최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.2, 2020년, pp.19 - 27
김대희 , 황본우 (한국전자통신연구원) , 이승욱 (한국전자통신연구원) , 곽수영 (한밭대학교 전자제어공학과)
Recently, rapid and accurate 3D models creation is required in various applications using virtual reality and augmented reality technology. In this paper, we propose an on-site learning based shape deformation method which transforms the clothed 3D human model into the shape of an input point cloud....
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
3차원 데이터를 표현하는 방식은 무엇으로 나눌 수 있는가? | 3차원 데이터를 표현하는 방식은 프리미티브 (Primitive), 프로잭션 (Projection), RGB-D, 다시 점으로 표현하는 유클리디언 (Euclidean) 방식과 메쉬 (Mesh), 그래프, 포인트 클라우드 (Point cloud)로 표현하는 비 유클리디언 (Non euclidean) 으로 나눌 수 있다. | |
이미지 특징 추출 네트워크는 무엇인가? | 네트워크는 이미지 특징 추출 네트워크와 계층적 메쉬 변형 네트워크로 구성되어 있다. 이미지 특징 추출 네트워크는 입력 이미지에서 지각적 특징(Perceptual feature)을 추출하는 2차원 콘볼루션 뉴럴 네트워크이며, 추출된 특징은 타원체 메쉬를 3차원 모델로 점진적으로 변형시키기 위한 메쉬 변형 네트워크에 의해 활용된다. 계층적 메쉬 변형 네트워크는 그래프 기반 콘볼루션 뉴럴 네트워크를 사용하며, 3개의 메쉬 변형층과 메쉬 변형층 사이에 2개의 그래프 언풀링층(Graph unpooling layer)로 구성된다. | |
광학 장치를 이용한 3차원의 외형 복원에서 능동 센싱방식의 장단점은 무엇인가? | 수동 센서방식은 영상의 해상도가 증가함에 따라 처리하는 데이터의 양이 급속히 늘어나므로 해상도에 한계가 있으며 조명의 영향을 많이 받는 문제가 있다. 능동 센서방식은 정확도는 높지만 가격이 비싸며 숙련된 엔지니어가 필요하다. 최근에는 광학 소자 기술의 발전으로 인해 낮은 가격으로 보급이 확산되고 있으며, 컴퓨팅 성능의 발전으로 카메라의 해상도 및 처리 능력이 향상되면서 인체의 3차원 복원에 관한 연구가 각광 받고 있다. |
Allen, B., Curless, B., Popovic, Z. (2002). Articulated Body Deformation from Range Scan Data, Transactions On Graphics, 21(3), 612-619.
Allen, B., Curless, B., Popovic, Z. (2003). The Space of Human Body Shapes: Reconstruction and Parameterization from Range Scans, Transactions On Graphics, 22(3), 587-594.
Chen, X., Pang, A., Zhu, Y., Li, Y., Luo, X., Zhang, G., Wang, P., Zhang, Y., Li, S., Yu, J. (2019). Towards 3D Human Shape Recovery Under Clothing, arXiv preprint arXiv:1904.02601.
Daz Productions, https://www.daz3d.com/(accessed Aug 10, 2019)
Fan, H., Su, H., Guibas, L. (2017). A Point Set Generation Network for 3D Object Reconstruction from a Single Image, The IEEE Conference on Computer Vision and Pattern Recognition, July. 21-26, Honolulu, USA, pp. 605-613.
Groueix, T., Fisher, M., Kim, Vladimir, G., Russell, Bryan, C., Aubry, M. (2018). 3D-CODED: 3D Correspondences by Deep Deformation, The European Conference on Computer Vision, Sep. 8-14, Munich, Germany, pp. 230-246.
Jaderberg, M., Simonyan, K., Zisserman, A. (2015). Spatial Transformer Networks, The Advances in Neural Information Processing Systems, Dec. 7-12, Montreal, Canada, pp. 2017-2025.
Loper, M., Mahmood, N., Romero, J., Moll, G., Black, MJ. (2015) SMPL: A Skinned Multi-person Linear Model, The ACM Transactions On Graphics, 34(6), 248.
Qi, CR., Su, H., Mo, K., Guibas, LJ. (2017). Pointnet: Deep Learning on Point Sets for 3D Classification and Segmentation, The IEEE Conference on Computer Vision and Pattern Recognition, July. 21-26, Honolulu, USA, pp. 652-660.
Wang, N., Zhang, Y., Li, Z., Fu, Y., Liu, W., Jiang, Yu-Gang. (2018). Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images, The European Conference on Computer Vision, Sep. 8-14, Munich, Germany, pp. 52-67.
Zuffi, S., Black, MJ. (2015). The Stitched Puppet: A Graphical Model of 3D Human Shape and Pose, The IEEE Conference on Computer Vision and Pattern Recognition, June. 7-12, Boston, USA, pp. 3537-3546.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.