[发明专利]一种基于深度学习的流体艺术控制方法

权利要求书

1.一种基于深度学习的流体艺术控制方法，其特征在于，包括：

生成阶段，将烟雾的原始密度场d经过具有跳跃连接的自编码器网络生成合成密度场

渲染阶段，将原始密度场d经过可微渲染器生成多角度的原始渲染图像I_θ，而合成密度场经过可微渲染器生成多角度的合成渲染图像

特征提取阶段，原始渲染图像I_θ和用户定义的风格图像I_s经过风格迁移网络SANet生成参考渲染图像I_gt，作为合成渲染图像的真实值；通过预训练的VGG网络分别提取出参考渲染图像I_gt、合成渲染图像和风格图像I_s对应的特征；最终，将提取出的特征参与损失函数的计算，通过调整合成渲染图像的特征，使合成渲染图像的特征分别匹配参考渲染图像和风格图像的特征，实现对流体艺术生成效果的控制。

2.根据权利要求1所述一种基于深度学习的流体艺术控制方法，其特征在于，生成阶段中自编码器网络是通过编码器与解码器各自对应的特征层跳跃连接组成，编码器与解码器结构对称；具体的，原始密度场首先经过若干个卷积层和最大池化层进行3次下采样编码，然后经过一层Dropout层和3次上采样解码，从而将编码器提取的高级语义特征恢复到原始分辨率下，输出合成密度场。

3.根据权利要求2所述一种基于深度学习的流体艺术控制方法，其特征在于，编码器与解码器仅采样到512×512×512的空间分辨率，编码器的上采样结构由三线性插值后接一层卷积层构成；烟雾的密度在[0,1]范围内取值，所有卷积层后的激活层均采用修正线性单元代替带泄露的修正线性单元，防止负密度值的产生。

4.根据权利要求1所述一种基于深度学习的流体艺术控制方法，其特征在于，渲染阶段是通过若干个角度的正交相机进行渲染，通过固定轨迹上的泊松采样确定正交相机的位置，原始渲染图像I_θ和合成渲染图像均为二维灰度图像。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述基于深度学习的流体艺术控制方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述基于深度学习的流体艺术控制方法的步骤。