一种神经辐射场的深度配准方法及系统

文档序号:37920181发布日期:2024-05-10 23:59阅读:来源:国知局

技术特征:

1.一种神经辐射场的深度配准方法,其特征在于,包括步骤:

2.根据权利要求1所述的一种神经辐射场的深度配准方法,其特征在于,所述步骤s4具体包括步骤:

3.根据权利要求2所述的一种神经辐射场的深度配准方法,其特征在于,在所述步骤s41中,伪点集p到隐式曲面ft和fs的距离dt、ds由下式计算:

4.根据权利要求2所述的一种神经辐射场的深度配准方法,其特征在于:在所述步骤s42中,雅克比矩阵j的第i行第j列的元素为:

5.根据权利要求2所述的一种神经辐射场的深度配准方法,其特征在于:在所述步骤s45中,当d小于预设阈值时,停止迭代。

6.根据权利要求2~5任一项所述的一种神经辐射场的深度配准方法,其特征在于,还包括步骤:

7.根据权利要求6所述的一种神经辐射场的深度配准方法,其特征在于,在所述步骤s51中,对任一神经辐射场进行可视化渲染具体为:

8.根据权利要求7所述的一种神经辐射场的深度配准方法,其特征在于,在训练所述神经辐射场网络中所采用的损失函数为:

9.一种神经辐射场的深度配准系统,其特征在于:包括输入模块、隐式曲面生成模块、伪点集生成模块、配准模块,分别用于执行权利要求1~7任意一项所述的步骤s1~s4。

10.根据权利要求9所述的一种神经辐射场的深度配准系统,其特征在于:该系统还包括可视化渲染模块,所述可视化渲染模块用于根据所述刚性变换估计θest对配准结果进行可视化渲染。


技术总结
本发明涉及计算机视觉技术领域,具体公开了一种神经辐射场的深度配准方法及系统,通过在训练NeRF(神经辐射场)的过程中引入符号距离函数网络(Signed Distance Function,SDF),源NeRF场和目标NeRF场之间的距离直接由SDF网络得出。并通过列文伯格‑马夸尔特算法(Levenberg‑Marquardt Algorithm,LMA算法)进行迭代优化,从而精确地将NeRF场配准到一起。该方法直接在隐式空间配准,并通过基于梯度的优化算法解决配准问题,不需要将隐式的NeRF场转化为显式的特征点表示,也不需要再训练配准部分的网络模块,更加简便快捷。

技术研发人员:王逸群,张雷达,刘凯
受保护的技术使用者:重庆大学
技术研发日:
技术公布日:2024/5/9
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1