[发明专利]一种全自动的模型变形传播方法和系统

说明书

本发明涉及一种全自动的模型变形传播方法，包括：分别获取第一模型库和第二模型库的第一变形梯度向量和第二变形梯度向量；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，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；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；由该第一分布向量、该第二分布向量和该相似度训练循环生成对抗网络，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；由该第一模型指定变形过程的指定变形梯度向量，生成指定分布向量，并映射为该第二模型的目标分布向量，将该目标分布向量解码为该第二模型的目标变形梯度向量，并得到该第二模型的目标变形过程。

技术领域

本发明涉及计算机图形学、深度学习领域，尤其涉及对三维模型进行变形传播的方法。

背景技术

模型变形广泛用于计算机图形学中。它在几何建模中被应用于从现有的模型生成新的模型，在计算机动画中用于生成平滑动画序列。然而，制作逼真的动画是十分耗时的并且需要专业的艺术知识。变形传播技术，即将一种模型的变形传递到另一种模型，提供了通过重复使用现有模型的变形来产生新模型的变形结果，这种方法是节约成本和有效的解决方案。在给定两组模型(源模型和目标模型)和源模型变形之后的模型，变形传播的目标是产生和源模型的变形模型在视觉上相似的目标模型的变形模型。这是一项具有挑战性的任务，因为源模型和目标模型不存在对应关系，并且该对应关系难以通过可靠地方式自动的建立。

Hung-Kuo Chu等人的“Example-based Deformation Transfer for 3D PolygonModels”和Robert W Sumner等人的“Deformation transfer for triangle meshes”等变形传播方法依赖于源模型和目标模型之间的逐点对应关系。目前没有可靠的全自动的方法来实现这一点，因此这些方法要求用户指定足够数量的对应点，以便可以推导出源模型和目标模型逐点的对应关系。该过程繁琐且通常需要反复试验以确保指定足够的对应点来提供约束。

另一种方法是基于语义的变形传播Ilya Baran等人的“Semantic deformationtransfer”，该方法不需要源模型和目标模型之间的确立逐点的对应关系，但是，它采用成对的源模型和目标模型，并且假设了源模型库中的每个模型在语义上与目标模型库中的对应模型是相关的。但是实际上，如果源模型和目标模型的模型库是独立构造的，则不太可能满足这样的假设。

发明内容

针对上述问题，本发明公开了一种全自动的模型变形传播方法，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。

进一步的，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。