立体模型处理方法、装置、设备及介质与流程

本公开涉及人工智能，尤其涉及一种立体模型处理方法、装置、设备及介质。

背景技术：

1、在一些3d虚拟场景中通常都会涉及到三维立体模型(也可称为3d模型或立体模型)，通常情况下三维立体模型所需参数量都很大。以三维立体模型采用面片形式构建为例，则通常需要数量较多的诸如三角形或四边形等指定形状的面片(二维图片)聚合形成三维立体模型，且三维立体模型的几何形状越逼真，所需的面片数量越多，而每个面片都对应有相应的参数，故三维立体模型的参数量都很大，导致模型所需的渲染成本和存储成本均较高。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种立体模型处理方法、装置、设备及介质。

2、本公开实施例提供了一种立体模型处理方法，所述方法包括：获取第一立体模型；基于预设的多种三维几何单元对所述第一立体模型进行分割，得到所述第一立体模型的点所属的三维几何单元的类别，以及得到所述第一立体模型对应的各目标组成部分；其中，不同类别的三维几何单元的几何形状和/或几何空间方向不同；根据各所述目标组成部分的点信息，确定各所述目标组成部分对应的目标三维几何单元；其中，所述目标组成部分的点信息包括所述目标组成部分的点的空间坐标以及所述目标组成部分的点所属的三维几何单元的类别；基于各所述目标组成部分对应的目标三维几何单元，确定第二立体模型。

3、可选的，基于预设的多种三维几何单元对所述第一立体模型进行分割的步骤，包括：基于预设的多种三维几何单元，通过预先训练完成的第一机器学习模型对所述第一立体模型进行分割。

4、可选的，得到所述第一立体模型的每个目标组成部分的步骤，包括：获取所述第一机器学习模型输出的所述第一立体模型中各候选组成部分对应的三维掩膜置信度；根据所述三维掩膜置信度，确定所述第一立体模型对应的各目标组成部分。

5、可选的，所述第一机器学习模型的训练方式为：获取样本模型，所述样本模型标注有所述样本模型中每个点所属的三维几何单元的类别以及所述样本模型的组成部分信息，基于所述样本模型对初始的第一机器学习模型进行训练，直至得到训练完成的第一机器学习模型。

6、可选的，根据各所述目标组成部分的点信息，确定各所述目标组成部分对应的目标三维几何单元的步骤，包括：根据各所述目标组成部分的点信息，获取各所述目标组成部分对应的三维几何单元的参数信息；其中，所述参数信息包括类别信息、尺寸信息和空间位置信息；基于所述三维几何单元的参数信息，确定各所述目标组成部分对应的目标三维几何单元。

7、可选的，根据各所述目标组成部分的点信息，获取各所述目标组成部分对应的三维几何单元的参数信息的步骤，包括：将各所述目标组成部分的点信息输入至预先训练完成的第二机器学习模型，得到所述第二机器学习模型输出的各所述目标组成部分对应的三维几何单元的参数信息。

8、可选的，所述第二机器学习模型的训练方式为：获取组成部分样本的点信息，且所述组成部分样本具有与所述组成部分样本匹配的三维几何单元；基于所述组成部分样本对初始的第二机器学习模型进行训练，直至得到训练完成的第二机器学习模型。

9、可选的，基于所述组成部分样本对初始的第二机器学习模型进行训练，直至得到训练完成的第二机器学习模型的步骤，包括：将所述组成部分样本输入至初始的第二机器学习模型，得到所述初始的第二机器学习模型输出的所述组成部分样本对应的三维几何单元的预测参数信息；根据所述预测参数信息以及预设的重建损失函数，计算重建损失函数值；根据所述重建损失函数值调整所述初始的第二机器学习模型的网络参数，直至达到预设条件时停止训练，得到训练完成的第二机器学习模型。

10、可选的，根据所述预测参数信息以及预设的重建损失函数，计算重建损失函数值的步骤，包括：根据所述预测参数信息，确定所述组成部分样本对应的预测三维几何单元；获取所述组成部分样本中的目标点到所述预测三维几何单元的最小距离；其中，所述目标点为所述组成部分样本中的任意点或者指定点；根据所述目标点对应的最小距离和预设的重建损失函数，得到重建损失函数值。

11、可选的，所述第二机器学习模型包括mlp神经网络。

12、可选的，所述几何形状包括柱体、椎体、台体、球体、半球体中的至少一种。

13、本公开实施例提供了一种立体模型处理装置，包括：模型获取模块，用于获取第一立体模型；模型分割模块，用于基于预设的多种三维几何单元对所述第一立体模型进行分割，得到所述第一立体模型的点所属的三维几何单元的类别，以及得到所述第一立体模型对应的各目标组成部分；其中，不同类别的三维几何单元的几何形状和/或几何空间方向不同；几何单元确定模块，用于根据各所述目标组成部分的点信息，确定各所述目标组成部分对应的目标三维几何单元；其中，所述目标组成部分的点信息包括所述目标组成部分的点的空间坐标以及所述目标组成部分的点所属的三维几何单元的类别；模型确定模块，用于基于每个所述目标组成部分对应的目标三维几何单元，确定第二立体模型。

14、本公开实施例提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一所述的立体模型处理方法。

15、本公开实施例提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的立体模型处理方法。

16、本公开实施例提供的上述技术方案，通过基于预设的多种三维几何单元对第一立体模型进行分割，以获取第一立体模型的点所属的三维几何单元的类别以及第一立体模型对应的各目标组成部分；然后根据各目标组成部分的点信息，便可确定各目标组成部分对应的目标三维几何单元，最后基于各目标组成部分对应的目标三维几何单元，确定第二立体模型。由于第二立体模型是基于目标三维几何单元(与目标组成部分对应)所得，模型所需的三维几何单元的数量通常远少于所需的面片数量，因此模型所需的参数量也相应较少，综上，上述方式可以有效地降低模型参数量，进而降低模型所需的渲染成本和存储成本。

17、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种立体模型处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于预设的多种三维几何单元对所述第一立体模型进行分割的步骤，包括：

3.根据权利要求2所述的方法，其特征在于，得到所述第一立体模型对应的各目标组成部分的步骤，包括：

4.根据权利要求2所述的方法，其特征在于，所述第一机器学习模型的训练方式为：

5.根据权利要求1所述的方法，其特征在于，根据各所述目标组成部分的点信息，确定各所述目标组成部分对应的目标三维几何单元的步骤，包括：

6.根据权利要求5所述的方法，其特征在于，根据各所述目标组成部分的点信息，获取各所述目标组成部分对应的三维几何单元的参数信息的步骤，包括：

7.根据权利要求6所述的方法，其特征在于，所述第二机器学习模型的训练方式为：

8.根据权利要求7所述的方法，其特征在于，基于所述组成部分样本对初始的第二机器学习模型进行训练，直至得到训练完成的第二机器学习模型的步骤，包括：

9.根据权利要求8所述的方法，其特征在于，根据所述预测参数信息以及预设的重建损失函数，计算重建损失函数值的步骤，包括：

10.根据权利要求6至9任一所述的方法，其特征在于，所述第二机器学习模型包括mlp神经网络。

11.根据权利要求1所述的方法，其特征在于，所述几何形状包括柱体、椎体、台体、球体、半球体中的至少一种。

12.一种立体模型处理装置，其特征在于，包括：

13.一种电子设备，其特征在于，所述电子设备包括：

14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-11中任一所述的立体模型处理方法。

技术总结
本公开涉及一种立体模型处理方法、装置、设备及介质，其中该方法包括：获取第一立体模型；基于预设的多种三维几何单元对所述第一立体模型进行分割，得到所述第一立体模型的点所属的三维几何单元的类别，以及得到所述第一立体模型对应的各目标组成部分；根据各所述目标组成部分的点信息，确定各所述目标组成部分对应的目标三维几何单元；其中，所述目标组成部分的点信息包括所述目标组成部分的点的空间坐标以及所述目标组成部分的点所属的三维几何单元的类别；基于每个所述目标组成部分对应的目标三维几何单元，确定第二立体模型。本公开可以有效地降低模型参数量，进而降低模型所需的渲染成本和存储成本。

技术研发人员：王光伟,陈博文
受保护的技术使用者：北京字跳网络技术有限公司
技术研发日：
技术公布日：2024/3/4