[发明专利]一种全自动的模型变形传播方法和系统

权利要求书

1.一种全自动的模型变形传播方法，其特征在于，包括：

将第一模型和该第一模型变形生成的第一样本模型构建为第一模型库，以该第一样本模型相对该第一模型的变形梯度为第一变形梯度向量；

将第二模型和该第二模型变形生成的第二样本模型构建为第二模型库，以该第二样本模型相对该第二模型的变形梯度为第二变形梯度向量；

通过第一变分自编码器，以该第一变形梯度向量获得该第一模型库的第一分布向量；

通过第二变分自编码器，以该第二变形梯度向量获得该第二模型库的第二分布向量；

通过相似度度量网络，以该第一分布向量和该第二分布向量，获得该第一模型库与该第二模型库之间任一对模型的相似度；

构建循环生成对抗网络，由该第一分布向量、该第二分布向量和该相似度训练该循环生成对抗网络，以建立表示该第一分布向量和该第二分布向量之间映射关系的映射网络；

将该第一模型的指定变形过程对应的指定变形梯度向量，通过该第一变分自编码器生成指定分布向量，并由该映射网络映射为该第二模型的目标分布向量，通过该第二变分自编码器将该目标分布向量解码为该第二模型的目标变形梯度，并得到该第二模型的目标变形过程。

2.如权利要求1所述的全自动的模型变形传播方法，其特征在于，以该第一模型的顶点坐标和该第一样本模型的顶点坐标，获得该第一模型库的变形梯度，并转化为以旋转轴和旋转角表示的该第一变形梯度向量；以该第二模型的顶点坐标和该第二样本模型的顶点坐标，获得该第二模型库的变形梯度，并转化为以旋转轴和旋转角表示的该第二变形梯度向量。

3.如权利要求1所述的全自动的模型变形传播方法，其特征在于，通过卷积神经网络构建该第一变分自编码器，其中该第一变分自编码器包括第一编码器、第一解码器和第一隐含层，该第一编码器和该第一解码器具有对称的结构及相同的权值，该第一分布向量为该第一变形梯度向量通过该第一编码器训练得到的在该第一隐含层上的分布向量；通过卷积神经网络构建该第二变分自编码器，其中该第二变分自编码器包括第二编码器、第二解码器和第二隐含层，该第二编码器和该第二解码器具有对称的结构及相同的权值，该第二分布向量为该第二变形梯度向量通过该第二编码器训练得到的在该第二隐含层上的分布向量。

4.如权利要求1所述的全自动的模型变形传播方法，其特征在于，通过神经网络构建该相似度度量网络，并以该第一模型库与该第二模型库之间的任一对模型的光场距离，对该相似度度量网络进行训练。

5.如权利要求3所述的全自动的模型变形传播方法，其特征在于，以该指定变形梯度向量通过该第一编码器获得该指定分布向量，并通过该映射网络映射到该目标分布向量，并以该目标分布向量通过该第二解码器获得该目标变形梯度向量。

6.一种全自动的模型变形传播系统，其特征在于，包括：

变形梯度获取模块，用于将第一模型和该第一模型变形生成的第一样本模型构建为第一模型库，以该第一样本模型相对该第一模型的变形梯度为第一变形梯度向量；并将第二模型和该第二模型变形生成的第二样本模型构建为第二模型库，以该第二样本模型相对该第二模型的变形梯度为第二变形梯度向量；

分布向量获取模块，用于通过第一变分自编码器，以该第一变形梯度向量获得该第一模型库的第一分布向量；并通过第二变分自编码器，以该第二变形梯度向量获得该第二模型库的第二分布向量；

相似度获取模块，用于通过相似度度量网络，以该第一分布向量和该第二分布向量，获得该第一模型库与该第二模型库之间的任一对模型的相似度；

映射关系获取模块，用于构建循环生成对抗网络，并由该第一分布向量、该第二分布向量和该相似度训练该循环生成对抗网络，以建立表示该第一分布向量和该第二分布向量映射关系的映射网络；

变形传播模块，用于将该第一模型的指定变形过程对应的指定变形梯度向量，通过该第一变分自编码器生成指定分布向量，并由该映射网络映射为该第二模型的目标分布向量，通过该第二变分自编码器将该目标分布向量解码为该第二模型的目标变形梯度，并得到该第二模型的目标变形过程。