3d Lab massafra

Servizio di Stampa 3D
Modellazione
Prototipazione Rapida

"La salvezza umana giace nelle mani di creativi insoddisfatti."
Antonello Giasi
Maker - Web Designer - 3D Modeler - CAD Designer

Recenti progressi nella forma umana 3D basata su immagini stima sono stati guidati dal miglioramento significativo nel potere di rappresentazione offerto dalle reti neurali profonde. Sebbene gli approcci attuali abbiano dimostrato il potenziale nelle impostazioni del mondo reale, non riescono ancora a produrre ricostruzioni con il livello di dettaglio spesso presente nel inserire le immagini. Sosteniamo che questa limitazione deriva principalmente formare due requisiti contrastanti; previsioni accurate richiedono un contesto ampio, ma previsioni precise richiedono un livello elevato risoluzione. A causa delle limitazioni di memoria nell’hardware attuale, gli approcci precedenti tendono a prendere immagini a bassa risoluzione come input per coprire un ampio contesto spaziale e produrre meno precisi (o a bassa risoluzione) stime 3D come risultato. Ci rivolgiamo questa limitazione formulando un’architettura multi-livello che è addestrabile end-to-end. Un livello grossolano osserva il tutto immagine a una risoluzione inferiore e si concentra sul ragionamento olistico. Ciò fornisce un contesto a un livello eccellente che stima altamente geometria dettagliata osservando immagini ad alta risoluzione. Dimostriamo che il nostro approccio ha prestazioni significativamente migliori tecniche all’avanguardia esistenti su una singola immagine umana ricostruzione della forma sfruttando completamente l’input a risoluzione 1k immagini.

Il nostro metodo si basa sul framework Pixelaligned Implicit Function (PIFu) recentemente introdotto di [35], che acquisisce immagini con una risoluzione di 512×512 come input e ottiene incorporamenti di funzionalità a bassa risoluzione (128 × 128). a ottenere output di risoluzione più elevati, ne accumuliamo uno aggiuntivo modulo di previsione allineato ai pixel in cima a questo framework, dove il modulo fine prende come input una risoluzione maggiore immagini (1024×1024) e codifica in alta risoluzione caratteristiche dell’immagine (512×512). Il secondo modulo prende l’incorporamento di funzionalità ad alta risoluzione e il 3D incorporamenti dal primo modulo per prevedere un’occupazione campo di probabilità. Per migliorare ulteriormente la qualità e la fedeltà della ricostruzione, prevediamo prima le mappe normali per il fronte e retro nello spazio dell’immagine e inviali al file rete come input aggiuntivo. Vedere la Fig. 2 per una panoramica di il metodo. 3.1. Funzione implicita allineata ai pixel Descriviamo brevemente la fondazione di PIFu introdotta in [35], che costituisce il livello grossolano del nostro metodo (upper metà in Fig. 2). L’obiettivo della digitalizzazione umana 3D può essere ottenuto stimando l’occupazione di un volume 3D denso, che determina se un punto nello spazio 3D si trova all’interno del corpo umano o no. Contrariamente agli approcci precedenti, dove lo spazio 3D target è discretizzato e algoritmi concentrarsi sulla stima esplicita dell’occupazione di ciascun voxel (ad esempio, [51]), l’obiettivo di PIFu è modellare una funzione, f(X), che prevede il valore di occupazione binaria per un dato 3D posizione nello spazio continuo della telecamera X = (Xx, Xy, Xz) ∈ (1) dove I è una singola immagine RGB. Poiché nessun 3D esplicito il volume viene memorizzato durante l’allenamento, questo approccio è efficiente in termini di memoria e, soprattutto, nessuna discretizzazione è necessario per il volume 3D di destinazione, che è importante in ottenere una geometria 3D ad alta fedeltà per l’umano bersaglio soggetti. PIFu [35] modella la funzione f tramite un neurale architettura di rete che viene addestrata in modo end-to-end (FONTE:https://shunsukesaito.github.io/PIFuHD/)

Ricostruzione della forma umana di una singola immagine

Ricostruzione della forma umana da una singola immagine

collegati a questo link: https://shunsukesaito.github.io/PIFuHD/

passaggio 1: scorri verso il basso il sito Web e fai clic su [Colab]
passaggio 2: dopo l’apertura di PIFuHD Demo, fai clic su “Copia su Drive”
passaggio 3: nella copia seleziona la scheda Runtime e seleziona “Esegui tutto”
passaggio 4: scorri verso il basso fino ad arrivare al pulsante Scegli file e seleziona un’immagine
passaggio 5: attendi fino a quando non viene visualizzata la cartella dei risultati e fai clic su cartella e sottocartelle fino ad arrivare ai risultati .obj e .png
passaggio 6: scarica il file .obj e aprilo con il software che normalmente utilizzi per modellare e/o visualizzare