[發明專利]數據處理的方法、動捕去噪模型的訓練方法及裝置

有效

• 申請號: 202010844348.4
• 申請日: 2020-08-20
• 公開（公告）號: CN111899320B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 張榕
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T13/40
• 分類號: G06T13/40;G06N3/0442;G06N3/0464;G06N3/049;G06N3/08
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 李杭

1.一種數據處理的方法，其特征在于，包括：

獲取目標動捕關鍵幀，其中，所述目標動捕關鍵幀對應于目標噪聲特征向量，所述目標噪聲特征向量包括M個關節所對應的噪聲數據，所述M為大于或等于1的整數；

根據所述目標動捕關鍵幀獲取待處理動捕數據，其中，所述待處理動捕數據表示連續N個動捕關鍵幀所對應的噪聲特征向量集合，所述連續N個動捕關鍵幀包括所述目標動捕關鍵幀，所述噪聲特征向量集合包括所述目標噪聲特征向量，所述N為大于1的整數；

基于所述待處理動捕數據，通過動捕去噪模型所包括的時序網絡獲取所述目標動捕關鍵幀所對應的噪聲偏移向量，其中，所述噪聲偏移向量包括所述M個關節的偏移數據；

根據所述目標噪聲特征向量以及所述噪聲偏移向量，確定所述目標動捕關鍵幀所對應的關節去噪結果，其中，所述關節去噪結果包括所述M個關節的去噪數據；

所述基于所述待處理動捕數據，通過動捕去噪模型所包括的時序網絡獲取所述目標動捕關鍵幀所對應的噪聲偏移向量，包括：

基于所述待處理動捕數據，通過所述動捕去噪模型所包括的編碼器，獲取編碼特征向量集合，其中，所述編碼特征向量集合包括N個編碼特征向量；

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的所述時序網絡，獲取目標時序特征向量；

基于所述目標時序特征向量，通過所述動捕去噪模型所包括的解碼器，獲取所述目標動捕關鍵幀所對應的噪聲偏移向量。

2.根據權利要求1所述的方法，其特征在于，所述目標噪聲特征向量還包括根關節所對應的角速度；

所述根據所述目標動捕關鍵幀獲取待處理動捕數據，包括：

根據所述目標動捕關鍵幀獲取所述連續N個動捕關鍵幀；

根據所述連續N個動捕關鍵幀獲取所述待處理動捕數據，其中，所述待處理動捕數據包括N個噪聲特征向量，每個噪聲特征向量包括所述M個關節所對應的噪聲數據以及所述根關節所對應的角速度。

3.根據權利要求1所述的方法，其特征在于，所述基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的所述時序網絡，獲取目標時序特征向量，包括：

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的前向時序網絡，獲取所述目標時序特征向量；

或者，

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的后向時序網絡，獲取所述目標時序特征向量。

4.根據權利要求1所述的方法，其特征在于，所述基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的所述時序網絡，獲取目標時序特征向量，包括：

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的前向時序網絡，獲取第一時序特征向量；

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的后向時序網絡，獲取第二時序特征向量；

根據所述第一時序特征向量以及所述第二時序特征向量，生成所述目標時序特征向量。

5.根據權利要求1所述的方法，其特征在于，所述基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的所述時序網絡，獲取目標時序特征向量，包括：

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的第一雙向時序網絡，獲取第三時序特征向量；

基于所述編碼特征向量集合，通過所述動捕去噪模型所包括的第二雙向時序網絡，獲取第四時序特征向量；

根據所述第三時序特征向量以及所述第四時序特征向量，生成所述目標時序特征向量。

6.根據權利要求1所述的方法，其特征在于，所述根據所述目標噪聲特征向量以及所述噪聲偏移向量，確定所述目標動捕關鍵幀所對應的關節去噪結果，包括：

針對于所述目標噪聲特征向量中的任一關節所對應的噪聲數據，獲取所述噪聲偏移向量中所述任一關節所對應的去噪數據；

將所述任一關節所對應的去噪數據與所述任一關節所對應的噪聲數據進行加和處理，得到所述任一關節所對應的去噪數據；

當獲取到針對于M個關節中每個關節所對應的去噪數據時，生成所述目標動捕關鍵幀所對應的關節去噪結果。