-
公开(公告)号：CN108010049A
公开(公告)日：2018-05-08
申请号：CN201711098799.2
申请日：2017-11-09
Applicant: 华南理工大学
Abstract: 本发明公开了一种使用全卷积神经网络分割定格动画中人手部区域的方法，包括步骤：1)数据输入；2)使用全卷积网络进行特征提取和初步分割；3)使用条件随机场CRF算法对分割效果进行优化；4)对网络模型进行训练；5)使用完成训练的模型对输入图片进行分割。本发明主要解决的问题是通过自己建立包含人手部区域的图片数据集，构建网络模型，并使用数据集对这个网络模型进行训练。训练完成后，网络模型将能够对人手部区域进行具有较高精确度的分割。本发明具有精确度高、抗噪性好、使用简单、效率高、速度快等优点。
-
公开(公告)号：CN106204748A
公开(公告)日：2016-12-07
申请号：CN201610525747.8
申请日：2016-07-05
Applicant: 华南理工大学
IPC: G06T19/20
CPC classification number: G06T19/20
Abstract: 本发明公开了一种基于特征的CAD体网格模型编辑、优化算法，包括基于特征的CAD体网格模型编辑和基于特征的CAD四面体网格模型优化；在编辑中，用户可以选择需要保持模型形状特征的一组表面区域，通过对这些区域的平移、旋转等操作，来实现对模型的编辑。在优化时，根据模型变动的区域，首先评估出质量较差的四面体网格单元，对这些单元进行相应的拓扑优化操作，最后再进行网格平滑操作，整个优化过程迭代地进行，最终得到优化后的网格模型数据。本发明可以直接对有限元网格模型进行编辑并优化，可以精确地保持模型原有的特征，完全符合相关工业领域的应用要求。
-
公开(公告)号：CN106157339A
公开(公告)日：2016-11-23
申请号：CN201610523462.0
申请日：2016-07-05
Applicant: 华南理工大学
CPC classification number: G06T9/004 , G06K9/6223
Abstract: 本发明公开了一种基于低秩顶点轨迹子空间提取的动画网格序列压缩算法，包括：1)运动分析(刚性块聚类)；2)姿态对齐(低秩刚性块对齐)；3)主成分分析；4)预测与量化；5)解压与重构处理五个步骤。主要流程：给定输入三维形状序列，该算法首先通过分析该输入序列的运动方式来对其分割并据此估计刚性变换矩阵从而得到顶点轨迹在低秩子空间上对齐的形状序列，接着通过主成分向量矩阵得到主成分系数矩阵，之后通过线性预测算子得到预测后的残差，以二进制文件的方式保存，最后可利用此文件重构原始的动画网格序列。本发明解决的是动画网格序列的高效压缩问题，可以应用到动态网格序列的压缩表示、高效存储和高效传输。
-
公开(公告)号：CN105427360A
公开(公告)日：2016-03-23
申请号：CN201510767406.7
申请日：2015-11-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种动态网格的误差可控CAGE序列表示算法，包括实矩阵控制网格生成、基于Poisson方程的权重简化、稀疏矩阵控制网格生成和控制网格优化四个部分。给定输入三维形状序列和其中一帧的控制网格，该算法通过实矩阵控制网格生成得到控制网格序列，接着通过基于Poisson方程的权重简化得到具有局部性的稀疏坐标矩阵，之后执行稀疏矩阵控制网格生成，检测重构误差，如果最大误差值大于用户输入的容忍阈值，执行控制网格优化再重新执行上面三步直到满足用户指定值。本发明解决的是误差可控的动态网格的控制网格序列表示问题，可以应用到动态网格序列的压缩表示、加速编辑和形状迁移。
-
公开(公告)号：CN114693851B
公开(公告)日：2025-01-10
申请号：CN202210294254.3
申请日：2022-03-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于GPU的实时网格轮廓向量化与渲染系统，包括：网格导入模块，用于从本地网格模型文件中提取出网格数据并进行预处理；光栅化模块，利用轮廓定义提取网格轮廓，利用扫描转换将网格轮廓转换为片元，利用深度缓冲和深度测试对片元进行遮挡剔除，并将未被遮挡的片元整合为一组轮廓像素；向量化模块，利用并行化的Potrace算法，围绕轮廓像素得到一组封闭路径；线条提取模块，用于依据网格轮廓的几何信息来分割封闭路径，并提取出一组能反映场景遮挡关系的线条路径；线条渲染模块，用于将一组线条路径渲染为一组具有可控样式的二维线条。本发明将GPU并行计算技术与网格轮廓性质以及图像向量化算法结合，提升了实时轮廓线渲染的视觉效果与性能。
-
Patent Agency Ranking
公开(公告)号：CN118298141A
公开(公告)日：2024-07-05
申请号：CN202410725239.9
申请日：2024-06-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于可逆神经网络的3D表示图像化方法及系统，主要包括两步：基于平面的紧凑型3D表示和3D表示的可逆嵌入。具体的，首先将3D场景参数沿三维空间中XYZ方向进行分解，转化为由三个神经平面构成的3D神经图像并获取3D场景中任意位置的不透明度和颜色信息；然后使用动态可逆神经网络对3D神经图像和宿主图像进行图像域变换分为低频和高频部分，再把3D神经图像中携带的3D信息可逆嵌入宿主图像中得到嵌入图像和动态常量；由于嵌入图像带有3D信息，通过动态可逆神经网络即可重构得到3D图像。本发明通过将3D表示以可逆的方式压缩嵌入到2D图像表示中，从而达到减少体积占用以及增加可感知能力的目的。
-
公开(公告)号：CN118015156A
公开(公告)日：2024-05-10
申请号：CN202410212595.0
申请日：2024-02-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于强化学习的可形变仿真角色运动控制方法，包括：1)基于人体参数化模型SMPL‑H生成T‑pose下不同体型的近似三维人体网格的刚体模型，作为仿真角色；2)使用运动重定向方法，将已有的运动数据重定向到生成的刚体模型上，作为参考动作数据库；3)训练一个可形变仿真角色的运动控制网络；4)应用训练好的运动控制网络，在虚拟环境中生成可形变的仿真角色，且能够自主驱动其关节做出动作。本发明提供了一种对更接近人体形状且可改变其形状的仿真角色进行运动控制的方法，在仿真环境中训练完成后，能够直接匹配到渲染环境中不同体型的三维人体网格角色模型，呈现出真实自然的三维人体动画。
-
公开(公告)号：CN116258755A
公开(公告)日：2023-06-13
申请号：CN202310070582.X
申请日：2023-01-13
Applicant: 华南理工大学
IPC: G06T7/50 , G06T3/40 , G06N3/08 , G06N3/0464 , G06N3/0455
Abstract: 本发明提出了一种基于Transformer的室内高质量深度图像修复方法，包括：1)构建室内深度图像数据集，划分训练集和测试集；2)构建两个阶段的深度图像修复网络，深度图像修复网络包含深度图像补全网络和深度图像超分辨率网络，在第一阶段通过深度图像补全网络对输入的残缺深度图像进行补全得到完整的深度图像，在第二阶段通过深度图像超分辨率网络对上一阶段得到的深度图像进行超分辨率，得到高质量的深度图像；3)用训练集训练深度图像修复网络；4)将测试集输入训练好的深度图像修复网络，实现端到端的高质量深度图像生成。本发明能够对大范围的深度缺失区域进行精确的深度修复，同时实现了端到端的生成高质量深度图像，可实现更灵活和精确的下游应用。
-
公开(公告)号：CN111583384B
公开(公告)日：2023-05-26
申请号：CN202010283626.3
申请日：2020-04-13
Applicant: 华南理工大学
IPC: G06T17/00 , G06N3/0464 , G06N3/0455 , G06N3/082
Abstract: 本发明公开了一种基于自适应八叉树头发卷积神经网络的头发重建方法，包括：1)使用公开的头发数据库构造训练集，将数据库内的三维头发丝模型转为以自适应八叉树为结构的头发方向场，生成对应的头发方向图、头发区域图和身体区域图；2)设计一种自适应八叉树头发卷积神经网络来重建头发方向场；3)对输入图片进行预处理；4)对输出方向场的后处理，将自适应八叉树头发卷积神经网络生成的方向场转为由发丝表示的头发模型，完成头发重建。本发明利用八叉树的紧凑结构，大大压缩了头发方向场的存储空间，同时降低头发重建网络的内存开销以及运行时间。本发明可以有效识别并恢复输入图片中的三维头发结构，并确保与输入发型有一致的轮廓外观和纹理走向。
-
公开(公告)号：CN110222239B
公开(公告)日：2022-12-16
申请号：CN201910425318.7
申请日：2019-05-21
Applicant: 华南理工大学
IPC: G06F16/901 , G06T11/20
Abstract: 本发明公开了一种结构可变的图案生成和利用图案生成浏览界面的方法，所述图案生成方法，包括以下步骤：S1、为图案中的元素构建关系图模型；S2、采用能量方程的离散优化模型，在不同拓扑结构图案之间进行元素的匹配；S3、基于RJMCMC算法，在不同拓扑结构图案之间采样，获得新的图案。所述利用图案生成浏览界面的方法，包括以下步骤：1）、获取采样得到的新图案的高维向量表达特征，得到高维向量空间；所述高位向量表达特征采用该图案的关系图向量表示；2）、采用GPLVM将高维向量空间压缩到二维流形空间；3)、将二维流形空间中的点逆映射到高维空间中，得到新的图案，并对其进行后处理；4)、生成图案浏览界面。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.025 seconds)
