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】
本专利技术涉及图纸设计,尤其涉及一种草图生成模型的训练方法、草图生成方法、终端及介质。
技术介绍
1、计算机辅助设计系统(computer-aided design,cad)是一种应用广泛的计算机技术,用于辅助设计、绘图和建模。cad系统在工程、建筑、制造、艺术和其他领域中得到了广泛的应用。而cad草图是其中的关键一环。cad草图是设计和绘图的初始阶段,cad草图为后续的cad建模和细化提供了基础。它们可以用作构建3d模型的参考,帮助设计师在数字环境中更准确地创建模型。它们是设计过程的重要组成部分,有助于将设计从概念转化为实际的数字或物理模型。传统cad草图生成通常需要设计师手动绘制草图,这可能是耗时的过程。
2、随着人工智能(ai)技术的发展,其学习、识别、预测及推理能力的提升使得各行各业的智能化水平得以大幅提升。传统cad草图生成通常需要设计师手动绘制草图,需要设计师具备一定的绘图技能,耗时耗力且门槛较高。ai可以自动生成草图,大大提高了生成速度,使设计师能够更快速地尝试不同设计方案,而且降低技术门槛,使更多的人能够参与设计过程。ai生成的cad草图可以立即用于快速原型制作,加速设计验证和原型迭代过程。ai系统可以提供智能建议和设计改进,帮助设计师更好地优化他们的草图和设计。因此,ai辅助cad草图生成为传统cad草图生成引入了自动化、智能化和创新性,对设计和工程领域的效率和质量带来了显著提升。
3、但是,目前的cad草图生成的过程中难以充分发挥数据结构特性,因此导致难以生成更为合理的草图结构数据。<
...【技术保护点】
1.一种草图生成模型的训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的草图生成模型的训练方法,其特征在于,当所述训练数据集为离散化的图结构数据时,所述构建训练数据集,包括:
3.根据权利要求2所述的草图生成模型的训练方法,其特征在于,所述在所述训练数据集中添加噪声,得到加噪后的训练数据集,包括:
4.根据权利要求3所述的草图生成模型的训练方法,其特征在于,所述将加噪后的训练数据集输入至预设的深度神经网络模型中,得到预测草图结构数据,包括:
5.根据权利要求4所述的草图生成模型的训练方法,其特征在于,所述基于所述训练数据集与所述预测草图结构数据,确定损失函数,并基于所述损失函数对所述深度神经网络模型进行迭代训练,得到所述草图生成模型,包括:
6.根据权利要求1所述的草图生成模型的训练方法,其特征在于,当所述训练数据集为SDF数据时,所述构建训练数据集,包括:
7.根据权利要求6所述的草图生成模型的训练方法,其特征在于,所述在所述训练数据集中添加噪声,得到加噪后的训练数据集,包括:
8.
9.根据权利要求8所述的草图生成模型的训练方法,其特征在于,所述基于所述训练数据集与所述预测草图结构数据,确定损失函数,并基于所述损失函数对所述深度神经网络模型进行迭代训练,得到所述草图生成模型,包括:
10.一种基于上述权利要求1-9任一项所述的草图生成模型的草图生成方法,其特征在于,所述方法包括:
11.根据权利要求10所述的草图生成方法,其特征在于,当所述采样数据包括离散化的图结构数据时,所述基于所述草图生成模型对所述采样数据进行迭代处理,得到草图样本,包括:
12.根据权利要求10所述的草图生成方法,其特征在于,当所述采样数据包括SDF数据时,所述基于所述草图生成模型对所述采样数据进行迭代处理,得到草图样本,包括:
13.一种草图生成模型的训练装置,其特征在于,所述训练装置包括:
14.一种终端,其特征在于,所述终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的草图生成模型的训练程序,所述处理器执行草图生成模型的训练程序时,实现如权利要求1-9任一项所述的草图生成模型的训练方法的步骤。
15.一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草图生成模型的训练程序,所述草图生成模型的训练程序被处理器执行时,实现如权利要求1-9任一项所述的草图生成模型的训练方法的步骤。
...【技术特征摘要】
1.一种草图生成模型的训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的草图生成模型的训练方法,其特征在于,当所述训练数据集为离散化的图结构数据时,所述构建训练数据集,包括:
3.根据权利要求2所述的草图生成模型的训练方法,其特征在于,所述在所述训练数据集中添加噪声,得到加噪后的训练数据集,包括:
4.根据权利要求3所述的草图生成模型的训练方法,其特征在于,所述将加噪后的训练数据集输入至预设的深度神经网络模型中,得到预测草图结构数据,包括:
5.根据权利要求4所述的草图生成模型的训练方法,其特征在于,所述基于所述训练数据集与所述预测草图结构数据,确定损失函数,并基于所述损失函数对所述深度神经网络模型进行迭代训练,得到所述草图生成模型,包括:
6.根据权利要求1所述的草图生成模型的训练方法,其特征在于,当所述训练数据集为sdf数据时,所述构建训练数据集,包括:
7.根据权利要求6所述的草图生成模型的训练方法,其特征在于,所述在所述训练数据集中添加噪声,得到加噪后的训练数据集,包括:
8.根据权利要求7所述的草图生成模型的训练方法,其特征在于,所述将加噪后的训练数据集输入至预设的深度神经网络模型中,得到预测草图结构数据,包括:
9.根据权利要求8所述的...
【专利技术属性】
技术研发人员:张楠,孙文愈,刘向东,江平,幺宝刚,
申请(专利权)人:粤港澳大湾区数字经济研究院福田,
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。