[发明专利]用于3D建模对象推断的机器学习

权利要求书

1.一种计算机实现的机器学习方法，所述方法包括：

-提供(S10)包括3D建模对象的数据集，每个3D建模对象表示相应机械零件，所述数据集具有一个或多个子数据集，每个子数据集形成所述数据集的至少一部分；

-针对每个相应子数据集：

·确定(S30)基本模板，所述基本模板是表示所述子数据集的3D建模对象的质心的3D建模对象；并且

·学习(S40)神经网络，所述神经网络被配置用于推断所述基本模板各自到相应3D建模对象的变形，所述学习包括基于所述子数据集的训练。

2.根据权利要求1所述的方法，其中，对所述基本模板的所述确定(S30)包括计算(S300)损失在候选基本模板内的最小值，所述损失针对所述子数据集的每个3D建模对象对所述子数据集的3D建模对象与候选基本模板之间的差异进行惩罚。

3.根据权利要求2所述的方法，其中，所述子数据集的3D建模对象与候选基本模板之间的所述差异是所述3D建模对象与所述候选基本模板之间的距离的函数。

4.根据权利要求3所述的方法，其中，所述距离是表示所述3D建模对象的第一点云与表示所述候选基本模板的第二点云之间的距离。

5.根据权利要求4所述的方法，其中，所述损失为以下类型：

其中：

·D₁(S_j,x_i,j)是S_j与x_i,j之间的距离的函数；

·S_j是第二点云；

·p_j是所述相应子数据集中的3D建模对象的数量；并且

·是第一点云。

6.根据权利要求2至5中任一项所述的方法，其中，所述计算(S300)包括：

-提供基本3D建模对象；以及

-从所述基本3D建模对象开始，迭代以下操作：

·评估先前候选基本模板对所述损失的影响；以及

·将所述先前候选基本模板变形为新的候选基本模板。

7.根据权利要求6所述的方法，其中，所述基本3D建模对象表示球体，和/或所述损失针对所述子数据集的每个3D建模对象对表示所述子数据集的3D建模对象的第一点云与表示所述新的候选基本模板的第二点云之间的Earth Mover距离损失进行惩罚。

8.根据权利要求6或7所述的方法，其中，所述基本3D建模对象是点云，并且所述迭代产生优化的点云，并且可选地，对所述基本模板的所述确定(S30)还包括：

-在所述优化的点云中的点上推断(S330)法线；以及

-基于推断出的法线来执行(S340)所述优化的点云的表面重建。

9.根据权利要求1至8中任一项所述的方法，其中，所述神经网络是自动编码器，所述自动编码器包括被配置用于对所述变形进行所述推断的解码器。

10.一种能够根据权利要求1至9中任一项所述的方法学习的神经网络。

11.一种使用根据权利要求10所述的神经网络的计算机实现的方法。

12.根据权利要求11所述的方法，其中，所述神经网络是自动编码器，所述自动编码器包括被配置用于对所述变形进行所述推断的解码器，并且所述方法包括：

-提供第一3D建模对象和第二3D建模对象；

-将所述自动编码器应用于所述第一3D建模对象和所述第二3D建模对象；

-基于应用所述自动编码器的结果，确定所述第一3D建模对象与所述第二3D建模对象之间的形状匹配。

13.一种计算机程序，包括用于执行根据权利要求1至10中任一项所述的方法和/或根据权利要求12所述的方法的指令。