基于有向距离场的代数B-样条曲线重建

提出了一种以代数B-样条曲线为表达形式、基于有向距离场的隐式曲线重建方法.首先给定一个表示封闭曲线、可能带有噪音且分布不均匀的平面点云,采用移动最小平方(moving least square,简称MLS)方法对点云去噪、重采样,得到一个低噪音、分布均匀的"线状"点云,再通过Level Set方法建立该"线状"点云的离散几何距离场,最后用一个代数B-样条函数光顺拟合该离散距离场,代数函数的零点集即为重建曲线.曲线重建过程可以归结为求解线性方程组问题.这种重建方法不仅可以得到高质量的重建曲线,还可以得到曲线周围的距离场信息.同时,避免了隐式曲线重建中经常出现的多余分支问题.

基于Kinect传感器多深度图像融合的物体三维重建

物体的三维重建技术一直是计算机视觉领域研究的热点问题,提出一种利用Kinect传感器获取的深度图像实现多幅深度图像融合完成物体三维重建的方法。在图像空间中对深度图像进行三角化,然后在尺度空间中融合所有三角化的深度图像构建分层有向距离场(hierarchical signed distance field),对距离场中所有的体素应用整体Delaunay三角剖分算法产生一个涵盖所有体素的凸包,并利用Marching Tetrahedra算法构造等值面,完成物体表面重建。实验结果表明,该方法利用Kinect传感器采集的不同方向37幅分辨率为640×480的深度图像完成目标物体的三维重建,仅需要48s,并且得到非常精细的重建效果。

三维人体重建中的服装视觉信息表示

针对三维人体重建中服装视觉信息表示模糊的问题,提出一种多阶段优化的三维人体重建方法.首先对输入的人体图像进行预处理,分别提取其语义特征、明暗特征和高频特征;然后基于局部深度特征构建有向距离场,隐式表征三维人体的几何形状;再构建着装层次表示模块,通过定义着装层次损失函数感知服装语义上下文信息,并优化有向距离场,生成粗糙的三维人体模型;最后结合明暗特征和高频特征捕获服装褶皱细节,并在UV空间内定位褶皱位置,优化生成精细的三维人体模型.在BUFF数据集上的实验结果表明,所提方法的法线L2误差和倒角距离误差分别为0.13和1.30,较已有方法降低了13%和2%,能够提高三维人体重建的精度,生成具有服装款式、着装层次和褶皱细节的三维人体模型.

虚拟数字人实时卡通渲染研究

为了渲染虚拟数字人体各部位材质的特性,增加虚拟数字人仿真渲染的艺术表现力,提出了结合卡通渲染艺术表现力与仿真渲染材质特性的渲染方法。使用改进的Kajiya光照模型实现具有卡通风格和物理特性的头发渲染,利用有向距离场技术制作面部阴影贴图控制面部阴影的卡通化形状,运用视差贴图技术和材质捕获技术模拟眼球的折射和反射现象,使用色调映射技术模拟皮肤的次表面散射、散射光漫反射和皮肤的边缘透光效果,实现虚拟数字人重点部位的实时卡通渲染。实验结果表明,结合仿真渲染材质特性的卡通渲染方法能够实现虚拟数字人的实时渲染,同时能够兼顾材质真实特性与艺术效果。

基于密度估计与聚类的混合空间加速结构

为解决在密度分布不均的复杂体素场景中构建的空间加速结构时间长、质量较差等问题,提出一种基于密度估计与聚类的混合空间加速结构。首先,在传统边界包围盒层次结构的基础上,通过改进的核密度估计方法为离散的体素数据构造连续的密度环境;其次,根据核密度估计函数的一、二阶偏导方程和聚类结果,以确定体素空间中的高密度区域;最后,提出一种自适应跳跃洪泛算法在这些区域中构建相应的有向距离场,作为加速结构树的叶子节点,计算过程均由GPU实现以满足复杂场景的大规模并行计算需求。结果表明,所提算法在体素密度分布不均的复杂场景中,构建的空间加速结构树时间较短、搜索效率更优,可有效提升光线追踪的渲染速度。

单视角三维人体重建的着装特征学习

目的由于单视角着装人体重建中存在肢体遮挡、着装姿态复杂,且现有方法仅能精确提取和表示着装人体图像中的视觉特征,未考虑复杂的着装姿态引起的动态细节表达,较难生成具有动态褶皱的着装人体模型。因此,提出一种单视角三维人体重建的着装特征学习方法。方法首先对着装人体图像集中的单视角图像进行肢体特征表示,通过二维关节点预测与姿态特征深度回归,提取人体的着装姿态特征;再基于着装姿态特征,定义以柔性变形关节点为中心的着装褶皱采样空间和柔性变形损失函数,通过引入服装模板对输入的着装人体真值模型学习着装柔性变形,获得着装褶皱特征;然后,结合姿态参数回归、特征图采样特征和编解码器,构建联合着装人体像素和体素的人体形状特征学习模块,得到着装人体形状特征;最后结合褶皱特征、着装人体形状特征和计算的三维采样空间,通过定义有向距离场进行三维人体重建,输出最终的着装人体模型。结果为了验证方法的有效性,在公开的THuman2.0数据集进行对比实验。结果显示,构建姿态特征学习模块有助于重建完整的肢体与正确的姿态,以褶皱特征学习对形状特征进行优化,可以获得高精度的重建结果。与当前先进的单视角三维人体重建方法比较,相比于性能第2的模型,本文方法重建结果的点到面距离与倒角距离分别降低了4.4%和2.6%。结论本文提出的单视角三维人体重建的着装特征学习方法,能有效学习单视角三维人体重建的着装特征,生成具有复杂姿态和动态褶皱的着装人体模型。