスク１８２６を用いることで、初期顔テクスチャ画像１６８６に重ね合わされる顔テクスチャ画像１６６６の周囲を徐々に変化させたブレンディングを実現できる。すなわち、マスク１８２６は、透過度が連続的に変化するように構成されることになる。
　このようなブレンディングによって、今回のフレームの映像を反映した顔の表情をリアルタイムに再現できる一方で、髪型などについては、初期テクスチャ画像１６８２を用いて安定的に再現することができる。
　すなわち、３Ｄモデル再現段階においては、各フレームの映像から再構築された顔の表情などの情報を用いて３Ｄモデルにリアルタイムに反映する一方で、当該フレームの映像から再構築されるとは限らない、頭部の顔領域以外の領域のテクスチャについては、初期顔テクスチャ画像１６８６の情報を３Ｄモデルに反映する。
　（ｅ４：顔形状再構築部１７４）
　顔形状再構築部１７４は、２Ｄ映像１４６から抽出された顔領域１６３の映像に基づいて、顔の表情、動き、３Ｄ形状の各々を示すパラメータ（顔表情パラメータ１８４）を再構築する。すなわち、顔形状再構築部１７４は、カメラ１４０で撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築する顔形状再構築部に相当する。顔形状再構築部１７４には、上述したような「DECA」といった公知のアルゴリズムを採用してもよい。
　図９（Ｄ）には、再構築された顔の表情、動き、３Ｄ形状の各々を示すパラメータ（顔表情パラメータ１８４）を視覚的に表現した例を示す。
　（ｅ５：ポーズ推定部１７６）
　ポーズ推定部１７６は、２Ｄ映像１４６からフレーム毎の身体のポーズ（姿勢）を推定する。すなわち、ポーズ推定部１７６は、カメラ１４０で撮像された人物の２Ｄ映像から当該人物のポーズを推定する。ポーズ推定部１７６からは、身体ポーズデータ１８６がフレーム毎に出力される。典型的には、身体ポーズデータ１８６は、各関節の角度などの情報を含む。なお、ポーズ推定部１７６には、公知のポーズ推定アルゴリズムを採用できる。
　図９（Ｅ）には、ポーズの推定処理および推定された身体ポーズデータ１８６を視覚的に表現した例を示す。
　（ｅ６：形状統合部１７８）
　形状統合部１７８は、初期モデル構築段階において再構築された初期３Ｄ形状データ１６２に、身体ポーズデータ１８６および顔表情パラメータ１８４を入力することで、撮像された２Ｄ映像１４６に対応する身体の３Ｄ形状を再構築する。
　より具体的には、形状統合部１７８は、初期３Ｄ形状データ１６２に基づいて、身体ポーズデータ１８６により指定されたポーズ、および、顔表情パラメータ１８４により定義される表情に対応する身体の３Ｄ形状を再構築する。これによって、身体の３Ｄ形状および顔の３Ｄ形状を統合した３Ｄ形状を示す統合３Ｄ形状データ１８８が再構築される。
　また、形状統合部１７８は、初期３Ｄ形状データ１６２のみではなく、初期３Ｄ形状データ１６２に頭部３Ｄ形状データ１６７を組み込んだ３Ｄ形状データを用いて、統合３Ｄ形状データ１８８を再構築するようにしてもよい。
　さらに、形状統合部１７８は、初期テクスチャマップ１６８４（修正身体テクスチャマップ１６４４Ａおよび顔テクスチャマップ１６６４）に基づいて対応関係を決定した上で、身体の３Ｄ形状と顔の３Ｄ形状とを統合するようにしてもよい。
　このように、形状統合部１７８は、初期３Ｄ形状データ１６２（３Ｄ形状データ）に基づいて推定されたポーズに対応する身体の３Ｄ形状を再構築するとともに、再構築された身体の３Ｄ形状と、顔表情パラメータ１８４に基づいて再構築される顔の３Ｄ形状とを統合して、カメラ１４０で撮像された人物の３Ｄ形状（統合３Ｄ形状データ１８８）を再構築する。さらに、形状統合部１７８は、初期テクスチャデータ１６８に含まれるテクスチャマップ（初期テクスチャマップ１６８４）に基づいて、再構築された身体の３Ｄ形状と再構築された顔の３Ｄ形状とを統合することで、再現精度を高めることができる。
　図９（Ｆ）には、再構築された統合３Ｄ形状データ１８８を視覚的に表現した例を示す。
　（ｅ７：３Ｄモデル生成部１８０）
　３Ｄモデル生成部１８０は、統合３Ｄ形状データ１８８に基づく３Ｄ形状と、ブレンディッド顔テクスチャ画像１８２４とを統合する。また、３Ｄモデル生成部１８０は、指定された視点から見た３Ｄモデル１９０を出力する。
　このように、３Ｄモデル生成部１８０は、カメラ１４０で撮像された人物の３Ｄ形状（統合３Ｄ形状データ１８８）およびカメラ１４０で撮像された人物のテクスチャ画像（ブレンディッド顔テクスチャ画像１８２４）に基づいて、カメラ１４０で撮像された人物の３Ｄモデル１９０を生成する。
　なお、統合３Ｄ形状データ１８８とブレンディッド顔テクスチャ画像１８２４との結合（テクスチャ画像のマッピング）には、初期テクスチャマップ１６８４が参照されてもよい。すなわち、３Ｄモデル生成部１８０は、初期テクスチャデータ１６８（テクスチャデータ）に含まれる初期テクスチャマップ１６８４に基づいて、人物の３Ｄ形状（統合３Ｄ形状データ１８８）と人物のテクスチャ画像（ブレンディッド顔テクスチャ画像１８２４）とを統合するようにしてもよい。
　図９（Ｆ）には、複数の視点から３Ｄモデル１９０を見た状態を視覚的に表現した例を示す。なお、３Ｄモデル生成部１８０は、図９（Ｆ）に示すように複数の視点から見た３Ｄモデルを同時に表示しなくてもよく、指定された１つの視点から見た３Ｄモデルを出力する。
　［Ｆ．変形例］
　初期モデル構築の処理（初期モデル構築段階）および３Ｄモデルを生成する処理（３Ｄモデル再現段階）を同一の情報処理装置１００が実行する構成を例示したが、一部の処理を別の情報処理装置が実行してもよい。
　また、初期モデル（初期３Ｄ形状データ１６２および初期テクスチャデータ１６８）については、予め構築しておき、３Ｄモデルの再現が必要な段階で、適宜利用するようにしてもよい。
　図１１は、本実施の形態に従う情報処理システム１のシステム構成の別の一例を示す模式図である。図１１を参照して、例えば、サーバ装置３００は、ユーザ毎に、初期３Ｄ形状データ１６２および初期テクスチャデータ１６８を予め保持している。
　サーバ装置３００は、情報処理装置１００－３，１００－４からの要求に応答して、指定された初期３Ｄ形状データ１６２および初期テクスチャデータ１６８を提供する。情報処理装置１００－３，１００－４の各々は、サーバ装置３００から提供された初期３Ｄ形状データ１６２および初期テクスチャデータ１６８を用いて、３Ｄモデルを生成する処理（３Ｄモデル再現段階）を実行する。
　なお、初期３Ｄ形状データ１６２および初期テクスチャデータ１６８は、必ずしも、情報処理装置１００を利用するユーザを撮像した２Ｄ映像に基づいて作成されなくてもよい。上述したように、３Ｄモデル再現段階においては、人物を撮像して再構築されるテクスチャ画像がブレンディングされるので、別の人物から生成された初期３Ｄ形状データ１６２および初期テクスチャデータ１６８を用いても、当該人物の３Ｄモデルを再現できる。
　また、図１に示す情報処理装置１００－１，１００－２と、情報処理装置２００とが連係して、初期モデル構築の処理（初期モデル構築段階）および３Ｄモデルを生成する処理（３Ｄモデル再現段階）を実行するようにしてもよい。情報処理装置の各々が担当する処理は任意に設計できる。
　［Ｇ．まとめ］
　本実施の形態に従う情報処理システム１は、３Ｄモデルの再現時には、複数のカメラからそれぞれ撮像した複数の２Ｄ映像ではなく、１フレーム分の２Ｄ映像から人物の３Ｄモデルを生成できる。身体および顔についてそれぞれ形状およびテクスチャを再構築することで、顔の表情やジェスチャをより高精度に再現できる。
　また、３Ｄモデルの再現時には、１フレーム分のカメラで撮像した２Ｄ映像から３Ｄモデルを生成できるので、複数のカメラで撮像した複数の２Ｄ映像を用いる場合に比較して、処理負荷を低減でき、それによって３Ｄモデルをリアルタイムに再現できる。
　今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　情報処理システム、２　ネットワーク、１０　人物、２０，１９０　３Ｄモデル、１００，２００　情報処理装置、１０２　ＣＰＵ、１０４　ＧＰＵ、１０６　主メモリ、１０８　ディスプレイ、１１０　ネットワークインターフェイス、１１２　入力デバイス、１１４　光学ドライブ、１１６　光学ディスク、１１８　カメラインターフェイス、１２０　ストレージ、１２２　初期モデル構築プログラム、１２４　再現プログラム、１２６，１６２　３Ｄ形状データ、１４０　カメラ、１４２　映像取得部、１４４　複数視点映像、１４６　２Ｄ映像、１５０　身体３Ｄ形状再構築部、１５２　３Ｄ形状修正部、１５４　身体テクスチャ再構築部、１５６　顔テクスチャ再構築部、１５７　頭部３Ｄ形状再構築部、１５８　テクスチャ統合部、１６０　身体３Ｄ形状データ、１６３，１６３Ａ，１６３Ｂ　顔領域、１６４　身体テクスチャデータ、１６６　顔テクスチャデータ、１６７　頭部３Ｄ形状データ、１６８　初期テクスチャデータ、１７０　安定化部、１７２　テクスチャ画像ブレンディング部、１７４　顔形状再構築部、１７６　ポーズ推定部、１７８　形状統合部、１８０　３Ｄモデル生成部、１８４　顔表情パラメータ、１８６　身体ポーズデータ、１８８　統合３Ｄ形状データ、３００　サーバ装置、１６４２　身体テクスチャ画像、１６４２Ａ　修正身体テクスチャ画像、１６４２Ｈ　頭部部分画像、１６４４　身体テクスチャマップ、１６４４Ａ　修正身体テクスチャマップ、１６４４Ｈ　頭部部分マップ、１６６２，１６６６　顔テクスチャ画像、１６６４　顔テクスチャマップ、１６８２　初期テクスチャ画像、１６８４　初期テクスチャマップ、１６８６　初期顔テクスチャ画像、１６８６Ａ　修正顔テクスチャ画像、１８２４　ブレンディッド顔テクスチャ画像、１８２６　マスク。

Claims (8)

  1. 　カメラと、
    　予め作成された、身体の３Ｄ形状を示す３Ｄ形状データと、当該身体のテクスチャを示すテクスチャデータとを格納する記憶部と、
    　前記カメラで撮像された人物の２Ｄ映像から顔のテクスチャを再構築する顔テクスチャ再構築部と、
    　前記カメラで撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築する顔形状再構築部と、
    　前記カメラで撮像された人物の２Ｄ映像から当該人物のポーズを推定するポーズ推定部と、
    　前記３Ｄ形状データに基づいて前記推定されたポーズに対応する身体の３Ｄ形状を再構築するとともに、前記再構築された身体の３Ｄ形状と前記再構築された顔の３Ｄ形状とを統合して、前記カメラで撮像された人物の３Ｄ形状を再構築する形状統合部と、
    　前記テクスチャデータに含まれるテクスチャ画像に前記再構築された顔のテクスチャ画像をブレンディングして、前記カメラで撮像された人物のテクスチャ画像を再構築するテクスチャ再構築部と、
    　前記カメラで撮像された人物の３Ｄ形状および前記カメラで撮像された人物のテクスチャ画像に基づいて、前記カメラで撮像された人物の３Ｄモデルを生成するモデル生成部とを備える、情報処理システム。
  2. 　前記テクスチャデータは、
    　　前記再構築された身体の３Ｄ形状に対応するテクスチャ画像、および、前記再構築された顔の３Ｄ形状に対応するテクスチャ画像と、
    　　前記再構築された身体の３Ｄ形状に対応するテクスチャマップ、および、前記再構築された顔の３Ｄ形状に対応するテクスチャマップとを含み、
    　前記カメラで撮像された人物の複数の２Ｄ映像から身体の３Ｄ形状を再構築する身体形状再構築部と、
    　前記カメラで撮像された人物の複数の２Ｄ映像から身体のテクスチャを再構築する身体テクスチャ再構築部と、
    　前記カメラで撮像された人物の複数の２Ｄ映像から頭部の３Ｄ形状を再構築する頭部形状再構築部と、
    　前記再構築された身体の３Ｄ形状と前記再構築された頭部の３Ｄ形状との対応関係を決定し、当該決定された３Ｄ形状の対応関係に基づいて、身体の３Ｄ形状に対応するテクスチャマップと頭部の３Ｄ形状に対応するテクスチャマップとの対応関係を決定し、当該決定されたテクスチャマップの対応関係に基づいて、身体の３Ｄ形状に対応するテクスチャ画像から頭部の３Ｄ形状に対応するテクスチャ画像を生成するテクスチャ統合部とをさらに備える、請求項１に記載の情報処理システム。
  3. 　前記形状統合部は、前記テクスチャデータに含まれるテクスチャマップに基づいて、前記再構築された身体の３Ｄ形状と前記再構築された顔の３Ｄ形状とを統合する、請求項２に記載の情報処理システム。
  4. 　前記モデル生成部は、前記テクスチャデータに含まれるテクスチャマップに基づいて、前記人物の３Ｄ形状と前記人物のテクスチャ画像とを統合する、請求項２または３に記載の情報処理システム。
  5. 　前記テクスチャ再構築部は、前記カメラで撮像された人物のテクスチャ画像のうちマスクを透過した結果を前記テクスチャデータに含まれるテクスチャ画像に重畳する、請求項１～４のいずれか１項に記載の情報処理システム。
  6. 　前記カメラで撮像された人物の２Ｄ映像に設定されたウィンドウに対応する部分映像が前記顔テクスチャ再構築部および前記顔形状再構築部に入力され、
    　前記２Ｄ映像における人物の位置を時間的に平滑化して前記ウィンドウを設定する安定化部をさらに備える、請求項１～５のいずれか１項に記載の情報処理システム。
  7. 　カメラで撮像された人物の２Ｄ映像から顔のテクスチャを再構築するステップと、
    　前記カメラで撮像された人物の２Ｄ映像から顔の３Ｄ形状を再構築するステップと、
    　前記カメラで撮像された人物の２Ｄ映像から当該人物のポーズを推定するステップと、
    　予め作成された身体の３Ｄ形状を示す３Ｄ形状データに基づいて前記推定されたポーズに対応する身体の３Ｄ形状を再構築するステップと、
    　前記再構築された身体の３Ｄ形状と前記再構築された顔の３Ｄ形状とを統合して、前記カメラで撮像された人物の３Ｄ形状を再構築するステップと、
    　予め作成された身体のテクスチャを示すテクスチャデータに含まれるテクスチャ画像に前記再構築された顔のテクスチャ画像をブレンディングして、前記カメラで撮像された人物のテクスチャ画像を再構築するステップと、
    　前記カメラで撮像された人物の３Ｄ形状および前記カメラで撮像された人物のテクスチャ画像に基づいて、前記カメラで撮像された人物の３Ｄモデルを生成するステップとを備える、情報処理方法。
  8. 　コンピュータに請求項７に記載の方法を実行させるための情報処理プログラム。
PCT/JP2022/047439 2022-01-06 2022-12-22 情報処理システム、情報処理方法および情報処理プログラム WO2023132261A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-001280 2022-01-06
JP2022001280A JP2023100532A (ja) 2022-01-06 2022-01-06 情報処理システム、情報処理方法および情報処理プログラム

Publications (1)

Publication Number Publication Date
WO2023132261A1 true WO2023132261A1 (ja) 2023-07-13

Family

ID=87073578

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/047439 WO2023132261A1 (ja) 2022-01-06 2022-12-22 情報処理システム、情報処理方法および情報処理プログラム

Country Status (2)

Country Link
JP (1) JP2023100532A (ja)
WO (1) WO2023132261A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269580A (ja) * 2001-03-07 2002-09-20 Japan Science & Technology Corp 動画像生成システム
WO2021261188A1 (ja) * 2020-06-23 2021-12-30 パナソニックＩｐマネジメント株式会社 アバター生成方法、プログラム、アバター生成システム、及びアバター表示方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269580A (ja) * 2001-03-07 2002-09-20 Japan Science & Technology Corp 動画像生成システム
WO2021261188A1 (ja) * 2020-06-23 2021-12-30 パナソニックＩｐマネジメント株式会社 アバター生成方法、プログラム、アバター生成システム、及びアバター表示方法

Also Published As

Publication number Publication date
JP2023100532A (ja) 2023-07-19

Similar Documents

Publication Publication Date Title
JP7495546B2 (ja) 畳み込み画像変換を使用して同時位置特定およびマッピングを実施する方法およびシステム
Zielonka et al. Towards metrical reconstruction of human faces
Li et al. Monocular real-time volumetric performance capture
JP7453470B2 (ja) ３次元再構成及び関連インタラクション、測定方法及び関連装置、機器
Wu et al. Real-time shading-based refinement for consumer depth cameras
Jeni et al. Dense 3D face alignment from 2D video for real-time use
Ichim et al. Dynamic 3D avatar creation from hand-held video input
CN111243093B (zh) 三维人脸网格的生成方法、装置、设备及存储介质
Wang et al. High resolution acquisition, learning and transfer of dynamic 3‐D facial expressions
Bronstein et al. Calculus of nonrigid surfaces for geometry and texture manipulation
US9317970B2 (en) Coupled reconstruction of hair and skin
Tretschk et al. Demea: Deep mesh autoencoders for non-rigidly deforming objects
US11928778B2 (en) Method for human body model reconstruction and reconstruction system
WO2019035155A1 (ja) 画像処理システム、画像処理方法、及びプログラム
Fyffe et al. Multi‐view stereo on consistent face topology
US11961266B2 (en) Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture
US8633926B2 (en) Mesoscopic geometry modulation
CN110660076A (zh) 一种人脸交换方法
Li et al. Animated 3D human avatars from a single image with GAN-based texture inference
Li et al. 3d human avatar digitization from a single image
WO2022208440A1 (en) Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture
CN117011493B (zh) 基于符号距离函数表示的三维人脸重建方法、装置及设备
WO2023132261A1 (ja) 情報処理システム、情報処理方法および情報処理プログラム
Jian et al. Realistic face animation generation from videos
US20230177722A1 (en) Apparatus and method with object posture estimating

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22918845

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE