- 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
4、输出结果 直接输出立体图像和相应的3D表面轮廓结果。 ?
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。 （4）向左移动滑轮，只要模型不出现大问题可以尝试多减点面，达到自己想要的效果后点击Apply。 ?
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。 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）。 因此，研究者使用了 [9] 中基于 CNN 的视频分割方法，并对每个序列用 3-4 个手工分割图像进行训练。 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）。 Selection 对话框中选择提前制作好的体素模型文件，并选择打开；3.在 Import Bio Model 对话框中预览导入的体素模型，并确保勾选 Overwrite CAD shape 选项，点击 OK；4.
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。 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. 4. 多个替代模型可重复导入，并按需调整优先级如果单个体素模型还不足以满足工程需求，用户也可以重复导入多个替代模型。 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. ）；3）基于回归（从输入图像直接映射到身体关节位置）和基于检测（生成关节位置的中间图像块或热图）；4)单阶段（端到端培训）和多阶段（分阶段培训）。 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。 (4) 单阶段 V.S. 多阶段 基于深度学习的一阶段方法旨在通过使用端到端网络将输入图像映射到人体姿势，而多阶段方法通常在多个阶段中预测人体姿势，并伴有中间监督。 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. ）；3）基于回归（从输入图像直接映射到身体关节位置）和基于检测（生成关节位置的中间图像块或热图）；4)单阶段（端到端培训）和多阶段（分阶段培训）。 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。 (4) 单阶段 V.S. 多阶段 基于深度学习的一阶段方法旨在通过使用端到端网络将输入图像映射到人体姿势，而多阶段方法通常在多个阶段中预测人体姿势，并伴有中间监督。 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。 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。 在第4节和第5节中，我们将整理出帮助处理视频或多人恢复的新模块。然而，如果我们仅仅用常规数据项监督人体，结果可能在物理上不合理，并且存在视觉缺陷。 在图4中，我们演示了一些有代表性的方法。我们根据它们采用的人体模型对它们进行分类。 图 3 最相关的参数化人体模型和3D人体网格恢复方法时间轴 图 4 基于回归的人体网格恢复方法的流程 回归网络中各种输出类型和中间表示的说明 我们研究了四种输出类型：(a)参数输出；(b)网格顶点的三维坐标
1.3K30编辑于 2022-03-29 - 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。 第4、5列为使用渲染网络光栅化渲染出的结果。 可以优雅地处理出宽松的衣服和长头发以及复杂的穿衣结构！ 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。
1.4K40发布于 2021-05-11 - 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 - 来自专栏儒画之家
PTC Creo 9.0【三维CAD软件】+最新版详细安装步骤
不得不说PTC Creo 9.0有了人机工程学设计和视野范围分析工具的升级功能一定会赢得组织团队的青睐现在，您能够借助更加方便易用的人体模型定位操作对人体模型尺寸进行自定义，此外，还推出了一些用于分析人体模型视野范围的新工具 PTC Creo 9.0详细安装步骤软 件 提 取 地 址：复 制 码】 %62%73%6A%2E%63%61%62/%56%4B%46%6D/ 粘 贴 】浏 览 器 访
1.3K10编辑于 2023-05-02 - 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 - 来自专栏量子位
英伟达新研究：不用动捕，直接通过视频就能捕获3D人体动作｜ICCV 2021
丰色 发自 凹非寺 量子位 报道 | 公众号 QbitAI 不靠昂贵的动捕，直接通过视频也能提取3D人体模型然后进行生成训练： 英伟达这项最新研究不仅省钱，效果也不错—— 其合成的样本完全可以用在以往只在动捕数据集上训练的运动合成模型 四个步骤从视频获得人体模型 下图概述了英伟达提出的这个从视频中获得动作样本的框架。 包含4步： 1、首先输入一个视频，使用单目姿势预估模型（pose estimator）生成由每帧图像组成的视频序列。 2、然后利用反向动力学，用每帧的3D关键点形成SMPL模型动作。 SMPL是一种参数化人体模型，也就是一种3D人体建模方法。 3、再使用他们提出的基于物理合理性的修正方法来优化上述动作； 4、 使用上述步骤处理所有视频，就可以使用获得的动作代替动捕来训练动作生成模型了。
1.9K10发布于 2021-09-29 - 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： ? s=05 [3]https://mp.weixin.qq.com/s/IuvyNRJ6amJn5ya7fr8L6A [4]https://mp.weixin.qq.com/s/uU1-DwHnU4pPMLtQZNQyVQ
1.8K30发布于 2021-06-17 - 来自专栏GPUS开发者
NVIDIA 重磅发布：人形运动与机器人学习全栈生态，AI 具身智能迎来「数据底座」革命
一、底层基石：SOMA—— 统一所有人体模型的「通用语言」 SOMA 是这套生态的核心接口，它把 SOMA-shape、SMPL、MHR 等各类参数化人体模型，统一成一套标准骨架表示。 过去不同人体模型之间迁移运动，需要写专用适配器、做定制化转换；有了 SOMA，全流程打通，一次生成、全域可用，彻底消除格式壁垒。 4️⃣ SOMA Retargeter：一键迁移动作到机器人 专用动作迁移工具，把 SOMA 标准骨架的运动，无缝迁移到宇树 G1 人形机器人，不用复杂调试，快速让机器人复现人类动作。
1.1K10编辑于 2026-04-24 - 来自专栏CST软件科普专栏
CST FAQ 002: 生物模型导入方法
3.1 CST voxel family模型导入工程CST Voxel Family 包含Baby, Child, Donna, Emma, Gustav, Hugo, Laura, Katja八个人体模型 3.3 CST Surface Bio Models导入工程CST SURFACE BIO MODELS包括Tom, Ana, and 4 children (Baby, 4y, 8y, 12y)六个人体模型
18400编辑于 2026-07-02 - 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。 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。 我们使用 Adam 优化器，学习率为 1e-4，mini-batch 的大小为 64，训练直到收敛为止（大概 20 个 epoch）。在单个 GTX 1080Ti GPU 上训练大约 20 个小时。 4. 实验 ? 表 2：在 SURREAL 上的实验结果，全身精度误差和关节精度误差以毫米为单位。 ? 表 4：UP-3D 上的实验结果。全身精度误差和关节精度误差以毫米为单位。 ?
1.3K30发布于 2019-04-29 - 来自专栏新智元
好恐怖！特斯拉自动驾驶系统FSD连撞3个假人小孩
这段32秒的视频显示，特斯拉的自动驾驶系统（FSD）在加州的一条测试跑道上，多次撞到儿童人体模型。 「黎明计划」的一位发言人称，他们在上个月对FSD进行了数十次测试，在所有测试中，特斯拉在撞上人体模型之前从未试图转向，或减速超过25英里/小时。 在此次测试中，特斯拉以每小时40英里的速度启动，在指定车道内行驶100码之后，就会撞上人体模型。 此前，一位试车手在测试Model 3的FSD后，这样描述道：「在车子以25英里的时速撞上并碾过人体模型后，它放慢了一点速度，表现得很困惑，像迷路了一样，然后摇摇晃晃地重新开起来，并且开始加速。」 今年4月，O'Dowd曾花数百万美元，在美国36个州的四个主要媒体投放广告，向全体美国人宣传特斯拉FSD软件失控视频片段的集锦。
69410编辑于 2022-08-26
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