[发明专利]神经网络模型的训练方法及相关设备

权利要求书

1.一种神经网络模型的训练方法，其特征在于，包括：

获取初始神经网络并获取输入样本，所述初始神经网络包括UV贴图生成层、网格模型生成层，所述UV贴图生成层和所述网格模型生成层为生成对抗网络，所述输入样本为无背景的物体图像；

使用所述UV贴图生成层生成所述输入样本的UV贴图，并根据所述输入样本的UV贴图与预设的第一训练样本计算第一损失函数，所述第一训练样本为第一预设分辨率的UV贴图；

使用所述网格模型生成层生成所述输入样本的网格模型，并根据所述输入样本的网格模型与预设的第二训练样本计算第二损失函数，所述第二训练样本为第二预设分辨率的网格模型；

将所述输入样本的UV贴图与所述输入样本的网格模型进行结合，生成所述输入样本的目标三维模型；

对所述目标三维模型进行可微分渲染，生成所述目标三维模型多个视角的渲染图像,并根据所述渲染图像和所述输入样本计算第三损失函数；

根据所述第一损失函数和所述第三损失函数修正所述UV贴图生成层，得到目标UV贴图生成层；

根据所述第二损失函数和所述第三损失函数修正所述网格模型生成层，得到目标网格模型生成层；

其中，所述目标UV贴图生成层、所述目标网格模型生成层用于构成目标神经网络。

2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述根据所述输入样本的UV贴图与预设的第一训练样本计算第一损失函数，包括：

使用所述输入样本的UV贴图与所述第一训练样本对所述UV贴图生成层进行生成对抗训练，计算第一对抗损失函数；

提取所述输入样本的UV贴图特征和所述第一训练样本的UV贴图特征；

使用所述输入样本的UV贴图特征与所述第一训练样本的UV贴图特征对所述UV贴图生成层进行生成对抗训练，计算第二对抗损失函数；

综合所述第一对抗损失函数与所述第二对抗损失函数，得到第一损失函数。

3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述第一对抗损失函数与所述第二对抗损失函数的在所述第一损失函数中的权重相同。

4.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述根据所述输入样本的网格模型与预设的第二训练样本计算第二损失函数，包括：

获取预设的第二训练样本；

提取所述输入样本的网格模型特征和所述第二训练样本的网格模型特征；

使用所述输入样本的网格模型特征与所述第二训练样本的网格模型特征，对所述网格模型生成层进行生成对抗训练，得到第二损失函数。

5.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述根据所述渲染图像和所述输入样本计算第三损失函数，包括：

根据所述渲染图像和所述输入样本，计算所述目标三维模型的重构损失函数；

获取预设的第三训练样本，所述第三训练样本为第三预设分辨率的物体图像；

使用所述渲染图像与所述第三训练样本，对所述UV贴图生成层和网格模型生成层进行生成对抗训练，得到第四对抗损失函数；

获取预设的第四训练样本，所述第四训练样本为无破面的物体图像；

使用所述渲染图像与所述第四训练样本，对所述UV贴图生成层和网格模型生成层进行生成对抗训练，得到第五对抗损失函数；

综合所述重构损失函数、所述第四对抗损失函数和所述第五对抗损失函数，得到第三损失函数。

6.根据权利要求5所述的神经网络模型的训练方法，其特征在于，所述根据所述渲染图像和所述输入样本，计算所述目标三维模型的重构损失函数，包括：

选取多张与输入样本视角相同的渲染图像；

基于所述多张与输入样本视角相同的渲染图像，计算所述目标三维模型的重构损失函数。

7.根据权利要求1至6中任一项所述的神经网络模型的训练方法，其特征在于，所述获取输入样本，包括：

获取未处理样本，所述未处理样本为包含背景的物体图像，使用所述神经网络模型的预处理层从所述未处理样本中过滤得到输入样本，得到输入样本。