AI 助理
备案控制台
开发者社区 云计算 文章 正文

3dmax怎么建模眼镜盒模型? 3dmax盒子建模过程

2022-10-10 210
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 3dmax怎么建模眼镜盒模型？3dmax中想要建模眼镜盒模型，该怎么创建眼镜盒呢？下面我们就来看看3dmax眼镜盒建模过程，详细请看下文介绍

3dmax怎么建模眼镜盒模型？3dmax中想要建模眼镜盒模型，该怎么创建眼镜盒呢？下面我们就来看看3dmax眼镜盒建模过程，详细请看下文介绍
戴眼镜会需要眼镜盒，该怎么创建眼镜盒嗯？下面我们就来看看3dmax创建眼镜盒模型的技巧。
先画切角长方体。设置一定的数值

image.png

转为可编辑多边形，进入多边形层级，去掉上面的面

image.png

给长方体添加壳。然后复制一个移到如图位置

image.png

image.png

在中间画一个圆柱体

image.png

在上面和下面分别画一个长方体作为卡扣。

image.png

给它一个材质，渲染一下
image.png

以上就是3dmax眼镜盒建模过程，希望大家喜欢。

wkcyflg7bhkku
目录
相关文章
bruce刘晓伟-18435
|
29天前
|
自然语言处理
ChatGPT提问技巧——控制温度和TOP-P样本
ChatGPT提问技巧——控制温度和TOP-P样本
bruce刘晓伟-18435
35 4
bruce刘晓伟-18435
|
1月前
|
人工智能 安全
要求CHATGPT高质量回答的艺术：提示工程技术的完整指南—第 4 章：控制温度和 Top-p 采样
要求CHATGPT高质量回答的艺术：提示工程技术的完整指南—第 4 章：控制温度和 Top-p 采样
bruce刘晓伟-18435
18 1
阿旭算法与机器学习
|
5月前
|
机器学习/深度学习 算法 数据可视化
【从零开始学习深度学习】46. 目标检测中锚框的概念、计算方法、样本锚框标注方式及如何选取预测边界框
【从零开始学习深度学习】46. 目标检测中锚框的概念、计算方法、样本锚框标注方式及如何选取预测边界框
阿旭算法与机器学习
141 0
Deephub
|
2月前
|
自然语言处理 数据可视化 API
优化采样参数提升大语言模型响应质量：深入分析温度、top_p、top_k和min_p的随机解码策略
本文详细解析了大语言模型（LLM）的采样策略及其关键参数，如温度和top_p。LLM基于输入提示生成下一个标记的概率分布，通过采样策略选择标记并附回输入，形成循环。文章介绍了对数概率（logprobs）、贪婪解码、温度参数调整、top-k与top-p采样等概念，并探讨了min-p采样这一新方法。通过调整这些参数，可以优化LLM输出的质量和创造性。最后，文章提供了实验性尝试的建议，帮助读者在特定任务中找到最佳参数配置。本文使用VLLM作为推理引擎，展示了Phi-3.5-mini-instruct模型的应用实例。
Deephub
56 6
阿旭算法与机器学习
|
5月前
|
机器学习/深度学习 Shell
【从零开始学习深度学习】22. 卷积神经网络（CNN）中填充(padding)与步幅(stride)详解，填充、步幅、输入及输出之间的关系
【从零开始学习深度学习】22. 卷积神经网络（CNN）中填充(padding)与步幅(stride)详解，填充、步幅、输入及输出之间的关系
阿旭算法与机器学习
108 3
Deephub
|
6月前
|
数据采集 人工智能 计算机视觉
CLIP的升级版Alpha-CLIP：区域感知创新与精细控制
为了增强CLIP在图像理解和编辑方面的能力，上海交通大学、复旦大学、香港中文大学、上海人工智能实验室、澳门大学以及MThreads Inc.等知名机构共同合作推出了Alpha-CLIP。这一创新性的突破旨在克服CLIP的局限性，通过赋予其识别特定区域（由点、笔画或掩码定义）的能力。Alpha-CLIP不仅保留了CLIP的视觉识别能力，而且实现了对图像内容强调的精确控制，使其在各种下游任务中表现出色。
Deephub
205 1
-开发达人-
|
Web App开发 编解码
生成高精细节，新方法AligNeRF解决NeRF对齐问题
生成高精细节，新方法AligNeRF解决NeRF对齐问题
-开发达人-
152 0
刘金玉编程
零基础VB教程037期：物体运动界限如何判定？引入line控件
零基础VB教程037期：物体运动界限如何判定？引入line控件
刘金玉编程
73 0
-开发达人-
|
自然语言处理 算法 测试技术
参数减半、与CLIP一样好，视觉Transformer从像素入手实现图像文本统一
参数减半、与CLIP一样好，视觉Transformer从像素入手实现图像文本统一
-开发达人-
126 0
月照银海似蛟龙
|
算法
基于横向轨迹误差法(Cross-track Error）P 导航二维控制 实现无人机水平面导航控制
首先我们的目的是控制被控对象，靠近目标轨迹并且沿着目标轨迹运行。在实际运行中被控目标可能受外界干扰，与目标轨迹存在一定偏差，运用横向轨迹误差法(Cross-track Error），通过目标轨迹与被控对象当前位置的距离，不断的计算调整被控对象的状态，使其不断的靠近目标轨迹。Cross-track Error的值越大，被控对象偏离原行驶方向的角度就越大，随着Cross-track Erro的减小，被控对象偏离原行驶方向的角度要不断减小，直至轨迹重合。由于 由 Cross-track Error 转换成 调整速度有PID—P控制实现得。所有此算法估且叫为 基于Cross-track Error 的
月照银海似蛟龙
502 0
基于横向轨迹误差法(Cross-track Error）P 导航二维控制 实现无人机水平面导航控制