本公开的实施例涉及计算机领域,并且更具体地,涉及对象建模的方法、设备和计算机程序产品。
背景技术:
1、深度学习技术已经在各种领域得到了广泛的应用,其中包括了三维(3d)模型处理领域。使用深度学习进行三维新视图合成的基本思想是使用深度卷积神经网络学习隐式表示。
技术实现思路
1、本公开的实施例涉及对象建模的方法、电子设备和计算机程序产品。
2、根据本公开的第一方面,提供了用于一种对象建模的方法。该方法包括获取相机在第一位置的第一位置空间信息和相机在第二位置的第二位置空间信息,其中第一位置与第二位置不同。基于第一位置空间信息和第二位置空间信息来生成空间分布,其中空间分布表示从相机的位姿处捕获的对象所占空间的概率分布。基于第一位置捕获的第一图像、空间分布、第一位置空间信息来生成第三图像。基于第二位置捕获的第二图像、空间分布、第二位置空间信息来生成第四图像,以及基于第一图像、第二图像、第三图像、第四图像来调整对象的模型。
3、根据本公开的第二方面,提供了用于对象建模的电子设备,包括至少一个处理器,以及存储器,耦合至少一个处理器并且具有存储于其上的指令,指令在由至少一个处理器执行时使电子设备执行动作,动作包括获取相机在第一位置的第一位置空间信息和相机在第二位置的第二位置空间信息,其中第一位置与第二位置不同。基于第一位置空间信息和第二位置空间信息来生成空间分布,其中空间分布表示从相机的位姿处捕获的对象所占空间的概率分布。基于第一位置捕获的第一图像、空间分布、第一位置空间信息来生成第三图像。基于第二位置捕获的第二图像、空间分布、第二位置空间信息来生成第四图像,以及基于第一图像、第二图像、第三图像、第四图像来调整对象的模型。
4、根据本公开的第三方面,提供了一种计算机程序产品,该计算机程序产品被有形地存储在非易失性计算机可读介质上并且包括机器可执行指令,该机器可执行指令在被执行时使机器执行本公开的第一方面中实现的方法的步骤。
1.一种对象建模的方法,所述方法包括:
2.根据权利要求1所述的方法,其中基于所述第一位置捕获的所述第一图像、所述空间分布、所述第一位置空间信息来生成第三图像包括:
3.根据权利要求2所述的方法,其中基于所述第一图像和所述空间分布来生成第一模型包括:
4.根据权利要求2所述的方法,其中基于所述第一位置空间信息中的所述相机的所述位姿对所述第一模型进行网格变换从而生成所述第二模型还包括:
5.根据权利要求1所述的方法,其中基于所述第二位置捕获的所述第二图像、所述空间分布、所述第二位置空间信息来生成第四图像包括:
6.根据权利要求1所述的方法,其中所述第三图像特征与所述第二图像特征相对应,并且所述第四图像特征与所述第一图像特征相对应。
7.根据权利要求6所述的方法,其中基于所述第一图像、所述第二图像、所述第三图像、所述第四图像来调整所述模型包括:
8.根据权利要求1所述的方法,其中基于所述第一图像、所述第二图像、所述第三图像、所述第四图像来调整所述模型还包括:
9.根据权利要求1所述的方法,其中基于所述第一位置空间信息来获取所述第一图像并且基于所述第二位置空间信息来获取所述第二图像包括:
10.一种电子设备,包括:
11.根据权利要求10所述的电子设备,其中基于所述第一位置捕获的所述第一图像、所述空间分布、所述第一位置空间信息来生成第三图像包括:
12.根据权利要求11所述的电子设备,其中基于所述第一图像和所述空间分布来生成第一模型包括:
13.根据权利要求11所述的电子设备,其中基于所述第一位置空间信息中的所述相机的所述位姿对所述第一模型进行网格变换从而生成所述第二模型还包括:对所述第一模型中的特征使用双三次插值法以预测所述第二模型中的特征。
14.根据权利要求10所述的电子设备,其中基于所述第二位置捕获的所述第二图像、所述空间分布、所述第二位置空间信息来生成第四图像包括:
15.根据权利要求10所述的电子设备,其中所述第三图像特征与所述第二图像特征相对应,并且所述第四图像特征与所述第一图像特征相对应。
16.根据权利要求15所述的电子设备,其中基于所述第一图像、所述第二图像、所述第三图像、所述第四图像来调整所述模型包括:
17.根据权利要求10所述的电子设备,其中基于所述第一图像、所述第二图像、所述第三图像、所述第四图像来调整所述模型还包括:
18.根据权利要求10所述的电子设备,其中基于所述第一位置空间信息来获取所述第一图像并且基于所述第二位置空间信息来获取所述第二图像包括:
19.一种计算机程序产品,所述计算机程序产品被有形地存储在非瞬态计算机可读存储介质上并且包括计算机可执行指令,所述计算机可执行指令在被执行时使计算机:
20.根据权利要求19所述的计算机程序产品,其中基于所述第一位置捕获的所述第一图像、所述空间分布、所述第一位置空间信息来生成第三图像包括: