[发明专利]一种基于深度神经网络的三维模型参数化方法

说明书

本发明公开了一种基于深度神经网络的三维模型参数化方法，涉及三维模型参数化技术领域。本发明包括：建立包含两个隐层的从三维空间到二维空间的神经网络模型并通过神经网络模型获取网格的参数化坐标；利用所述神经网络模型通过所述参数化坐标重建三维网格；采用loss函数为约束条件对所述神经网络模型训练。本发明对约束条件中的loss函数为约束条件进行了改进，对扭曲较大的网格的曲面参数化具有很好的效果，与传统的ARAP方法需要初始值不断迭代，而本发明的神经网络模型不必给出特定的初始值，给出随机值就能有效的获取曲面参数化坐标，方便快捷，提高计算效率。

技术领域

本发明属于三维模型参数化技术领域，特别是涉及一种基于深度神经网络的三维模型参数化方法。

背景技术

曲面参数化技术在计算机图像学及几何处理方向一直都是一个基本问题。至今，参数化在许多方向都有重要应用，例如，纹理映射，变形，接口映射和形状分析等；这些任务都需要用到低扭曲的参数化。

对于线性的参数化方法，例如Tutte的方法，保证了参数化映射是一种双射，但通常对于复杂的输入模型会有非常大的扭曲。对于非线性的参数化方法，通常是把参数化的过程看作是求解一个带有保证三角面片定向的约束条件的能量函数的优化问题。目标函数一般会有一项用来保证低扭曲，当输入的网格扭得比较严重时这一项会非常大；也会有一项用来保证无翻转，采用的方法是当三角面片翻转或退化时，这一项会趋于无穷大。这些目标函数是高度非凸和非线性的，导致特别是对于大规模的网格优化难度非常大。

近些年来，深度学习发展迅猛，在图像识别、语音识别等方面都取得了惊人的成就。而神经网络在三维网格处理方面还并没有大规模的应用，本技术借助神经网络来对网格进行参数化和网格重建，能得到很好的效果。

发明内容

本发明的目的在于提供一种基于深度神经网络的三维模型参数化方法，首先通过建立包含两个隐层的从三维空间到二维空间的神经网络模型并通过神经网络模型获取网格的参数化坐标，再利用神经网络模型通过参数化坐标重建三维网格，最后采用loss函数为约束条件对神经网络模型训练，解决了现有扭曲较大的网格的很难进行有效的曲面参数化问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度神经网络的三维模型参数化方法，包括如下步骤：

步骤一：建立包含两个隐层的从三维空间到二维空间的神经网络模型并通过神经网络模型获取网格的参数化坐标；

具体过程包括如下：

S0：将输入的三维网格空间坐标(x，y，z)先经过第一weight矩阵变换和第一bias矩阵变换，再经过激活函数G₀后得到隐层0的m₀个元素；

S1：将S0中隐层0得到的m₀个元素先经过第二weight矩阵变换和第二bias矩阵变换，再经过激活函数G₁后得到隐层1的m₁个元素；

S2：将S1中隐层1得到的m₁个元素经过第一线性变换后得到平面的uv坐标；

其中，所述激活函数G₀以及激活函数G₁均为relu函数；由于所述relu函数是分片线性的，能很好地防止梯度消失等问题；另一方面，经过多次实验的得出结论，令m₀＝2m₁会有更好的效果；

步骤二：利用所述神经网络模型通过所述参数化坐标重建三维网格；

具体过程包括如下：

T0：将所述uv坐标作先经过第三weight矩阵变换和第三bias矩阵变换，再经过激活函数G₂后得到隐层2的m₂个元素；