- 综合排序
- 最热优先
- 最新优先
- 来自专栏最新医学影像技术
3D人体模型生成案例分享
Invesalius是专门应用于医学图像3D重建，输入数据必须是一个序列的2D的DICOM图像，可以是CT或者是MRI序列，输出的是3D表面轮廓，该工具就是为生成解剖学的物理模型而做准备的。该软件在Windows，Linux和MAC中兼容，使其易于实施。下载地址：https://www.cti.gov.br/pt-br/invesalius#download。
1.7K40发布于 2020-06-29 - 来自专栏最新医学影像技术
3D人体模型减面案例分享
之前我分享过使用Invesalius工具生成人体模型3D表面轮廓案例，接下来需要借助一些三维建模工具将轮廓进行实体化。
1.8K20发布于 2020-06-29 - 来自专栏量子位
AI说，它可以把你变成个游戏 | 3D人体模型 · CVPR
△ 死亡效应2 搭建3D人体模型，早已是AI驾(le)轻(bu)就(si)熟(shu)的一项工作，不论是在VR里，电影里，还是时尚圈。
60840发布于 2018-07-24 - 来自专栏机器之心
CVPR 2018 | Spotlight论文：单摄像头数秒构建3D人体模型
为了从视频序列中估计几何图形，研究者优化受限于人体模型的单个自由外形，以拟合 F 个图像的集合。 本论文中，（穿宽松／紧身衣服的）人的几何形状被表示为标准 T 型姿势的裸体人 SMPL 参数化人体模型的偏移，该模型的特征是依赖姿势的非刚性曲面蒙皮。 研究者的方法首次实现从单个运动人类视频序列（这样我们可以从各个侧面看到这个人）中提取出准确的 3D 人体模型（包括头发和衣服）。 图 7：定性测试结果：因为重构的模版与 SMPL 人体模型有同样的拓扑结构，我们可以使用 SMPL 来改变重构形体的姿态和外形。 基于参数化的人体模型，我们提出了稳健的处理流程，即使是对穿衣服的人群也能够获得 5mm 分辨率的 3D 模型。
1.7K90发布于 2018-05-08 - 来自专栏CST软件科普专栏
CST生物电磁仿真：替换部分Voxel模型组织或器官
在生命科学领域的仿真中，尤其是涉及人体局部组织或器官病变的仿真工程中，需要一种快速、便捷地修改人体模型参数的方法，以满足快速调整人体模型的需求。 为了实现定制人体模型的需求，同时避免潜在的侵权行为，用户可以使用自制的体素模型代替现有人体模型中的部分组织或器官，可通过手动引入病变区域，间接修改高精度人体模型部分区域的参数。 实现效果使用自制体素模型部分代替现有的人体模型，可以实现以下效果：•间接修改人体模型属性，如脂肪比例、内部器官大小等。 •将现有的人体模型中的部分组织/器官替换为处理过的人体模型（如用肺癌模型代替健康肺）。 CAD shape 选项；3.点击 OK 完成人体模型导入，并在 History List 中查看该人体模型的优先级为 -1。
22510编辑于 2026-05-09 - 来自专栏CST软件科普专栏
当标准人体模型需要“局部定制”，CST 如何实现更灵活的生物电磁仿真？
在生命科学相关仿真中，人体模型往往决定了分析的起点。 问题在于，这类高精度人体模型通常并不能被直接修改。 为什么不能直接修改原有人体模型？在实际使用中，CST Studio Suite 中的大多数人体模型来自达索系统或第三方组织的授权，模型本身通常处于加密状态，相关知识产权也受到保护，因此无法直接编辑。 完成导入后，可在 History List 中看到该人体模型的优先级通常为 -1。这一步的意义在于：先建立一个完整、稳定的人体模型底座，为后续局部替换预留覆盖空间。2. 如果替代模型中的材料名称与原有人体模型中的材料名称相同，可能带来材料替换或识别上的混淆。因此更稳妥的做法是：让替代模型中的材料名称与原有人体模型区分开来。
6000编辑于 2026-09-22 - 来自专栏AI科技评论
今日 Paper | 联合多任务模型；3D人体重建；可视化理解机器翻译；深入研究整流器等
Multiple NLP Tasks 作者：Kazuma Hashimoto /Caiming Xiong /Yoshimasa Tsuruoka /Richard Socher 发表时间：2016/11 本文提出了一种端到端的生成对抗网络框架PeelNet，来从单张RGB图片重建带纹理的3D人体模型。 3D人体模型。 文章的方法不依赖于参数化人体模型，对于穿宽松衣服的人体能够得到更加精确的结果，而且能够很好地处理人体自遮挡情况。 difficulty of training deep feedforward neural networks 作者：Xavier Glorot /Yoshua Bengio 发表时间：2010/2/11
85110发布于 2020-03-04 - 来自专栏CST软件科普专栏
CST FAQ 031：如何将TWS耳机模型对齐到人耳模型
使用Sub-Project功能实现对齐操作时，建议大家创建两个工程分别保存耳机模型和人体模型。 执行Sub-Project功能前，需在耳机模型的工程和人体模型的工程中创建局部工作坐标系用于确定对齐的位置和方向，如下图所示：精细的耳机模型通过CAD软件创建好可以直接导入CST，那如何获取包含耳朵的人体模型呢 导入包含耳朵的人体模型选择Posable Ear选项即可。Bio Model支持定制人耳模型，用户可以通过定义高度、宽度、厚度以及相对人脸的旋转角度等参数修改人耳模型，需要注意的是：这些参数是相对值。
12100编辑于 2026-07-22 - 来自专栏三流程序员的挣扎
2022-11-11-工作
昨天的控件点击时通过外面，加个 listener。然后如果外部设定当前选中位置，也要刷新一下页面，所以刷新逻辑放到设置 textSelectedIndex 中去。
35430编辑于 2022-11-13 - 来自专栏计算机视觉工坊
基于深度学习的单目人体姿态估计方法综述（一）
二、人体姿态估计方法与人体模型的分类 2.1. 人体姿态估计方法分类 本节根据不同的特点总结了基于深度学习的人体姿态估计方法的不同分类：1）生成方法（基于人体模型）和判别方法（无人体模型）；2）自上而下（从高级抽象到低级像素证据）和自下而上（从低级像素证据到高级抽象 判别方法 生成方法和判别方法之间的主要区别是方法是否使用人体模型。 根据人体模型的不同表示，可以以不同的方式处理生成方法，例如关于人体模型结构的先验知识，从不同视图到2D或3D空间的几何投影，高维参数化空间回归方式的优化。 2.2 人体模型 人体模型是人体姿态估计的关键组成部分。人体是一个柔性的、复杂的非刚性物体，具有运动结构、体形、表面纹理、各部位或各关节的位置等特性。
2.4K10发布于 2021-03-16 - 来自专栏3D视觉从入门到精通
基于深度学习的单目人体姿态估计方法综述（一）
二、人体姿态估计方法与人体模型的分类 2.1. 人体姿态估计方法分类 本节根据不同的特点总结了基于深度学习的人体姿态估计方法的不同分类：1）生成方法（基于人体模型）和判别方法（无人体模型）；2）自上而下（从高级抽象到低级像素证据）和自下而上（从低级像素证据到高级抽象 判别方法 生成方法和判别方法之间的主要区别是方法是否使用人体模型。 根据人体模型的不同表示，可以以不同的方式处理生成方法，例如关于人体模型结构的先验知识，从不同视图到2D或3D空间的几何投影，高维参数化空间回归方式的优化。 2.2 人体模型 人体模型是人体姿态估计的关键组成部分。人体是一个柔性的、复杂的非刚性物体，具有运动结构、体形、表面纹理、各部位或各关节的位置等特性。
1.4K20发布于 2021-03-19 - 来自专栏量子位
差点以为是本人！这个3D人体生成模型厉害了，还能自己改POSE
丰色 发自 凹非寺 量子位 报道 | 公众号 QbitAI 很多3D人体模型都很强大，但总是难免“裸奔”。 像要创造出真正的人类“化身”模型，衣服和头发不可或缺。 神经装扮模型（The neural dressing model） 其实，不止是“裸奔”，很多三维人体模型还很“死板”：模特摆什么姿势模型就跟着摆什么。 就像此前，利用隐函数来生成的三维人体模型能够高度还原模特的着装和发型了，但是人物姿势依然不够变通，只能从原模特的几个特定视角生成。 ps.也是该团队的研究成果 所以在为3D人体模型还原衣服颜色、褶皱和发型的同时，也要保证人物的姿势可以“举一反三”。 为此研究人员采用将多边形实体网格建模与神经纹理相结合的方法。 接下来，基于上面的神经装扮模型，研究人员造出能生成“Fullbody”的3D人体模型。 最终的生成架构是StyleGANv2和神经装扮的结合。
1.4K40发布于 2021-05-11 - 来自专栏AI科技评论
科学怪物！3D人体全身运动捕捉系统,港中文联合Facebook出品
有部分工作关注从单张图片同时估计人体的全身运动，但这些工作都是基于优化的方法，将参数化的人体模型拟合到图像信息，速度较慢不适合实时应用。 作者采用 SMPL-X 人体模型，首先通过两个回归模块来从输入图片分别估计人体和人手的3D姿态，然后再通过一个整合模块将预测的结果组合在一起，得到最终的3D全身人体。文章代码将会开源。 ? https://penincillin.github.io/frank_mocap 项目论文：https://arxiv.org/pdf/2008.08324.pdf 2 方法 作者使用 SMPL-X 人体模型 SMPL-X 模型 SMPL-X 人体模型是一个参数化的3D人体模型，是 SMPL 模型的扩展，能够通过低维的人体形状和姿态参数的组合来表达不同形状和姿态的3D人体，其与 SMPL 模型的最大差异在于 复制粘贴组合 由于人体和手部模块的输出与 SMPL-X 人体模型的参数是兼容的，因此可以很简单地将两者合并在一起。只需将左右手从世界坐标系变换到人体模型腕关节的局部坐标系下即可。
1.5K30发布于 2020-09-14 - 来自专栏新智元
南大清华发布《从单目图像中恢复三维人体网格》综述论文，涵盖246篇文献全面阐述单目3D人体网格恢复研究进展
自统计学人体模型发布以来，三维人体网格恢复一直受到广泛关注。 这一趋势与统计人体模型的成功密不可分。 如图1所示，自2015年发布SMPL模型和2019年发布SMPL-X模型以来，随着它们的年度引用量逐年快速增长，它们获得了越来越多的关注。 图 1 三种具有代表性的3D统计人体模型的年度引用，即SCAPE、SMPL和SMPL-X 人体网格的恢复在促进后续任务（如衣服人体重建、动画和渲染）方面起着关键作用。 对于重建目标，使用统计人体模型来估计衣服下的体型。RGBD和多视图输入有助于解决歧义，但它们不在本综述的范围内。我们只是忽略了服装的造型，这是向照片现实主义迈进的一步。 我们根据它们采用的人体模型对它们进行分类。
1.3K30编辑于 2022-03-29 - 来自专栏新智元
浙大提出SIFU：单图即可重建高质量3D人体模型
SIFU重建3D人体模型用于场景搭建 与此相反，在日常生活中，我们最常见的是通过手机相机拍摄的或在各种网页上找到的人像照片。 因此，一种能从单张图像准确重建3D人体模型的方法可以显著降低成本，并简化独立创作的过程。 对此，来自浙江大学ReLER实验室的研究人员提出SIFU模型，依靠侧视图条件隐函数从单张图片重建3D人体模型。 评估模型面对有误差的人体先验模型时的鲁棒性 使用真实世界中的图片，在先验人体模型估计不准确的情况下，SIFU依然有较好的重建效果 更广阔的应用场景 SIFU模型的高精度高质量重建效果，使得其具有丰富的应用场景 3D打印SIFU重建的人体模型 SIFU借助扩散模型进行纹理编辑 SIFU用于3D场景搭建 更多定性测试结果（测试输入图片均来自互联网） 借助公开动作序列数据，可对SIFU重建的模型进行驱动 总结 本文提出侧视图条件隐式函数和
78010编辑于 2024-01-18 - 来自专栏机器之心
一张照片获得3D人体信息，云从科技提出新型DenseBody框架
该领域的早期研究使用迭代优化方法从 2D 图像估计人体姿势和形状信息，一般通过不断优化估计的 3D 人体模型来拟合一些 2D 的观测结果，比如 2D 关键点 [4] 或者轮廓 [11]。 近期研究大都结合了某些参数化的人体模型，如 SMPL [13]，转而去预测这些模型的参数 [9]。[22,27] 借由关节或分割输出的帮助改善性能。 这个方法和其他研究的主要区别有以下两个方面：首先，该研究提出的网络没有结合任何参数化的人体模型，因此该网络的输出不会受到任何低维空间的限制；其次，该方法的预测过程是一步到位的，没有依赖于中间任务和结果来预测 它能够把 2D 图像中的完整人体编码为姿势和形状信息，无需依赖任何参数化的人体模型。 把 3D 人体估计的复杂度从两步降到了一步。 之前的方法大体上依赖于预测中间结果，比如人体分割、2D/3D 关节、以及轮廓掩码，将当前问题分解成多个子任务，从而利用更多 2D 标签或者结合低维线性空间内的参数化人体模型来简化问题。
1.3K30发布于 2019-04-29 - 来自专栏量子位
3D人体模型自动生成算法，一作来自北大图灵班 | SIGGRAPH
感觉哪里不太对…… 现在，这些3D人体模型可以得到改进了~体态更逼真、褶皱更自然、肌肉更饱满： ? 连情绪都显得更投入了…… 甚至肌肉颤动也清晰可见： ?
1.8K30发布于 2021-06-17 - 来自专栏静心物语313的Coding
第 11 节： 11-HttpHandler简介
1、新建--》项目--》选中Web项--》Asp.net空Web应用程序--》右键项目---》添加---》一般处理程序（这样建的网站是最好的方法，没有多余的代码生成） 2、新建--》网站--》Asp.net空网站（这是兼容ASP(VB语言 2000年的技术)开发方式）（不推荐用这种方式） 3、.ashx与ashx.cs文件 1）双击ashx文件会直接打开进入ash.cs文件。 2）类Test1实现了IHttpHandler 接口。IHttpHandler接口中的方法在类Test1中进行了重写（页面加载的过程应该是完成了：Shift+Alt+F10） 3）ashx文件中起作用的就是<....Class="Web.Test1">这个。 4）然后会调用这个Test1类中的方法ProcessRequest(HttpContext context):这个方法主要是处理页面的请求。 5）context.Response设置“响应”“context.Request获取“请求” 6）ashx.cs文件其实还是C#文件。网页逻辑编写。主要是这个文件
63810发布于 2020-03-24 - 来自专栏脑洞前端
每日一荐周刊 2019-11-11 - 2019-11-15
2019-11-15[网站] 有的什么我们需要在 Google Play 上下载软件，但是苦于没有通畅的网络(关于如何获取畅通的网络我在 2019-11-01 讲到，感兴趣可以看看)。 网站地址：https://apkpure.com/ 2019-11-14[技巧] 很多时候我们会看到一些英文的简写。 2019-11-13[技巧] 今天要分享的是关于 Bash 中历史记录那些事。 2019-11-12[技巧] dig 命令是常用的域名查询工具，可以用来测试域名系统工作是否正常。 ~ type dig # dig is /usr/bin/dig 2019-11-11[分享] 今天是双十一，大家剁手快乐。
49410发布于 2019-11-26 - 来自专栏flytam之深入前端技术栈
leetcode 11
题目大意，给n个点，在一个数轴上。每个点对x轴作垂线，找出由两条垂线和X轴组成的一个“容器”的装的水面积最大。就是两条垂线较小的高度*两垂线高度的面积最大。 1、暴力做法 两两遍历。显然是会超时的 2、思路一 从左到右，找出以每一个点所在的垂线作为较矮的高度时候的最大面积，把每个点的垂线作为最大面积一一比较即可。也就是一个点分别往左扫和往右扫。
44910发布于 2020-01-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号