[发明专利]基于深度学习的纹理图自动生成方法、装置、计算机设备和存储介质有效

专利信息
申请号: 202011550460.3 申请日: 2020-12-23
公开(公告)号: CN112700481B 公开(公告)日: 2023-04-07
发明(设计)人: 董骐德;唐睿 申请(专利权)人: 杭州群核信息技术有限公司
主分类号: G06T7/40 分类号: G06T7/40;G06T15/00;G06N3/08;G06N3/0464;G06F16/583
代理公司: 杭州天勤知识产权代理有限公司 33224 代理人: 曹兆霞
地址: 310000 浙江省杭*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 纹理 自动 生成 方法 装置 计算机 设备 存储 介质
【权利要求书】:

1.一种基于深度学习的纹理图自动生成方法,其特征在于,包括以下步骤:

获取拍摄图片,并提取拍摄图片中的主体部分得到主体图像;

利用编码器提取主体图像的高维矢量,并从纹理库中搜索获得与高维矢量匹配的至少一个不含纹理信息影响因素的匹配纹理矢量;

利用解码器对输入的匹配纹理矢量和添加噪声进行解码计算,生成至少1个纹理贴图。

2.如权利要求1所述的基于深度学习的纹理图自动生成方法,其特征在于,所述纹理库中包含有多个样本,每个样本包含渲染图、渲染图对应的纹理贴图、纹理贴图对应的纹理矢量;

依据高维矢量与纹理矢量之间的距离,搜索距离小于距离阈值的至少1个纹理矢量作为高维矢量的匹配纹理矢量。

3.如权利要求1所述的基于深度学习的纹理图自动生成方法,其特征在于,从高斯分布中随机采样获得尺寸与匹配纹理矢量相同的噪声向量作为添加噪声用于生成纹理贴图。

4.如权利要求2所述的基于深度学习的纹理图自动生成方法,其特征在于,所述编码器基于卷积神经网络构建,从纹理库提取第一渲染图、第一纹理图和第二渲染图作为训练样本,并采用triplet loss作为损失函数对卷积神经网络进行训练,以优化卷积神经网络的网络参数,训练结束后,确定的网络参数与卷积神经网络结构组成编码器。

5.如权利要求2所述的基于深度学习的纹理图自动生成方法,其特征在于,所述解码器基于卷积神经网络构建,从纹理库的每个样本中提取纹理矢量和纹理贴图作为训练样本,对卷积神经网络进行训练,以优化卷积神经网络的网络参数,训练结束后,确定的网络参数与卷积神经网络结构组成解码器。

6.如权利要求1~5任一项所述的基于深度学习的纹理图自动生成方法,其特征在于,所述纹理图自动生成方法包括:

增加主体部分的三维模型的UV信息作为解码器的输入,即解码器依据输入的匹配纹理矢量、添加噪声以及UV信息生成符合UV坐标的纹理贴图。

7.一种基于深度学习的纹理图自动生成装置,其特征在于,包括:

获取模块,用于获取拍摄图片,并提取拍摄图片中的主体部分得到主体图像;

提取模块,用于利用编码器提取主体图像的高维矢量;

匹配模块,用于从纹理库中搜索获得与高维矢量匹配的至少一个不含纹理信息影响因素的匹配纹理矢量;

生成模块,用于利用解码器对输入的匹配纹理矢量和添加噪声进行解码计算,生成至少1个纹理贴图。

8.如权利要求7所述的基于深度学习的纹理图自动生成装置,其特征在于,所述生成模块还用于利用解码器输入的匹配纹理矢量、添加噪声以及UV信息生成符合UV坐标的纹理贴图。

9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述存储器中存储编码器和解码器,所述处理器执行所述计算机程序时实现权利要求1~6任一项所述的基于深度学习的纹理图自动生成方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理执行时实现权利要求1~6任一项所述的基于深度学习的纹理图自动生成方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州群核信息技术有限公司,未经杭州群核信息技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011550460.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top