3D【2】非刚性配准:Optimal Step Nonrigid ICP Algorithms for Surface Registration 阅读笔记

最新推荐文章于 2025-02-24 16:45:31 发布

DCD_Lin

最新推荐文章于 2025-02-24 16:45:31 发布

阅读量1.3w

点赞数 6

分类专栏： 3d 文章标签： 3d

本文链接：https://blog.csdn.net/linmingan/article/details/79270874

版权

本文介绍了3D非刚性配准在3D人脸重建中的应用，特别是用于将高顶点数的3D扫描人脸配准到低顶点的模板模型。论文提出了一种非刚性ICP算法，包含Data loss、Smoothness loss和Landmarks loss三个损失函数。高刚度参数促进全局变换，低刚度参数允许局部变形。实验表明，特征点对配准效果至关重要，虽然方法有效，但计算时间较长。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近在研究人脸3d重建的内容，配准是训练出一个类似Basel Face Model的一个前期3d数据处理过程。由于从设备扫描出来的3d人脸的顶点个数非常多，而像BFM这样的模型中一个3d face的顶点为53490个点。为了用一个顶点较少的模板来表示一个从设备扫描出来的3d face，我们需要用到配准算法。在3d face的配准中使用的是非刚性配准，意思是模板除了平移，缩放和旋转之外，还可以变形。在配准中，模板是作为source，从设备扫描出来的3d face作为target，配准的目的是找到一个变换（在该论文中是为每个顶点分别找到一个变换矩阵），使得source能够表示target。

该论文提出的非刚性ICP算法可以用来3d face的配准，论文A 3D Morphable Model learnt from 10,000 faces使用的也是该方法。non-rigid ICP算法有三个损失函数，分别是Data loss、Smoothness loss和Landmarks loss。

假设模板 $S = (V,E)$ ，其中V是顶点，有n个；E是边。另外每个顶点的变换矩阵 $X_i$ 大小是 $3*4$ ，这样所有顶点的变换矩阵可表示为 $X=[X_1,...,X_n]^T$ ，大小为3*4n。