System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,尤其是一种基于注意力机制的灯光调整方法、装置和电子设备。
技术介绍
1、图像灯光调整技术是一种根据场景特征,自动调整渲染时灯光参数的技术,在家具设计行业存在着广泛的应用。渲染图的灯光参数对最终的渲染图质量有着至关重要的影响,更贴近场景特征的灯光参数意味着更好的渲染效果,能够有效地提升用户的使用体验。目前比较常见的方法可以分为手动调整和模板匹配的方法。对于手动调整的方法,灯光的各项参数均由设计师进行人工调整,需要花费专业设计师的大量精力,同时针对设计师的培训也需要大量成本,存在着成本高、速度慢的问题。基于模板匹配的方法,通过获取房间的信息和灯光的设备列表,来获取适配的基础场景模板列表,这种方法虽然能够实现自动的灯光参数调整,但是往往由于预先设定的模板数量有限,导致不能针对每个场景进行定制化的调整,存在效果不佳的问题。
技术实现思路
1、有鉴于此,本专利技术实施例提供一种成本低且速度快的,基于注意力机制的灯光调整方法、装置和电子设备,以实现对不同场景的定制化调整并提升灯光调整效果。
2、本专利技术实施例的一方面提供了一种基于注意力机制的灯光调整方法,包括:
3、构建原始数据集;所述原始数据集包括场景参数和灯光参数;
4、构建基于注意力机制的灯光参数预测的初始神经网络;
5、根据所述原始数据集,对所述初始神经网络进行网络训练,得到目标神经网络;
6、将获取的房间场景信息输入所述目标神经网络,得到房间中各个灯
7、可选地,所述构建原始数据集,包括:
8、获取房间信息,所述房间信息包括以下至少之一:房间的类型、房间的总体尺寸、房间内各个家具的类别、各个家具的尺寸以及各个家具的位置信息;
9、获取房间内所有的灯光信息,所述灯管信息包括以下至少之一:灯光的类别、灯光的位置、灯光的亮度和灯光的颜色信息;
10、根据所述房间信息和所述灯光信息,构建模型的输入数据和模型的标签数据。
11、可选地,所述初始神经网络包括房间特征提取模型、家具特征提取模块、灯光特征提取模块以及灯光参数预测网络;
12、其中,所述房间特征提取模型包括:房间类型特征提取模块、房间大小特征提取模块和房间特征映射模块;
13、所述家具特征提取模块包括:家具类型特征提取模块、家具大小特征提取模块、家具位置特征提取模块和家具特征映射模块;
14、所述灯光特征提取模块包括:灯光类型特征提取模块,灯光位置特征提取模块和灯光特征映射模块;
15、所述灯光参数预测网络包括n个灯光参数特征提取模块和一个灯光参数预测模块。
16、可选地,所述房间类型特征提取模型用于对房间的类别进行特征提取,房间类型特征维度为512,房间类型包括卧室、客厅、书房、客餐厅和入户;
17、所述房间大小特征提取模块包含两个线性层和一个非线性激活层,两个线性层之间由非线性激活层进行连接,房间大小特征维度为512,非线性激活层使用gelu函数;
18、所述房间特征映射模块包括一个线性层,线性层的输入维度为1024,输出维度为768;
19、所述家具类型特征提取模块用于对家具的类别进行特征提取,家具类型特征维度为512,家具类别包括衣柜、电视柜、梳妆柜、床边柜、电视柜、餐酒柜和阳台柜;
20、所述家具大小特征提取模块包含两个线性层和一个非线性激活层,两个线性层之间由非线性激活层进行连接,家具大小特征维度为512,非线性激活层使用gelu函数;
21、所述家具位置特征提取模块包含两个线性层和一个非线性激活层,两个线性层之间由非线性激活层进行连接,家具位置特征维度为512,非线性激活层使用gelu函数;
22、所述家具特征映射模块包含一个线性层,线性层的输入维度为1536,输出维度为768;
23、所述灯光类型特征提取模块用于对灯光的类别进行特征提取,灯光类型特征维度为512,灯光类型包括面光源、球光源、聚光灯和射灯;
24、所述灯光位置特征提取模块包含两个线性层和一个非线性激活层,两个线性层之间由非线性激活层进行连接,灯光位置特征维度为512,非线性激活层使用gelu函数;
25、所述灯光特征映射模块包含一个线性层,线性层的输入维度为1024,输出维度为768;
26、所述灯光参数特征提取模块包含两个线性层、一个自注意力层、一个交叉注意力层、两个layernorm正则化层以及两个残差连接层;灯光参数特征的输入维度为768,输出维度为768;
27、所述灯光参数预测模块的输入维度是768,输出维度是4;其中,所述输出维度中的第一个维度表示灯光的亮度,所述输出维度的后面三个维度分别表示灯光的rgb值。
28、可选地,所述根据所述原始数据集,对所述初始神经网络进行网络训练,得到目标神经网络,包括:
29、将所述原始数据集中的房间类型、房间大小、家具类型、家具大小、家具位置信息输入到所述初始神经网络中对应的特征提取模块,并将所有特征沿着行方向拼接,得到第一特征矩阵;
30、将灯光类型、灯光位置信息输入到所述初始神经网络中对应的特征提取模块中,将所有特征沿着行方向拼接,得到第二特征矩阵;
31、将所述第二特征矩阵的灯光特征输入到灯光参数预测网络中,将所述第一特征矩阵的房间特征输入到灯光参数预测网络的交叉注意力层中,输出一个大小为[m,4]的第三特征矩阵,其中,所述第三特征矩阵的第一列表示每个灯光的预测亮度参数,所述第三特征矩阵的第二列、第三列、第四列分别表示每个灯光的预测rgb值;
32、根据所述第三特征矩阵,采用梯度下降法对所述初始神经网络进行训练,使用adamw优化器对网络权重进行更新。
33、可选地,所述初始神经网络的总损失函数包括亮度损失函数和颜色损失函数;
34、所述亮度损失函数的表达式为:
35、
36、其中,loss亮度代表亮度损失;y实际亮度代表灯光的实际亮度;y预测亮度代表灯光的预测亮度;m代表房间场景中的灯光个数;
37、所述颜色损失函数的表达式为:
38、
39、其中,loss颜色代表颜色损失;y实际颜色值代表灯光的实际颜色;y预测颜色值代表灯光的预测颜色;
40、所述总损失函数的表达式为:
41、loss=α·loss亮度+β·loss颜色
42、其中,α亮度损失在总损失函数中的权重;β表示颜色损失在总损失函数中的权重。
43、可选地,所述将获取的房间场景信息输入所述目标神经网络,得到房间中各个灯光的渲染参数,包括:
44、获取实际场景的房间类型、房间大小,所包含的家具类型、家具尺寸、家具位置以及场景中灯光的类型和位置数据,作为所述房间场景信息;
4本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的灯光调整方法,其特征在于,包括:
2.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述构建原始数据集,包括:
3.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述初始神经网络包括房间特征提取模型、家具特征提取模块、灯光特征提取模块以及灯光参数预测网络;
4.根据权利要求3所述的一种基于注意力机制的灯光调整方法,其特征在于,
5.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述根据所述原始数据集,对所述初始神经网络进行网络训练,得到目标神经网络,包括:
6.根据权利要求5所述的一种基于注意力机制的灯光调整方法,其特征在于,所述初始神经网络的总损失函数包括亮度损失函数和颜色损失函数;
7.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述将获取的房间场景信息输入所述目标神经网络,得到房间中各个灯光的渲染参数,包括:
8.一种基于注意力机制的灯光调整装置,其特征在于,包括:
9.一种
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于注意力机制的灯光调整方法,其特征在于,包括:
2.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述构建原始数据集,包括:
3.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述初始神经网络包括房间特征提取模型、家具特征提取模块、灯光特征提取模块以及灯光参数预测网络;
4.根据权利要求3所述的一种基于注意力机制的灯光调整方法,其特征在于,
5.根据权利要求1所述的一种基于注意力机制的灯光调整方法,其特征在于,所述根据所述原始数据集,对所述初始神经网络进行网络训练,得到目标神经网络,包括...
【专利技术属性】
技术研发人员:柯建生,戴振军,
申请(专利权)人:广州极点三维信息科技有限公司,
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。