一种基于模糊的长期和短期记忆算法的3D动画场景重建方法
1Zhou Ming Anhui Sanlian College, Hefei, China.
PeerJ. Computer science
|March 4, 2024
概括
本研究介绍了一种模糊的LSMT-CNN (FLSMT-CNN) 方法,用于在动画中精确的3D面部重建 (3DFR). 该方法增强了使用多个图像的3D动画角色模型,以提高强度和细节.
科学领域:
- 计算机视觉 计算机视觉
- 计算机图形 计算机图形
- 人工智能的人工智能
背景情况:
- 3D面部重建 (3DFR) 对于动画中的沉浸式虚拟体验至关重要.
- 由于数据限制和模型对姿势和身份的敏感性,单图像3DFR具有挑战性.
- 现有的方法往往缺乏稳定性,并且无法考虑输入图像之间的相关性.
研究的目的:
- 为动画场景中高精度3D面部重建提出一种新的方法.
- 使用多个图像来增强3D动画角色的强度和细节.
- 为了改进传统的可变形面部建模技术.
主要方法:
- 为3DFR开发一个模糊的LSMT-CNN (FLSMT-CNN) 模型.
- 使用串行图像来提取面部特征和参数.
- 通过提取特征来改进传统的3D可变形面部建模 (3DFDM).
- 使用增强的3DFDM重建3D动画角色.
主要成果:
- 实现了用于动画的3D面部高精度重建.
- 提高了重建的3D动画角色的精度和稳定性.
- 证明了FLSMT-CNN在处理多个输入图像方面的有效性.
结论:
- 该FLSMT-CNN方法为动画的3D面部重建提供了显著的进步.
- 这种方法为各种动画场景提供了更多的应用机会.
- 改进的3DFR有助于更现实的和沉浸式的虚拟角色体验.
