[发明专利]一种基于多阶段变形重构的三维模型球表达计算方法

说明书

本公开的实施例公开了一种三维模型球表达计算方法。该方法的一具体实施方式包括：将输入的三维模型处理成稠密点云模型，并进行多分辨率点云抽象预处理；将稠密点云模型输入多级特征提取模块，进行点云下采样并提取不同抽象层级的高维特征向量；将高维特征向量、模板球点云和抽象预处理点云模型输入至点云变形重构模块，得到变形重构点云模型；提取步骤3中多阶段变形重构过程信息，将多阶段变形重构过程信息与模板球点云共同组成描述该三维模型的完备信息；基于三维模型球表达，得到三维模型到模板球点云的稠密对应关系和不同三维模型之间的稠密对应关系。该实施方式不需要耗时耗力的人工标注，提高了表征学习的效率。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及三维模型球表达计算方法。

背景技术

在三维计算机图形学领域，由粗到细的方法被广泛应用，包括三维形状重建、形状生成、类别识别、语义分割等等。然而如何从由粗到细的形状生成过程中，学习并提取通用目的的三维形状表达，仍处在较为初步的阶段。

在解决三维形状的类别识别与语义分割问题时，很多方法使用由粗到细的方式提取并融合多尺度特征，来增强特征编码的描述能力。在解决三维形状重构和生成问题时，通过由粗到细的方式，在生成过程中能够逐步添加形状细节，由此，原问题能够分解并简化为多个子问题。最近的方法通常将不同尺度的特征聚合为一个综合特征来解决特定任务，他们是任务驱动的方法。

然而，当采用上述方式进行学习并提取通用目的的三维形状表达，经常会存在如下技术问题：

任务驱动的学习通常需要耗费大量人力进行标注，如物体类别标签、逐点的部件语义标签、稠密对应关系等。这种知识的赋予速度远远不及如今互联网数据的快速增长。另外，任务驱动的方法除了对数据标注高度依赖，学习到的特征叶通常高度局限于特定的任务，降低了所学特征的普适性。在这个大数据激增的时代背景下，半监督、自监督、无监督的通用目的表征学习方法受到广泛重视，一是能够减少学习成本，二是学习到的表征能够进一步被用于多种应用。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了三维模型球表达方法，来解决以上背景技术部分提到的技术问题中的一项或多项。

本公开的一些实施例提供了一种三维模型球表达方法，该方法包括：将输入的三维模型处理成表面稠密点云模型，并进行多分辨率点云抽象预处理；将稠密点云模型输入特征提取网络，逐步进行点云下采样并提取不同抽象层级的高维特征向量，得到高维特征向量；将高维特征向量，由粗到细，分别与点的数目小于第一预定阈值的重构结果一同输入点云变形重构模块，计算得到点的数目大于第二预定阈值的重构结果，重复该步骤直到完成最精细尺度的变形重构；将多阶段变形重构过程信息提取出来，与最初的模板球点云共同组成描述该三维形状的完备信息，我们定义为该形状的三维球表达；将三维模型球表达作为基础，能够得到物体到模板球点云的稠密对应关系，与物体之间的稠密对应关系，适用于多种三维几何解析与编辑应用。