| 1 |
1
객체의 전면 깊이 영상을 획득하는 단계; 및딥 러닝 네트워크를 통해, 획득한 전면 깊이 영상으로부터 객체의 후면 깊이 영상을 예측하는 단계;를 포함하고,딥 러닝 네트워크는,객체의 전면 깊이 영상으로부터 객체의 후면 깊이 영상을 예측하도록 학습된 것을 특징으로 하는 3차원 객체 복원 방법
|
| 2 |
2
청구항 1에 있어서,딥 러닝 네트워크는,예측된 깊이 영상과 GT 간의 차와 예측된 깊이 영상의 법선 벡터와 GT 간의 차를 포함하는 손실함수를 이용하여 학습되는 것을 특징으로 하는 3차원 객체 복원 방법
|
| 3 |
3
청구항 2에 있어서,손실 함수는 아래의 수학식으로 표현되고,L = (1-α)*D + α*NL은 손실 함수이며, D는 예측된 깊이 영상과 GT 간의 차이고, N은 예측된 깊이 영상의 법선 벡터와 GT 간의 차이며,α는 가중치인 것을 특징으로 하는 3차원 객체 복원 방법
|
| 4 |
4
청구항 1에 있어서,가상 데이터를 이용하여 생성한 전면 깊이 영상과 후면 깊이 영상을 이용하여, 딥 러닝 네트워크를 학습시키는 제1 학습단계;를 포함하는 것을 특징으로 하는 3차원 객체 복원 방법
|
| 5 |
5
청구항 4에 있어서,제1 학습단계 이후에, 실제의 전면 깊이 영상과 후면 깊이 영상을 이용하여, 딥 러닝 네트워크를 학습시키는 제2 학습단계;를 더 포함하는 것을 특징으로 하는 3차원 객체 복원 방법
|
| 6 |
6
청구항 4에 있어서,가상 데이터는,2D 영상으로부터 광선 추적(ray-tracing) 기법 또는 SMPL-X 기법을 이용하여 생성한 3D 영상인 것을 특징으로 하는 3차원 객체 복원 방법
|
| 7 |
7
청구항 1에 있어서,획득한 전면 깊이 영상과 예측한 후면 깊이 영상을 이용하여, 객체를 3차원으로 복원하는 단계;를 더 포함하는 것을 특징으로 하는 3차원 객체 복원 방법
|
| 8 |
8
객체의 전면 깊이 영상을 획득하고, 딥 러닝 네트워크를 통해 획득한 전면 깊이 영상으로부터 객체의 후면 깊이 영상을 예측하는 프로세서; 및프로세서에 필요한 저장 공간을 제공하는 저장부;를 포함하고,딥 러닝 네트워크는,객체의 전면 깊이 영상으로부터 객체의 후면 깊이 영상을 예측하도록 학습된 것을 특징으로 하는 3차원 객체 복원 시스템
|
