[发明专利]学习用于推断可编辑特征树的神经网络

权利要求书

1.一种计算机实现的方法，所述方法用于学习被配置用于从3D形状的离散几何表示推断出表示所述3D形状的可编辑特征树的神经网络，所述可编辑特征树包括应用于叶几何形状的几何运算的树布置，所述方法包括：

－提供数据集，所述数据集包括相应的3D形状中的每个3D形状的离散几何表示；

－提供叶几何形状的候选集合；以及

－基于所述数据集并且基于所述候选集合来学习所述神经网络；

所述方法的特征在于：所述候选集合包括叶几何形状的至少一个连续子集。

2.根据权利要求1所述的方法，其中，所述候选集合包括以下两者之间的集合乘积：

－基元形状类型的离散集合，以及

－对于每种基元形状类型，相应的连续参数中的每个连续参数的一个或多个参数域的相应的离散集合，每个参数域具有所述相应的连续参数的相应的参数值，

每种基元形状类型利用一个或多个参数域的所述相应的离散集合中的每个参数域的相应的参数值来形成所述候选集合的相应元素。

3.根据权利要求2所述的方法，其中，对于一种或多种基元形状类型中的每一种基元形状类型，所述一个或多个相应的连续参数包括一个或多个尺寸参数和/或一个或多个定位参数。

4.根据权利要求2或3所述的方法，其中，所述基元形状类型的离散集合包括长方体类型、球体类型、一种或多种圆柱体类型、和/或一种或多种棱柱体类型。

5.根据权利要求2、3或4所述的方法，其中，所述神经网络包括递归神经网络(RNN)单元，每个RNN单元在相应的时间步(t)处输出用于推断相应的基元形状类型的相应的第一数据、以及用于推断一个或多个参数域的所述相应的离散集合中的每个参数域的相应的参数值的相应的第二数据。

6.根据权利要求5所述的方法，其中，所述相应的第一数据包括概率(p)的相应的离散分布，每个概率归因于基元形状类型的所述离散集合中的相应的基元形状类型(l)，和/或所述相应的第二数据包括一个或多个参数域的所述相应的离散集合中的每个参数域的相应的参数值(g_l)。

7.根据权利要求6所述的方法，其中，对于一个或多个离散几何表示(n)中的每个离散几何表示，所述数据集还包括相应的可编辑特征树，所述可编辑特征树包括应用于叶几何形状并且表示与所述离散几何表示相对应的所述3D形状的几何运算的树布置，每个几何形状是由相应的基元形状类型利用一个或多个参数域的所述相应的离散集合中的每个参数域的相应的参数值来形成的，所述神经网络的所述学习包括监督训练，所述监督训练包括使损失L₁最小化，对于与每个离散几何表示(n)的每个叶几何形状相对应的时间步(t)，所述损失L₁惩罚以下各项：

－归因于所述叶几何形状的所述相应的基元形状类型的所述相应的第一数据的所述概率的低下，和/或

－所述叶几何形状的所述一个或多个相应的参数值与所述相应的第二数据的所述一个或多个相应的参数值之间的差异

8.根据权利要求7所述的方法，其中，所述损失L₁惩罚以下各项：

－所述类型的项(L_primitives(w))的所述低下

和/或

－所述类型的项(L_parameters(w))的所述差异

其中：

·n指定所述离散几何表示，

·t指定所述时间步，

·指定所述相应的基元形状类型，

·指定归因于的所述相应的第一数据的所述概率，

·指定所述叶几何形状的所述一个或多个相应的参数值，

·指定所述相应的第二数据的所述一个或多个相应的参数值，

·d(·,·)是距离函数，并且

·incr[·]是递增和/或正函数。