在三维动画制作中，3D服装捕获是各种应用的重要组成部分，例如自由视点视频，虚拟化身，在线购物和虚拟布料。由于变形的复杂性，捕获3D服装形状需要受控且专门的设置。一种可行的替代方案是基于图像的服装捕获。然而，从单个图像捕获3D服装形状是一个具有挑战性的问题，并且当前的解决方案伴随着对照明，相机校准，所考虑的人或模特姿势的复杂性的假设，并且更重要的是服装和底层的稳定物理状态。人体。此外，大多数工作需要手动交互并表现出高运行时间。但是一个叫做DeepGarment：单幅图像的3D服装形状估计的项目改变了一切，本次来自西安太空动画的小编为你带来关DeepGarment：单幅图像的3D服装形状估计的全面内容介绍。
DeepGarment：单幅图像的3D服装形状估计是由 Danecek, Dibra, Öztireli, Ziegler, Gross等人共同完成的。
他们提出了一种克服这些局限性的新技术，从图像中评估服装形状是动态服装捕获的实用方法。从通过Mocap序列获得的复杂姿势中的各种人体的基于物理的模拟生成的合成服装形状数据开始，并且在变化的相机位置和照明条件下渲染，他们的新方法学习从呈现的服装图像到下面的3D服装模型的映射。这是通过训练卷积神经网络（CNN-s）来估计具有专门损失函数的模板网格的3D顶点位移来实现的。他们说明了这种技术能够以交互速率在不同因素（例如挑战人体姿势，自我遮挡，各种相机姿势和照明条件）下从单个图像恢复动态3D服装的整体形状。如果集成了多个视图，则会显示改进。此外，他们还向视频展示了他们的方法应用。以上就是关于DeepGarment：单幅图像的3D服装形状估计的项目的全面内容介绍了，来自西安太空动画的小编感谢你的观看。
DeepGarment：单幅图像的3D服装形状估计是由 Danecek, Dibra, Öztireli, Ziegler, Gross等人共同完成的。
他们提出了一种克服这些局限性的新技术，从图像中评估服装形状是动态服装捕获的实用方法。从通过Mocap序列获得的复杂姿势中的各种人体的基于物理的模拟生成的合成服装形状数据开始，并且在变化的相机位置和照明条件下渲染，他们的新方法学习从呈现的服装图像到下面的3D服装模型的映射。这是通过训练卷积神经网络（CNN-s）来估计具有专门损失函数的模板网格的3D顶点位移来实现的。他们说明了这种技术能够以交互速率在不同因素（例如挑战人体姿势，自我遮挡，各种相机姿势和照明条件）下从单个图像恢复动态3D服装的整体形状。如果集成了多个视图，则会显示改进。此外，他们还向视频展示了他们的方法应用。以上就是关于DeepGarment：单幅图像的3D服装形状估计的项目的全面内容介绍了，来自西安太空动画的小编感谢你的观看。