JP7461504B2 - モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体 - Google Patents
モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体 Download PDFInfo
- Publication number
- JP7461504B2 JP7461504B2 JP2022564397A JP2022564397A JP7461504B2 JP 7461504 B2 JP7461504 B2 JP 7461504B2 JP 2022564397 A JP2022564397 A JP 2022564397A JP 2022564397 A JP2022564397 A JP 2022564397A JP 7461504 B2 JP7461504 B2 JP 7461504B2
- Authority
- JP
- Japan
- Prior art keywords
- perspective
- image
- view
- point cloud
- point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 95
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 51
- 230000009466 transformation Effects 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 33
- 230000005284 excitation Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 5
- 230000001131 transforming effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- DEXFNLNNUZKHNO-UHFFFAOYSA-N 6-[3-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperidin-1-yl]-3-oxopropyl]-3H-1,3-benzoxazol-2-one Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C1CCN(CC1)C(CCC1=CC2=C(NC(O2)=O)C=C1)=O DEXFNLNNUZKHNO-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
本願の実施例は、データ処理の技術分野に関し、例えば、モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体に関する。
プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、点群データの座標データ、及び前記マルチフレームの画像透視図と1つずつ対応する複数の画像収集時点が得られることと、
複数の画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び座標データに基づいて前記各画像収集時点での点群透視図を生成することと、
前記各画像収集時点での点群透視図及び前記各画像収集時点での画像透視図を1セットのトレーニングサンプルとし、複数のセットのトレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、点群透視図を画像透視図に変換するための画像変換モデルを生成することと、を含む可能なモデル生成方法を提供する。
プリセット収集システムに基づいて点群データを収集し、点群データの座標データ及び点群収集時点を取得し、点群収集時点に対応するポーズマトリックスを決定し、ポーズマトリックス及び座標データに基づいて点群収集時点での点群透視図を生成することと、
本願の何れかの実施例に係るモデル生成方法に従って生成された画像変換モデルを取得し、点群透視図を画像変換モデルに入力し、画像変換モデルの出力結果に基づいて点群収集時点での画像透視図を決定することと、を含む可能な画像透視図の決定方法をさらに提供する。
プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、点群データの座標データ、及び前記マルチフレームの画像透視図と1つずつ対応する複数の画像収集時点が得られるように設けられるデータ収集モジュールと、
複数の前記画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び座標データに基づいて前記各画像収集時点での点群透視図を生成するように設けられる第1生成モジュールと、
前記各画像収集時点での点群透視図及び前記各画像収集時点での画像透視図を1セットのトレーニングサンプルとし、複数のセットのトレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、点群透視図を画像透視図に変換するための画像変換モデルを生成するように設けられる第2生成モジュールと、を含む可能なモデル生成装置をさらに提供する。
プリセット収集システムに基づいて点群データを収集し、点群データの座標データ及び点群収集時点を取得し、点群収集時点に対応するポーズマトリックスを決定し、ポーズマトリックス及び座標データに基づいて点群収集時点での点群透視図を生成するように設けられる第3生成モジュールと、
本願の何れかの実施例に係るモデル生成方法に従って生成された画像変換モデルを取得し、点群透視図を画像変換モデルに入力し、画像変換モデルの出力結果に基づいて点群収集時点での画像透視図を決定するように設けられる画像透視図決定モジュールと、を含む可能な画像透視図の決定装置をさらに提供する。
少なくとも1つのプロセッサと、
少なくとも1つのプログラムを記憶するように設けられるメモリと、を含む可能であり、
少なくとも1つのプログラムが少なくとも1つのプロセッサに実行されると、少なくとも1つのプロセッサは本願の何れかの実施例に係るモデル生成方法又は画像透視図の決定方法を実現する、ディバイスをさらに提供する。
実施例1
図1は本願の実施例1に係るモデル生成方法のフローチャートである。本実施例は、点群透視図を画像透視図に変換するための画像変換モデルを生成する場合に適用可能である。当該方法は本願の実施例に係るモデル生成装置によって実行することが可能であり、当該装置はソフトウェア及び/又はハードウェアの形で実現することが可能であり、当該装置は様々なユーザ端末又はサーバに統合することが可能である。
S110において、プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、点群データの座標データ、及びマルチフレームの画像透視図と1つずつ対応する複数の画像収集時点が得られる。
P3d=MW→L(tC)PW_3d,P3d=[x3d,y3d,z3d],
図5は本願の実施例2に係る画像透視図の決定方法のフローチャートである。本実施例は、点群データ及び予め生成した画像変換モデルに基づいて画像透視図を合成する場合に適用可能であり、当該方法は、本願の実施例に係る画像透視図の決定装置によって実行することが可能であり、当該装置はソフトウェア及び/又はハードウェアの方式で実現することが可能であり、当該装置は様々なユーザ端末又はサーバに統合することが可能である。
S210において、プリセット収集システムに基づいて点群データを収集し、点群データの座標データ及び点群収集時点を取得し、点群収集時点に対応するポーズマトリックスを決定し、ポーズマトリックス及び座標データに基づいて点群収集時点での点群透視図を生成する。
図6は本願の実施例3に係るモデル生成装置の構造ブロック図であり、当該装置は上記何れかの実施例に係るモデル生成方法を実施するように設けられる。当該装置と上記各実施例に係るモデル生成方法とは同じ発明の概念に属し、モデル生成装置の実施例で詳しく説明しなかった具体的な内容については、上記モデル生成方法の実施例を参照することができる。図6を参照し、当該装置は、データ収集モジュール310、第1生成モジュール320及び第2生成モジュール330を含むことが可能である。
第1生成モジュール320は、複数の画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び前記各画像収集時点が対応する座標データに基づいて前記各画像収集時点での点群透視図を生成するように設けられ、
第2生成モジュール330は、前記各画像収集時点での点群透視図及び前記各画像収集時点での画像透視図を1セットのトレーニングサンプルとし、複数のセットのトレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、点群透視図を画像透視図に変換するための画像変換モデルを生成するように設けられる。
点群データからプリセット収集システムのポーズ軌跡を取得するように設けられるポーズ軌跡取得ユニットと、
複数の画像収集時点に基づきポーズ軌跡をサンプリングし、複数の画像収集時点における各画像収集時点に対応するポーズマトリックスを取得するように設けられるポーズマトリックス取得ユニットと、を含むことが可能である。
画像透視図は、プリセット収集システムにおけるプリセットカメラによって収集し得られ、プリセットカメラは透視カメラ又は広角カメラを含むと、下記の数式により、点群データのワールド座標系での三次元座標データPW_3dを各画像収集時点tCで収集したプリセットカメラ座標系での二次元座標データPC_2d(tC)に投影し、複数のPC_2d(tC)によりtCでの点群透視図を生成し、
PC_2d(tC)=KcMW→L(tC)PW_3d
ここで、MW→L(tC)はプリセット収集システムにおける点群収集ディバイスのtCでのワールド座標系におけるポーズマトリックスであり、Kcはプリセットカメラの内部パラメータマトリックスであり、
画像透視図がプリセット収集システムにおける球面パノラマカメラによるものである場合、下記の数式により、点群データのPW_3dをtCで収集した球面パノラマカメラ座標系でのPC_2d(tC)に投影し、複数のPC_2d(tC)に基づきtCでの点群透視図を生成し、
P3d=MW→L(tC)PW_3d,P3d=[x3d,y3d,z3d]
好ましくは、当該装置は更に、
点群透視図における点群データに対応する画素点を取得し、点群データの属性情報を画素点に割り当てるように設けられる属性情報割り当てモジュール、を含むことが可能である。
少なくとも2つの画像収集時点での点群透視図、及び前記少なくとも2つの画像収集時点での前記点群透視図が対応する前記画像透視図を合わせて1セットのトレーニングサンプルとするように設けられる。
複数の画像収集時点における現在の画像収集時点での点群透視図を第1点群透視図とすると共に前記現在の画像収集時点での画像透視図を第1画像透視図とするように設けられる第1取得ユニットと、
現在の画像収集時点の前の少なくとも1つの画像収集時点での点群透視図を第2点群透視図とすると共に前記現在の画像収集時点の前の少なくとも1つの画像収集時点での前記点群透視図が対応する画像透視図を第2画像透視図とするように設けられる第2取得ユニットと、
第1点群透視図、第2点群透視図、第1画像透視図及び第2画像透視図を1セットのトレーニングサンプルとし、そのうち、第1点群透視図、第2点群透視図及び第2画像透視図は実際の入力データで、第1画像透視図は所望の出力データであるように設けられるトレーニングサンプル取得ユニットと、を含むことが可能である。
オリジナルニューラルネットワークモデルは点群畳み込み励起モジュール、画像畳み込み励起モジュール及びマージ処理モジュールを含み、トレーニングサンプルをオリジナルニューラルネットワークモデルに入力するように設けられる入力ユニットと、
点群畳み込み励起モジュールにより第1点群透視図と第2点群透視図とのチャネルカスケードの結果を処理して点群特徴図が得られると共に画像畳み込み励起モジュールにより第2画像透視図を処理して画像特徴図が得られるように設けられる特徴図取得ユニットと、
マージ処理モジュールにより点群特徴図及び画像特徴図をマージ処理し、マージ処理の結果に基づいて第三画像透視図を生成し、第三画像透視図及び第1画像透視図に基づいてオリジナルニューラルネットワークモデルのネットワークパラメータを調節するように設けられるネットワークパラメータ調節ユニットと、を含むことが可能である。
図7は本願の実施例4に係る画像透視図の決定装置の構造ブロック図であり、当該装置は上記の何れかの実施例に係る画像透視図の決定方法を実施するように設けられる。当該装置と上記各実施例に係る画像透視図の決定方法とは同じ発明の概念に属し、画像透視図の決定方法の実施例で詳しく説明しなかった具体的な内容については、上記画像透視図の決定方法の実施例を参照することができる。図7を参照し、当該装置は、第3生成モジュール410及び画像透視図決定モジュール420を含むことが可能である。
画像透視図決定モジュール420は、本願の何れかの実施例に係るモデル生成方法に従って生成された画像変換モデルを取得し、点群透視図を画像変換モデルに入力し、画像変換モデルの出力結果に基づいて点群収集時点での画像透視図を決定するように設けられる。
図8は本願の実施例5に係るディバイスの構造模式図であり、図8に示すように、当該ディバイスはメモリ510、プロセッサ520、入力装置530及び出力装置540を含む。ディバイスのプロセッサ520の数は少なくとも1つであることが可能であり、図8では1つのプロセッサ520の場合を例とし、ディバイスのメモリ510、プロセッサ520、入力装置530及び出力装置540は、バス又は他の方式で接続することが可能であり、図8ではバス550で接続することを例とする。
本願の実施例6は、コンピュータ実行可能命令を含む記憶媒体を提供し、前記コンピュータ実行可能命令はコンピュータプロセッサによって実行される時にモデル生成方法を実行するために用いられ、当該方法は、
プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、点群データの座標データ、及び前記マルチフレームの画像透視図と1つずつ対応する複数の画像収集時点が得られることと、
複数の画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び座標データに基づいて前記各画像収集時点での点群透視図を生成することと、
各画像収集時点での点群透視図及び画像透視図を1セットのトレーニングサンプルとし、複数のセットのトレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、点群透視図を画像透視図に変換するための画像変換モデルを生成することと、を含む。
本願の実施例7は、コンピュータ実行可能命令を含む記憶媒体を提供し、前記コンピュータ実行可能命令はコンピュータプロセッサにより実行する時に画像透視図の決定方法を実行するように用いられ、当該方法は、
プリセット収集システムに基づいて点群データを収集し、点群データの座標データ及び点群収集時点を取得し、点群収集時点に対応するポーズマトリックスを決定し、ポーズマトリックス及び座標データに基づいて点群収集時点での点群透視図を生成することと、
本願の何れかの実施例に係るモデル生成方法に従って生成された画像変換モデルを取得し、点群透視図を画像変換モデルに入力し、画像変換モデルの出力結果に基づいて点群収集時点での画像透視図を決定することと、を含む。
Claims (9)
- プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、前記点群データの座標データ、及び前記マルチフレームの前記画像透視図と1つずつ対応する複数の画像収集時点が得られることと、
複数の前記画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び前記座標データに基づいて前記各画像収集時点での点群透視図を生成することと、
前記各画像収集時点での前記点群透視図及び前記各画像収集時点での前記画像透視図を1セットのトレーニングサンプルとし、複数のセットの前記トレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、前記点群透視図を前記画像透視図に変換するための画像変換モデルを生成することと、
を含み、
少なくとも2つの画像収集時点での前記点群透視図、及び前記少なくとも2つの画像収集時点での前記点群透視図が対応する前記画像透視図を合わせて1セットのトレーニングサンプルとすることをさらに含む、モデル生成方法であって、
少なくとも2つの画像収集時点での前記点群透視図、及び前記少なくとも2つの画像収集時点での前記点群透視図が対応する前記画像透視図を合わせて1セットのトレーニングサンプルとすることは、
複数の前記画像収集時点における現在の画像収集時点での前記点群透視図を第1点群透視図とすると共に前記現在の画像収集時点での前記画像透視図を第1画像透視図とすることと、
前記現在の画像収集時点の前の少なくとも1つの画像収集時点での前記点群透視図を第2点群透視図とすると共に前記現在の画像収集時点の前の少なくとも1つの画像収集時点での前記点群透視図が対応する前記画像透視図を第2画像透視図とすることと、
前記第1点群透視図、前記第2点群透視図、前記第1画像透視図及び前記第2画像透視図を1セットのトレーニングサンプルとし、前記第1点群透視図、前記第2点群透視図及び前記第2画像透視図は実際の入力データで、前記第1画像透視図は所望の出力データであることと、
を含む、モデル生成方法。 - 前記した複数の前記画像収集時点における各画像収集時点に対応するポーズマトリックスを決定することは、
前記点群データに基づいて前記プリセット収集システムのポーズ軌跡が得られることと、
複数の前記画像収集時点に基づいて前記ポーズ軌跡をサンプリングし、複数の前記画像収集時点における各画像収集時点に対応するポーズマトリックスが得られることと、
を含む、請求項1に記載のモデル生成方法。 - 前記点群透視図における前記点群データに対応する画素点を取得し、前記点群データの属性情報を前記画素点に割り当てることをさらに含む、請求項1に記載のモデル生成方法。
- 前記オリジナルニューラルネットワークモデルは点群畳み込み励起モジュール、画像畳み込み励起モジュール及びマージ処理モジュールを含み、前記した複数のセットの前記トレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングすることは、
前記トレーニングサンプルを前記オリジナルニューラルネットワークモデルに入力することと、
前記点群畳み込み励起モジュールは前記第1点群透視図と前記第2点群透視図とのチャネルカスケードの結果を処理して点群特徴図が得られると共に前記画像畳み込み励起モジュールは前記第2画像透視図を処理して画像特徴図が得られることと、
前記マージ処理モジュールは、前記点群特徴図及び前記画像特徴図をマージ処理し、マージ処理の結果に基づいて第3画像透視図を生成し、前記第3画像透視図及び前記第1画像透視図に基づいて前記オリジナルニューラルネットワークモデルのネットワークパラメータを調節することと、
を含む、請求項1に記載のモデル生成方法。 - プリセット収集システムに基づいて点群データを収集し、前記点群データの座標データ及び点群収集時点を取得し、前記点群収集時点に対応するポーズマトリックスを決定し、前記ポーズマトリックス及び前記座標データに基づいて前記点群収集時点での点群透視図を生成することと、
請求項1ないし4の何れか1項のモデル生成方法に従って生成された画像変換モデルを取得し、前記点群透視図を前記画像変換モデルに入力し、前記画像変換モデルの出力結果に基づいて前記点群収集時点での画像透視図を決定することと、
を含む、画像透視図の決定方法。 - プリセット収集システムに基づいて点群データ及びマルチフレームの画像透視図を収集し、前記点群データの座標データ、及び前記マルチフレームの画像透視図と1つずつ対応する複数の画像収集時点を取得するように設けられるデータ収集モジュールと、
複数の前記画像収集時点における各画像収集時点に対応するポーズマトリックスを決定し、前記各画像収集時点が対応するポーズマトリックス及び前記座標データに基づいて前記各画像収集時点での点群透視図を生成するように設けられる第1生成モジュールと、
前記した各前記画像収集時点での前記点群透視図及び前記した各前記画像収集時点での前記画像透視図を1セットのトレーニングサンプルとし、複数のセットの前記トレーニングサンプルに基づいてオリジナルニューラルネットワークモデルをトレーニングし、前記点群透視図を前記画像透視図に変換するための画像変換モデルを生成するように設けられる第2生成モジュールと、
を含み、
前記第2生成モジュールは、更に、
少なくとも2つの画像収集時点での前記点群透視図、及び前記少なくとも2つの画像収集時点での前記点群透視図が対応する前記画像透視図を合わせて1セットのトレーニングサンプルとするように設けられ、
前記第2生成モジュールは、
複数の前記画像収集時点における現在の画像収集時点での前記点群透視図を第1点群透視図とすると共に前記現在の画像収集時点での前記画像透視図を第1画像透視図とするように設けられる第1取得ユニットと、
前記現在の画像収集時点の前の少なくとも1つの画像収集時点での前記点群透視図を第2点群透視図とすると共に前記現在の画像収集時点の前の少なくとも1つの画像収集時点での前記点群透視図が対応する前記画像透視図を第2画像透視図とするように設けられる第2取得ユニットと、
前記第1点群透視図、前記第2点群透視図、前記第1画像透視図及び前記第2画像透視図を1セットのトレーニングサンプルとし、前記第1点群透視図、前記第2点群透視図及び前記第2画像透視図は実際の入力データで、前記第1画像透視図は所望の出力データであるように設けられるトレーニングサンプル取得ユニットと、を含む、
モデル生成装置。 - プリセット収集システムに基づいて点群データを収集し、前記点群データの座標データ及び点群収集時点を取得し、前記点群収集時点に対応するポーズマトリックスを決定し、前記ポーズマトリックス及び前記座標データに基づいて前記点群収集時点での点群透視図を生成するように設けられる生成モジュールと、
請求項1ないし4の何れか1項のモデル生成方法に従って生成された画像変換モデルを取得し、前記点群透視図を前記画像変換モデルに入力し、前記画像変換モデルの出力結果に基づいて前記点群収集時点での画像透視図を決定するように設けられる画像透視図決定モジュールと、
を含む、画像透視図の決定装置。 - 少なくとも1つのプロセッサと、
少なくとも1つのプログラムを記憶するように設けられるメモリと、を含み、
前記少なくとも1つのプログラムが前記少なくとも1つのプロセッサに実行されると、前記少なくとも1つのプロセッサは請求項1ないし4の何れか1つに記載のモデル生成方法を実現する、ディバイス。 - コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、前記コンピュータプログラムがプロセッサに実行されると、請求項1ないし4の何れか1つに記載のモデル生成方法を実現する、コンピュータ可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514388.2 | 2020-06-08 | ||
CN202010514388.2A CN113763231B (zh) | 2020-06-08 | 2020-06-08 | 模型生成方法、图像透视图确定方法、装置、设备及介质 |
PCT/CN2021/098942 WO2021249401A1 (zh) | 2020-06-08 | 2021-06-08 | 模型生成方法、图像透视图确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023522442A JP2023522442A (ja) | 2023-05-30 |
JP7461504B2 true JP7461504B2 (ja) | 2024-04-03 |
Family
ID=78785406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022564397A Active JP7461504B2 (ja) | 2020-06-08 | 2021-06-08 | モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230351677A1 (ja) |
EP (1) | EP4131145A4 (ja) |
JP (1) | JP7461504B2 (ja) |
KR (1) | KR20230015446A (ja) |
CN (1) | CN113763231B (ja) |
WO (1) | WO2021249401A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11790557B2 (en) * | 2021-04-27 | 2023-10-17 | Faro Technologies, Inc. | Calibrating system for colorizing point-clouds |
CN115049783B (zh) * | 2022-05-20 | 2024-04-02 | 支付宝(杭州)信息技术有限公司 | 模型的确定方法、场景重建模型、介质、设备及产品 |
CN115121913B (zh) * | 2022-08-30 | 2023-01-10 | 北京博清科技有限公司 | 激光中心线的提取方法 |
CN116233391A (zh) * | 2023-03-03 | 2023-06-06 | 北京有竹居网络技术有限公司 | 用于图像处理的装置、方法和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019145089A (ja) | 2017-12-29 | 2019-08-29 | バイドゥ オンライン ネットワーク テクノロジー(ペキン) カンパニー リミテッド | 点群データを融合させるための方法及び装置 |
JP2019185295A (ja) | 2018-04-06 | 2019-10-24 | 株式会社EmbodyMe | 画像処理装置および2次元画像生成用プログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI607412B (zh) * | 2016-09-10 | 2017-12-01 | 財團法人工業技術研究院 | 多維度尺寸量測系統及其方法 |
CN107958482B (zh) * | 2016-10-17 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 一种三维场景模型构建方法及装置 |
CN106780601B (zh) * | 2016-12-01 | 2020-03-27 | 北京未动科技有限公司 | 一种空间位置追踪方法、装置及智能设备 |
CN109118532B (zh) * | 2017-06-23 | 2020-11-20 | 百度在线网络技术(北京)有限公司 | 视觉景深估计方法、装置、设备及存储介质 |
US10438371B2 (en) * | 2017-09-22 | 2019-10-08 | Zoox, Inc. | Three-dimensional bounding box from two-dimensional image and point cloud data |
CN109087340A (zh) * | 2018-06-04 | 2018-12-25 | 成都通甲优博科技有限责任公司 | 一种包含尺度信息的人脸三维重建方法及*** |
CN110895833A (zh) * | 2018-09-13 | 2020-03-20 | 北京京东尚科信息技术有限公司 | 一种室内场景三维建模的方法和装置 |
-
2020
- 2020-06-08 CN CN202010514388.2A patent/CN113763231B/zh active Active
-
2021
- 2021-06-08 KR KR1020227045255A patent/KR20230015446A/ko not_active Application Discontinuation
- 2021-06-08 EP EP21823023.3A patent/EP4131145A4/en active Pending
- 2021-06-08 US US17/928,553 patent/US20230351677A1/en active Pending
- 2021-06-08 WO PCT/CN2021/098942 patent/WO2021249401A1/zh unknown
- 2021-06-08 JP JP2022564397A patent/JP7461504B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019145089A (ja) | 2017-12-29 | 2019-08-29 | バイドゥ オンライン ネットワーク テクノロジー(ペキン) カンパニー リミテッド | 点群データを融合させるための方法及び装置 |
JP2019185295A (ja) | 2018-04-06 | 2019-10-24 | 株式会社EmbodyMe | 画像処理装置および2次元画像生成用プログラム |
Non-Patent Citations (1)
Title |
---|
Stefan Milz,外4名,Points2Pix: 3D Point-Cloud to Image Translation using conditional GANs,[online],2019年09月16日,[2023 年 9月 8日検索],<URL:https://arxiv.org/pdf/1901.09280.pdf> |
Also Published As
Publication number | Publication date |
---|---|
KR20230015446A (ko) | 2023-01-31 |
EP4131145A1 (en) | 2023-02-08 |
US20230351677A1 (en) | 2023-11-02 |
JP2023522442A (ja) | 2023-05-30 |
CN113763231B (zh) | 2024-02-09 |
EP4131145A4 (en) | 2024-05-08 |
WO2021249401A1 (zh) | 2021-12-16 |
CN113763231A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7461504B2 (ja) | モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体 | |
CN112771539B (zh) | 采用使用神经网络从二维图像预测的三维数据以用于3d建模应用 | |
CN111062873B (zh) | 一种基于多对双目相机的视差图像拼接与可视化方法 | |
WO2022165809A1 (zh) | 一种训练深度学习模型的方法和装置 | |
RU2586566C1 (ru) | Способ отображения объекта | |
KR101964282B1 (ko) | 3d 모델을 활용한 2d 영상 학습 데이터 생성 시스템 및 그 생성방법 | |
CN108594999B (zh) | 用于全景图像展示***的控制方法和装置 | |
KR20180082170A (ko) | 3차원 얼굴 모델 획득 방법 및 시스템 | |
TW202143120A (zh) | 圖像產生裝置、圖像產生方法、記錄媒體產生方法、學習模型產生裝置、學習模型產生方法、學習模型、資料處理裝置、資料處理方法、推論方法、電子機器產生方法、程式及非暫存性電腦可讀媒體 | |
US20230177822A1 (en) | Large scene neural view synthesis | |
JP2023172882A (ja) | 三次元表現方法及び表現装置 | |
KR102482262B1 (ko) | 객체 분할과 배경 합성을 이용한 데이터 증강 장치 및 방법 | |
CN115008454A (zh) | 一种基于多帧伪标签数据增强的机器人在线手眼标定方法 | |
CN114358112A (zh) | 视频融合方法、计算机程序产品、客户端及存储介质 | |
WO2021248432A1 (en) | Systems and methods for performing motion transfer using a learning model | |
WO2019012314A1 (ru) | Способ отображения широкоформатного объекта дополненной реальности | |
CN116543116A (zh) | 野外露头三维虚拟可视化建模方法、***、设备及终端 | |
CN115620403A (zh) | 活体检测方法、电子设备及存储介质 | |
KR20160039447A (ko) | 스테레오 카메라를 이용한 공간분석시스템 | |
CN114972599A (zh) | 一种对场景进行虚拟化的方法 | |
KR20190029842A (ko) | 지피유 가속 컴퓨팅을 이용한 3차원 복원 클라우드 포인트 생성 방법 | |
WO2023069086A1 (en) | System and method for dynamic portrait relighting | |
Chatzifoti | On the popularization of digital close-range photogrammetry: a handbook for new users. | |
Klomann et al. | Improving mobile MR applications using a cloud-based image segmentation approach with synthetic training data | |
EP4276763A1 (en) | Image generation for testing an electronic vehicle guidance system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221021 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221021 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230919 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240322 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7461504 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |