展开

关键词

3D动画片揭秘

我平时会从一些优秀概念师的作品中找灵感,这里介绍一些比较优秀的概念场景师。 来自伦敦,就职于工业光魔的 Palblo Dominguez (artstation)的场景概念。 ? 法国自由概念师Mathieu Seddas(artstation)的场景概念。通过艺术家的这些制作过程图,可以更为明显地知道如何渲染场景气氛和布置辅助灯光。 ? 如果在C4D中使用软件模拟和雾等特效,会浪费很多时间在模拟解算上,houdini是针对特效制作而开发出来的软件,它解算特效比其他软件要快很多,所以我们选择在houdini 中制作。 太空鹅联盟潮玩系列宣传片,我们尝试了新的工作流程,从动画渲染特效等技术到音乐制作,就像太空鹅定一样我们对于的探索也从未停止脚步,未来我们会尝试更好玩更新潮用户体验。 欢迎各大师加入和我们一起聊~ 添加QQ群:764345161 或长按以下二维码 ?

46681

3D视觉技术在机器人抓取作业中的应用实例

文章第二部分介绍抓取作业机器人3D视觉系统的,包括视觉备的选择、与机械的关系;第三部分介绍几种3D表面成像技术;第四部分介绍3D视觉处理算法,包括点分割、3D匹配等;第五部分给出一个实际应用案例 2 抓取作业机器人3D视觉系统的 2.1 3D相机的选择 ? 图1 3D相机的选择 选择3D相机时需要考虑相机与目标场景之间的距离以及目标场景的尺寸。 其中,相机的分辨率决定了点数据量的大小及其对物体细节的表征程度,关系到点处理算法的。点的获取时间加上点处理算法的执行时间必须满足抓取应用的节拍要求。 外加的光源不能影响3D相机成像。 2.3 视觉系统对机械的要求 当相机固定安装时,机器人需要手持标定板做手眼标定。 视觉程序思路: 首先,利用边缘提取、边缘连接、腐蚀、膨胀等算法在左相机矫正图像上分割出不同的纸盒表面区域; 然后,取每个区域所对应的3D,估这片点的厚度,若厚度小于阈值t,则认为这片点代表了一个纸盒表面的几何形貌

1.4K20
  • 广告
    关闭

    什么是世界上最好的编程语言?丨云托管征文活动

    代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    HT for Web 3D游戏--汉诺塔(Towers of Hanoi)

    用HT for Web(http://www.hightopo.com)现有的3D模板创建底盘和3根柱子不是问题,问题是要创建若干个中空的圆盘。 一开始的想法是:创建一个圆柱体,将圆柱体的上下两端隐藏,置柱面的宽度来实现圆盘的效果,经过多次尝试并查阅相关api文档,发现柱面是没有厚度的,改方法不可行。 后来在HT for Web自定义3D模型的WebGL应用(http://www.hightopo.com/blog/381.html)受到启发,圆盘的形成就是在xy平面上的一个矩形,根据y轴旋转一周产生的 shape.border.pattern': [20, 10], 'shape3d.resolution': 50 }); dataModel.add(polyline); } /** * 置路线节点

    28370

    HT for Web 3D游戏--汉诺塔(Towers of Hanoi)

    用HT for Web(http://www.hightopo.com)现有的3D模板创建底盘和3根柱子不是问题,问题是要创建若干个中空的圆盘。 一开始的想法是:创建一个圆柱体,将圆柱体的上下两端隐藏,置柱面的宽度来实现圆盘的效果,经过多次尝试并查阅相关api文档,发现柱面是没有厚度的,改方法不可行。 后来在HT for Web自定义3D模型的WebGL应用(http://www.hightopo.com/blog/381.html)受到启发,圆盘的形成就是在xy平面上的一个矩形,根据y轴旋转一周产生的 shape.border.pattern': [20, 10],         'shape3d.resolution': 50     });     dataModel.add(polyline); } /**  * 置路线节点

    18720

    值得收藏!基于激光雷达数据的深度学习目标检测方法大合集(下)

    通过的RoI-觉察(-aware)点池化模块对相同提议中预测的目标内(intra-object)部件位置进行分组,从而实现3D提议特征编码的有效表示。 它包括两个阶段:(a)第一个部分,部件-觉察阶段准确地估目标内部件位置,并通过将原始点馈送到的骨干网络来生成3D提议。 这种识别与局部非卷积的基于点网络相结合,允许为点建立目标探测器,该检测器可以仅训练一次,但适应不同的置 - 针对不同的预测优先级或空间区域。 大家可以看出来,一些激光雷达点3D目标检测器和2-D目标检测器有相似之处,也分单步法和两步法,也有区域提议网络(RPN),特征提取的上自由度更大,可以在投影(多是鸟瞰视图)图像,也可以在3-D体素空间 ,甚至直接点空间,并可能2-D投影和3-D之间的转换通道提供某种特征聚合机制。

    53420

    ECCV 2020 | 3D算子并无实质进步?微软亚研重新评估,提出极简算子PosPool

    论文作者还表示,他们的方法没有引入各种复杂的,希望这一基准方法可以让今后 3D识别的研究受益。 ? 与在网格上定义的图像和视频不同,点数据是无序的且非网格化排列,这使得为网格化数据的功能强大的卷积神经网络(CNN)等深度神经网络难以得到应用。 基于这一发现,该研究作者重新思考了为 3D处理各种复杂 3D 算子的必要性。 这说明,对于 3D处理,经典的深度残差网络就是一个很好的选择,并无必要像之前的工作那样为不同的 3D 局部算子专门各种特殊的或深或浅的整体网络结构。 2. 考虑到该研究提出的方法并无多少特殊的,这表明该方法很适合作为将来 3D识别研究的基准方法。 4.

    23320

    值得收藏!基于激光雷达数据的深度学习目标检测方法大合集(上)

    通过的边框编码,使用2D卷积网络也能够预测完整的3D边框。 2D点图的形成通过如下公式: ? 其中p =(x,y,z)表示3D点,(r,c)表示其投影的2D图位置。 之后,通过最初用于图像处理的卷积神经网络,估平面目标的位置及其航向。 最后,后处理阶段算面向3D的检测。 ? 上图可以看到预处理的ground estimation模块,检测模块中的RPN。 本文了一种神经网络,它直接消费点数据,并且很好地尊重输入的点置换不变性。网络名为PointNet,为从目标分类、部分分割到场景语义分析等应用程序提供统一的体系结构。 ? 输入到系统的数据是3D-LIDAR获得的点,其被变换为致密深度图(DM)。 解决方案首先删除地面点,然后进行点分割。然后,将分割的障碍物(目标假)投射到DM上。 然后,对分类的点几何处理,生成一个多目标跟踪系统的观测值,其通过多个假扩展卡尔曼滤波器(MH-EKF)实现,主要是估周围车辆的位置和速度。

    1.5K31

    干货 | 平面图像的感知已经基本解决了,那三维数据的呢?

    虽然 2D 摄像价格便宜且应用广泛,但是 3D 感知通常需要专用硬件施。 ? 双目视觉使用了多个相机,并对感知目标位置的转移进行了评估,来算深层信息 1. Stereo(双目视觉)将两个或多个相机布置在彼此之间相对固定的位置上,并使用这种置来捕捉一个场景的不同图像、匹配对应的像素,并算每个像素的位置在图像之间如何不同,从而算出这个像素在 3D 空间中的位置 针对点处理的稀疏点阵网络(SPLATNet) ? 针对点处理的稀疏点阵网络结构 另一方面,一些研究已经绕开了点分割/点分割++中提出的经典特征提取方法,而选择一种综合处理点的新方法。 Su 等人提出的 SPLATNet(2018,https://arxiv.org/pdf/1802.08275.pdf)架构,是点研究新焦点中一个极好的例子——作者了一种新的结构和卷积算子,可以直接在点上操作 第二,Qi 等人了一种新颖的基于点分割的结构,可以直接一次性对整个 3D 截头体进行实例分割(将点分割为单个目标)和边界框估,而不是在边界框搜索过程中执行典型的滑动窗口分类,从而使他们方法在遮挡和稀疏上的表现既快速又稳定

    27051

    最新3D目标检测文章汇总(包含ECCV20和ACMMM20)

    是pointnet++网络结构;图像stream的结构主要是一个FPN层的语义分割特征,通过作者的多个L1-Fusion模块,作者采用对应scale的融合特征来解决图像信息和点信息的互补补全。 Pillar-based Object Detection for Autonomous Driving 作者单位是谷歌和MIT,主要创新点包括: (1)作者了一个pillar-based的3D目标检测框架 (2)作者还了一个pillar-based的Box回归结构,比以往的anchor-based和point-based的提proposals的方法表现更好 (3)作者分析了multi-view feature (2)作者利用最大化信息增益,在考虑到网络不确定性的前提下,了一个最优化算法来确定哪里适合置light-curtains (3)作者也提出了一种方法来训练生成online light curtain 本文的主要创新点包括了 (1)作者了一个轻量级的3D卷积模块,在硬件有限的情况下取得了不错的结果。 (2)引入了第一个3D搜索网络, 3D-NAS,自主搜索最好的3D网络结构 ?

    25320

    3D-MiniNet: 从点中学习2D表示以实现快速有效的3D LIDAR语义分割(2020)

    作者进行了详细的消融研究,显示出模块所的每个组件如何对3D-MiniNet的最终性能做出贡献。 目前存在两类分割方法: Point-based:直接对点数据进行处理,对于实时系统而言,在高帧数下算量太大。 Projection-based :先将3D信息投影到2D图像中的方法。 这是点的特性决定的,为了缓解这两个问题,本文的方法包括使用一个快速点近邻搜索代理(见第3.1介绍)和一个用于最小化基于点操作的算模块,该模块使用原始3D点作为输入并输出可使用 2D CNN进行处理的 2 . 3D-MiniNet 3D-MiniNet由两个模块组成,如图3所示。对于论文所提出的投影模块,它利用原始点算2D表示,接着作者使用基于MiniNetV2的高效骨干网络来算语义分割。 2 定 a)3D点近邻搜索参数: 对于SemanticKITTI数据集,作者将球面投影的分辨率置为2048×64(注:2048是(360/水平分辨率),卷积网络中图像大小是2的次数,故置为2048

    53310

    从单幅图像到双目立体视觉的3D目标检测算法

    本文将讨论使用图像数据估特定类型物体在空间中的3D位置。 使用图像数据检测物体的3D空间位置,可以通过首先估算3D数据,借助点检测3D目标的流程来检测3D目标。 通过图像数据估算3D有多种方法,比如Wang [5]借助于CNN方法来仿真3D。也可以通过每个点的深度估来获取图像的近似3D[6, 7]。 通过图像数据估3D,在使用已有的3D方法来检测3D目标,效率较低,容易出现误差累积。近年来,采用射影几何和机器学习算法结合的方法,较好的提升基于图像的3D检测算法。 本文了4种特征 ? ,然后令权重为w= ? 。可以得到下面能量函数: ? 这里特征的构成主要是:(1)点密度ϕpcd,平均立方体内的点数目。 第一步:左右视图的Stereo-RPN ?

    70340

    从单幅图像到双目立体视觉的3D目标检测算法(长文)

    本文将讨论使用图像数据估特定类型物体在空间中的3D位置。 使用图像数据检测物体的3D空间位置,可以通过首先估算3D数据,借助点检测3D目标的流程来检测3D目标。 通过图像数据估算3D有多种方法,比如Wang [5]借助于CNN方法来仿真3D。也可以通过每个点的深度估来获取图像的近似3D[6, 7]。 通过图像数据估3D,在使用已有的3D方法来检测3D目标,效率较低,容易出现误差累积。近年来,采用射影几何和机器学习算法结合的方法,较好的提升基于图像的3D检测算法。 本文了4种特征 ? ,然后令权重为w= ? 。可以得到下面能量函数: ? 这里特征的构成主要是:(1)点密度ϕpcd,平均立方体内的点数目。 第一步:左右视图的Stereo-RPN ?

    2.1K20

    深度学习新应用:在PyTorch中用单个2D图像创建3D模型

    不仅如此,深度学习在 3D 图像问题中的应用也取得了很大的进展。本文试着将深度学习扩展到单个 2D 图像的 3D 重建任务中,这是 3D 算机图形学领域中最重要也是最有意义的挑战之一。 任务 ? 3D 数据的不同表征 与算机格式中只有一种通用表征(像素)的 2D 图像不同,3D 数据能够以许多数字形式来表示。它们各有优缺点,所以数据表征的选择直接影响了使用它们的方法。 优势: 从 2D 表征到 3D 表征,可以直接应用 CNN。 劣势:容易浪费,要在细节和资源(算力、内存)之间好好权衡。 几何形式:不能直接应用 CNN ? 椅子的点表征 多边形网格:是三维空间中定义对象表面的顶点、边和面的集合。它可以在相当紧凑的表征中捕获粒度细节。 点3D 坐标(x,y,z)中点的集合,这些点一起形成了与 3D 对象形状类似的。 将预测得到的 2D 投影融合到原生 3D数据中。这是有可能实现的,因为这些预测值的视角是固定的,而且是已知的。 输入:预先定视角的 2D 投影 输出:点。 伪渲染 ?

    70740

    3d打印机哪个品牌比较好?国内3d打印机十大品牌你知道吗

    随着技术的发展,现如今3D打印技术3D打印已经成为一种潮流,并开始广泛应用在领域,尤其是工业,数码产品开模等,可以在数小时内完成一个磨具的打印,节约了很多产品到市场的开发时间,随着未来技术的发展 图创智(Artillery) 深圳市图创智科技是一家集研发、生产、营销、服务于一体的国际化3D打印机科技企业。 ANYCUBIC 秉承着“智能”、“简约”的理念和“高性价比”的精准市场定位,立志为海内外用户提供性价比最高的3D打印产品和良好的购物体验 闪铸科技(FlashForge) 浙江闪铸三维科技有限公司是中国首批专业 作为提供全产业链产品及解决方案的研发生产企业,闪铸科技旗下拥有十大系列,几十款产品,建立了涵盖3D软件、3D打印机、3D打印耗材和3D打印服务的完整产业链;产品分为工业级、商业级、民用级3个层次,满足不同类型的用户需求 ; 弘瑞(HORI) ”hori弘瑞”是北京汇天威科技有限公司旗下的品牌,是集、研发、生产、销售及服务于一体的弘瑞3D打印机专业公司。

    1.7K30

    缩小LiDAR点语义分割中的域差异

    激光雷达系统生成精确且对算机友好的点数据作为3D 世界地图,以改进自动驾驶汽车的感知和安全性。然而,激光雷达点的语义分割这个重要任务仍然是AI研究人员的重大挑战。 Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds》 中,研究人员确认了一个关键的发现,启发了新的域适应方法的 因此,研究小组假了一个由3D表面组成的物理世界,并将领域适应挑战作为一个3D表面补全任务来处理。 该团队了一个稀疏体素补全网络(Sparse Voxel Completion Network (SVCN))来完成补全稀疏点3D表面。 ? 网络结构包括两个阶段: 表面补全阶段和语义标注阶段。 一旦恢复了3D 表面,研究人员使用一个稀疏的卷积U-Net预测完成表面上的每个体素(voxel)的语义标注。在3D算机图形中,体素是定义3D空间中一个点的图形信息单元。 ? ? ?

    40620

    Neighbor-Vote:使用邻近距离投票优化单目3D目标检测(ACM MM2021)

    单目3D目标检测的最新进展很多依赖于伪点生成,即进行单目深度估,将二维像素点提升为伪三维点。然而,单目图像的深度估精度不高,必然会导致伪点在目标内的位置发生偏移。 随后3D目标检测器可以应用于伪点上。 与真实雷达点相比,如上所述的伪点存在一些问题。首先,由于单目深度估必然存在不准确性,导致伪点存在位置偏移和形状变形,这可能会破坏3D边框回归。 总之,本文做出了以下三点贡献: 了一种高效的单目图像3D检测网络。该网络主要包括四个主要步骤:伪点生成、2D ROI分数关联、基于注意力的特征提取和邻局辅助预测。 本文了一种邻居投票方法,可以有效地消除伪点预测中的误检框。本文可以自适应地结合邻居预测和局部预测,从而大大提高边框预测的精度。 结果表明,本文的方法在KITTI BEV基准上产生了最好的性能。 邻居投票系统 2.1概述 ? 图 1 Neighbor-Vote整体框架图 本文提出一种基于伪点的框架Neighbor-Vote,旨在通过邻居特征的附加预测提升单目3D目标检测。

    20640

    GRNet网络:3D网格进行点卷积,实现点补全

    但是之前的方法都是基于一个强烈的假,即输出点与输入点的三维坐标的相同,因此不能用于三维点补全。 为了解决上述问题,我们引入3D网格作为中间的表征来规范化无序点,从而明确地保留了点的结构和背景。 因此,我们提出了一种新的点完成的网格化残差网络(GRNet)。除了3D CNN和MLP,我们了三个可微层。Gridding, Gridding Reverse, 和三次特征采样。 然后引入了3D网格作为中间表示来规整无序点,它明确地保留了点的结构和局部关系。 我们创新性地引入了3D网格作为中间表征来规范化无序点,明确地保留了点的结构和背景下的点。 我们提出了一种新型的用于点完成的网格化剩余网络(GRNet)。我们了三个可区分的层。 总结 本文研究了如何恢复完整的3D。补全工作的动机是用卷积保留3D的结构和局部信息。为此,作者引入3D网格作为中间表示以进行正则化无序的点。然后,提出了网格残差网络(GRNet)进行点

    33930

    GRNet网络:3D网格进行点卷积,实现点补全

    但是之前的方法都是基于一个强烈的假,即输出点与输入点的三维坐标的相同,因此不能用于三维点补全。 为了解决上述问题,我们引入3D网格作为中间的表征来规范化无序点,从而明确地保留了点的结构和背景。 因此,我们提出了一种新的点完成的网格化残差网络(GRNet)。除了3D CNN和MLP,我们了三个可微层。Gridding, Gridding Reverse, 和三次特征采样。 然后引入了3D网格作为中间表示来规整无序点,它明确地保留了点的结构和局部关系。 我们创新性地引入了3D网格作为中间表征来规范化无序点,明确地保留了点的结构和背景下的点。 我们提出了一种新型的用于点完成的网格化剩余网络(GRNet)。我们了三个可区分的层。 总结 本文研究了如何恢复完整的3D。补全工作的动机是用卷积保留3D的结构和局部信息。为此,作者引入3D网格作为中间表示以进行正则化无序的点。然后,提出了网格残差网络(GRNet)进行点

    29720

    相关产品

    • 设计协作平台

      设计协作平台

      腾讯自研的产品设计研发一站式协作平台,支持在线导入预览Sketch设计稿、自动生成设计标注切图,灵活调用图标库、素材库,支持多种插件上传,让产品设计更轻松高效。

    相关资讯

    热门标签

    扫码关注云+社区

    领取腾讯云代金券