CN117557721A - 一种单张图像细节三维人脸重建方法、***、设备和介质 - Google Patents

一种单张图像细节三维人脸重建方法、***、设备和介质 Download PDF

Info

Publication number
CN117557721A
CN117557721A CN202311463711.8A CN202311463711A CN117557721A CN 117557721 A CN117557721 A CN 117557721A CN 202311463711 A CN202311463711 A CN 202311463711A CN 117557721 A CN117557721 A CN 117557721A
Authority
CN
China
Prior art keywords
dimensional face
image
representing
face
vertex
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311463711.8A
Other languages
English (en)
Inventor
李慧斌
王静婷
余璀璨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202311463711.8A priority Critical patent/CN117557721A/zh
Publication of CN117557721A publication Critical patent/CN117557721A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种单张图像细节三维人脸重建方法、***、设备和介质，对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；根据全局特征以及局部位置特征，得到隐式双向反射函数；优化SDF‑Net以及隐式双向反射函数的各个分量网络；计算细节的三维人脸几何模型以及每个顶点对应的颜色值，组合构成带有高保真纹理的细节三维人脸模型。本发明仅使用单张输入图片，可以实现单张图像的三维人脸重建，省去了数据集构建及预处理等步骤；本方法使用隐式双向反射函数来表示人脸纹理，能够得到高保真的三维人脸纹理。

Description

一种单张图像细节三维人脸重建方法、***、设备和介质
技术领域
本发明属于三维人脸识别技术领域，具体涉及一种单张图像细节三维人脸重建方法、***、设备和介质。
背景技术
近年来，人脸图像在人们的生活中得到了广泛应用，人脸识别、人脸美颜、人脸编辑等应用无处不在。“元宇宙”、“数字人”等概念也进入大众视野，给人们的生活、娱乐带来全新体验。三维人脸重建作为“数字人”技术的重要组成部分，也受到了广泛关注。现有方法主要分为两大类：基于隐空间编码的方法和基于显空间回归的方法。
然而现有的一些方法在几何细节及人脸纹理方面均存在一定缺陷。对于三维人脸几何，大多数方法基于线性的三维人脸可形变模型(3DMM)进行重建，其结果具有很强的线性化，重建结果缺乏个性化的几何细节，且不同个体存在视觉差异小的问题。对于三维人脸几何，多数方法通过回归逐顶点RGB值来构成三维人脸的纹理，其纹理缺乏真实性，且没有考虑到光照等问题。
此外，三维人脸重建的多数方法是基于数据集构建进行训练的，然而，三维人脸数据获取难度大，开源数据集较少且质量不一，不同数据集需要进行数据预处理及配准，耗费大量人力及时间，重建结果与预处理质量有很大的相关性。因此，探索富有个性化人脸几何细节及高保真纹理的三维人脸重建方法成为一个迫切而富有挑战性的问题。
发明内容
为克服现有技术中的问题，本发明的目的在于提供一种单张图像细节三维人脸重建方法、***、设备和介质，该方法不需要训练数据且能够重建个性化人脸几何细节及高保真纹理。
为实现上述目的，本发明采用的技术方案如下：
一种单张图像细节三维人脸重建方法，包括以下步骤：
获取二维人脸图像；
对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；
对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；
根据全局特征以及局部位置特征，得到隐式双向反射函数；
采用自监督训练方法优化SDF-Net以及隐式双向反射函数的各个分量网络；
根据优化后的SDF-Net以及人脸顶点的符号距离值，计算细节的三维人脸几何模型；
根据优化后的双向反射函数的各个分量网络，计算得到每个顶点对应的颜色值；
将包含细节的三维人脸几何模型以及每个顶点对应的颜色值组合，构成带有高保真纹理的细节三维人脸模型。
进一步的，对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局图像特征以及全局深度特征，包括以下步骤：
对二维人脸图像进行三维人脸重建、渲染，得到多视角图像集合，根据多视角图像集合通过单目深度估计算法计算多视角深度图集合；对多视角图像集合和多视角深度图集合分别提取特征，得到全局图像特征以及全局深度特征。
进一步的，对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征，包括以下步骤：
对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，获得光线与隐表面的交点；将光线与隐表面的交点三维坐标输入到SDF-Net中计算人脸顶点的符号距离值以及局部位置特征。
进一步的，根据多视角图像集合通过单目深度估计算法计算多视角深度图集合。
进一步的，通过损失函数收敛，优化SDF-Net以及隐式双向反射函数的各个分量网络；
损失函数为：
其中，α1为第一系数，α2为第二系数，α3为第三系数，α4为第四系数；
像素级别损失
式中，p表示采样点所在像素，P为像素的结合，为采样点所在的像素，/>为图像i在像素p的掩码，/>为图像i在像素p的像素值，cp(i)为采用双向反射函数计算得到的像素值，i为图像序号；
掩码损失
式中，M表示掩码；为有颜色的像集合，si,α(p)为激活函数，α为超参数；
符号距离场损失
式中，表示期望；
为点p*的最邻近点，则配准损失/>可以表示为：
法向损失
进一步的，隐式双向反射函数为：
其中，表示漫反射反照率，xp表示光线与隐表面的交点，/>表示光线与初始粗糙网格的交点，/>表示第j张图片对应的局部位置特征，/>表示第j张图片对应的全局图像特征，/>表示漫反射阴影，/>表示光线与初始粗糙网格的交点/>的法向，表示第j张图片对应的全局深度特征，as表示镜面反射反照率，/>表示镜面反射阴影，np表示光线与隐表面的交点xp的法向，v表示光线方向。
进一步的，细节的三维人脸几何模型为：
其中，Gd表示细节的三维人脸几何模型，表示人脸顶点集合，n表示人脸顶点的法向，/>表示人脸顶点的符号距离值，Gc表示初始粗糙网格。
一种低质量三维人脸识别***，包括：
二维人脸图像获取模块，用于获取二维人脸图像；
全局特征获取模块，用于对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；
匹配与计算模块，用于对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；
隐式双向反射函数计算模块，用于根据全局特征以及局部位置特征，计算得到隐式双向反射函数；
优化模块，用于优化SDF-Net以及隐式双向反射函数的各个分量网络；
细节的三维人脸几何模型计算模块，用于根据优化后的SDF-Net以及人脸顶点的符号距离值，计算细节的三维人脸几何模型；
颜色值计算模块，用于根据优化后的双向反射函数的各个分量网络，计算得到每个顶点对应的颜色值；
组合模块，用于将包含细节的三维人脸几何模型以及每个顶点对应的颜色值组合，构成带有高保真纹理的细节三维人脸模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述单张图像细节三维人脸重建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述单张图像细节三维人脸重建方法的步骤。
与现有技术相比，本发明具有的有益效果：
本发明通过二维人脸图像实现三维人脸重建，不需要额外的训练数据，由于在SDF-Net及双向反射函数优化过程中采用了自监督训练方法，仅使用单张输入图片，通过本方法对二维人脸图像进行三维人脸重建的图像集合可以实现单张图像的三维人脸重建，省去了数据集构建及预处理等步骤；本方法使用隐式双向反射函数来表示人脸纹理，能够得到高保真的三维人脸纹理。
进一步的，本发明将局部的位置特征与全局的图像及深度特征进行融合，针对不同的隐式双向反射函数的各个分量网络，使用不同的融合特征进行引导计算，从而能够更好的重建出高保真的三维人脸。
附图说明
图1为本发明的流程图；
图2为本发明重建几何细节结果；
图3为本发明重建几何及纹理结果；
图4为本发明的流程框图；
图5为本发明的***示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以多种不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
本发明分为纹理和几何两个部分：首先对于输入的二维人脸图像，使用3DMM方法中的StyleGAN在基准图像的基础上生成并补全不可见视角的纹理信息。其中StyleGAN基于数据集进行训练，能够生成高保真且清晰的人脸纹理。借助于传统的3DMM模型，得到具有高保真纹理的粗糙几何的三维人脸作为初始三维人脸。其次将初始三维人脸进行渲染得到多视角的二维人脸图像，同时使用单目深度估计算法生成相应的深度图。
为了充分利用二维图像信息，使用跨区域敏感特征提取器来提取相应的深度图特征。然后，使用一种基于符号距离场的局部-全局隐式可微分渲染框架，用于优化SDF-Net以及双向反射函数的各个分量网络。根据优化后的SDF-Net，计算细节的三维人脸几何模型。根据优化后的双向反射函数的各个分量网络，得到每个顶点对应的双向反射函数计算值(即颜色值。)最后，将包含细节的三维人脸几何模型Gd以及每个顶点对应的双向反射函数计算值配准，实现几何细节的还原。基于此，本发明拥有了高保真的人脸纹理以及精细的三维人脸几何，即可得到有个性化几何细节以及高保真纹理的三维人脸。
具体的，参见图1和图4，本发明的一种单张图像细节三维人脸重建方法分为粗糙重建和细节重建两个阶段，具体步骤如下：
(1)粗糙重建阶段
步骤1.1：首先对于输入的二维人脸图像，使用基于3DMM的方法进行三维人脸重建，得到具有高保真纹理的粗糙几何的三维人脸作为初始三维人脸。
步骤1.2：将初始三维人脸进行渲染，得到多视角图像集合I*＝{I1,I2,I3,…,IN}，根据多视角图像集合通过单目深度估计算法计算多视角深度图集合D*＝{D1,D2,D3,…,DN}，I1为第一幅多视角图像，I2为第二幅多视角图像，I3为第三幅多视角图像，IN为第N幅多视角图像，D1为第一幅多视角深度图，D2为第二幅多视角深度图，D3为第三幅多视角深度图，DN为第四幅多视角深度图，N为多视角深度图数量。
(2)细节重建阶段
步骤一：对多视角图像集合和多视角深度图集合分别提取特征，得到全局图像特征以及全局深度特征；
步骤二：对多视角图像集合中的每一张图片上每一个像素点进行光线匹配，基于光线追踪算法，获得光线与隐表面的交点xp以及光线与粗糙网格的交点
将光线与隐表面的交点xp作为采样点，将采样点三维坐标输入到SDF-Net中计算人脸顶点的符号距离值以及采样点局部位置特征；
步骤三：本方法将双向反射函数 看作由四个分量/>as，构成；
其中，表示漫反射反照率，xp表示光线与隐表面的交点，/>表示光线与初始粗糙网格的交点，/>表示第j张图片对应的局部位置特征，/>表示第j张图片对应的全局图像特征，/>表示漫反射阴影，/>表示光线与初始粗糙网格的交点/>的法向，表示第j张图片对应的全局深度特征，as表示镜面反射反照率，为常数，/>表示镜面反射阴影，np表示光线与隐表面的交点xp的法向，v表示光线方向。
因此，所以隐式双向反射函数可以写为：
因此，对于不同的分量，输入不同的特征到全连接网络中计算分量值：
具体的，根据全局图像特征以及局部位置特征，计算漫反射反照率
根据全局深度特征以及局部位置特征，计算漫反射阴影以及镜面反射阴影/>
步骤四：计算损失函数使其收敛来优化SDF-Net以及双向反射函数的各个分量网络。
损失函数可以表示为：
其中，α1为第一系数，α2为第二系数，α3为第三系数，α4为第四系数；
像素级别损失
式中，p表示采样点所在像素，P为像素的结合，为采样点所在的像素，/>为图像i在像素p的掩码，/>为图像i在像素p的像素值，cp(i)为采用双向反射函数计算得到的像素值，i为图像序号。
掩码损失
式中，M表示掩码；为有颜色的像素集合，si，α(p)为激活函数，α为超参数。
符号距离场损失
式中，表示期望。
此外，规定为点p*的最邻近点，则配准损失/>可以表示为：/>
法向损失
步骤五：根据优化后的SDF-Net，计算细节的三维人脸几何模型。
其中，Gd表示细节的三维人脸几何模型，表示人脸顶点集合，n表示人脸顶点的法向，/>表示人脸顶点的符号距离值，Gc表示初始粗糙网格。
将包含细节的三维人脸几何模型Gd以及每个顶点对应的双向反射函数计算值(即颜色值)，构成带有高保真纹理的细节三维人脸模型。
图2为针对5幅输入的人脸图片，每种方法重建的结果。从图2可以看出，本方法(MMFG方法)重建的三维人脸对比其他同类方法(FaceScape方法、Pixiv2Vertex方法、PBIDR方法、PBIDR方法)具有更加个性化的细节。
图3为本发明重建几何及纹理结果，图3中展示了四组样例结果，每三张为一组，input image为输入图片，generated 3d mesh为重建几何，textured 3d mesh为带纹理的重建结果。从图3可以看出，本方法重建结果既包含个性化的几何细节又包含高保真的人脸纹理。
参见图5，本发明另一实施例提供一种低质量三维人脸识别***，包括：
二维人脸图像获取模块，用于获取二维人脸图像；
全局特征获取模块，用于对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；
匹配与计算模块，用于对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；
隐式双向反射函数计算模块，用于根据全局特征以及局部位置特征，计算得到隐式双向反射函数；
优化模块，用于优化SDF-Net以及隐式双向反射函数的各个分量网络；
细节的三维人脸几何模型计算模块，用于根据优化后的SDF-Net以及人脸顶点的符号距离值，计算细节的三维人脸几何模型；
颜色值计算模块，用于根据优化后的双向反射函数的各个分量网络，计算得到每个顶点对应的颜色值；
组合模块，用于将包含细节的三维人脸几何模型以及每个顶点对应的颜色值组合，构成带有高保真纹理的细节三维人脸模型。
本发明另一实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述单张图像细节三维人脸重建方法的步骤。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述单张图像细节三维人脸重建方法的步骤。
本发明具有如下优点：
第一：本方法是一个特定于输入图片的重建方法，不需要额外的训练数据，由于采用了自监督训练方法，仅使用单张输入图片，通过本方法构造的自身小数据集合就可以实现单张图像的三维人脸重建，省去了数据集构建及预处理等步骤；
第二：本方法使用双向反射函数来表示人脸纹理，以得到高保真的三维人脸纹理。本发明将局部的位置特征与全局的图像及深度特征进行融合，针对不同的双向反射函数分量，使用不同的融合特征进行引导计算，从而能够更好的重建出高保真的三维人脸。
以上仅就本发明的最佳实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅限于以上实施例，其具体结构允许有变化。但凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

Claims (10)

1.一种单张图像细节三维人脸重建方法，其特征在于，包括以下步骤：
获取二维人脸图像；
对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；
对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；
根据全局特征以及局部位置特征，得到隐式双向反射函数；
采用自监督训练方法优化SDF-Net以及隐式双向反射函数的各个分量网络；
根据优化后的SDF-Net以及人脸顶点的符号距离值，计算细节的三维人脸几何模型；
根据优化后的双向反射函数的各个分量网络，计算得到每个顶点对应的颜色值；
将包含细节的三维人脸几何模型以及每个顶点对应的颜色值组合，构成带有高保真纹理的细节三维人脸模型。
2.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局图像特征以及全局深度特征，包括以下步骤：
对二维人脸图像进行三维人脸重建、渲染，得到多视角图像集合，根据多视角图像集合通过单目深度估计算法计算多视角深度图集合；对多视角图像集合和多视角深度图集合分别提取特征，得到全局图像特征以及全局深度特征。
3.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征，包括以下步骤：
对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，获得光线与隐表面的交点；将光线与隐表面的交点三维坐标输入到SDF-Net中计算人脸顶点的符号距离值以及局部位置特征。
4.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，根据多视角图像集合通过单目深度估计算法计算多视角深度图集合。
5.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，通过损失函数收敛，优化SDF-Net以及隐式双向反射函数的各个分量网络；
损失函数为：
其中，α1为第一系数，α2为第二系数，α3为第三系数，α4为第四系数；
像素级别损失
式中，p表示采样点所在像素，P为像素的结合，为采样点所在的像素，/>为图像i在像素p的掩码，/>为图像i在像素p的像素值，cp(i)为采用双向反射函数计算得到的像素值，i为图像序号；
掩码损失
式中，M表示掩码；为有颜色的像集合，si,α(p)为激活函数，α为超参数；
符号距离场损失
式中，表示期望；
为点p的最邻近点，则配准损失/>可以表示为：/>
法向损失
6.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，隐式双向反射函数为：
其中，表示漫反射反照率，xp表示光线与隐表面的交点，/>表示光线与初始粗糙网格的交点，/>表示第j张图片对应的局部位置特征，/>表示第j张图片对应的全局图像特征，/>表示漫反射阴影，/>表示光线与初始粗糙网格的交点/>的法向，/>表示第j张图片对应的全局深度特征，as表示镜面反射反照率，/>表示镜面反射阴影，np表示光线与隐表面的交点xp的法向，v表示光线方向。
7.根据权利要求1所述的单张图像细节三维人脸重建方法，其特征在于，细节的三维人脸几何模型为：
其中，Gd表示细节的三维人脸几何模型，V表示人脸顶点集合，n表示人脸顶点的法向，表示人脸顶点的符号距离值，Gc表示初始粗糙网格。
8.一种低质量三维人脸识别***，其特征在于，包括：
二维人脸图像获取模块，用于获取二维人脸图像；
全局特征获取模块，用于对二维人脸图像进行三维人脸重建、渲染与提取特征，得到全局特征；
匹配与计算模块，用于对二维人脸图像进行三维人脸重建、渲染后的图片进行光线匹配，并计算人脸顶点的符号距离值以及局部位置特征；
隐式双向反射函数计算模块，用于根据全局特征以及局部位置特征，计算得到隐式双向反射函数；
优化模块，用于优化SDF-Net以及隐式双向反射函数的各个分量网络；
细节的三维人脸几何模型计算模块，用于根据优化后的SDF-Net以及人脸顶点的符号距离值，计算细节的三维人脸几何模型；
颜色值计算模块，用于根据优化后的双向反射函数的各个分量网络，计算得到每个顶点对应的颜色值；
组合模块，用于将包含细节的三维人脸几何模型以及每个顶点对应的颜色值组合，构成带有高保真纹理的细节三维人脸模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述单张图像细节三维人脸重建方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述单张图像细节三维人脸重建方法的步骤。
CN202311463711.8A 2023-11-06 2023-11-06 一种单张图像细节三维人脸重建方法、***、设备和介质 Pending CN117557721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311463711.8A CN117557721A (zh) 2023-11-06 2023-11-06 一种单张图像细节三维人脸重建方法、***、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311463711.8A CN117557721A (zh) 2023-11-06 2023-11-06 一种单张图像细节三维人脸重建方法、***、设备和介质

Publications (1)

Publication Number Publication Date
CN117557721A true CN117557721A (zh) 2024-02-13

Family

ID=89813823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311463711.8A Pending CN117557721A (zh) 2023-11-06 2023-11-06 一种单张图像细节三维人脸重建方法、***、设备和介质

Country Status (1)

Country Link
CN (1) CN117557721A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876609A (zh) * 2024-03-11 2024-04-12 国网电商科技有限公司 一种多特征三维人脸重建方法、***、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876609A (zh) * 2024-03-11 2024-04-12 国网电商科技有限公司 一种多特征三维人脸重建方法、***、设备及存储介质
CN117876609B (zh) * 2024-03-11 2024-05-24 国网电商科技有限公司 一种多特征三维人脸重建方法、***、设备及存储介质

Similar Documents

Publication Publication Date Title
Niklaus et al. 3d ken burns effect from a single image
Rematas et al. Image-based synthesis and re-synthesis of viewpoints guided by 3d models
US8134556B2 (en) Method and apparatus for real-time 3D viewer with ray trace on demand
CN110223370A (zh) 一种从单视点图片生成完整人体纹理贴图的方法
CN116958453B (zh) 基于神经辐射场的三维模型重建方法、设备和介质
Condorelli et al. A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images
CN117557721A (zh) 一种单张图像细节三维人脸重建方法、***、设备和介质
CN115100337A (zh) 一种基于卷积神经网络的全身人像视频重照明方法和装置
CN116416376A (zh) 一种三维头发的重建方法、***、电子设备及存储介质
CN117557714A (zh) 三维重建方法、电子设备及可读存储介质
Ren et al. Facial geometric detail recovery via implicit representation
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
CN102142154B (zh) 生成脸部虚拟图像的方法与装置
Purushwalkam et al. Conrad: Image constrained radiance fields for 3d generation from a single image
Maxim et al. A survey on the current state of the art on deep learning 3D reconstruction
CN112927348A (zh) 一种基于多视点rgbd相机高分辨率人体三维重建方法
Dai et al. PBR-Net: Imitating physically based rendering using deep neural network
CN116310228A (zh) 一种针对遥感场景的表面重建与新视图合成方法
JP2019149112A (ja) 合成装置、方法及びプログラム
CN114255328A (zh) 一种基于单视图与深度学习的古文物三维重建方法
Han et al. Learning residual color for novel view synthesis
Zhang et al. Virtual lighting environment and real human fusion based on multiview videos
CN111243099A (zh) 一种处理图像的方法和装置以及在ar设备中显示图像的方法和装置
CN118138741B (zh) 裸眼3d数据通信方法
Liao et al. Multi-View Image Reconstruction Algorithm Based on Virtual Reality Technology

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