基于高性能并行计算的特征保持的网格处理方法与系统技术方案

本发明专利技术公开了一种基于高性能并行计算的特征保持的网格处理方法与系统。输入点云未标注数据集，训练点云特征生成器和预测头MLP

【技术实现步骤摘要】
基于高性能并行计算的特征保持的网格处理方法与系统


[0001]本专利技术涉及计算机图形、三维网格处理领域，具体涉及一种基于高性能并行计算的特征保持的网格处理方法与系统。

技术介绍

[0002]计算机图形学是一门研究如何通过计算机来表示以及处理图形数据的学科，其应用领域广泛，包括计算机动画、计算机辅助几何设计等。图形数据的表示形式有许多种，比如网格表示，点云表示。其中由于网格表示法的数据高效性以及与物理引擎和图形渲染引擎有着较好的适配度，它成为最为常用的表示形式。网格编辑技术是指以一个网格为基础，对其局部几何结构进行变换，最终转为另一个不同的网格，它保证了三维模型流水线生产。因此如何对网格进行形变，达到高效的定向可编辑性，并保留原始三维模型的局部和全局特征，是网格相关的技术需要重点考虑的问题。然而传统的网格创建需要手工完成，艺术家的熟练度直接决定了网格质量的好坏，通常创建的网格包含许多目标应用场景所不需要的冗余面片结构，因此面向网格数据的几何裁剪成为网格编辑后处理阶段的必要工具，且在不同应用场景下处理的数据分布也大不相同。r/>[0003]早本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高性能并行计算的特征保持的网格处理方法，其特征在于，所述方法包括：输入点云未标注数据集，并用点云重建任务训练编码点云特征的MAE模型的Transformer点云特征生成器和预测头MLP
α
；输入带有语义分割标签的网格数据集，对数据集中的网格表面进行采样以生成稀疏点云，之后通过去除训练后的所述预测头MLP
α
，冻结所述MAE模型的Transformer点云特征生成器部分的参数，训练预测头MLP
β
；根据所述带有语义分割标签的网格数据集，对数据集中的网格加入噪声以表示网格几何裁剪任务的冗余结构，之后训练新增冗余结构类别后的预测头MLP
γ
；用户输入待处理网格，首先将其所有顶点转为稀疏点云，之后利用所述MAE模型的Transformer点云特征生成器与所述训练完成的预测头MLP
β
，生成该稀疏点云每个点的语义分割标签；然后利用所述MAE模型的Transformer点云特征生成器与所述训练完成的预测头MLP
γ
，生成该稀疏点云每个点的语义分割标签以及冗余结构类别标签；最后对标记为冗余结构的点执行剔除操作，其邻接顶点构成新的网格面片，完成网格的裁剪。2.如权利要求1所述的一种基于高性能并行计算的特征保持的网格处理方法，其特征在于，所述输入点云未标注数据集，并用点云重建任务训练编码点云特征的MAE模型的Transformer点云特征生成器和预测头MLP
α
，具体为：按最远点采样算法设置种子点，按最近邻计算种子点邻域内固定数量的点云点作为点云块，每个块输入到PointNet++点云编码网络中生成点云块编码T
i
，其中i为种子点下标，与点云块下标一一对应；在点云块集合中按比例掩码掉部分块T
m
，m∈M，M为被掩码点云块下标集合，未掩码部分输入Transformer点云特征生成器中生成可见块的编码解码过程用掩码Token，即T
M
对不可见块占位，并重建出原始点云，该过程的损失函数L
r
可表示为下式：L
r
＝CD(MLP
α
(Decoder(cat(T
′
j
，T
M
)))，p
j
)其中CD表示倒角距离，MLP
α
表示预测头，p
j
表示原始的被掩码点云块，cat表示张量拼接操作。3.如权利要求1所述的一种基于高性能并行计算的特征保持的网格处理方法，其特征在于，所述输入带有语义分割标签的网格数据集，对数据集中的网格表面进行采样以生成稀疏点云，之后通过去除训练后的所述预测头MLP
α
，冻结所述MAE模型的Transformer点云特征生成器部分的参数，训练预测头MLP
β
，具体为：输入带有语义分割标签的网格数据集，按均匀分布在网格表面进行采样，得到与原始网格对应的点云，点云的语义分割标签与所在网格面片的标签相同；去除训练后的所述预测头MLP
α
，使用所述Transformer点云特征生成器生成点云块特征，并设置该Transformer参数不记录梯度，然后使用新的预测头MLP
β
编码特征预测点云语义分割结果；用所述语义分割结果与标签值做交叉熵损失优化MLP
β
网络模块的参数，损失函数的逐点形式可表示为下式：
其中y
c
为语义分割对于类别c的标注值，p
c
为三维点语义分割的预测值。4.如权利要求1所述的一种基于高性能并行计算的特征保持的网格处理方法，其特征在于，所述根据所述带有语义分割标签的网格数据集，对数据集中的网格加入噪声以表示网格几何裁剪任务的冗余结构，之后训练新增冗余结构类别后的预测头MLP
γ
，具体为：对于所述带有语义分割标签的网格数据集，首先经过数据增强人工产生冗余结构标签，该过程为在CUDA核函数对选定顶点的加噪过程；去除训练后的所述预测头MLP
α
，使用所述Transformer点云特征生成器生成点云块特...

【专利技术属性】
技术研发人员：周凡，苏卓，谭宇帝，
申请(专利权)人：中山大学，
类型：发明
国别省市：