2021

中国计算机学会计算机辅助设计与图形学专业委员会
2021年度“优秀图形开源项目”

经评选委员会严格评选,2021年评选出2个“优秀图形开源软件”及2个“优秀图形开源数据集”。

  • 2021年度优秀图形开源软件1

项目名称: EasyMocap

项目主页: https://github.com/zju3dv/EasyMocap

负责人: 周晓巍  浙江大学

其他核心贡献者:

姓名 单位
帅青 浙江大学
方琦 浙江大学
彭思达 浙江大学
董峻廷 浙江大学
鲍虎军 浙江大学

项目简介:

动态三维人体建模一直是计算机视觉与图形学领域研究的热点与难点。传统的运动捕捉或三维重建技术往往依赖于特制的硬件设备、复杂的采集流程以及受限的采集环境。为实现低成本、便捷的动态三维人体建模,本课题组近年来致力于研究基于RGB视频的人体的运动捕捉与三维重建技术。基于这些工作的开源代码,我们构建了开源项目EasyMocap,可实现多种场景、多种输入下的人体、手部、脸部运动捕捉、三维重建与虚拟视点合成。同时,本项目包含了多相机标定、数据标注、实时可视化等一系列工具,以及大规模动态人体数据集ZJU-MoCap,提供从数据采集、处理到可视化的一站式解决方案。

  • 2021年度优秀图形开源软件2

项目名称: DeepFace智能人脸画板合成与编辑

项目主页: http://geometrylearning.com/DeepFace/

负责人: 高林 中国科学院计算技术研究所

其他核心贡献者:

 

姓名 单位
陈姝宇 中国科学院计算技术研究所
傅红波 香港城市大学
来煜坤 卡迪夫大学
Paul L. Rosin 卡迪夫大学
李淳芃 中国科学院计算技术研究所
苏万超 香港城市大学
刘锋林 中国科学院计算技术研究所

项目简介: DeepFace集成了发表于SIGGRAPH 2020和SIGGRAPH 2021的基于草稿交互的人脸图像合成与编辑方法,该软件以即时编译深度学习框架计图(Jittor)为基础,用户仅通过草图绘制便可实现精细地人脸生成与编辑,具有广泛的应用背景。该软件现被国内外媒体广泛报道,软件自上线以来,被国内外用户广泛使用,宣传视频播放超过100万次,软件单日最高访问量达4万人次,全球186个国家和地区的人员使用了该软件进行人脸绘制和创作。该软件已通过Github开源,并被斯坦福大学、普林斯顿大学、牛津大学、清华大学、北京大学等国内外著名高校研究学者Star关注,同时也包括Nvidia、腾讯、百度等知名企业的研究人员Star关注。除提供开源代码外,现该项目提供在线服务,同时包含引导界面辅助用户操作。

  •  2021年度优秀图形开源数据集1

项目名称: UrbanScene3D

项目主页: https://vcc.tech/UrbanScene3D

负责人: 黄惠 深圳大学

其他核心贡献者:

姓名 单位
刘奕林 深圳大学
薛富友 深圳大学

项目简介: UrbanScene3D是第一个具有三维建筑物实例标注的室外高精度大场景数据集与模拟器。数据集包含6个由轻量级CAD模型组成的虚拟场景(具有鲜明几何特征与简洁结构),和5个由大量无人机航拍图片进行多视角稠密重建的真实场景(具有真实视觉效果与多尺度细节结构)。所有提供的场景都经过了仔细的实例标注,基于Unreal引擎与Airsim模拟器,用户不但可以获取几乎任何种类的数据(深度图、二维/三维实例分割图、三维点云/网格模型、雷达点云),而且可以在具有丰富的物理、天气模拟效果以及碰撞检测的系统中测试自己的无人机/无人车自主导航、自主探索等算法。UrbanScene3D同时提供了其真实场景的原始航拍采集照片和对应相机姿态,以及部分无人机进行全空间数据采集的实时4K高清视频,可用于SLAM,MVS等算法测试。

  •  2021年度优秀图形开源数据集2

项目名称: FG3D:细粒度三维模型识别开源数据集

项目主页: https://github.com/liuxinhai/FG3D-Net

负责人: 刘鑫海 清华大学

其他核心贡献者:

姓名 单位
刘玉身 清华大学
韩治中 韦恩州立大学(美国)

项目简介: 本项目提出了一个三维模型细粒度识别数据集(FG3D dataset),论文发表在顶级期刊IEEE TIP 2021年第30卷上。不同于传统的ModelNet、ShapeNet数据集,本数据集是三维领域首个细粒度识别数据集,可以为计算机图形学领域的细粒度三维模型特征学习、识别和分割等应用提供数据支撑。数据集包含3个大类(飞机、汽车和椅子),共66个细粒度子类,25,552个三维模型, 每个三维模型提供多种数据文件格式,包括网格、多视图、点云和体素等。此外,我们还开源了一种基于多视图的三维模型细粒度识别算法(FG3D-Net),并取得超越已有算法基准的结果。未来我们还将继续对数据集进行维护和更新,预计会增加更多的类别、模型数量以及丰富的数据的标签,为广大研究者持续提供帮助。