[发明专利]一种基于深度神经网络的三维模型参数化方法

摘要

本发明公开了一种基于深度神经网络的三维模型参数化方法，涉及三维模型参数化技术领域。本发明包括：建立包含两个隐层的从三维空间到二维空间的神经网络模型并通过神经网络模型获取网格的参数化坐标；利用所述神经网络模型通过所述参数化坐标重建三维网格；采用loss函数为约束条件对所述神经网络模型训练。本发明对约束条件中的loss函数为约束条件进行了改进，对扭曲较大的网格的曲面参数化具有很好的效果，与传统的ARAP方法需要初始值不断迭代，而本发明的神经网络模型不必给出特定的初始值，给出随机值就能有效的获取曲面参数化坐标，方便快捷，提高计算效率。

主权项

1.一种基于深度神经网络的三维模型参数化方法，其特征在于，包括如下步骤：步骤一：建立包含两个隐层的从三维空间到二维空间的神经网络模型并通过神经网络模型获取网格的参数化坐标；具体过程包括如下：S0：将输入的三维网格空间坐标(x，y，z)先经过第一weight矩阵变换和第一bias矩阵变换，再经过激活函数G₀后得到隐层0的m₀个元素；S1：将S0中隐层0得到的m₀个元素先经过第二weight矩阵变换和第二bias矩阵变换，再经过激活函数G₁后得到隐层1的m₁个元素；S2：将S1中隐层1得到的m₁个元素经过第一线性变换后得到平面的uv坐标；其中，所述激活函数G₀以及激活函数G₁均为relu函数；步骤二：利用所述神经网络模型通过所述参数化坐标重建三维网格；具体过程包括如下：T0：将所述uv坐标作先经过第三weight矩阵变换和第三bias矩阵变换，再经过激活函数G₂后得到隐层2的m₂个元素；T1：将T0中隐层2得到的m₂个元素先经过第四weight矩阵变换和第四bias矩阵变换，再经过激活函数G₃后得到隐层3的m₃个元素；T2：将T1中隐层2得到的m₂个元素经过第二线性变换后得到重建后的空间坐标(x₁，y₁，z₁)，从而形成一个自编码器autoencoder；其中，所述激活函数G₂以及激活函数G₃均为sigmoid函数；步骤三：采用loss函数为约束条件对所述神经网络模型训练；具体loss函数获取过程如下：步骤一中从三维空间到二维空间，用T表示网格三角面片的总个数；定义参数坐标u和任意线性变换L＝{L1,...,LT}的能量函数为：对于任意的t，Lt为如下旋转矩阵：再定义能量函数：令网格的定点个数为v,定义另一个能量函数：则所述loss函数为：Q(u,a,b,x_out)＝Q₁(u,a,b)+λ₂Q₂(x_out)。