申请/专利权人：泉州装备制造研究所

申请日：2024-03-19

公开（公告）日：2024-06-25

公开（公告）号：CN117911603B

主分类号：G06T15/08

分类号：G06T15/08;G06T15/00;G06T17/00;G06N3/0499;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明涉及大规模场景的三维重建领域，并具体公开了适应大规模场景的分区NeRF三维重建方法、系统和存储介质，包括如下依次执行的步骤：S1：对重建对象进行图像采集，获得图像数据集；S2：由主节点服务器对所述图像数据集进行稀疏重建；S3：所述主节点服务器对场景进行分区处理，以获取各个分区的图像数据，将不同分区的图像数据分发到不同的从节点服务器；S4：各从节点服务器将所述图像数据投入到NeRF的多层感知机中训练，获得对应的NeRF区域模型；S5：所述主节点服务器对各所述从节点服务器的NeRF区域模型进行逻辑合并。这一技术创新降低建模对单节点的性能需求的同时实现NeRF三维模型区域解耦、区域化修复，为三维重建技术领域带来革命性的改变。

主权项：1.适应大规模场景的分区NeRF三维重建方法，其特征在于：包括如下依次执行的步骤：S1：对重建对象进行环绕式全方位图像采集，获得图像数据集；S2：由主节点服务器使用SFM算法对所述图像数据集进行稀疏重建，获取所述图像数据集中各图像对应的内参数据和外参数据；S3：所述主节点服务器根据所述图像数据集的尺寸和所述图像的外参数据对场景进行分区处理，以获取各个分区的图像数据，将不同分区的图像数据及其外参数据分发到不同的从节点服务器；步骤S3的分区处理包括如下步骤：S3-1：所述主节点服务器先对重建对象的尺寸和复杂度进行综合评估，再将重建对象的场景进行分区操作；S3-2：所述主节点服务器为每个分区创建一个专用的json文件，将各分区的图像对应的内参数据、外参数据和分区边界整理并保存到一个结构化的json文件中；S3-3：所述主节点服务器将各分区的所述图像数据和对应的json文件分发到相应的从节点服务器；S4：各从节点服务器对接收到的所述图像数据及其外参数据执行分层采样策略，将采样获得的体素样本投入到NeRF模型中训练，获得对应的NeRF区域模型；步骤S4中NeRF区域模型的训练步骤如下：S4-1：从节点服务器执行分层采样策略：第一次采用均匀采样器进行体素样本的等距采样，以描绘出场景的空间结构；第二次采用概率密度采样器进行体素样本采样，根据第一次采样的结构判断空间密度，在空间密度大的区域进行高概率采样，获取体素样本；S4-2：将所述体素样本的空间位置信息和光线入射方向分别进行傅里叶特征编码，傅里叶特征编码的编码公式为： ；其中，为待编码的向量，是一个可变参数；S4-3：将编码后的所述体素样本输入NeRF的多层感知机中进行训练；S4-4：NeRF的多层感知机在训练过程中推测光线路径上的体素样本的颜色和密度，并对体素样本进行渲染，其渲染方程为： ；其中，为目标像素颜色值，K为光线路径上样本点的数量，为样本点对渲染结果的影响权重，和分别为样本点的颜色和密度，其中，为两相邻样本点的空间距离；整个NeRF的损失函数为： ；其中，为第一次采样经渲染得到的颜色，为第二次采样点经渲染所得到的颜色，为目标像素颜色值；S5：所述主节点服务器对各所述从节点服务器的NeRF区域模型进行合并操作。

全文数据：

权利要求：

百度查询： 泉州装备制造研究所 适应大规模场景的分区NeRF三维重建方法、系统和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD