【技术实现步骤摘要】
本申请涉及人工智能，特别涉及一种三维模型重建方法、装置、设备及存储介质。
技术介绍
1、在图形
，三维建模是指构建一个指定的对象的三维模型，以便通过该三维模型渲染显示该对象的二维图像。
2、在相关技术中，三维建模通常由开发人员人工执行，比如，以游戏开发为例，开发人员根据指定的对象(比如某个游戏角色)的设计图纸，通过三维建模软件构建该对象的三维模型，后续在测试过程中，通过渲染管线对三维模型进行渲染，如果渲染失败，则由开发人员重新构建该三维模型。
3、然而，上述相关技术中，当渲染失败时，需要开发人员重新进行人工的模型构建，对于建模困难的三维模型，可能需要多轮的模型构建，导致三维建模的效率较低，影响开发效率。
技术实现思路
1、本申请实施例提供了一种三维模型重建方法、装置、设备及存储介质，可以提高三维模型的重建效率，进而提高开发效率，该技术方案如下：
2、一方面，提供了一种三维模型重建方法，所述方法包括：
3、对目标对象的初始三维模型进行采样，获得采样信息；所述采样信息用于指示采样方向、所述采样方向上的各个采样点、所述初始三维模型对应在所述采样方向上的形状信息、以及所述初始三维模型对应在所述采样方向上的颜色信息；
4、将所述采样信息输入隐式神经网络，获得所述隐式神经网络输出的所述各个采样点处的有符号距离，以及所述各个采样点处的颜色值；
5、基于所述各个采样点处的有符号距离，以及所述各个采样点处的颜色值生成模型图
6、基于所述模型图像对所述隐式神经网络进行参数更新，以对所述隐式神经网络进行训练；
7、在所述隐式神经网络训练至收敛的情况下，基于所述隐式神经网络获取所述目标对象的新的三维模型。
8、另一方面，提供了一种三维模型重建装置，所述装置包括：
9、采样模块，用于对目标对象的初始三维模型进行采样，获得采样信息；所述采样信息用于指示采样方向、所述采样方向上的各个采样点、所述初始三维模型对应在所述采样方向上的形状信息、以及所述初始三维模型对应在所述采样方向上的颜色信息；
10、网络处理模块，用于将所述采样信息输入隐式神经网络，获得所述隐式神经网络输出的所述各个采样点处的有符号距离，以及所述各个采样点处的颜色值；
11、图像生成模块，用于基于所述各个采样点处的有符号距离，以及所述各个采样点处的颜色值生成模型图像；所述有符号距离用于表示所述采样点与所述目标对象的三维模型的表面之间的距离；
12、参数更新模块，用于基于所述模型图像对所述隐式神经网络进行参数更新，以对所述隐式神经网络进行训练；
13、模型获取模块，用于在所述隐式神经网络训练至收敛的情况下，基于所述隐式神经网络获取所述目标对象的新的三维模型。
14、在一种可能的实现方式中，所述隐式神经网络包含中间特征提取分支、距离输出分支以及颜色输出分支；所述网络处理模块，用于，
15、通过所述中间特征提取分支对所述各个采样点的坐标，以及所述初始三维模型对应在所述采样方向上的形状信息进行处理，获得所述各个采样点对应的中间特征向量；
16、通过所述距离输出分支对所述各个采样点对应的中间特征向量进行处理，获得所述各个采样点处的有符号距离；
17、通过所述颜色输出分支对所述各个采样点对应的中间特征向量、所述采样方向以及所述初始三维模型对应在所述采样方向上的颜色信息进行处理，获得所述各个采样点处的颜色值。
18、在一种可能的实现方式中，所述参数更新模块，用于，
19、基于所述模型图像，按照生成对抗学习的方式获取第一损失函数值；
20、通过所述第一损失函数值对所述隐式神经网络进行参数更新，以对所述隐式神经网络进行训练。
21、在一种可能的实现方式中，所述参数更新模块，还用于，
22、获取第二损失函数值，所述第二损失函数值用于指示所述各个采样点上的梯度向量的范数与1之间的差异；
23、通过所述第二损失函数值对所述隐式神经网络进行参数更新。
24、在一种可能的实现方式中，所述参数更新模块，用于基于所述各个采样点的坐标，以及所述各个采样点对应的所述形状信息，获取所述第二损失函数值。
25、在一种可能的实现方式中，所述参数更新模块，还用于，
26、获取第三损失函数值，所述第三损失函数值用于指示所述隐式神经网络对应的模型表面上邻近的点的梯度之间的差异；
27、通过所述第三损失函数值对所述隐式神经网络进行参数更新。
28、在一种可能的实现方式中，所述第三损失函数值，是所述隐式神经网络对应的模型表面上邻近的点的梯度之差的模的平均值。
29、在一种可能的实现方式中，所述采样模块，用于，
30、沿着所述采样方向对应的射线，按照第一距离间隔进行第一轮采样，获得多个第一采样点；
31、沿着所述射线，在所述多个第一采样点中，满足指定条件的相邻两个第一采样点之间按照第一距离间隔进行第一轮采样，获得多个第二采样点，将所述多个第一采样点，以及所述多个第二采样点，作为所述采样方向上的各个采样点；所述指定条件包括：所述相邻两个第一采样点分别位于所述初始三维模型的内部和外部；
32、基于所述采样方向上的各个采样点，获取所述采样信息。
33、在一种可能的实现方式中，所述图像生成模块，用于，
34、将所述各个采样点处的有符号距离，转换为所述各个采样点处的不透明度；
35、基于所述各个采样点处的不透明度以及所述各个采样点处的颜色值，通过体渲染的方式生成所述模型图像。
36、在一种可能的实现方式中，所述图像生成模块，用于通过sigmoid函数的导数函数，将各个采样点处的有符号距离，转换为所述各个采样点处的不透明度。
37、在一种可能的实现方式中，所述采样模块，用于在对所述初始三维模型渲染出错的情况下，对所述初始三维模型进行采样，获得采样信息。
38、另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储由至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现上述三维模型重建方法。
39、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机指令，所述计算机指令由处理器加载并执行以实现上述三维模型重建方法。
40、另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的三维模型重建方法。
本文档来自技高网...【技术保护点】
1.一种三维模型重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述隐式神经网络包含中间特征提取分支、距离输出分支以及颜色输出分支；
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述模型图像对所述隐式神经网络进行参数更新，以对所述隐式神经网络进行训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述获取第二损失函数值，包括：
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述第三损失函数值，是所述隐式神经网络对应的模型表面上邻近的点的梯度之差的模的平均值。
8.根据权利要求1或2所述的方法，其特征在于，所述对目标对象的初始三维模型进行采样，获得采样信息，包括：
9.根据权利要求1或2所述的方法，其特征在于，所述基于所述各个采样点处的有符号距离，以及所述各个采样点处的颜色值，生成所述模型图像，包括：
10.根据权利
11.根据权利要求1或2所述的方法，其特征在于，所述对目标对象的初始三维模型进行采样，获得采样信息，包括：
12.一种三维模型重建装置，其特征在于，所述装置包括：
13.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器存储有至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现如权利要求1至11任一所述的三维模型重建方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机指令，所述计算机指令由处理器加载并执行以实现如权利要求1至11任一所述的三维模型重建方法。
...【技术特征摘要】
1.一种三维模型重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述隐式神经网络包含中间特征提取分支、距离输出分支以及颜色输出分支；
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述模型图像对所述隐式神经网络进行参数更新，以对所述隐式神经网络进行训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述获取第二损失函数值，包括：
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述第三损失函数值，是所述隐式神经网络对应的模型表面上邻近的点的梯度之差的模的平均值。
8.根据权利要求1或2所述的方法，其特征在于，所述对目标对象的初始三维模型进行采样，获得采样信息，包括：
9.根据权利要求1...
【专利技术属性】
技术研发人员：李文娟，
申请(专利权)人：腾讯数码天津有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。