[发明专利]一种基于深度学习的数字人布料实时解算方法

权利要求书

1.一种基于深度学习的数字人布料实时解算方法，其特征在于，包括以下步骤：

S1：训练神经网络，包括以下步骤：

S101：先用一个自动编码器来编码布料的网格顶点的三维坐标，该自动编码器先将高维度的网格顶点的三维坐标编码成一组低维度的隐式变量，再将低维度的隐式变量解码还原成高维度的网格顶点的三维坐标，其中低维度的隐式变量即为自动编码器对高维度的网格顶点的三维坐标的编码，训练时，通过第一最小化损失函数：

让神经网络在解码后的输出应当与编码前的输入趋于相同；

S102：在训练完S101中的自动编码器之后，用隐式变量代替布料的网格顶点的三维坐标，之后再用全连接网络将骨骼信息映射到布料网格顶点的编码，在训练时，给定一组数据对，通过第二最小化损失函数：

其中，，，

让骨骼信息经过全连接网络后的输出与布料网格顶点的三维坐标所对应的编码趋于相同；

S2：在训练完上述S101和S102两个神经网络后，给定一组输入骨骼信息，首先经过S102中的全连接网络，得到布料网格顶点的编码，再经过S101中的解码环节，得到解码后输出的布料网格顶点，该输出即为布料的解算结果。

2.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，所述自动编码器包括编码过程和解码过程，所述编码过程由若干层神经网络组成，将高维度的输入数据映射到低维度的隐式变量，实现降维或数据压缩的功能；所述解码过程也由若干层神经网络组成，将低维度的隐式变量映射到高维度的重构，且重构应当与输入数据趋于相同，实现增维或数据重构的功能。

3.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，全连接网络由若干全连接层构成，每一层都是由输入到输出的非线性映射：

其中，

是第层的权重，是第层的偏差，是第层的输入，是第层的输出，同时也是第层的输入，是第层的非线性函数；

每一层的权重和偏差均为可训练的变量，通过最小化损失函数来更新其值；

如果将每一层所表示的函数记为，且令，那么一个包含层的全连接网络可表示为

其中，是第层的输入，同时也是整个神经网络的输入，是第层的输出，同时也是整个神经网络的输出。

4.根据权利要求1所述的一种基于深度学习的数字人布料实时解算方法，其特征在于，训练S102中的全连接网络时，要求S101中的自动编码器已训练完毕且固定其网络参数，故将经自动编码器生成的布料网格顶点的编码视为常量，只需更新S102中全连接网络的参数使得与趋于相同。