买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中北大学

摘要：本发明属于计算机三维重建和大数据云计算等领域，具体涉及一种基于几何图元的隐式神经表征方法。通过构建和训练深度神经网络模型，解决了目前主流技术进行三维重建时的准确度和完整度不足等问题。本发明提出的利用部件的隐空间向量分布用以最小化模型预测目标点的有符号距离值的方法以及采用的网络结构和相关的训练策略，体现了深度学习在复杂三维数据处理上的强大能力。模型设计集成了空间坐标信息、潜在向量表示以及正则化策略，使网络能精确地从潜在空间映射到具体的三维几何结构。本发明为全局和局部特征在形状表示的关联性上提供了新思路，丰富了三维重建的多角度处理方式和应用广度，在数字孪生技术和其他工业应用中具有广泛的应用潜力。

主权项：1.一种基于几何图元的隐式神经表征方法，其特征在于：包括以下步骤：步骤1，对PartNet数据集进行数据预处理，包括如下子步骤：步骤1.1，首先从PartNet数据集根据物体的类别选定多个形状的全部部件的网格模型，将网格模型的网格规范化到一个单位球体内；步骤1.2，对步骤1.1中所有的网格进行密集采样，采样范围包括部件形状表面以及在表面法线方向上添加扰动距离得到的扰动点；步骤1.3，计算部件的网格表面采样点以及内部采样点和外部采样点的有符号距离值；步骤1.4，将步骤1.2得到的所有采样点的空间坐标以及步骤1.3得到的有符号距离值保存至统一格式的.npz文件中；步骤2，对ShapeNet数据集进行数据预处理，包括如下子步骤：步骤2.1，按照ShapeNet数据集依据类别存放物体形状的文件夹，将每个文件夹中的全部网格模型规范化到一个单位球体内；步骤2.2，对步骤2.1中的每个文件夹中的全部网格均执行密集采样，采样范围包括完整三维形状表面以及在表面法线方向上添加扰动距离得到的扰动点；步骤2.3，计算完整三维形状的网格表面、内部采样点和外部采样点的有符号距离值，使用隐函数的形式表达完整三维形状的表面，将完整三维形状视为一个连续的体积场，使用有符号距离函数计算出给定采样点到最近表面的距离，正负符号表明给定采样点位于表面的内部或外部，完整三维形状的有符号距离函数表示为SDFx＝s:x∈R3,s∈R，其中s表示完整三维形状的采样点到某一表面的距离值，x表示采样点的位置；步骤2.4，将步骤2.2得到的所有采样点的空间坐标及步骤2.3得到的有符号距离值存储到统一格式.npz文件中；步骤2.5，为了给神经网络模型的训练和评估提供数据来源，将步骤2.4处理后的数据集划分为训练集和测试集；步骤3，搭建隐式神经表征的神经网络模型，神经网络模型包括变分自编码器和自动解码器，先将步骤1中的PartNet数据集预处理后的部件数据集输入到神经网络模型的变分自编码器，再将步骤2中的ShapeNet数据集预处理后的完整三维形状数据集和完整三维形状的初始潜在向量输入到神经网络模型的自动解码器中训练，调整神经网络模型的超参数及权重，得到训练完成的神经网络模型，包括如下子步骤：步骤3.1，搭建学习部件的潜在向量分布的变分自编码器，并且将步骤1PartNet处理后的数据作为变分自编码器中的输入部分，在变分自编码器进行优化预测部件的有符号距离场的训练过程中，获取到部件的潜在向量分布，变分自编码器包括编码器部分和解码器部分；步骤3.2，在步骤3.1的变分自编码器中，编码器部分接收预处理后的部件数据并且将输入的数据转换为部件的潜在向量，解码器部分将部件的潜在向量重新映射到部件的有符号距离场的空间，重构输入的预处理后的部件数据，同时解码器部分在变分自编码器的训练过程中优化部件的潜在向量；步骤3.3，搭建自动解码器，自动解码器的输入为预处理ShapeNet数据集后的点云数据和完整三维形状的初始潜在向量，完整三维形状的初始潜在向量分布是步骤3.2得到的部件的潜在向量分布，自动解码器将完整三维形状的点云和向量解码到完整三维形状的有符号距离场，输出每个采样点相对应的有符号距离值；步骤3.4，调整神经网络模型的超参数及权重，处理自动解码器中的潜在向量，得到训练完成的神经网络模型：在自动解码器中，将每个完整三维形状的潜在向量与训练形状的样本点集合进行匹配；步骤4，将步骤3训练完成的神经网络模型，载入步骤2得到的数据，利用移动立方体算法重建形状，包括如下子步骤：步骤4.1，实例的完整三维形状初始潜在向量服从之前由变分自编码器学习到的部件潜在向量分布，并且要将该向量设置为可训练的状态；步骤4.2，在实例的潜在向量优化训练过程中，潜在向量不断针对实例进行调整和优化，以表示实例的完整三维形状，利用步骤3中训练完成的神经网络模型的自动解码器，潜在向量优化器采用Adam优化器，在训练过程中，将潜在向量和预处理后的数据结合，并将结合后的数据输入到自动解码器，通过减小模型预测的SDF值的误差实现实例潜在向量的优化迭代；步骤4.3，潜在向量训练，将三维坐标与优化后的实例潜在向量结合，得到结合完成的输入数据之后，使用训练好的自动解码器计算用于重建完整三维形状的最终SDF值；步骤4.4，创建3D网格，并利用网格数据插值方法对SDF值进行细致的插值处理，采用MarchingCubes算法从SDF值中提取出三维表面；步骤4.5，在重建后期处理过程中，移除重建的三维模型中的退化面，进而对重建的三维模型的表面进行细分。

全文数据：

权利要求：

百度查询： 中北大学 一种基于几何图元的隐式神经表征方法