[发明专利]一种网格模型的处理方法、存储介质以及设备

说明书

本说明书提供一种网格模型的处理方法、存储介质以及设备，该方法中，基于多个预设的三维角色模型分别训练得到关节图神经网络和蒙皮图神经网络，其中，关节图神经网络基于该三维角色模型中已确定的关节点学习得到各顶点的分类，蒙皮图神经网络基于该三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重，进而在应用阶段，通过这两个图神经网络分别生成待处理的目标网格模型的关节点以及蒙皮权重，使得该目标网格模型能够用于运动控制。如此，降低了创建三维角色动画的门槛，缩短了开发三维角色动画的成本和时间。

技术领域

本说明书涉及计算机技术领域，尤其涉及一种网格模型的处理方法、存储介质以及设备。

背景技术

三维模型在诸多领域都扮演了十分重要的角色，如游戏领域、直播领域等等。然而，在相关技术中，三维模型的运动，一般由专业技术人员来手动创建三维模型对应的骨骼以及蒙皮来实现，或者使用扫描设备捕获真人演员的动作，并经过算法处理使其应用于三维模型动画。这样，要创造出三维模型动画，往往需要消耗较大的时间成本和人力成本。

发明内容

为克服相关技术中存在的问题，本说明书提供了一种网格模型的处理方法、存储介质以及设备。

根据本说明书实施例的第一方面，提供一种网格模型的处理方法，包括：

获取待处理的目标网格模型；

通过关节图神经网络生成所述目标网格模型的关节点，再通过蒙皮图神经网络生成所述目标网格模型的各关节点的蒙皮权重；

将所述关节点以及所述蒙皮权重与所述目标网格模型进行绑定，以使绑定后的目标网格模型用于运动控制；

其中，所述关节图神经网络和所述蒙皮图神经网络是基于多个预设的三维角色模型训练得到的，所述三维角色模型具有多个顶点，所述关节图神经网络基于所述三维角色模型中已确定的关节点学习得到各顶点的分类，所述蒙皮图神经网络基于所述三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重。

在某些例子中，上述多个预设的三维角色模型具有相同的顶点个数。

在某些例子中，上述多个预设的三维角色模型通过如下方式处理得到：

获取多个初始三维角色模型，所述多个初始三维角色模型不具有相同的顶点个数；

针对每个初始三维角色模型，将预设网格模板变形至与所述初始三维角色模型贴合，并利用变形后的预设网格模板作为所述预设的三维角色模型。

在某些例子中，上述目标网格模型的关节点基于以下方式得到：

将目标网格模型输入所述关节图神经网络，得到每个顶点对应的特征向量，所述特征向量用于表征所述顶点与其他顶点的相关性；

将所述特征向量输入全连接网络，得到每个顶点的预测关节位置；

对所有顶点的预测关节位置进行聚类，并将每一类的中心点作为所述目标网格模型的关节点。

在某些例子中，上述目标网格模型的各顶点和各关节点具有对应的排序编号；

所述目标网格模型中，任一顶点对应任一关节点的蒙皮权重是根据所述顶点的排序编号以及所述关节点的排序编号，从所述蒙皮图神经网络输出的权值矩阵中确定得到的。

在某些例子中，通过如下方式对绑定后的目标网格模型进行运动控制：

获取目标运动参数，基于所述目标运动参数控制所述目标网格模型的关节点进行运动，并基于所述关节点以及蒙皮权重，控制所述目标网格模型的其他顶点进行运动；所述其他顶点是指所述目标网格模型中除所述关节点之外的顶点。