[发明专利]基于可微计算的简化网格变形方法及装置

说明书

本发明公开了一种基于可微计算的简化网格变形方法及装置，所述方法包括：将初始网格进行细分获得源网格；对所述目标网格进行二次误差测度QEM简化，得到简化后的目标网格；采用Pytorch3D库，基于简化后的目标网格对所述源网格进行第一次变形，得到变形结果网格；对所述变形结果网格进行细分，得到细分网格，将所述细分网格作为第二次变形的源网格，采用Pytorch3D库，基于所述未简化的目标网格对该源网格进行第二次变形。本发明加快了网格变形速度。简化目标网格令网格变形时间缩短了，并且可以在一定程度上获得较好的网格变形效果。

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于可微计算的简化网格变形方法及装置。

背景技术

将3D引入计算机视觉一直备受关注。网格变形是计算机动画领域、几何造型中的研究热点,目前已经开发了许多技术来提供自然外观的变形。网格需要的是形状的局部描述，该描述不依赖于形状在欧几里得空间中的特定位置。早期，自由变形技术是主要的网格变形技术，其算法简单，是逐项点的操作，对局部细节丰富的网格需要大量的人工进行调整。多分辨率的网格编辑技术，克服了自由变形技术在局部细节编辑上的缺点，可以在整体控制和局部细节上编辑。其存在的缺点是需要构造几何网格的累进表示或者因需半规整重采样受限制。21世纪初，微分域的网格变形技术开始发展，其算法的优点是不用对原始网格进行分解，并且和多分辨技术一样能够保持网格的局部细节特征。存在的缺点是该网格变形只适合局部变形，对整体网格变形有所限制。而早期的骨架子空间网格变形算法SSD技术，简单、高效，存在缺点是前期需要专业人工进行预操作。后来有人提出了改进的骨架子空间网格变形算法，将SSD与微分域坐标和均值骨架坐标相结合,达到局部几何特征及骨架特征的保持。该算法可以操作比SSD简单，可生成真实视觉效果。平均值坐标已经广泛用于形状变形。平均值坐标可以将星形多边形的内核中的一个点表示为顶点的凸组合，并且可以成功地用于计算代表三角形网格的曲面的良好参数化。基于平均值坐标的3D网格变形技术为了减少计算量，减少了变形所涉及的顶点数量,先使用改进的CPM算法构造一个简化的网格,通过基于均值坐标的网格细节表示来编辑简化网格,将一系列细节添加到变形的简化网格中,使得该网格变形变得更自然。鉴于现有的网格变形方法是使用过于复杂的模型来达到用户指定的变形,会导致不稳定的变形效果,一种稀疏混合方法可以自动选择较少数量的变形以接近所需的变形。而一种从单色图像生成3D形状网格三角形的端到端深度学习框架，利用从输入图像中提取的感知特征,通过椭圆变形来产生正确的几何形状，为使变形稳定,采用了从粗到细的策略,定义了各种与网格/曲面有关的损耗，保证了视觉上吸引人且物理上准确的3D几何形状。接着有一种方法结合合成基准与孤立目标两个领域的进步,改进了Mask RCNN,增加了网格预测分支,提出了一个能3D物体并生成该3D物体的完整三维形状的三角形网格的Mesh RCNN模型,生成的三角形网格与3D物体保持相似的特征。

现有的网格变形技术是在一个3D网格上进行编辑来完成网格预测的，其源网格大体上没有改变形状，Facebook在2020年提出Pytorch3D库，该库首次将3D数据引入到深度学习中，可以批处理异构数据。因Pytorch3D可以处理3D异构数据。

3D数据可用网格来表示。因现有的3D网格变形方法没有引入到深度学习当中，且现有的网格变形方法仅仅是在一个3D网格上进行编辑。

发明内容

本发明的目的在于提供一种基于可微计算的简化网格变形方法及装置，旨在解决现有技术中的上述问题。

本发明提供一种基于可微计算的简化网格变形方法，包括：

将初始网格进行细分获得源网格；

对所述目标网格进行二次误差测度QEM简化，得到简化后的目标网格；

采用Pytorch3D库，基于简化后的目标网格对所述源网格进行第一次变形，得到变形结果网格；