用Blender给MetaHuman不同胖瘦身体模型做插值,计算过度模型

2024-03-29 07:04

本文主要是介绍用Blender给MetaHuman不同胖瘦身体模型做插值,计算过度模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

用Blender给MetaHuman不同胖瘦身体模型做插值,计算过度模型


本篇文章所有想法和代码均为ChatGPT所写

需求:MetaHuman的身体有瘦、标准、胖三个体型,想要通过三个体型插值计算出符合用户体型的更多模型
建议:chatGPT建议用Blender,免费,支持Python脚本,特别适合程序使用
在这里插入图片描述

代码如下

import bpy
import mathutils
import bmesh
from mathutils.kdtree import KDTree# 路径到你的FBX文件
fbx_path_1 = 'H:/Coding/Unreal/Meta_Src/Doc/MetaHuman/m_med_nrw_body_preview.FBX'
fbx_path_2 = 'H:/Coding/Unreal/Meta_Src/Doc/MetaHuman/m_med_ovw_body_preview.FBX'
alpha = 0.250 # 插值比例,0.5表示两个顶点的中点
tall = 129   # 高度 male z=132 female z=120# 假设圈口中心的位置和半径(需要根据实际模型调整这些值)
circle_center = mathutils.Vector((0, 0, tall))  # XY平面的中心位置,Z轴坐标是圈口的高度
z_blend = 5.0
# 函数:计算调整后的alpha值
def adjusted_alpha(vertex, base_alpha=0.5):# 通过抛物线函数计算X轴对应的抛物线增高x = vertex.co.xa = 0.0025b = 0c = 0z = a*x*x + b*x + c# 计算顶点的高度差height_diff = vertex.co.z - (circle_center.z + z)if height_diff < 0:height_diff = 0height_factor = height_diff / z_blendif height_factor > 1:height_factor = 1        return base_alpha * (1 - height_factor)# 导入第一个FBX文件
bpy.ops.import_scene.fbx(filepath=fbx_path_1)
# 获取所有选中的对象,并找到网格对象
fbx1 = bpy.context.selected_objects
meshes_1 = [obj for obj in bpy.context.selected_objects if obj.type == 'MESH']# 导入第二个FBX文件
bpy.ops.import_scene.fbx(filepath=fbx_path_2)
# 获取所有选中的对象,并找到网格对象
fbx2 = bpy.context.selected_objects
meshes_2 = [obj for obj in bpy.context.selected_objects if obj.type == 'MESH']# 假设我们只关心第一个网格对象
if meshes_1 and meshes_2:obj_1 = meshes_1[0]obj_2 = meshes_2[0]# 确保两个对象都是网格,并且顶点数量相同if obj_1.type == 'MESH' and obj_2.type == 'MESH':print("obj_1.data.vertices=" + str(len(obj_1.data.vertices)))print("obj_2.data.vertices=" + str(len(obj_2.data.vertices)))# 获取第一个mesh的UV层uv_layer_1 = obj_1.data.uv_layers.active.data# 获取第二个mesh的UV层uv_layer_2 = obj_2.data.uv_layers.active.data# 创建一个空字典来存储顶点的UV映射vertex_uv_map_1 = {}vertex_uv_map_2 = {}# 创建一个集合来存储已经插入的顶点索引inserted_indices_1 = set()inserted_indices_2 = set()# 创建KDTreesize = len(obj_2.data.vertices)kd = KDTree(size)# 遍历第1个mesh的所有多边形和循环for poly in obj_1.data.polygons:for loop_index in poly.loop_indices:# 获取对应的顶点索引vertex_index = obj_1.data.loops[loop_index].vertex_index# 检查顶点索引是否已经插入if vertex_index not in inserted_indices_1:# 将顶点索引添加到集合中,表示已经插入inserted_indices_1.add(vertex_index)# 获取UV坐标uv_coord = uv_layer_1[loop_index].uv# 将顶点索引和UV坐标存储在字典中vertex_uv_map_1[vertex_index] = (uv_coord.x, uv_coord.y, 0.0)# 遍历第2个mesh的所有多边形和循环for poly in obj_2.data.polygons:for loop_index in poly.loop_indices:# 获取对应的顶点索引vertex_index = obj_2.data.loops[loop_index].vertex_index# 检查顶点索引是否已经插入if vertex_index not in inserted_indices_2:# 将顶点索引添加到集合中,表示已经插入inserted_indices_2.add(vertex_index)# 获取UV坐标uv_coord = uv_layer_2[loop_index].uv# 将顶点索引和UV坐标存储在字典中vertex_uv_map_2[vertex_index] = (uv_coord.x, uv_coord.y, 0.0)# 向KDTree中添加模型2的UVkd.insert((uv_coord.x, uv_coord.y, 0.0), vertex_index)kd.balance()# 进行顶点插值i = 0for v1 in obj_1.data.vertices:uv, index, dist = kd.find(vertex_uv_map_1[i])a = adjusted_alpha(v1, alpha)obj_1.data.vertices[i].co = obj_1.data.vertices[i].co.lerp(obj_2.data.vertices[index].co, a)# print(obj_1.data.vertices[i].co)i += 1# 更新网格数据obj_1.data.update()else:print("Objects are not meshes")
else:print("Objects are not meshes")# 计算结束后,删除这些临时保存的meshes_2对象
# 确保Blender在对象模式下
bpy.ops.object.mode_set(mode='OBJECT')# 清除之前的所有选中状态
bpy.ops.object.select_all(action='DESELECT')# 选择导入的对象
for obj in fbx2:obj.select_set(True)# 删除所有选中的对象
bpy.ops.object.delete()# 导入第一个FBX文件
# bpy.ops.import_scene.fbx(filepath=fbx_path_1)

ChatGPT解读:

看起来你已经创建了一个相当复杂的脚本来处理两个FBX文件,通过抛物线函数动态调整顶点插值的alpha值,并在完成后清理临时导入的对象。这个脚本的目的是根据顶点的x坐标和一个定义好的抛物线函数调整alpha值,从而实现一个更自然的过渡效果,尤其是在两个模型的接合处。

你的脚本分几个关键步骤执行任务:

导入FBX文件:分别导入两个FBX文件,并选出网格对象。 准备KD树:为第二个模型的顶点建立一个KD树,以便快速找到最近的顶点进行插值。
顶点插值:对第一个模型的每个顶点,找到第二个模型中对应的最近顶点,并根据抛物线函数调整的alpha值进行插值。
清理:完成计算后,删除第二个模型的所有对象,清理场景。
这个脚本的关键部分是adjusted_alpha函数,它根据顶点的位置和预设的抛物线函数动态调整插值权重。这种方法可以实现更加复杂和细腻的融合效果,尤其是在处理具有复杂形状或需要在特定区域内平滑过渡的3D模型时。

脚本末尾的清理步骤确保了场景的整洁,只留下经过融合处理的模型。通过在操作结束后删除临时导入的对象,可以避免场景中出现不必要的混乱。

代码需要注意的几个地方:
第一,MetaHuman提供的瘦、标准、胖三个模型的顶点数量和顺序并不一致,不能简单的按照顶点顺序进行融合,代码中用了KD树查找接近点
第二,MetaHuman提供的瘦、标准、胖三个模型和人头结合的部分并不一致,融合以后的身体和头无法很好的结合,这里用了一个算法,在接近身体与头结合的圈口部分,alpha值逐渐过渡到1,也就是使用标准模型。身体模型和头结合的圈口是一个接近抛物线,这里用了一个抛物线函数进行高度值矫正
第三,导出FBX模型时,要把m_med_nrw_body_preview节点设置为unvisibled,导出参数设置里勾选 “仅导出可见对象"。
在这里插入图片描述
不然导出的fbx模型会比标准的MetaHuman骨骼多了一个层级。
在这里插入图片描述

这篇关于用Blender给MetaHuman不同胖瘦身体模型做插值,计算过度模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/857927

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

2. c#从不同cs的文件调用函数

1.文件目录如下: 2. Program.cs文件的主函数如下 using System;using System.Collections.Generic;using System.Linq;using System.Threading.Tasks;using System.Windows.Forms;namespace datasAnalysis{internal static

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

uva 10061 How many zero's and how many digits ?(不同进制阶乘末尾几个0)+poj 1401

题意是求在base进制下的 n!的结果有几位数,末尾有几个0。 想起刚开始的时候做的一道10进制下的n阶乘末尾有几个零,以及之前有做过的一道n阶乘的位数。 当时都是在10进制下的。 10进制下的做法是: 1. n阶位数:直接 lg(n!)就是得数的位数。 2. n阶末尾0的个数:由于2 * 5 将会在得数中以0的形式存在,所以计算2或者计算5,由于因子中出现5必然出现2,所以直接一

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言