C'est vraiment si fluide : NeuralHDHair, une nouvelle méthode de modélisation capillaire en 3D, produite conjointement par l'Université du Zhejiang, l'ETH Zurich et CityU

Ces dernières années, l'industrie humaine numérique virtuelle a explosé et tous les horizons lancent leurs propres images humaines numériques. Il ne fait aucun doute que les modèles capillaires 3D haute fidélité peuvent améliorer considérablement le réalisme des humains numériques virtuels. Contrairement à d’autres parties du corps humain, la description et l’extraction de la structure capillaire sont plus difficiles en raison de la nature extrêmement complexe de la structure capillaire entrelacée, ce qui rend extrêmement difficile la reconstruction d’un modèle capillaire 3D haute fidélité à partir d’une seule vue. De manière générale, les méthodes existantes résolvent ce problème en deux étapes : d'abord estimer un champ d'orientation 3D basé sur la carte d'orientation 2D extraite de l'image d'entrée, puis synthétiser des mèches de cheveux sur la base du champ d'orientation 3D. Cependant, ce mécanisme rencontre encore quelques problèmes en pratique.

Sur la base d'observations pratiques, les chercheurs recherchent une méthode de modélisation de modèles capillaires entièrement automatisée et efficace, capable de reconstruire un modèle capillaire 3D à partir d'une seule image avec des caractéristiques fines (Figure 1), tout en montrant un haut degré de flexibilité, par exemple. la reconstruction d'un modèle capillaire ne nécessite qu'un seul passage du réseau.

Pour résoudre ces problèmes, des chercheurs de l'Université du Zhejiang, de l'ETH Zurich, en Suisse, et de l'Université de la ville de Hong Kong ont proposé IRHairNet, qui met en œuvre une stratégie grossière à fine pour générer des champs d'orientation 3D haute fidélité. Plus précisément, ils ont introduit une nouvelle fonction implicite alignée sur les voxels (VIFu) pour extraire des informations de la carte d'orientation 2D du module brut. Dans le même temps, afin de compenser les détails locaux perdus dans la carte de direction 2D, les chercheurs ont utilisé la carte de luminosité haute résolution pour extraire les caractéristiques locales et les ont combinées avec les caractéristiques globales du module fin pour cheveux haute fidélité. style.

Afin de synthétiser efficacement des modèles de cheveux à partir de champs directionnels 3D, les chercheurs ont introduit GrowingNet, une méthode de croissance des cheveux basée sur l'apprentissage profond utilisant une représentation de grille implicite locale. Ceci est basé sur une observation clé : bien que la géométrie et la direction de croissance des cheveux diffèrent à l’échelle mondiale, ils présentent des caractéristiques similaires à des échelles locales spécifiques. Par conséquent, un code latent de haut niveau peut être extrait pour chaque patch d'orientation 3D local, puis une fonction neuronale implicite (un décodeur) est entraînée pour y faire pousser des mèches de cheveux sur la base de ce code latent. Après chaque étape de croissance, un nouveau patch local centré sur l’extrémité de la mèche de cheveux est utilisé pour poursuivre la croissance. Après formation, il peut être appliqué à des champs orientés 3D à n’importe quelle résolution.

Papier : https://arxiv.org/pdf/2205.04175.pdf

IRHairNet et GrowingNet forment le cœur de NeuralHDHair. Plus précisément, les principales contributions de cette recherche comprennent :

• Présentation d'un nouveau cadre de modélisation capillaire monoculaire entièrement automatique dont les performances sont nettement meilleures que les méthodes SOTA existantes
• Présentation d'un cadre de modélisation capillaire grossier à fin Le réseau neuronal de modélisation capillaire ( IRHairNet) utilise une nouvelle fonction implicite alignée sur les voxels et une cartographie de luminosité pour enrichir les détails locaux d'une modélisation capillaire de haute qualité ;
• propose un nouveau réseau de croissance capillaire basé sur des fonctions implicites locales ( GrowingNet), qui peut générer efficacement des modèles capillaires de n'importe quelle résolution. Ce réseau est plus rapide que les méthodes précédentes d'un certain ordre de grandeur.

Méthode

La figure 2 montre le pipeline de NeuralHDHair. Pour une image portrait, sa carte d'orientation 2D est d'abord calculée et sa carte de luminosité est extraite. De plus, ils sont automatiquement alignés sur le même modèle de référence de buste pour obtenir des cartes de profondeur du buste. Ces trois graphiques sont ensuite renvoyés à IRHairNet.

• IRHairNet est conçu pour générer des caractéristiques de géométrie de cheveux 3D haute résolution à partir d'une seule image. Les entrées de ce réseau comprennent une carte d'orientation 2D, une carte de luminosité et une carte de profondeur de la moitié du corps ajustée, qui sont obtenues à partir de l'image portrait d'entrée. Le résultat est un champ d'orientation 3D, où chaque voxel contient une direction de croissance locale, et un champ d'occupation 3D, où chaque voxel représente si une mèche de cheveux est passée (1) ou non (0).
• GrowingNet est conçu pour générer efficacement un modèle capillaire complet à partir du champ d'orientation 3D et du champ d'occupation 3D estimés par IRHairNet, où le champ d'occupation 3D est utilisé pour limiter la zone de croissance des cheveux.

Pour plus de détails sur la méthode, veuillez vous référer au document original.

Expériences

Dans cette partie, les chercheurs évaluent l'efficacité et la nécessité de chaque composant de l'algorithme à travers des études d'ablation (Section 4.1), puis comparent notre méthode avec la SOTA actuelle (Section 4.2). Les détails de mise en œuvre et des résultats plus expérimentaux peuvent être trouvés dans le matériel supplémentaire.

Expérience d'ablation

Les chercheurs ont évalué la fidélité et l'efficacité de GrowingNet d'un point de vue qualitatif et quantitatif. Tout d’abord, trois séries d’expériences sont menées sur des données synthétiques : 1) l’algorithme traditionnel de croissance des cheveux, 2) GrowingNet sans chevauchement des schémas de patchs potentiels, 3) le modèle complet de cet article.

Comme le montrent la figure 4 et le tableau 1, par rapport aux algorithmes traditionnels de croissance des cheveux, GrowingNet dans cet article présente des avantages évidents en termes de consommation de temps tout en conservant les mêmes performances de croissance en termes de qualité visuelle. De plus, en comparant les troisième et quatrième colonnes de la figure 4, on peut voir que s'il n'y a pas de schéma de patch potentiel qui se chevauche, les mèches de cheveux à la limite du patch peuvent être discontinues, ce qui pose un problème lorsque le sens de croissance des cheveux est différent. les brins changent radicalement. C'est encore plus grave. Cependant, il convient de noter que cette solution améliore considérablement l’efficacité au prix d’une légère réduction de la précision. L’amélioration de l’efficacité revêt une grande importance pour son application pratique et efficace dans la numérisation du corps humain.

Comparaison avec les méthodes SOTA

Pour évaluer les performances de NeuralHDHair, les chercheurs l'ont comparé à certaines méthodes SOTA [6, 28, 30, 36, 40]. Parmi eux, Autohair est basé sur une approche de synthèse capillaire basée sur les données, tandis que HairNet [40] ignore le processus de croissance des cheveux pour réaliser une modélisation capillaire de bout en bout. En revanche, [28,36] mettent en œuvre une stratégie en deux étapes en estimant d’abord un champ d’orientation 3D, puis en synthétisant des mèches de cheveux à partir de celui-ci. PIFuHD [30] est une méthode de modélisation 3D monoculaire haute résolution basée sur une stratégie grossière à fine, qui peut être utilisée pour la modélisation 3D des cheveux.

Comme le montre la figure 6, les résultats de HairNet semblent insatisfaisants, mais les détails locaux et même la forme globale ne sont pas cohérents avec les cheveux dans l'image d'entrée. En effet, la méthode synthétise les cheveux de manière simple et grossière, en récupérant les mèches de cheveux désordonnées directement à partir d’une seule image.

Les résultats de reconstruction sont également comparés avec Autohair[6] et Saito[28]. Comme le montre la figure 7, bien qu'Autohair puisse synthétiser des résultats réalistes, sa structure ne correspond pas bien à l'image d'entrée car la base de données contient un nombre limité de coiffures. Les résultats de Saito, en revanche, manquent de détails locaux et ont des formes incompatibles avec l'image d'entrée. En revanche, les résultats de cette méthode maintiennent mieux la structure globale et les détails locaux du cheveu tout en assurant la cohérence de la forme du cheveu.

PIFuHD [30] et Dynamic Hair [36] sont dédiés à l'estimation des caractéristiques géométriques des cheveux 3D haute fidélité pour générer des modèles de cheveux réalistes. La figure 8 montre deux résultats de comparaison représentatifs. On peut voir que la fonction implicite au niveau des pixels utilisée dans PIFuHD ne peut pas représenter entièrement les cheveux complexes, ce qui donne un résultat trop lisse, sans détails locaux et n'ayant même pas une structure globale raisonnable. Dynamic Hair peut produire des résultats plus raisonnables avec moins de détails, et la tendance de croissance des cheveux dans ses résultats peut bien correspondre à l'image d'entrée, mais de nombreux détails structurels locaux (tels que la hiérarchie) ne peuvent pas être capturés, en particulier pour les coiffures complexes. En revanche, notre méthode peut s’adapter à différentes coiffures, même à des structures extrêmement complexes, et exploiter pleinement les caractéristiques globales et les détails locaux pour générer des modèles de cheveux 3D haute fidélité et haute résolution avec plus de détails.

​ ​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!