CN116245998A - 渲染贴图生成方法及装置、模型训练方法及装置 - Google Patents
渲染贴图生成方法及装置、模型训练方法及装置 Download PDFInfo
- Publication number
- CN116245998A CN116245998A CN202310519942.XA CN202310519942A CN116245998A CN 116245998 A CN116245998 A CN 116245998A CN 202310519942 A CN202310519942 A CN 202310519942A CN 116245998 A CN116245998 A CN 116245998A
- Authority
- CN
- China
- Prior art keywords
- feature
- sub
- information
- map
- network
- 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.)
- Granted
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
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种渲染贴图生成方法及装置、模型训练方法及装置,涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、数字人等场景。实现方案为:对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,身份识别信息包含目标对象的原始纹理特征信息;对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,场景信息包括光照信息;以及基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图。由此,能够在保证目标对象的超写实渲染效果的同时,降低计算量,提升计算效率。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域,可应用于元宇宙、数字人等场景,具体涉及一种渲染贴图生成方法及装置、模型训练方法及装置、电子设备、计算机可读存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
虚拟数字人是创建元宇宙虚拟世界的关键元素之一。根据数字人的业务需求不同,数字人可分为二维、三维、卡通、写实、超写实等几类。目前常见高质量虚拟数字人(虚拟形象)的设计需要专业的动画师对虚拟形象进行几何建模、纹理贴图、光照贴图等进行专业优化设计以达到适配业务需求的基本虚拟形象构建。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种渲染贴图生成方法及装置、模型训练方法及装置、电子设备、计算机可读存储介质。
根据本公开的一方面,提供了一种渲染贴图生成方法,包括:对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,身份识别信息包含目标对象的原始纹理特征信息;对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,场景信息包括光照信息;以及基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图。
根据本公开的另一方面,提供了一种模型训练方法,模型包括第一特征提取网络、第二特征提取网络以及生成网络,模型训练方法包括:获取样本数据,样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及样本对象在样本场景中的样本渲染贴图,身份识别信息包含样本对象的原始纹理特征信息,场景信息包括光照信息;将身份识别信息输入第一特征提取网络,以获得第一特征提取网络输出的第一特征图;将表面法线信息和场景信息输入第二特征提取网络,以获得第二特征提取网络输出的第二特征图;至少将第一特征图和第二特征图输入生成网络,以获得生成网络输出的样本场景中的样本对象的渲染贴图预测结果;以及基于渲染贴图预测结果和样本渲染贴图,调整模型的参数。
根据本公开的另一方面,提供了一种渲染贴图生成装置,包括:第一获取单元,被配置为对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,身份识别信息包含目标对象的原始纹理特征信息;第二获取单元,被配置为对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,场景信息包括光照信息;以及生成单元,被配置为基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图。
根据本公开的另一方面,提供了一种模型训练装置,模型包括第一特征提取网络、第二特征提取网络以及生成网络,模型训练装置包括:第三获取单元,被配置为获取样本数据,样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及样本对象在样本场景中的样本渲染贴图,身份识别信息包含样本对象的原始纹理特征信息,场景信息包括光照信息;第四获取单元,被配置为将身份识别信息输入第一特征提取网络,以获得第一特征提取网络输出的第一特征图;第五获取单元,被配置为将表面法线信息和场景信息输入第二特征提取网络,以获得第二特征提取网络输出的第二特征图;第六获取单元,被配置为至少将第一特征图和第二特征图输入生成网络,以获得生成网络输出的样本场景中的样本对象的渲染贴图预测结果;以及调整单元,被配置为基于渲染贴图预测结果和样本渲染贴图,调整模型的参数。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述渲染贴图生成方法或上述模型训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述渲染贴图生成方法或上述模型训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述渲染贴图生成方法或上述模型训练方法。
根据本公开的一个或多个实施例,能够在保证目标对象的超写实渲染效果的同时,降低计算量,提升计算效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的渲染贴图生成方法的流程图;
图3示出了根据本公开的实施例的获得第二特征图的方法的流程图;
图4示出了根据本公开的示例性实施例的渲染贴图生成模型中的第一特征提取网络、第三特征提取网络和生成网络的结构框图;
图5示出了根据本公开的示例性实施例的渲染贴图生成模型中的第二特征提取网络的结构框图;
图6示出了根据本公开的实施例的模型训练方法的流程图;
图7示出了根据本公开的实施例的渲染贴图生成装置的结构框图;
图8示出了根据本公开的实施例的模型训练装置的结构框图;
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行上述渲染贴图生成方法或上述模型训练方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来应用上述渲染贴图生成方法进行虚拟场景中虚拟形象的实时渲染。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的实施例,如图2所示,提供了一种渲染贴图生成方法,包括:
步骤S201、对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,身份识别信息包含目标对象的原始纹理特征信息;
步骤S202、对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,场景信息包括光照信息;以及
步骤S203、基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图。
由此,首先通过预先存储的目标对象的身份识别信息进行第一特征提取,获得第一特征图;并对表面法线信息和场景信息进行第二特征提取,获得包含当前目标对象的状态信息的表面法线信息以及场景信息的第二特征图;随后基于第一特征图和第二特征图预测生成渲染贴图,从而能够在保证目标对象的超写实渲染效果的同时,降低计算量,提升计算效率。
在一些实施例中,目标对象可以是虚拟场景中的用户通过虚拟现实设备控制的虚拟形象。
在一些实施例中,身份识别信息可以用于表示上述目标对象的三维模型的原始特征,例如三维模型的五官形状、肢体形状、未引入场景信息前的纹理信息等。
在一些实施例中,身份识别信息可以通过参数矩阵的形式存储。
在一些实施例中,上述身份识别信息的参数矩阵中的每一行或每一列均可以对应相应的语义信息(例如人脸形状、五官形状、人脸纹理、肢体纹理等)。
在一些实施例中,身份识别信息通过对目标对象的原始纹理贴图进行特征编码获得。
由此,能够将目标对象的原始纹理贴图通过特征编码,以参数化的形式预存,从而进一步节省计算成本,提升计算效率。
在一些实施例中,可以通过将目标对象的原始纹理贴图输入经过训练的特征编码模型中,从而获得该特征编码模型输出的特征编码矩阵。
在一些实施例中,该特征编码矩阵的维度例如可以为512×512。
在一些实施例中,上述特征编码模型可以应用Pixel2Style2Pixel(pSp)模型或3DMM参数化模型。
在一些实施例中,可以首先对身份标识信息进行特征提取,从而获得第一特征图。
在一些实施例中,对目标对象的身份识别信息进行第一特征提取,以获得第一特征图可以包括:对身份识别信息进行第四子特征提取,以获得多个第四子特征图,多个第四子特征图分别对应不同的多个分辨率;以及基于多个第四子特征图进行特征融合,以获得第一特征图。
由此,通过对身份标识信息进行第四子特征提取,进一步获取不同分辨率的第四子特征图,从而获得不同尺寸的特征图,兼顾身份标识信息中的细节信息和全局信息,并将上述信息一并融入第一特征图,从而能够提取到更加丰富的目标对象原始的形状、纹理等信息,进一步提升渲染贴图的生成效果。
在一些实施例中,上述第四子特征提取可以是对身份标识信息对应的特征编码矩阵进行多级特征提取和池化操作,其中每一次或多次特征提取后,通过池化操作对特征图进行下采样,以对下采样后的特征图继续进行上述特征提取,从而获得不同分辨率的多个第四子特征图。
随后,可以对多个第四子特征图进行特征融合,从而获得第一特征图。
在一些实施例中,可以通过对分辨率最小的第四子特征图进行上采样,使其分辨率恢复至上一级对应的分辨率,以获得第一中间特征图;随后将相应分辨率的第四子特征图与该第一中间特征图进行叠加,并叠加后的特征再次进行一次或多次特征提取,并对所得到的融合特征再次进行上采样,直至获得上述多个分辨率中最大分辨率对应的融合特征,也即第一特征图。
在一些实施例中,上述一次或多次特征提取或一次或多次特征融合中的每次特征提取或特征融合可以是利用3×3卷积核对特征图进行卷积后,再通过ReLU激活函数进行特征输出。
在一些实施例中,目标对象的状态(例如动作、表情等)基于用户实时控制而进行实时变化。
在一些实施例中,可以通过虚拟现实设备获取用户的动作驱动系数和表情驱动系数,进而基于动作驱动系数和表情驱动系数获取到目标对象在当前状态下的三维模型,随后即可该三维模型获取其表面的法线信息。在一些实施例中,可以进一步基于上述法线信息,获取目标对象三维模型的法向贴图。
在一些实施例中,上述法向贴图例如可以为世界坐标系下的法向贴图。可以理解的,上述表面法线信息也可以通过其他形式(例如以单通道或多通道的形式)存储,在此不做限制。
在一些实施例中,虚拟场景中包括用于观测目标对象的虚拟相机,场景信息还包括下述信息中的至少一者:虚拟相机相对于目标对象的视角信息、目标对象相对于虚拟相机的位置信息和姿态信息。
在一些实施例中,上述虚拟相机相对于目标对象的视角信息、目标对象相对于虚拟相机的位置信息和姿态信息可以通过位置坐标或旋转坐标来表示。
在一些实施例中,上述位置坐标或旋转坐标可以分别保存在三个通道中。
由此,能够进一步引入虚拟相机视角信息、目标对象的位姿信息,从而通过更加丰富的场景信息,提升渲染贴图的生成效果(例如能够进一步体现不同视角下光线对目标对象的纹理颜色的影响)。
在一些实施例中,光照信息可以包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
其中,光照强度信息可以包括虚拟场景中的光源对于目标对象的当前状态的三维模型的表面上的每个点的光照强度。上述光照强度可以基于光源本身的光照度以及光源与三维模型的表面上每个点的距离确定。光源颜色信息可以通过像素值(例如RGB值)表示,光源位置信息可以通过光源在虚拟场景的世界坐标系中的坐标表示。
在一些实施例中,光照强度可以通过保存为单通道信息,光源颜色信息和光源位置信息可以分别保存为三通道信息。可以理解的,上述信息也可以通过其他形式(例如以单通道或多通道的形式)存储,在此不做限制。
由此,通过引入光照强度信息、光源颜色信息和光源位置信息等光照信息,能够进一步提升渲染贴图的生成效果。
在一些实施例中,光照信息可以仅包含光照强度信息,由此,通过选取这一单通道信息进行特征提取和渲染贴图生成,能够在保证渲染效果的同时,进一步减少计算量,提升计算效率。
在一些实施例中,虚拟场景中可以包括多个光源,多个光源中的每个光源包括相应的第一光照信息,上述渲染贴图生成方法还可以包括:基于多个光源中每个光源的第一位置信息,对多个光源进行聚类,以获得至少一个中心光源;以及基于多个光源中每个光源相应的第一光照信息,确定至少一个中心光源相应的至少一个第二光照信息,以作为光照信息。
由此,当虚拟场景中具备多个光源时,可以先对光源进行聚类,并基于中心光源的光照信息进行特征提取,从而在保证渲染质量的同时,进一步节省计算资源,提升计算效率。
在一些实施例中,当虚拟场景中包含多个在目标对象周围一定范围内的光源时,可以首先对这多个光源进行聚类,从而获得几个聚类中心。随后可以获取每个类中包含的光源的第一光照信息(例如光照强度信息、光源颜色信息和光源位置信息中的一种或多种)各自的平均值,以将其确定为该类的中心光源的第二光照信息。
在一些实施例中,可以基于上述目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,从而获得第二特征图。
在一些实施例中,如图3所示,对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图可以包括:
步骤S301、对表面法线信息进行第一子特征提取,以获得第一子特征图;
步骤S302、对场景信息进行第二子特征提取,以获得第二子特征图;以及
步骤S303、基于第一子特征图和第二子特征图,融合获得第二特征图。
由此,通过分别对表面法线信息和场景信息进行特征提取,再进行特征融合,从而能够提取到更加丰富的目标对象状态信息和场景信息,进一步提升渲染贴图的生成效果。
在一些实施例中,可以首先对表面法线信息和场景信息分别进行特征提取,然后进行特征融合,以获得第二特征图。
在一些实施例中,可以对表面法线信息(例如法线贴图)进行第一子特征提取以获得第一子特征图。
在一些实施例中,上述渲染贴图生成方法还可以包括:对表面法线信息进行第三子特征提取,以获得至少一个第三子特征图,第一子特征图和至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,基于第一子特征图和第二子特征图,融合获得第二特征图包括:基于第一子特征图和第二子特征图,获取第一融合特征;以及对第一融合特征和至少一个第三子特征图进行特征融合,以获得第二特征图。
由此,通过对表面法线信息进行第三子特征提取,进一步获取不同分辨率与第二子特征图不同的第三子特征图,从而通过不同尺寸的特征图,兼顾表面法线信息中的细节信息和全局信息,并将上述信息一并融入第二特征图,从而能够提取到更加丰富的目标对象状态信息,进一步提升渲染贴图的生成效果。
在一些实施例中,可以通过对表面法线信息(法线贴图)进行一次或多次特征提取,获得一个第三子特征图。
在一些实施例中,上述第三子特征提取可以是对表面法线信息(法线贴图)进行多级特征提取和池化操作,其中每一次或多次特征提取后,通过池化操作对特征图进行下采样,以对下采样后的特征图继续进行上述特征提取,从而获得不同分辨率的多个第三子特征图。
在一些实施例中,第一子特征图可以是在通过上述方法获得的分辨率最小的第三子特征图进行进一步的下采样后,进行一次或多次特征提取获得的。
在一些实施例中,可以对上述虚拟场景的场景信息进行叠加,并将整合后的信息一并输入一个特征提取网络中,进行第二子特征提取,从而获得第二子特征图。
在一些实施例中,可以通过对特征提取网络的设置,使得第二子特征图和第一子特征图可以具有相同的分辨率。
在一些实施例中,基于第一子特征图和第二子特征图,融合获得第二特征图可以为对第一子特征图和第二自特征图进行加权求和,以获得第二特征图。
在一些实施例中,响应于获取到至少一个第三子特征图,可以首先通过对第一子特征图和第二自特征图进行加权求和,以获得第一融合特征;随后对第一融合特征进行上采样,使其分辨率恢复至上一级对应的分辨率,以获得第二中间特征图;随后将相应分辨率的第三子特征图与该第二中间特征图进行叠加,对叠加后的特征再次进行一次或多次特征融合,并对所得到的融合特征再次进行上采样,直至获得上述多个分辨率中最大分辨率对应的融合特征,也即第二特征图。
在一些实施例中,上述一次或多次特征提取或一次或多次特征融合中的每次特征提取或特征融合可以是利用3×3卷积核对特征图进行卷积后,再通过ReLU激活函数进行特征输出。
在一些实施例中,可以基于上述第一特征图和第二特征图一并输入一个经过训练的生成网络中,以获得该生成网络生成的渲染贴图。随后,即可基于该渲染贴图对三维模型进行纹理贴图,以获得目标对象(虚拟形象)的渲染结果。
在一些实施例中,上述渲染贴图生成方法还可以包括:对身份识别信息进行第三特征提取,以获得第三特征图,其中,第三特征图的分辨率大于第一特征图的分辨率;并且,基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图还包括:基于第一特征图、第二特征图和第三特征图,生成渲染贴图。
由此,通过将分辨率大于第一特征图的第三特征图一并引入到渲染贴图的生成过程,从而进一步避免目标对象原始的形状、纹理等数据在下采样及特征提取中的丢失,进而提升渲染贴图的生成效果。
在一些实施例中,还可以对身份识别信息进行第三特征提取,以获得分辨率大于第一特征图的第三特征图。随后,在获取到第一特征图和第二特征图后,可以首先分别对两个特征图进行上采样至分辨率与第三特征图相同,以得到两个中间特征,随后将两个中间特征与第三特征图进行叠加,进一步进行至少一次特征融合,并通过一个输出层进行结果输出,以获得上述渲染贴图。
在一些实施例中,上述至少一次特征融合中的每次特征融合可以是利用3×3卷积核对特征图进行卷积后,再通过ReLU激活函数进行特征输出。
在一些实施例中,上述身份识别信息、表面法线信息、场景信息等信息可以均储存在UV纹理空间中,并且通过上述方法进行的特征提取和特征融合均在UV纹理空间中进行,生成的渲染贴图也是UV纹理空间的纹理贴图。由此,通过在UV纹理空间执行上述方法,能够在不影响渲染效果的同时,进一步减少计算量,提升计算效率。
图4示出了根据本公开的示例性实施例的渲染贴图生成模型中的第一特征提取网络、第三特征提取网络和生成网络的结构框图。
图5示出了根据本公开的示例性实施例的渲染贴图生成模型中的第二特征提取网络的结构框图。
在一些示例性实施例中,如图4和图5所示,渲染贴图生成模型可以包括第一特征提取网络410、第二特征提取网络420、第三特征提取网络430以及生成网络440,其中,第一特征提取网络410可以包括第四子特征提取网络411和第二特征融合网络412,第二特征提取网络420可以包括第一子特征提取网络421、第二子特征提取网络422、第三子特征提取网络423以及第一特征融合网络424,第一特征融合网络424包括可以第一融合子网络424-1和第二融合子网络424-2。
在一些示例性实施例中,本公开的渲染贴图生成方法可以包括:首先,将256×256的法向贴图401输入第一子特征提取网络421中,通过第一子特征提取网络421对法向贴图401进行三轮特征提取和全局池化后,将所得的第一中间特征再次进行一次特征提取,从而得到一个分辨率为32×32的第一子特征图。
其中,上述三轮特征提取和全局池化中的每次特征提取以及上述针对第一中间特征进行的特征提取,均可以通过对输入的特征图执行2次中间特征提取实现,其中,上述中间特征提取可以是利用3×3的卷积核对图像进行卷积后,通过ReLU激活函数输出特征通道。通过对每次中间特征提取得到的特征图进行全局池化,从而获得分辨率更低的特征图,以进行下一轮特征提取。
在一些示例性实施例中,第三子特征提取网络423可以复用第一子特征提取网络421中用于前三次特征提取的网络,从而获得分辨率逐级下降(例如,分别为256×256、128×128、64×64)的三个第三子特征图。
在一些示例性实施例中,可以将场景信息输入第二子特征提取网络422中,以通过第二子特征提取网络422进行场景信息的隐层特征提取,从而获得第二子特征提取网络422输出的第二子特征图。其中,第二子特征图的分辨率可以与第一子特征图相同。
在一些实施例中,第二子特征提取网络422可以基于多层感知网络(Multi-LayerPerceptron,MLP)构建。
在一些示例性实施例中,可以将第一子特征图和第二子特征图一并输入第一特征融合网络424中的第一融合子网络424-1中,以获得第一融合子网络424-1输出的第一融合特征。
在一些实施例中,第一融合子网络424-1可以用于对第一子特征图和第二子特征图进行加权求和,从而获得第一融合特征,由此,能够在完成特征融合的同时,节省计算量,提升计算效率。可理解的,第一子特征图和第二子特征图在加权求和中的权重系数可以根据实际需要确定,在此不做限制。
在一些示例性实施例中,可以将第一融合特征以及上述三个第三子特征图输入第二融合子网络424-2中,以获得融合后的第二特征图。其中,可以首先对第一融合特征进行上采样,将其分辨率恢复为与分辨率最小的第三子特征图一致(例如64×64),以获得第二中间特征;随后将分辨率相同的第三子特征图和第二中间特征进行叠加,将叠加获得的第三中间特征进行2次中间特征融合,以获得第四中间特征;随后可以进一步基于第四中间特征,重复执行上采样、与分辨率相同的第三子特征图叠加以及中间特征融合的过程,直至获取到分辨率为256×256的特征融合结果,以作为第二融合子网络424-2输出的第二特征图402。
其中,上述中间特征融合可以是利用3×3的卷积核对图像进行卷积后,通过ReLU激活函数输出特征通道。
在一些示例性实施例中,可以将身份识别信息403(例如为一个512×512的特征编码矩阵)输入第一特征提取网络410中,以获得第一特征提取网络410输出的第一特征图。
其中,首先可以通过第四子特征提取网络411对身份识别信息403进行五轮特征提取,从而获得分辨率逐级递减(例如,分别为512×512、256×256、128×128、64×64、32×32)的5个第四子特征图。其中,上述五轮特征提取中的每轮特征提取,均可以通过对输入的特征图执行2次中间特征提取实现,其中,上述中间特征提取可以是利用3×3的卷积核对图像进行卷积后,通过ReLU激活函数输出特征通道。并且,在两轮特征提取中间,可以通过对得到的特征图进行全局池化,从而获得分辨率更低的特征图,以进行下一轮特征提取。
随后,可以将上述5个第四子特征图输入第二特征融合网络412,以融合得到第一特征图。其中,可以首先对分辨率最低的第四子特征图进行上采样,将其分辨率恢复为与上一级第四子特征图一致(例如64×64),以获得第五中间特征;随后将分辨率相同的第四子特征图和第五中间特征进行叠加,将叠加获得的第六中间特征进行2次中间特征融合,以获得第七中间特征;随后可以进一步基于第七中间特征,重复执行上述过程,直至获取到分辨率为256×256的特征融合结果,以作为第二特征融合网络412输出的第一特征图。
其中,上述中间特征融合可以是利用3×3的卷积核对图像进行卷积后,通过ReLU激活函数输出特征通道。
在一些示例性实施例中,第三特征提取网络430可以复用第四子特征提取网络411中用于首次特征提取的网络,从而获得分辨率为512×512的第三特征图。
在一些示例性实施例中,可以将通过上述方法获得的第一特征图和第二特征图402以及第三特征图一并输入生成网络440中,以获得生成网络440输出的渲染贴图。其中,生成网络440可以首先对第一特征图和第二特征图402进行叠加后,再次进行上采样,并将上采样得到的特征图与第三特征图进一步叠加,随后进行2次中间特征融合后,并将融合后的特征图输入输出层,从而得到输出层输出的渲染贴图。
在一些实施例中,本公开的渲染贴图生成模型可以基于U-Net网络构建。
在一些实施例中,如图6所示,提供了一种模型训练方法,模型包括第一特征提取网络、第二特征提取网络以及生成网络,模型训练方法包括:
步骤S601、获取样本数据,样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及样本对象在样本场景中的样本渲染贴图,身份识别信息包含样本对象的原始纹理特征信息,场景信息包括光照信息;
步骤S602、将身份识别信息输入第一特征提取网络,以获得第一特征提取网络输出的第一特征图;
步骤S603、将表面法线信息和场景信息输入第二特征提取网络,以获得第二特征提取网络输出的第二特征图;
步骤S604、至少将第一特征图和第二特征图输入生成网络,以获得生成网络输出的样本场景中的样本对象的渲染贴图预测结果;以及
步骤S605、基于渲染贴图预测结果和样本渲染贴图,调整模型的参数。
由此,通过上述方法训练所获得的模型,能够通过预先存储的目标对象的身份识别信息(例如可以保存为参数矩阵的形式)进行第一特征提取,获得第一特征图;并对表面法线信息和场景信息进行第二特征提取,获得包含当前目标对象的状态信息(例如动作、表情等,通过表面法线信息引入)以及场景信息的第二特征图;随后基于第一特征图和第二特征图预测生成渲染贴图,从而能够在保证目标对象的超写实渲染效果的同时,降低计算量,提升计算效率。
在一些实施例中,第二特征提取网络可以包括第一子特征提取网络、第二子特征提取网络以及第一特征融合网络,将表面法线信息和场景信息输入第二特征提取网络,以获得第二特征提取网络输出的第二特征图可以包括:将表面法线信息输入第一子特征提取网络,以获得第一子特征提取网络输出的第一子特征图;将场景信息输入第二子特征提取网络,以获得第二子特征提取网络输出的第二子特征图;以及至少将第一子特征图和第二子特征图输入第一特征融合网络,以获得第一特征融合网络输出的第二特征图。
在一些实施例中,第二特征提取网络还可以包括第三子特征提取网络,第一特征融合网络可以包括第一融合子网络和第二融合子网络,上述模型训练方法还可以包括:将表面法线信息输入第三子特征提取网络,以获得第三子特征提取网络输出的至少一个第三子特征图,第一子特征图和至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,至少将第一子特征图和第二子特征图输入第一特征融合网络,以获得第一特征融合网络输出的第二特征图可以包括:将第一子特征图和第二子特征图输入第一融合子网络,以获得第一融合子网络输出的第一融合特征;以及将第一融合特征和至少一个第三子特征图输入第二融合子网络,以获得第二融合子网络输出的第二特征图。
在一些实施例中,样本场景中可以包括用于观测样本对象的虚拟相机,场景信息还可以包括下述信息中的至少一者:虚拟相机相对于样本对象的视角信息、样本对象相对于虚拟相机的位置信息和姿态信息。
在一些实施例中,光照信息可以包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
在一些实施例中,样本场景中可以包括多个光源,多个光源中的每个光源包括相应的第一光照信息,上述模型训练方法还包括:基于多个光源中每个光源的第一位置信息,对多个光源进行聚类,以获得至少一个中心光源;以及基于多个光源中每个光源相应的第一光照信息,确定至少一个中心光源相应的至少一个第二光照信息,以作为光照信息。
在一些实施例中,第一特征提取网络可以包括第四子特征提取网络和第二特征融合网络,将身份识别信息输入第一特征提取网络,以获得第一特征提取网络输出的第一特征图可以包括:将身份识别信息输入第四子特征提取网络,以获得第四子特征提取网络输出的多个第四子特征图,多个第四子特征图分别对应不同的多个分辨率;以及将多个第四子特征图输入第二特征融合网络,以获得第二特征融合网络输出的第一特征图。
在一些实施例中,上述模型还可以包括第三特征提取网络,上述模型训练方法还可以包括:将身份识别信息输入第三特征提取网络,以获得第三特征提取网络输出的第三特征图,其中,第三特征图的分辨率大于第一特征图的分辨率;并且,至少将第一特征图和第二特征图输入生成网络,以获得生成网络输出的样本场景中的样本对象的渲染贴图预测结果包括:将第一特征图、第二特征图和第三特征图输入生成网络,以获得生成网络输出的渲染贴图预测结果。
在一些实施例中,身份识别信息通过对样本对象的原始纹理贴图进行特征编码获得。
在一些示例性实施例中,上述模型可以为如上文描述的渲染贴图生成模型。
在一些实施例中,如图7所示,提供了一种渲染贴图生成装置700,包括:
第一获取单元710,被配置为对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,身份识别信息包含目标对象的原始纹理特征信息;
第二获取单元720,被配置为对目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,场景信息包括光照信息;以及
生成单元730,被配置为基于第一特征图和第二特征图,生成虚拟场景中的目标对象的渲染贴图。
其中,装置700中的单元710-单元730所执行的操作与上述图形处理方法中的步骤S201-步骤S203的操作类似,在此不做赘述。
在一些实施例中,第二获取单元可以包括:第一获取子单元,被配置为对表面法线信息进行第一子特征提取,以获得第一子特征图;第二获取子单元,被配置为对场景信息进行第二子特征提取,以获得第二子特征图;以及第一融合子单元,被配置为基于第一子特征图和第二子特征图,融合获得第二特征图。
在一些实施例中,上述渲染贴图生成装置还可以包括:第三获取单元,被配置为对表面法线信息进行第三子特征提取,以获得至少一个第三子特征图,第一子特征图和至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,第一融合子单元还可以被配置为:基于第一子特征图和第二子特征图,获取第一融合特征;以及对第一融合特征和至少一个第三子特征图进行特征融合,以获得第二特征图。
在一些实施例中,虚拟场景中包括用于观测目标对象的虚拟相机,场景信息还可以包括下述信息中的至少一者:虚拟相机相对于目标对象的视角信息、目标对象相对于虚拟相机的位置信息和姿态信息。
在一些实施例中,光照信息包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
在一些实施例中,虚拟场景中包括多个光源,多个光源中的每个光源包括相应的第一光照信息,上述渲染贴图生成装置还可以包括:第一聚类单元,被配置为基于多个光源中每个光源的第一位置信息,对多个光源进行聚类,以获得至少一个中心光源;以及第一确定单元,被配置为基于多个光源中每个光源相应的第一光照信息,确定至少一个中心光源相应的至少一个第二光照信息,以作为光照信息。
在一些实施例中,第一获取单元可以包括:第三获取子单元,被配置为对身份识别信息进行第四子特征提取,以获得多个第四子特征图,多个第四子特征图分别对应不同的多个分辨率;以及第二融合子单元,被配置为基于多个第四子特征图进行特征融合,以获得第一特征图。
在一些实施例中,上述渲染贴图生成装置还可以包括:第四获取单元,被配置为对身份识别信息进行第三特征提取,以获得第三特征图,其中,第三特征图的分辨率大于第一特征图的分辨率;并且,生成单元还可以被配置为:基于第一特征图、第二特征图和第三特征图,生成渲染贴图。
在一些实施例中,身份识别信息通过对目标对象的原始纹理贴图进行特征编码获得。
在一些实施例中,如图8所示,提供了一种模型训练装置800,模型包括第一特征提取网络、第二特征提取网络以及生成网络,模型训练装置800包括:
第五获取单元810,被配置为获取样本数据,样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及样本对象在样本场景中的样本渲染贴图,身份识别信息包含样本对象的原始纹理特征信息,场景信息包括光照信息;
第六获取单元820,被配置为将身份识别信息输入第一特征提取网络,以获得第一特征提取网络输出的第一特征图;
第七获取单元830,被配置为将表面法线信息和场景信息输入第二特征提取网络,以获得第二特征提取网络输出的第二特征图;
第八获取单元840,被配置为至少将第一特征图和第二特征图输入生成网络,以获得生成网络输出的样本场景中的样本对象的渲染贴图预测结果;以及
调整单元850,被配置为基于渲染贴图预测结果和样本渲染贴图,调整模型的参数。
其中,装置800中的单元810-单元850所执行的操作与上述图形处理方法中的步骤S601-步骤S605的操作类似,在此不做赘述。
在一些实施例中,第二特征提取网络可以包括第一子特征提取网络、第二子特征提取网络以及第一特征融合网络,第七获取单元可以包括:第四获取子单元,被配置为将表面法线信息输入第一子特征提取网络,以获得第一子特征提取网络输出的第一子特征图;第五获取子单元,被配置为将场景信息输入第二子特征提取网络,以获得第二子特征提取网络输出的第二子特征图;以及第三融合子单元,被配置为至少将第一子特征图和第二子特征图输入第一特征融合网络,以获得第一特征融合网络输出的第二特征图。
在一些实施例中,第二特征提取网络还可以包括第三子特征提取网络,第一特征融合网络可以包括第一融合子网络和第二融合子网络,上述模型训练装置还可以包括:第九获取单元,被配置为将表面法线信息输入第三子特征提取网络,以获得第三子特征提取网络输出的至少一个第三子特征图,第一子特征图和至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,第三融合子单元还可以被配置为:将第一子特征图和第二子特征图输入第一融合子网络,以获得第一融合子网络输出的第一融合特征;以及将第一融合特征和至少一个第三子特征图输入第二融合子网络,以获得第二融合子网络输出的第二特征图。
在一些实施例中,样本场景中包括用于观测样本对象的虚拟相机,场景信息还可以包括下述信息中的至少一者:虚拟相机相对于样本对象的视角信息、样本对象相对于虚拟相机的位置信息和姿态信息。
在一些实施例中,光照信息可以包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
在一些实施例中,样本场景中可以包括多个光源,多个光源中的每个光源包括相应的第一光照信息,上述模型训练装置还可以包括:第二聚类单元,被配置为基于多个光源中每个光源的第一位置信息,对多个光源进行聚类,以获得至少一个中心光源;以及第二确定单元,被配置为基于多个光源中每个光源相应的第一光照信息,确定至少一个中心光源相应的至少一个第二光照信息,以作为光照信息。
在一些实施例中,第一特征提取网络可以包括第四子特征提取网络和第二特征融合网络,第六获取单元可以包括:第六获取子单元,被配置为将身份识别信息输入第四子特征提取网络,以获得第四子特征提取网络输出的多个第四子特征图,多个第四子特征图分别对应不同的多个分辨率;以及第四融合子单元,被配置为将多个第四子特征图输入第二特征融合网络,以获得第二特征融合网络输出的第一特征图。
在一些实施例中,上述模型还可以包括第三特征提取网络,上述模型训练装置还可以包括:第十获取单元,被配置为将身份识别信息输入第三特征提取网络,以获得第三特征提取网络输出的第三特征图,其中,第三特征图的分辨率大于第一特征图的分辨率;并且,第八获取单元还被配置为:将第一特征图、第二特征图和第三特征图输入生成网络,以获得生成网络输出的渲染贴图预测结果。
在一些实施例中,身份识别信息可以通过对样本对象的原始纹理贴图进行特征编码获得。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如上述渲染贴图生成方法或上述模型训练方法。例如,在一些实施例中,上述渲染贴图生成方法或上述模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上述渲染贴图生成方法或上述模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述渲染贴图生成方法或上述模型训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、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***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (38)
1.一种渲染贴图生成方法,其特征在于,所述方法包括:
对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,所述身份识别信息包含所述目标对象的原始纹理特征信息;
对所述目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,所述场景信息包括光照信息;以及
基于所述第一特征图和所述第二特征图,生成所述虚拟场景中的所述目标对象的渲染贴图。
2.根据权利要求1所述的方法,其中,所述对所述目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图包括:
对所述表面法线信息进行第一子特征提取,以获得第一子特征图;
对所述场景信息进行第二子特征提取,以获得第二子特征图;以及
基于所述第一子特征图和所述第二子特征图,融合获得所述第二特征图。
3.根据权利要求2所述的方法,还包括:
对所述表面法线信息进行第三子特征提取,以获得至少一个第三子特征图,所述第一子特征图和所述至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,
所述基于所述第一子特征图和所述第二子特征图,融合获得所述第二特征图包括:
基于所述第一子特征图和所述第二子特征图,获取第一融合特征;以及
对所述第一融合特征和所述至少一个第三子特征图进行特征融合,以获得所述第二特征图。
4.根据权利要求1至3中任一项所述的方法,其中,所述虚拟场景中包括用于观测所述目标对象的虚拟相机,所述场景信息还包括下述信息中的至少一者:所述虚拟相机相对于所述目标对象的视角信息、所述目标对象相对于所述虚拟相机的位置信息和姿态信息。
5.根据权利要求1至3中任一项所述的方法,其中,所述光照信息包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
6.根据权利要求1至3中任一项所述的方法,其中,所述虚拟场景中包括多个光源,所述多个光源中的每个光源包括相应的第一光照信息,所述方法还包括:
基于所述多个光源中每个光源的第一位置信息,对所述多个光源进行聚类,以获得至少一个中心光源;以及
基于所述多个光源中每个光源相应的第一光照信息,确定所述至少一个中心光源相应的至少一个第二光照信息,以作为所述光照信息。
7.根据权利要求1至3中任一项所述的方法,其中,所述对目标对象的身份识别信息进行第一特征提取,以获得第一特征图包括:
对所述身份识别信息进行第四子特征提取,以获得多个第四子特征图,所述多个第四子特征图分别对应不同的多个分辨率;以及
基于所述多个第四子特征图进行特征融合,以获得所述第一特征图。
8.根据权利要求1至3中任一项所述的方法,还包括:
对所述身份识别信息进行第三特征提取,以获得第三特征图,其中,所述第三特征图的分辨率大于所述第一特征图的分辨率;并且,
所述基于所述第一特征图和所述第二特征图,生成所述虚拟场景中的所述目标对象的渲染贴图包括:
基于所述第一特征图、所述第二特征图和所述第三特征图,生成所述渲染贴图。
9.根据权利要求1至3中任一项所述的方法,其中,所述身份识别信息通过对所述目标对象的原始纹理贴图进行特征编码获得。
10.一种模型训练方法,其特征在于,所述模型包括第一特征提取网络、第二特征提取网络以及生成网络,所述方法包括:
获取样本数据,所述样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及所述样本对象在所述样本场景中的样本渲染贴图,所述身份识别信息包含所述样本对象的原始纹理特征信息,所述场景信息包括光照信息;
将所述身份识别信息输入所述第一特征提取网络,以获得所述第一特征提取网络输出的第一特征图;
将所述表面法线信息和所述场景信息输入所述第二特征提取网络,以获得所述第二特征提取网络输出的第二特征图;
至少将所述第一特征图和所述第二特征图输入所述生成网络,以获得所述生成网络输出的所述样本场景中的所述样本对象的渲染贴图预测结果;以及
基于所述渲染贴图预测结果和所述样本渲染贴图,调整所述模型的参数。
11.根据权利要求10所述的方法,其中,所述第二特征提取网络包括第一子特征提取网络、第二子特征提取网络以及第一特征融合网络,所述将所述表面法线信息和所述场景信息输入所述第二特征提取网络,以获得所述第二特征提取网络输出的第二特征图包括:
将所述表面法线信息输入所述第一子特征提取网络,以获得所述第一子特征提取网络输出的第一子特征图;
将所述场景信息输入所述第二子特征提取网络,以获得所述第二子特征提取网络输出的第二子特征图;以及
至少将所述第一子特征图和所述第二子特征图输入所述第一特征融合网络,以获得所述第一特征融合网络输出的所述第二特征图。
12.根据权利要求11所述的方法,所述第二特征提取网络还包括第三子特征提取网络,所述第一特征融合网络包括第一融合子网络和第二融合子网络,所述方法还包括:
将所述表面法线信息输入所述第三子特征提取网络,以获得所述第三子特征提取网络输出的至少一个第三子特征图,所述第一子特征图和所述至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,
所述至少将所述第一子特征图和所述第二子特征图输入所述第一特征融合网络,以获得所述第一特征融合网络输出的所述第二特征图包括:
将所述第一子特征图和所述第二子特征图输入所述第一融合子网络,以获得所述第一融合子网络输出的第一融合特征;以及
将所述第一融合特征和所述至少一个第三子特征图输入所述第二融合子网络,以获得所述第二融合子网络输出的所述第二特征图。
13.根据权利要求10至12中任一项所述的方法,其中,所述样本场景中包括用于观测所述样本对象的虚拟相机,所述场景信息还包括下述信息中的至少一者:所述虚拟相机相对于所述样本对象的视角信息、所述样本对象相对于所述虚拟相机的位置信息和姿态信息。
14.根据权利要求10至12中任一项所述的方法,其中,所述光照信息包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
15.根据权利要求10至12中任一项所述的方法,其中,所述样本场景中包括多个光源,所述多个光源中的每个光源包括相应的第一光照信息,所述方法还包括:
基于所述多个光源中每个光源的第一位置信息,对所述多个光源进行聚类,以获得至少一个中心光源;以及
基于所述多个光源中每个光源相应的第一光照信息,确定所述至少一个中心光源相应的至少一个第二光照信息,以作为所述光照信息。
16.根据权利要求10至12中任一项所述的方法,其中,所述第一特征提取网络包括第四子特征提取网络和第二特征融合网络,所述将所述身份识别信息输入所述第一特征提取网络,以获得所述第一特征提取网络输出的第一特征图包括:
将所述身份识别信息输入所述第四子特征提取网络,以获得所述第四子特征提取网络输出的多个第四子特征图,所述多个第四子特征图分别对应不同的多个分辨率;以及
将所述多个第四子特征图输入所述第二特征融合网络,以获得所述第二特征融合网络输出的所述第一特征图。
17.根据权利要求10至12中任一项所述的方法,所述模型还包括第三特征提取网络,所述方法还包括:
将所述身份识别信息输入所述第三特征提取网络,以获得所述第三特征提取网络输出的第三特征图,其中,所述第三特征图的分辨率大于所述第一特征图的分辨率;并且,
所述至少将所述第一特征图和所述第二特征图输入所述生成网络,以获得所述生成网络输出的所述样本场景中的所述样本对象的渲染贴图预测结果包括:
将所述第一特征图、所述第二特征图和所述第三特征图输入所述生成网络,以获得所述生成网络输出的所述渲染贴图预测结果。
18.根据权利要求10至12中任一项所述的方法,其中,所述身份识别信息通过对所述样本对象的原始纹理贴图进行特征编码获得。
19.一种渲染贴图生成装置,其特征在于,所述装置包括:
第一获取单元,被配置为对目标对象的身份识别信息进行第一特征提取,以获得第一特征图,其中,所述身份识别信息包含所述目标对象的原始纹理特征信息;
第二获取单元,被配置为对所述目标对象的表面法线信息和虚拟场景的场景信息进行第二特征提取,以获得第二特征图,所述场景信息包括光照信息;以及
生成单元,被配置为基于所述第一特征图和所述第二特征图,生成所述虚拟场景中的所述目标对象的渲染贴图。
20.根据权利要求19所述的装置,其中,所述第二获取单元包括:
第一获取子单元,被配置为对所述表面法线信息进行第一子特征提取,以获得第一子特征图;
第二获取子单元,被配置为对所述场景信息进行第二子特征提取,以获得第二子特征图;以及
第一融合子单元,被配置为基于所述第一子特征图和所述第二子特征图,融合获得所述第二特征图。
21.根据权利要求20所述的装置,还包括:
第三获取单元,被配置为对所述表面法线信息进行第三子特征提取,以获得至少一个第三子特征图,所述第一子特征图和所述至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,
所述第一融合子单元还被配置为:
基于所述第一子特征图和所述第二子特征图,获取第一融合特征;以及
对所述第一融合特征和所述至少一个第三子特征图进行特征融合,以获得所述第二特征图。
22.根据权利要求19至21中任一项所述的装置,其中,所述虚拟场景中包括用于观测所述目标对象的虚拟相机,所述场景信息还包括下述信息中的至少一者:所述虚拟相机相对于所述目标对象的视角信息、所述目标对象相对于所述虚拟相机的位置信息和姿态信息。
23.根据权利要求19至21中任一项所述的装置,其中,所述光照信息包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
24.根据权利要求19至21中任一项所述的装置,其中,所述虚拟场景中包括多个光源,所述多个光源中的每个光源包括相应的第一光照信息,所述装置还包括:
第一聚类单元,被配置为基于所述多个光源中每个光源的第一位置信息,对所述多个光源进行聚类,以获得至少一个中心光源;以及
第一确定单元,被配置为基于所述多个光源中每个光源相应的第一光照信息,确定所述至少一个中心光源相应的至少一个第二光照信息,以作为所述光照信息。
25.根据权利要求19至21中任一项所述的装置,其中,所述第一获取单元包括:
第三获取子单元,被配置为对所述身份识别信息进行第四子特征提取,以获得多个第四子特征图,所述多个第四子特征图分别对应不同的多个分辨率;以及
第二融合子单元,被配置为基于所述多个第四子特征图进行特征融合,以获得所述第一特征图。
26.根据权利要求19至21中任一项所述的装置,还包括:
第四获取单元,被配置为对所述身份识别信息进行第三特征提取,以获得第三特征图,其中,所述第三特征图的分辨率大于所述第一特征图的分辨率;并且,
所述生成单元还被配置为:基于所述第一特征图、所述第二特征图和所述第三特征图,生成所述渲染贴图。
27.根据权利要求19至21中任一项所述的装置,其中,所述身份识别信息通过对所述目标对象的原始纹理贴图进行特征编码获得。
28.一种模型训练装置,其特征在于,所述模型包括第一特征提取网络、第二特征提取网络以及生成网络,所述装置包括:
第五获取单元,被配置为获取样本数据,所述样本数据包括样本对象的身份识别信息、表面法线信息、样本场景的场景信息以及所述样本对象在所述样本场景中的样本渲染贴图,所述身份识别信息包含所述样本对象的原始纹理特征信息,所述场景信息包括光照信息;
第六获取单元,被配置为将所述身份识别信息输入所述第一特征提取网络,以获得所述第一特征提取网络输出的第一特征图;
第七获取单元,被配置为将所述表面法线信息和所述场景信息输入所述第二特征提取网络,以获得所述第二特征提取网络输出的第二特征图;
第八获取单元,被配置为至少将所述第一特征图和所述第二特征图输入所述生成网络,以获得所述生成网络输出的所述样本场景中的所述样本对象的渲染贴图预测结果;以及
调整单元,被配置为基于所述渲染贴图预测结果和所述样本渲染贴图,调整所述模型的参数。
29.根据权利要求28所述的装置,其中,所述第二特征提取网络包括第一子特征提取网络、第二子特征提取网络以及第一特征融合网络,所述第七获取单元包括:
第四获取子单元,被配置为将所述表面法线信息输入所述第一子特征提取网络,以获得所述第一子特征提取网络输出的第一子特征图;
第五获取子单元,被配置为将所述场景信息输入所述第二子特征提取网络,以获得所述第二子特征提取网络输出的第二子特征图;以及
第三融合子单元,被配置为至少将所述第一子特征图和所述第二子特征图输入所述第一特征融合网络,以获得所述第一特征融合网络输出的所述第二特征图。
30.根据权利要求29所述的装置,所述第二特征提取网络还包括第三子特征提取网络,所述第一特征融合网络包括第一融合子网络和第二融合子网络,所述装置还包括:
第九获取单元,被配置为将所述表面法线信息输入所述第三子特征提取网络,以获得所述第三子特征提取网络输出的至少一个第三子特征图,所述第一子特征图和所述至少一个第三子特征图中的每个第三子特征图分别对应不同的分辨率;并且,
所述第三融合子单元还被配置为:
将所述第一子特征图和所述第二子特征图输入所述第一融合子网络,以获得所述第一融合子网络输出的第一融合特征;以及
将所述第一融合特征和所述至少一个第三子特征图输入所述第二融合子网络,以获得所述第二融合子网络输出的所述第二特征图。
31.根据权利要求28至30中任一项所述的装置,其中,所述样本场景中包括用于观测所述样本对象的虚拟相机,所述场景信息还包括下述信息中的至少一者:所述虚拟相机相对于所述样本对象的视角信息、所述样本对象相对于所述虚拟相机的位置信息和姿态信息。
32.根据权利要求28至30中任一项所述的装置,其中,所述光照信息包括光照强度信息、光源颜色信息和光源位置信息中的至少一者。
33.根据权利要求28至30中任一项所述的装置,其中,所述样本场景中包括多个光源,所述多个光源中的每个光源包括相应的第一光照信息,所述装置还包括:
第二聚类单元,被配置为基于所述多个光源中每个光源的第一位置信息,对所述多个光源进行聚类,以获得至少一个中心光源;以及
第二确定单元,被配置为基于所述多个光源中每个光源相应的第一光照信息,确定所述至少一个中心光源相应的至少一个第二光照信息,以作为所述光照信息。
34.根据权利要求28至30中任一项所述的装置,其中,所述第一特征提取网络包括第四子特征提取网络和第二特征融合网络,所述第六获取单元包括:
第六获取子单元,被配置为将所述身份识别信息输入所述第四子特征提取网络,以获得所述第四子特征提取网络输出的多个第四子特征图,所述多个第四子特征图分别对应不同的多个分辨率;以及
第四融合子单元,被配置为将所述多个第四子特征图输入所述第二特征融合网络,以获得所述第二特征融合网络输出的所述第一特征图。
35.根据权利要求28至30中任一项所述的装置,所述模型还包括第三特征提取网络,所述装置还包括:
第十获取单元,被配置为将所述身份识别信息输入所述第三特征提取网络,以获得所述第三特征提取网络输出的第三特征图,其中,所述第三特征图的分辨率大于所述第一特征图的分辨率;并且,
所述第八获取单元还被配置为:将所述第一特征图、所述第二特征图和所述第三特征图输入所述生成网络,以获得所述生成网络输出的所述渲染贴图预测结果。
36.根据权利要求28至30中任一项所述的装置,其中,所述身份识别信息通过对所述样本对象的原始纹理贴图进行特征编码获得。
37.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-18中任一项所述的方法。
38.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-18中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519942.XA CN116245998B (zh) | 2023-05-09 | 2023-05-09 | 渲染贴图生成方法及装置、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519942.XA CN116245998B (zh) | 2023-05-09 | 2023-05-09 | 渲染贴图生成方法及装置、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245998A true CN116245998A (zh) | 2023-06-09 |
CN116245998B CN116245998B (zh) | 2023-08-29 |
Family
ID=86629868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310519942.XA Active CN116245998B (zh) | 2023-05-09 | 2023-05-09 | 渲染贴图生成方法及装置、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245998B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843808A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 基于点云的渲染、模型训练、虚拟形象生成方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871339A (zh) * | 2017-11-08 | 2018-04-03 | 太平洋未来科技(深圳)有限公司 | 视频中虚拟对象色彩效果的渲染方法和装置 |
US20180096453A1 (en) * | 2016-10-05 | 2018-04-05 | Hidden Path Entertainment, Inc. | System and method of capturing and rendering a stereoscopic panorama using a depth buffer |
CN108176048A (zh) * | 2017-11-30 | 2018-06-19 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质、电子装置 |
CN108564646A (zh) * | 2018-03-28 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 对象的渲染方法和装置、存储介质、电子装置 |
CN109410310A (zh) * | 2018-10-30 | 2019-03-01 | 安徽虚空位面信息科技有限公司 | 一种基于深度学习网络的实时光照渲染算法 |
CN109993823A (zh) * | 2019-04-11 | 2019-07-09 | 腾讯科技(深圳)有限公司 | 阴影渲染方法、装置、终端及存储介质 |
CN112587921A (zh) * | 2020-12-16 | 2021-04-02 | 成都完美时空网络技术有限公司 | 模型处理方法和装置、电子设备和存储介质 |
CN112700528A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 一种用于头戴增强现实设备的虚拟物体阴影渲染方法 |
CN114288664A (zh) * | 2021-12-28 | 2022-04-08 | 完美世界(北京)软件科技发展有限公司 | 游戏场景的生成方法及装置、存储介质、电子装置 |
CN114529690A (zh) * | 2020-10-30 | 2022-05-24 | 北京字跳网络技术有限公司 | 增强现实场景呈现方法、装置、终端设备和存储介质 |
CN115100339A (zh) * | 2022-06-15 | 2022-09-23 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
-
2023
- 2023-05-09 CN CN202310519942.XA patent/CN116245998B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180096453A1 (en) * | 2016-10-05 | 2018-04-05 | Hidden Path Entertainment, Inc. | System and method of capturing and rendering a stereoscopic panorama using a depth buffer |
CN107871339A (zh) * | 2017-11-08 | 2018-04-03 | 太平洋未来科技(深圳)有限公司 | 视频中虚拟对象色彩效果的渲染方法和装置 |
CN108176048A (zh) * | 2017-11-30 | 2018-06-19 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质、电子装置 |
CN108564646A (zh) * | 2018-03-28 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 对象的渲染方法和装置、存储介质、电子装置 |
CN109410310A (zh) * | 2018-10-30 | 2019-03-01 | 安徽虚空位面信息科技有限公司 | 一种基于深度学习网络的实时光照渲染算法 |
CN109993823A (zh) * | 2019-04-11 | 2019-07-09 | 腾讯科技(深圳)有限公司 | 阴影渲染方法、装置、终端及存储介质 |
CN114529690A (zh) * | 2020-10-30 | 2022-05-24 | 北京字跳网络技术有限公司 | 增强现实场景呈现方法、装置、终端设备和存储介质 |
CN112587921A (zh) * | 2020-12-16 | 2021-04-02 | 成都完美时空网络技术有限公司 | 模型处理方法和装置、电子设备和存储介质 |
CN112700528A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 一种用于头戴增强现实设备的虚拟物体阴影渲染方法 |
CN114288664A (zh) * | 2021-12-28 | 2022-04-08 | 完美世界(北京)软件科技发展有限公司 | 游戏场景的生成方法及装置、存储介质、电子装置 |
CN115100339A (zh) * | 2022-06-15 | 2022-09-23 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843808A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 基于点云的渲染、模型训练、虚拟形象生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116245998B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967355B (zh) | 图像填充方法及装置、电子设备和介质 | |
CN116051729A (zh) | 三维内容生成方法、装置和电子设备 | |
CN114972958B (zh) | 关键点检测方法、神经网络的训练方法、装置和设备 | |
CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115482325B (zh) | 画面渲染方法、装置、***、设备及介质 | |
CN116245998B (zh) | 渲染贴图生成方法及装置、模型训练方法及装置 | |
CN117274491A (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
CN112967356A (zh) | 图像填充方法及装置、电子设备和介质 | |
CN115578515A (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 | |
CN114550313A (zh) | 图像处理方法、神经网络及其训练方法、设备和介质 | |
CN116843833A (zh) | 三维模型生成方法、装置和电子设备 | |
CN115661375B (zh) | 三维发型生成方法、装置、电子设备和存储介质 | |
CN114119935B (zh) | 图像处理方法和装置 | |
CN114327718B (zh) | 界面展示方法及装置、设备和介质 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN116030185A (zh) | 三维发丝生成方法和模型的训练方法 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN114120448B (zh) | 图像处理方法和装置 | |
CN114119154A (zh) | 虚拟化妆的方法及装置 | |
CN114049472A (zh) | 三维模型调整方法、装置、电子设备、介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN116740510B (zh) | 图像处理方法、模型训练方法及装置 | |
CN115423827B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |