用于表示渲染场景的方法和设备与流程

下面的描述涉及一种用于表示渲染场景的方法和设备，并且更具体地，涉及一种变换体渲染参数以适合所需特征的参数的方法。

背景技术：

1、三维(3d)渲染是用于渲染3d模型的计算机图形学领域。3d渲染用于各种应用领域，例如，3d游戏、虚拟现实、动画、电影/媒体等。3d渲染技术包括光线追踪渲染、光能传递渲染和光栅化渲染，其中光线追踪渲染通过追踪从光源发射并从表面反射的光的路径来渲染3d模型，光能传递渲染使用由漫反射引起的间接照明效果或使用当直接光被物体反射时生成的反射光而不是直接照明效果，并且光栅化渲染通过将矢量数据转换为像素图案图像来渲染3d模型。

技术实现思路

1、提供本
技术实现要素：
以用简化形式介绍对下面在具体实施方式中进一步描述的构思的选择。本发明内容不意在标识所请求保护的主题的关键特征或基本特征，也不意在帮助确定所请求保护的主题的范围。

2、在一个总体方面，一种训练神经网络模型的方法包括：获得采样数据的空间信息；通过将采样数据的空间信息输入到神经网络模型来获得一个或多个体渲染参数；基于体渲染参数的分布获得正则化项；基于体渲染参数执行体渲染，以及训练神经网络模型以最小化损失函数，损失函数是基于正则化项并且基于真实图像与根据体渲染估计的图像之间的差来确定的。

3、训练神经网络模型可以包括：训练神经网络模型，使得体渲染参数的分布具有预定特征。

4、训练神经网络模型可以包括：训练神经网络模型，使得体渲染参数的分布聚集在场景的表面上。

5、获得正则化项可以包括：基于用于对体渲染参数的分布的特征进行量化的度量来获得正则化项。

6、获得正则化项可以包括：获得与体渲染参数的分布相对应的熵测量，并基于该熵测量获得与体渲染参数相对应的信息势。

7、训练神经网络模型可以包括：可以执行神经网络模型的训练，使得信息势被最大化。

8、损失函数可以通过将第二损失函数加到第一损失函数来确定，其中第一损失函数是基于真实图像与通过体渲染估计的图像之间的差来确定的，并且第二损失函数是基于正则化项来确定的。

9、获得正则化项可以包括：获得采样数据的与预定区域中的一组采样点中包括的采样点相对应的体渲染参数的分布，获得与采样点相对应的体渲染参数的分布的统计值，以及将该统计值确定为正则化项。

10、获得采样数据的空间信息可以包括：获得射线的空间信息和获得采样信息。

11、在另一个总体方面，一种场景表示方法包括：获得采样数据的空间信息，该采样数据采样自三维(3d)模型；以及通过将采样数据的空间信息输入到生成一个或多个体渲染参数的神经网络模型来执行3d模型的体渲染，其中采样数据的空间信息是基于一个或多个体渲染参数的分布来确定的。

12、可以训练神经网络模型，以变换一个或多个体渲染参数的分布来执行体渲染。

13、采样数据的空间信息可以包括位置信息和关于采样数据的数目的信息中的至少一种。

14、获得采样数据的空间信息还可以包括：获得与3d模型的场景相对应的深度图。

15、获得采样数据的空间信息还可以包括：获得关于3d模型的表面的信息。

16、获得采样数据的空间信息可以包括：获得射线的空间信息和获得采样信息。

17、在另一总体方面，一种电子设备包括：一个或多个处理器；存储器，存储指令，指令被配置为在由一个或多个处理器执行时使一个或多个处理器：获得采样数据的空间信息，通过将采样数据的空间信息输入到神经网络模型来获得一个或多个体渲染参数，基于体渲染参数的分布获得正则化项，基于体渲染参数执行体渲染，以及训练神经网络模型以最小化损失函数，该损失函数是基于正则化项并且基于真实图像与根据体渲染估计的图像之间的差来确定的。

18、指令还可以被配置为使一个或多个处理器训练神经网络模型，使得体渲染参数的分布具有预定特征。

19、指令还可以被配置为使一个或多个处理器训练神经网络模型，使得体渲染参数的分布聚集在场景的表面上。

20、指令还可以被配置为使一个或多个处理器基于用于对体渲染参数的分布的特征进行量化的度量来获得正则化项。

21、在另一总体方面，一种电子设备包括一个或多个处理器，该一个或多个处理器被配置为：获得采样数据的空间信息，该采样数据采样自三维(3d)模型；以及通过将采样数据的空间信息输入到生成一个或多个体渲染参数的神经网络模型来执行3d模型的体渲染，其中采样数据的空间信息是基于体渲染参数的分布来确定的。

22、其他特征和方面将通过具体实施方式、附图和权利要求书变得清楚明白。

技术特征：

1.一种训练用于场景表示的神经网络模型的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，训练所述神经网络模型包括：

3.根据权利要求2所述的方法，其中，训练所述神经网络模型包括：

4.根据权利要求1所述的方法，其中，获得所述正则化项包括：

5.根据权利要求1所述的方法，其中，获得所述正则化项包括：

6.根据权利要求5所述的方法，其中，执行所述神经网络模型的训练，使得所述信息势最大化。

7.根据权利要求1所述的方法，其中，所述损失函数是通过将第二损失函数与第一损失函数相加来确定的，并且

8.根据权利要求1所述的方法，其中，获得所述正则化项包括：

9.根据权利要求1所述的方法，其中，获得所述采样数据的所述空间信息包括：获得射线的空间信息以及获得采样信息。

10.一种场景表示方法，包括：

11.根据权利要求10所述的场景表示方法，其中，训练所述神经网络模型，以变换所述一个或多个体渲染参数的所述分布来执行所述体渲染。

12.根据权利要求10所述的场景表示方法，其中，所述采样数据的所述空间信息包括位置信息、或与所述采样数据中的采样点的数目相关的信息。

13.根据权利要求10所述的场景表示方法，其中，获得所述采样数据的所述空间信息还包括：获得与所述3d模型的场景相对应的深度图。

14.根据权利要求10所述的场景表示方法，其中，获得所述采样数据的所述空间信息还包括：获得关于所述3d模型的表面的信息。

15.根据权利要求10所述的场景表示方法，其中，获得所述采样数据的所述空间信息包括：获得射线的空间信息以及获得采样信息。

16.一种存储指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时使所述处理器执行根据权利要求1所述的方法。

17.一种电子设备，包括：

18.根据权利要求17所述的电子设备，其中，所述指令还被配置为使所述一个或多个处理器训练所述神经网络模型，使得所述体渲染参数的所述分布具有预定特征。

19.根据权利要求17所述的电子设备，其中，所述指令还被配置为使所述一个或多个处理器训练所述神经网络模型，使得所述体渲染参数的所述分布聚集在场景的表面上。

20.根据权利要求17所述的电子设备，其中，所述指令还被配置为使所述一个或多个处理器基于用于对所述体渲染参数的所述分布的特征进行量化的度量来获得所述正则化项。

21.一种电子设备，包括：

技术总结
公开了一种用于表示渲染场景的方法和设备。一种训练神经网络模型的数据处理方法，包括：获得采样数据的空间信息；通过将采样数据的空间信息输入到神经网络模型来获得一个或多个体渲染参数；基于体渲染参数的分布获得正则化项；基于体渲染参数执行体渲染；以及训练神经网络模型以最小化损失函数，该损失函数是基于正则化项并且基于真实图像与根据体渲染估计的图像之间的差来确定的。

技术研发人员：张锡焕,姜纳硖,金知妍,文惠媛,司空栋勋,孙旼廷
受保护的技术使用者：三星电子株式会社
技术研发日：
技术公布日：2024/2/25