(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210965245.2 (22)申请日 2022.08.12 (71)申请人 陕西师范大学 地址 710062 陕西省西安市长安 南路199号 (72)发明人 张玉梅　库银涛　吴晓军　马金丽　 戎宇莹　 (74)专利代理 机构 西安永生专利代理有限责任 公司 61201 专利代理师 申忠才 (51)Int.Cl. G06T 17/00(2006.01) G06T 15/04(2011.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深层残差收缩网络的隐函数文物三维 模型重建方法 (57)摘要 一种基于深层残差收缩网络的隐函数文物 三维模型重建方法， 由选取文物数据、 渲染文物 数据、 划分文物数据、 构建真值函数、 构建隐函 数、 构建深层残差收缩网络、 训练深层残差收缩 网络、 重建文物三维模型步骤组成。 本发明方法 解决了因未知数据噪声的影响产生碎片模型的 技术问题， 提升了三维重建模型的普适性和运算 速度， 使生成的文物三维模型更加精准。 在深层 残差收缩网络中加入阈值分支， 通过阈值的设置 去除不明显特征， 消除了训练过程中产生的噪声 对实验结果的干扰， 提升了重建文物 三维模型表 面的精细度以及文物三维模型轮廓的完整性， 本 发明具有重建精度高、 速度快等优点， 可应用于 重建文物三维模型技 术领域。 权利要求书3页 说明书8页 附图4页 CN 115330944 A 2022.11.11 CN 115330944 A 1.一种基于深层残差收缩 网络的隐函数文物三维模型重建方法， 其特征在于由以下步 骤组成： (1)选取文物数据 选取3组包含文物二维图片与对应文物三维模型的文物数据， 其中包含文物三维模型 正面无背景图片， 文物三维模型正面掩膜图片， 清晰度为30k的文物三维模型目标文件， 清 晰度为30k的包含文物纹理特征、 材质、 相机信息的文物三维模型通用格式文件， 清晰度为 100k的文物 三维模型目标文件， 清晰度为100k的包含文物纹理特征、 材质、 相机信息的文物 三维模型通用格式文件， 清晰度为2k的文物三维模型法线贴图及其对应的灰度图， 清晰度 为8k的文物三维模型法线贴图及其对应的灰度图； (2)渲染文物数据 对每组文物数据进行渲染， 得到原始文物三维模型360 °的渲染图片360 张， 原始文物三 维模型360 °的带有纹理特征的文物三维模型 目标文件360个， 原始文物三维模型360 °的点 集数据文件3 60个， 原始文物三维模型3 60种光照环境下法向量贴图3 60张； (3)划分文物数据 将渲染后的文物数据划分成训练集、 测试集， 训练集为文物数据的75％， 测试集为文物 数据的25％， 训练集、 测试集数据之间无交叉； (4)构建真值函数 对文物三维模型文件构建 真值函数f*(X)如下: 其中， X为文物三维模型空间中的点 坐标； (5)构建隐函数 按下式构建隐函数f(F(x),z(X) )： f(F(x),z(X) )＝P x＝ π(X) 其中， x为文物二维图片上的点坐标， F(x)为文物二维图片上的点x的特征向量， z(X)为 文物三维模型空间中的点X与相机的距离； P为文物三维模型空间中的点X在文物三维模型 内部的概 率值， m为输入一组文物二维图片的数量； (6)构建深层残差收缩网络 深层残差收缩网络由残差收缩编码器与卷积解码器串联构成； (7)训练深层残差收缩网络 将训练集输入到深层残差收缩网络进行训练， 按下式确定损失函数：权　利　要　求　书 1/3 页 2 CN 115330944 A 2其中i为点的序 号， n为文物三维模型空间中点的数量， n取值为106～108， xi为文物二维 图片中第i个点的坐标， Xi为文物三维模型空间中第i个点的坐标； 采用Adam动态优化方法调整深层残差收缩网络， 训练过程中不同训练周期的学习率不 同， 每训练10轮学习率降为当前的0.1， 迭代至损失函数L收敛， 得到训练好的深层残差收缩 网络； (8)重建文物三维模型 用测试集对训练好的深层残差收缩 网络进行测试， 将测试集中文物三维模型正面无背 景图片和文物三 维模型正面掩膜图片 输入到训练好的深层残差收缩网络中， 得到重 建后的 文物三维模型。 2.根据权利要求1所述的基于深层残差收缩网络的隐函数文物三维模型重建方法， 其 特征在于： 在(6)构建深层残差收缩网络步骤中， 所述的残差收缩编 码器由第一个残差收缩 单元(1)与第二个残差收缩单元(2)、 第三个残差收缩单元(3)、 第四个残差收缩单元(4)依 次串联构成。 3.根据权利要求2所述的基于深层残差收缩网络的隐函数文物三维模型重建方法， 其 特征在于： 所述的第一个残差收缩单元(1)由残差收缩分支与恒等映射分支并联构成； 所述 的第二个残差收缩 单元(2)、 第三个残差收缩单元(3)、 第四个残差收缩 单元(4)的结构与第 一个残差收缩单 元(1)的结构相同。 4.根据权利要求3所述的基于深层残差收缩网络的隐函数文物三维模型重建方法， 其 特征在于： 所述的残差 收缩分支由残差分支与阈值分支串联构成， 残差分支由三维卷积层 a1与归一化层b1、 激活函数层c1、 三维卷积层a2、 归一化层b2、 激活函数层c2依次串 联构成， 阈值分支由全连接层d1与归一化层b、 激活函数层c、 全连接层d2、 挤压函数层f依次串 联， 平 均值处理层e与依次串 联的全连接层d1、 归一化层b、 激活函数层c、 全连接层d2、 挤压函数层 f并联构成。 5.根据权利要求4所述的基于深层残差收缩网络的隐函数文物三维模型重建方法， 其 特征在于： 所述的三维卷积层a1和三维卷积层a2的卷积核大小为3 ×3。 6.根据权利要求2或3所述的基于深层残差收缩 网络的隐函数文物三维模型重建方法， 其特征在于： 所述的第一个残差收缩单元(1)的卷积通道为32、 步长为2， 第二个残差收缩 单 元(2)的卷积通道 为64、 步长为2， 第三个残差收缩单元(3)的卷积通道为 128、 步长为2， 第四 个残差收缩单 元(4)的卷积通道为25 6、 步长为1。 7.根据权利要求4所述的基于深层残差收缩网络的隐函数文物三维模型重建方法， 其 特征在于所述的阈值分支的输出y如下： 权　利　要　求　书 2/3 页 3 CN 115330944 A 3