【技术实现步骤摘要】
本申请涉及图像处理，领域，具体而言，涉及一种三维重建模型构建方法及三维重建方法。
技术介绍
1、三维重建是将二维图像序列在虚拟世界中还原、重构为三维模型的一种方式，也就是照相机的逆操作。在这个过程中，为实现对三维模型的精细重建，需将二维图像序列中的颜色特征也渲染到三维模型上。
2、现有技术中，通过在二维图像上随机采样，并通过各采样点上获得的颜色信息训练深度神经网络，得到了能够实现三维模型的颜色渲染的深度神经网络。
3、但是，这种随机采样的训练方式所训练出的深度神经网络的重建质量较低，重建出的三维模型整体趋于过平滑，丢失了二维图像中描述的边缘信息和褶皱信息。
技术实现思路
1、本申请的目的包括，例如，提供了一种三维重建模型构建方法及三维重建方法，其能够基于梯度显著采样点集以及梯度非显著采样点集中的梯度信息，训练得到三维重建模型，提升模型训练过程中的稳定性，充分学习二维样本图像中物体的边缘信息与褶皱信息，提升了重建出的三维模型的精度。
2、本申请的实施例可以这样实现：
3、第一方面，本申请实施例提供一种三维重建模型构建方法，所述方法包括：
4、对二维样本图像进行梯度采样，得到所述二维样本图像中的梯度显著采样点集以及梯度非显著采样点集，所述梯度显著采样点集包括所述二维样本图像中的多个像素点，各像素点的梯度幅值大于梯度幅值均值且与所述梯度幅值均值的差值大于或等于第一预设阈值，所述梯度非显著采样点集包括所述二维样本图像中的多个像素点
5、基于所述梯度显著采样点集以及所述梯度非显著采样点集，训练得到三维重建模型。
6、第二方面，本申请实施例提供一种三维重建方法，所述方法包括：
7、将包围物体的局部空间内的三维均匀采样点集输入至三维重建模型中，得到重建后的三维物体模型，所述三维重建模型基于第一方面中任一项所述的三维重建模型构建方法构建得到。
8、第三方面，本申请实施例提供一种三维重建模型构建装置，包括：
9、模型生成模块，用于对二维样本图像进行梯度采样，得到所述二维样本图像中的梯度显著采样点集以及梯度非显著采样点集，所述梯度显著采样点集包括所述二维样本图像中的多个像素点，各像素点的梯度幅值大于梯度幅值均值且与所述梯度幅值均值的差值大于或等于第一预设阈值，所述梯度非显著采样点集包括所述二维样本图像中的多个像素点，各像素点的梯度幅值大于所述梯度幅值且与所述梯度幅值的差值小于或等于第一预设阈值，或小于所述梯度幅值均值，其中，所述梯度幅值均值为所述二维样本图像中各像素点的梯度幅值的均值。
10、模型训练模块，用于基于所述梯度显著采样点集以及所述梯度非显著采样点集，训练得到三维重建模型。
11、第四方面，本申请实施例还提供一种三维重建装置，包括：
12、模型生成模块，用于将包围物体的局部空间内的三维均匀采样点集输入至三维重建模型中，得到重建后的三维物体模型，所述三维重建模型基于第一方面中任一项所述的三维重建模型构建方法构建得到。
13、第五方面，本申请实施例提供一种处理设备，所述处理设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述处理设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面中任一项所述的三维重建模型构建方法或者第二方面中所述的三维重建方法的步骤。
14、第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一项所述的三维重建模型构建方法或者第二方面中所述的三维重建方法的步骤。
15、本申请实施例的有益效果包括：
16、采用本申请实施例提供的三维重建模型构建方法及三维重建方法，能够基于对二维样本图像进行梯度采样后，得到的梯度显著采样点集以及梯度非显著采样点集，进行训练得到三维重建模型。这样，在训练过程中纳入了梯度显著采样点集以及梯度非显著采样点集所包含的梯度信息，提升训练过程的稳定性，充分学习二维样本图像中物体的边缘信息与褶皱信息，提升了重建出的三维模型的精度。
本文档来自技高网...【技术保护点】
1.一种三维重建模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的三维重建模型构建方法，其特征在于，所述对二维样本图像进行梯度采样，得到所述二维样本图像中的梯度显著采样点集以及梯度非显著采样点集，包括：
3.根据权利要求2所述的三维重建模型构建方法，其特征在于，所述根据所述二维样本图像中各像素点的梯度幅值、所述二维样本图像的梯度幅值均值以及梯度幅值标准差，对所述二维样本图像进行梯度采样，得到所述梯度显著采样点集以及所述梯度非显著采样点集，包括：
4.根据权利要求3所述的三维重建模型构建方法，其特征在于，所述根据所述梯度显著点集、所述非显著点集以及所述掩码矩阵，确定所述梯度显著采样点集以及所述梯度非显著采样点集，包括：
5.根据权利要求3所述的三维重建模型构建方法，其特征在于，所述根据所述二维样本图像中各像素点的梯度幅值、所述二维样本图像的梯度幅值均值以及梯度幅值标准差，对所述二维样本图像进行梯度采样，得到所述梯度显著采样点集、所述梯度非显著采样点集以及所述二维样本图像对应的掩码矩阵，包括：
6.根据权利要
7.根据权利要求1-6任一项所述的三维重建模型构建方法，其特征在于，所述基于所述梯度显著采样点集以及所述梯度非显著采样点集，训练得到三维重建模型，包括：
8.根据权利要求7所述的三维重建模型构建方法，其特征在于，所述三维重建初始模型包括：隐式曲面初始神经网络以及神经渲染初始网络；
9.根据权利要求8所述的三维重建模型构建方法，其特征在于，所述根据所述各三维采样点的采样颜色值以及对应的符号距离函数值，确定三维训练模型以及三维训练模型中对应各二维像素点的渲染颜色值，包括：
10.一种三维重建方法，其特征在于，所述方法包括：
11.根据权利要求10所述的三维重建方法，其特征在于，所述三维重建模型包括：隐式曲面神经网络以及神经渲染网络；
12.一种处理设备，其特征在于，所述处理设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述处理设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-9任一项所述的三维重建模型构建方法或权利要求10-11任一项所述的三维重建方法的步骤。
13.一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上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1-9任一项所述的三维重建模型构建方法或权利要求10-11任一项所述的三维重建方法的步骤。
...【技术特征摘要】
1.一种三维重建模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的三维重建模型构建方法，其特征在于，所述对二维样本图像进行梯度采样，得到所述二维样本图像中的梯度显著采样点集以及梯度非显著采样点集，包括：
3.根据权利要求2所述的三维重建模型构建方法，其特征在于，所述根据所述二维样本图像中各像素点的梯度幅值、所述二维样本图像的梯度幅值均值以及梯度幅值标准差，对所述二维样本图像进行梯度采样，得到所述梯度显著采样点集以及所述梯度非显著采样点集，包括：
4.根据权利要求3所述的三维重建模型构建方法，其特征在于，所述根据所述梯度显著点集、所述非显著点集以及所述掩码矩阵，确定所述梯度显著采样点集以及所述梯度非显著采样点集，包括：
5.根据权利要求3所述的三维重建模型构建方法，其特征在于，所述根据所述二维样本图像中各像素点的梯度幅值、所述二维样本图像的梯度幅值均值以及梯度幅值标准差，对所述二维样本图像进行梯度采样，得到所述梯度显著采样点集、所述梯度非显著采样点集以及所述二维样本图像对应的掩码矩阵，包括：
6.根据权利要求4所述的三维重建模型构建方法，其特征在于，所述按照预设采样数量、所述掩码矩阵以及所述梯度显著点占比，将所述梯度显著点集以及所述非显著点集进行筛选，得到所述梯度显著采样点集以及所述梯度非显著采样点集，包括：
7.根据权利要求1-...
【专利技术属性】
技术研发人员：张永强，李林橙，刘柏，范长杰，胡志鹏，
申请(专利权)人：网易杭州网络有限公司，
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。