CN119399603A 一种基于NeRF的数字人形象复刻方法及系统 （泉州市金同信息科技有限公司）

一种基于NeRF的数字人形象复刻方法及系统本发明公开了一种基于NeRF的数字人形象复刻方法及系统，涉及数字人形象复刻技术领取后的特征向量输入到分类器模型中进行数字2S1：通过高分辨率相机以及特定配置的照明系统从S3：基于高维矩阵分解的自编码器算法，利用扩充后S4:基于动态群体进化优化的神经网络算法对自编码器输出的数字人形象复刻的结S5:基于低秩矩阵的极限学习机算法将特征提取后的特征向量输入到分类器模型中S32:在自编码器的训练过程中，每个输入数字人形象数据通过编码器转换为潜在空S33:编码后的数字人形象数据随后被送入解码器，解码器从压缩的潜在表示中重构S44：通过交叉和变异操作生成新的个体,交叉操作允许两个优秀个体交换部分基因，3S53:使用调整后的权重和偏置，通过单次前向传S54:通过隐藏层的输出计算隐藏层神经元的参数非线性损失项。的随机噪声表示如下r-wn，式中，为添加噪声后的数字人形象数且，变异操作对新生成的个体权重进行小幅度随机扰动，表示为9.一种基于NeRF的数字人形象复刻系统，基于如权利要求1至8中任一项所述的基于4数字人形象采集模块，其用于采集得到训练数据集；具体通过训练样本扩充生成模块，其用于基于量子超分辨数字人形象数据训练数据重构模块，其用于基于高维矩阵分解的数字人形象复刻的结果特征提取模块，其用于采用基于动数字人形象数据筛选模块，其用于基于低秩矩阵的极限学习据筛选模型将特征提取后的特征向量输入到分类器模型中进行10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于5[0001]本发明涉及数字人技术领域，尤其是一种基于NeRF的数字人形象复刻方法及系S4:基于动态群体进化优化的神经网络算法对自编码器输出的数字人形象复刻S5:基于低秩矩阵的极限学习机算法将特征提取后的特征向量输入到分类器模6S32:在自编码器的训练过程中，每个输入数字人形象数据通过编码器转换为潜S33:编码后的数字人形象数据随后被送入解码器，解码器从压缩的潜在表示中7选定的第二个个体对应的神经网络的偏置，v,为交叉操作后的个体对应的神经网络的权[0020]本发明还提供一种基于NeRF的数字人形象复刻系统，基于如上所述的一种基于数字人形象数据训练数据重构模块，其用于基于高维矩阵分解的自编码器算法，8图1是根据本申请实施例的一种基于NeRF的数字人形象复刻方法方法流程示意图3是根据本申请实施例的基于动态群体进化优化的神经网络算法的训练流程9.为量子[0039]在一个实施例中，定义应用于生成器输出的特征映射函数为一个深度特征提取[0053]S32:在自编码器的训练过程中，每个输入数字人形象数据首先通过编码器转换数；是编码器的权重的L2正则化项，用以防止过拟合；是正则化项的权重系数；是编码器的权重的L2正则化项关于编码器的权重的梯度；是关于编码器的[0057]S33:编码后的数字人形象数据随后被送入解码器，解码器试图从这些压缩的潜规则，本发明利用自校正机制根据当前数字人形象的训练数据的特性自动调整进化规则，n为正则化参数。选定的第二个个体对应的神经网络的偏置，v,为交叉操作后的个体对应的神经网络的权[0101]S54:得到隐藏层输出后，通过隐藏层的输出计算隐藏层通过筛选的数字人形象数据即作为最终得到复刻的数字人数字人形象数据训练数据重构模块，其用于基于高维