【技术实现步骤摘要】
本专利技术属于计算机图形学，具体而言，涉及一种基于深度学习和多等级融合的网格去噪方法及装置。
技术介绍
1、三维网格建模是计算机图形学领域中的一个基础性研究课题，在游戏、电影、建筑等多个行业发挥着重要作用。随着三维扫描仪普及，现实中的物体转化为虚拟的三维数据变得容易。由于设备精度，设备运动，物体遮挡，光线反射等原因，通过如扫描仪等辅助设备扫描或图像生成的网格模型不可避免地引入不同程度的噪声，如高斯噪声，脉冲噪声等。这导致网格模型和真实物体有一定差别，因此网格去噪是三维网格建模过程中重要的前提。
2、当前，网格去噪方法主要分为各向同性网格去噪方法和各向异性网格去噪方法。各向同性网格去噪方法不强调几何特征，将噪声和特征都视为高频信息，通过低通滤波进行去噪。虽然各向同性网格去噪方法能够有效去噪，但容易造成模型萎缩和特征弱化的问题。因此，目前主要的网格去噪方法是基于各向异性去噪方法的两步法。基于两步法首先通过修正网格的面法向量，然后基于修正后的面法向量调整网格顶点的位置，以完成噪声去除工作。从去噪效果上看，基于两步法能够有效地对噪声...
【技术保护点】
1.一种基于深度学习和多等级融合的网格去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和多等级融合的网格去噪方法，其特征在于，所述的去噪神经网络模型采用包含等变卷积层和注意力等变卷积层的级联结构，通过多层感知机输出预测的无噪声的三维网格模型面的面法向量，其中，所述等变卷积层采用卷积神经网络，用于提取旋转等变特征，所述注意力等变卷积层包含了一个自注意重加权模块，用于提高边缘保持能力。
3.根据权利要求1所述的基于深度学习和多等级融合的网格去噪方法，其特征在于，所述的去噪神经网络模型采用卷积核对特征圆盘进行卷积操作，并预测...
【技术特征摘要】
1.一种基于深度学习和多等级融合的网格去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和多等级融合的网格去噪方法，其特征在于，所述的去噪神经网络模型采用包含等变卷积层和注意力等变卷积层的级联结构，通过多层感知机输出预测的无噪声的三维网格模型面的面法向量，其中，所述等变卷积层采用卷积神经网络，用于提取旋转等变特征，所述注意力等变卷积层包含了一个自注意重加权模块，用于提高边缘保持能力。
3.根据权利要求1所述的基于深度学习和多等级融合的网格去噪方法，其特征在于，所述的去噪神经网络模型采用卷积核对特征圆盘进行卷积操作，并预测第i个三维网格模型面的面法向量，计算公式如下：
4.根据权利要求1所述的基于深度学习的网格去噪方法，其特征在于，所述的特征圆盘通过在三维网格模型的当前面片及其邻域的面片上设置采样点，并获取采样点所在面片的面法向量信息得到的具体构建步骤包括：
5.根据权利要求4所述的基于深度学习的网格去噪方法，其特征在于，所述的通过初始采样点在当前面片fi及其邻域的面片进行采样，包括：
6.根据权利要求1所述的基于深度学习的网格去噪方法，其特征在于，所述的更新待去噪的三维网格模型顶点信息，包...
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。