[发明专利]使用沙漏预测器生成对象的方法

说明书

公开了一种用于生成2D或3D对象的计算机实现的方法，包括在第一组训练数据上训练自动编码器以识别第一组潜变量并生成第一组输出数据；在第二组训练数据上训练沙漏预测器，其中沙漏预测器编码器将一组相关但不同的训练输入数据转换为第二组潜变量，其解码成与第一组输出数据相同类型的第二组输出数据；并且使用沙漏预测器基于与第二组输入数据相同类型的2D或3D对象来预测与第一组输出数据相同类型的2D或3D对象。

技术领域

本公开总体上涉及一种用于通过使用来自相似类型的对象和相关对象的信息的沙漏预测器来生成二维或三维对象的系统和方法。本公开的各种实施例涉及将这些方法应用于牙科、正畸和耳部相关对象。

背景技术

机器学习可用于从大组数据中得出信息并使用该数据生成新对象。但是，许多用于生成新对象的方法仅使用相似类型的对象。这些方法没有考虑不是来自对象本身的相关数据，因此可能会遗漏有关环境和其他因素的重要考虑。

发明内容

公开了一种被配置为生成输出数据的计算机实现的方法。该方法包括：

在第一组训练输入数据上训练自动编码器以识别第一组潜变量并生成第一组输出数据，其中，自动编码器包括第一编码器和第一解码器，其中，第一编码器将第一组输入数据转换为第一组潜变量，其中，第一解码器将第一组潜变量转换为第一组输出数据，其中，第一组输出数据至少与第一组训练输入数据基本相同；

训练沙漏预测器以返回第二组潜变量，其中，沙漏预测器包括第二编码器和第一解码器，其中，第二编码器将第二组训练输入数据转换为第二组潜变量，其中，第二组潜变量具有与第一组潜变量可比较的数据格式，第一解码器将第二组潜变量转换为至少与一组训练目标数据基本相同的第二组输出数据，并且第二组训练输入数据与第一组训练输入数据不同；和

对第三组输入数据使用沙漏预测器以生成第三组输出数据，其中，第三组输出数据是与第一组输出数据的数据格式可比较的数据格式。

典型的机器学习方法基于现有的相同类型的对象生成新对象。例如，可以通过在现有牙冠的大数据组上训练机器学习方法来生成牙冠。然而，以这种方式生成的牙冠并没有考虑到牙科环境的独特情况，例如可用空间。沙漏预测器添加来自牙科环境的信息以生成类似于牙科专业人员可针对一组独特的牙科环境制作的牙冠的牙冠。该实施例是沙漏预测器的灵活性的单个示例，因为沙漏预测器可以与任何相关的输入数据组一起使用。

沙漏预测器可以被配置为不仅基于相似对象而且基于相关对象来生成对象。例如，一个实施例使用沙漏预测器基于来自牙科患者的牙科环境生成牙冠。牙冠是一种牙齿修复体，它盖住或覆盖牙齿，使其恢复到正常的形状、大小或功能。牙科环境是牙冠或牙冠预备物周围对象的集合，包括但不限于：邻牙、对牙、牙龈、颌和/或预备物。目前，牙冠通常是根据牙科专业人士的判断手工制作或使用CAD软件手动设计的。这是耗时的，并且高度依赖于牙科专业人员的个人判断。

创建沙漏预测器的第一步骤是训练自动编码器。自动编码器获取输入数据，将输入数据编码为一组潜变量，然后将潜变量解码为输出数据，其中输出数据至少与输入数据基本相同，如下所述。它们经常用于去噪应用，例如从数码照片中去除伪影。对象本身可能难以用作输入数据，因此，可以替代地使用对象的表示。例如，2D图像可以表示牙齿。

一个实施例使用变分自动编码器。变分自动编码器是一种自动编码器，其中潜变量是从概率分布生成的，而不是直接从编码器生成的。使用概率分布允许对数据进行内插，以便在没有类似输入数据的情况下进行合理的估计。例如，该概率分布可以从均值和标准偏差向量或方差的对数生成。

为了训练自动编码器，第一编码器将第一组训练输入数据转换为第一组潜变量，然后第一解码器将第一组潜变量转换为第一组输出数据。编码器和解码器可以是神经网络。神经网络的示例包括但不限于卷积神经网络和密集神经网络。