周报-lbc -201906211

静态人体建模技术研究 在本周的工作中，我们主要集中在提高人体静态建模的精度上，尝试了多种改进方法。下面是我们尝试的方法和结果： 一、将点和法向合为 6 维向量作为 kdtree 树的元素进行查找 在第一种尝试中，我们将点和法向合并成 6 维向量，并将其作为 kdtree 树的元素进行查找。然而，效果并不是很理想，可能的原因是点云的法向不准确。这种方法的缺陷在于，它无法很好地捕捉点云的几何信息，导致查找结果不准确。 二、不使用 kdtree 树，而是将模型投影到深度图进行查找 在第二种尝试中，我们不使用 kdtree 树，而是将模型投影到深度图进行查找。然而，效果仍然不理想，小腿的点云拼接后 4 片点云交错较厉害。这可能是因为深度图的分辨率不高，无法提供足够的几何信息。 三、增加两步优化 在原来的迭代基础上，我们增加了两步优化。我们优化身份系数和动作系数，loss 项包括模型和点云的匹配点误差（kdtree 查找）和关节点的误差（权值设为前者的 0.1 倍）。我们优化身份系数和 R、T。这种方法的效果有一定提升，多了两步，时间也多了 30s，总共耗时 120s。 这个实验结果表明，我们需要继续改进我们的方法，以提高人体静态建模的精度。在未来的工作中，我们将继续探索新的方法，以提高我们的建模技术。 人体静态建模技术是计算机视觉和机器学习领域中的一个热门话题。它的应用非常广泛，包括虚拟现实、游戏、电影特效等。然而，人体静态建模技术也存在许多挑战，例如点云数据的噪声和不完整性、人体姿态的多样性和复杂性等。这需要我们不断地探索和改进我们的方法，以提高人体静态建模的精度和鲁棒性。 在人体静态建模技术中，K-D tree（k-维树）是一种常用的数据结构。它可以快速地查找最近邻点，从而提高建模的速度和精度。然而，K-D tree 也存在一些缺陷，例如它不能很好地处理高维数据和噪声数据。这需要我们不断地改进和完善我们的方法，以提高人体静态建模的精度和鲁棒性。 本周的工作中，我们尝试了多种方法，以提高人体静态建模的精度。虽然效果不理想，但我们获得了许多有价值的经验和结论，这将有助于我们在未来的工作中继续改进和完善我们的方法。