3. 模型的方向问题

简介: 3. 模型的方向问题

让我们仔细观察下Blender坐标系、Creator坐标系:

网络异常,图片无法展示
|

网络异常,图片无法展示
|

上方向:

  • Blender上方向为+Z
  • Creator上方向为+Y

Blender的glb默认导出选项,提供了关于上方向的变换设置:

网络异常,图片无法展示
|

对于Creator来说,是要勾选这个选项的,而Blender也是默认勾选的。

正方向

Creator的正方向是-Z,这个正方向和node.forward有直接关系。

很明显上边的模型在建模时,脸的朝向反了,所以Blender建模初期,我们就要规避这个问题。

像我这种新手第一次碰到这个问题,补救方案也有:

外边再用node套一层,并让模型Prefab旋转180°即可

网络异常,图片无法展示
|

不过这个问题还是尽量避免为好。



目录
相关文章
|
6月前
|
机器学习/深度学习 自然语言处理 算法
多模态融合可能的突破方向
【2月更文挑战第21天】多模态融合可能的突破方向
77 1
多模态融合可能的突破方向
|
6月前
|
人工智能 搜索推荐
未来多种模型组合是AIGC更可能的方向
【1月更文挑战第10天】未来多种模型组合是AIGC更可能的方向
94 1
未来多种模型组合是AIGC更可能的方向
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
|
4月前
|
机器学习/深度学习 数据采集 自然语言处理
让大模型变得更聪明三个方向
让大模型变得更聪明三个方向
46 2
|
6月前
|
前端开发 JavaScript Java
B/S方向
B/S方向
43 4
|
6月前
|
机器学习/深度学习 分布式计算 算法
文生视频的突破方向
【2月更文挑战第16天】文生视频的突破方向
192 2
文生视频的突破方向
|
6月前
|
机器学习/深度学习 存储 编解码
【我的方向】轻量化小目标检测
【我的方向】轻量化小目标检测
131 0
|
机器学习/深度学习 人工智能 自然语言处理
或许是一个新的算法方向?
或许是一个新的算法方向?
90 0
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)