三维云渲染引擎平台及数据处理方法与流程

本技术涉及图像智能渲染，且更为具体地，涉及一种三维云渲染引擎平台及数据处理方法。

背景技术：

1、随着虚拟现实技术的兴起与完善，很多企业逐渐使用虚拟现实技术进行推广及营销产品。其中，使用3d技术进行房屋户型设计的客户也越来越多。随着使用量的大量增长，产生大量的图像渲染需求，进而对渲染服务器产生很大的压力；但是在一定程度上，每台渲染服务器的渲染能力是一定的，在这种情况下，如果一张图纸的渲染只是通过一个渲染工作站来实现，那么渲染的效率低下，且每张效果图有不同的结构组成，如门窗、地板、家具及灯具，这些结构的渲染需要在前一部分结构渲染完成的基础上再进行下一个结构的渲染，如此渲染造成大量的时间浪费，无法达到高效渲染、高质渲染的目的。

2、因此，期待一种优化的三维云渲染引擎平台。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种三维云渲染引擎平台及数据处理方法，其以并行渲染的方式来优化渲染进度。具体的，其通过对待渲染图像进行语义分割，保证待渲染图像中各个对象的语义完整性和连续性，在并行渲染地过程中独立地对各个对象进行渲染并最终合并为完整的渲染模型，以此优化渲染进度且同时保证渲染效果。通过这样的方式，可以减少渲染的时间浪费，提升渲染的效率并提高渲染的质量。

2、根据本技术的一个方面，提供了一种三维云渲染引擎平台，其包括：

3、待渲染数据获取模块，用于获取待渲染图片；

4、图像优化模块，用于将所述待渲染图片通过基于对抗生成器的图像分辨率增强器以得到优化待渲染图片；

5、特征提取模块，用于将所述优化待渲染图片通过深度卷积神经网络模型以从所述深度卷积神经网络模型的浅层提取浅层特征图和从所述深度卷积神经网络模型的深层提取深层特征图；

6、深浅特征融合模块，用于融合所述浅层特征图和所述深层特征图以得到融合特征图；

7、通道显著性增强模块，用于将所述融合特征图通过通道注意力模块以得到通道增强融合特征图；

8、特征聚合度增强模块，用于对所述通道增强融合特征图进行特征分布校正以提高所述通道增强融合特征图的特征聚合度以得到优化后通道增强融合特征图；

9、语义分割模块，用于基于所述优化后通道增强融合特征图进行图像语义分割以得到图像语义分割结果；

10、图像分割模块，用于基于所述图像语义分割结果，将所述待渲染图片分为多张待渲染子图像；

11、并行渲染模块，用于并行地对所述多张待渲染子图像进行渲染以得到多张渲染后子模型；以及

12、整合模块，用于将所述多张渲染后子模型进行整合以得到完整渲染模型。

13、在上述的三维云渲染引擎平台中，所述图像优化模块，进一步用于将所述待渲染图片输入所述基于对抗生成器的图像分辨率增强器以由所述对抗生成器的生成器通过反卷积编码生成所述优化待渲染图片。

14、在上述的三维云渲染引擎平台中，所述深度卷积神经网络模型的浅层为4-6层，所述深度卷积神经网络模型的深层与所述深度卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。

15、在上述的三维云渲染引擎平台中，所述深浅特征融合模块，进一步用于：以如下公式来融合所述浅层特征图和所述深层特征图以得到融合特征图；

16、其中，所述公式为：

17、

18、其中，表示所述浅层特征图和所述深层特征图，表示级联函数，表示所述融合特征图。

19、在上述的三维云渲染引擎平台中，所述通道显著性增强模块，进一步用于：

20、将所述融合特征图输入所述通道注意力模块的多层卷积层以得到融合卷积特征图；

21、计算所述融合卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到融合通道特征向量；

22、将所述融合通道特征向量输入所述sigmoid激活函数以得到融合通道注意力权重向量；以及

23、以所述融合通道注意力权重向量中各个位置的特征值作为权重分别对所述融合卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道增强融合特征图。

24、在上述的三维云渲染引擎平台中，所述特征聚合度增强模块，进一步用于：以如下公式计算所述通道增强融合特征图的沿通道维度的各个通道增强融合特征向量的节点间类概率匹配特征向量以得到所述优化后通道增强融合特征图；

25、其中，所述公式为：

26、

27、其中，是所述通道增强融合特征图的沿通道维度的第个通道增强融合特征向量，是所述通道增强融合特征图的沿通道维度的第个通道增强融合特征向量，是与之间的距离，是所述优化后通道增强融合特征图的沿通道维度的各个通道增强融合特征向量，为加权超参数，表示向量的指数运算，对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法。

28、根据本技术的另一个方面，提供了一种三维云渲染引擎平台的数据处理方法，其包括：

29、获取待渲染图片；

30、将所述待渲染图片通过基于对抗生成器的图像分辨率增强器以得到优化待渲染图片；

31、将所述优化待渲染图片通过深度卷积神经网络模型以从所述深度卷积神经网络模型的浅层提取浅层特征图和从所述深度卷积神经网络模型的深层提取深层特征图；

32、融合所述浅层特征图和所述深层特征图以得到融合特征图；

33、将所述融合特征图通过通道注意力模块以得到通道增强融合特征图；

34、对所述通道增强融合特征图进行特征分布校正以提高所述通道增强融合特征图的特征聚合度以得到优化后通道增强融合特征图；

35、基于所述优化后通道增强融合特征图进行图像语义分割以得到图像语义分割结果；

36、基于所述图像语义分割结果，将所述待渲染图片分为多张待渲染子图像；

37、并行地对所述多张待渲染子图像进行渲染以得到多张渲染后子模型；以及

38、将所述多张渲染后子模型进行整合以得到完整渲染模型。

39、在上述的三维云渲染引擎平台的数据处理方法中，所述将所述待渲染图片通过基于对抗生成器的图像分辨率增强器以得到优化待渲染图片，进一步包括：将所述待渲染图片输入所述基于对抗生成器的图像分辨率增强器以由所述对抗生成器的生成器通过反卷积编码生成所述优化待渲染图片。

40、在上述的三维云渲染引擎平台的数据处理方法中，所述深度卷积神经网络模型的浅层为4-6层，所述深度卷积神经网络模型的深层与所述深度卷积神经网络模型的浅层之间的比值大于等于5且小于等于10。

41、在上述的三维云渲染引擎平台的数据处理方法中，所述融合所述浅层特征图和所述深层特征图以得到融合特征图，进一步包括：以如下公式来融合所述浅层特征图和所述深层特征图以得到融合特征图；

42、其中，所述公式为：

43、

44、其中，表示所述浅层特征图和所述深层特征图，表示级联函数，表示所述融合特征图。

45、与现有技术相比，本技术提供的一种三维云渲染引擎平台及数据处理方法，其以并行渲染的方式来优化渲染进度。具体的，其通过对待渲染图像进行语义分割，保证待渲染图像中各个对象的语义完整性和连续性，在并行渲染地过程中独立地对各个对象进行渲染并最终合并为完整的渲染模型，以此优化渲染进度且同时保证渲染效果。通过这样的方式，可以减少渲染的时间浪费，提升渲染的效率并提高渲染的质量。