CN116089639A - 一种辅助三维建模方法、系统、装置和介质 - Google Patents

一种辅助三维建模方法、系统、装置和介质 Download PDF

Info

Publication number
CN116089639A
CN116089639A CN202310007501.1A CN202310007501A CN116089639A CN 116089639 A CN116089639 A CN 116089639A CN 202310007501 A CN202310007501 A CN 202310007501A CN 116089639 A CN116089639 A CN 116089639A
Authority
CN
China
Prior art keywords
model
dimensional
dimensional model
feature
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310007501.1A
Other languages
English (en)
Inventor
张质子
万黎明
朱阳
蔡学晨
刘仁波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infocus Chengdu Information Technology Co ltd
Original Assignee
Infocus Chengdu Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infocus Chengdu Information Technology Co ltd filed Critical Infocus Chengdu Information Technology Co ltd
Priority to CN202310007501.1A priority Critical patent/CN116089639A/zh
Publication of CN116089639A publication Critical patent/CN116089639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本说明书实施例提供一种辅助三维建模方法、系统、装置和介质，该方法由处理器执行，包括：通过输入信息，从模型数据库中检索得到检索数据，其中，输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，模型数据库包括多个三维模型和多个三维模型对应的多类别多级别分类，多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，模型数据库基于多个已获数据文件构建；基于检索数据，确定目标三维模型。

Description

一种辅助三维建模方法、系统、装置和介质
技术领域
本说明书涉及三维建模技术领域，特别涉及一种辅助三维建模方法、系统、装置和介质。
背景技术
三维建模是现代化工业中产品设计不可或缺的手段和方法。随着计算机技术的发展，尤其是元宇宙的兴起，三维模型的需求日益剧增。三维模型的形成方法多种多样，可以通过专业的软件如3Dmax等进行设计，也可以通过携带有相关传感器的专业设备进行扫描形成模型。但三维模型仍然以专业软件进行设计为主，建模过程费时费力。
针对如何高效进行三维建模的问题，CN114708391B提供了一种三维建模方法、装置、电子设备和存储介质，该申请重点针对的是同时进行建模、确认和修改，进而解决了难以同时保证三维重建模型的质量和建模效率的问题。该申请虽然实现了在一定程度上同时保证三维重建模型的质量和建模效率，但是由于该申请仍然以专业软件进行设计为主，建模过程一定程度上还是费时费力，用户仍然面临如何高效进行三维建模的问题。
因此，希望提供一种辅助三维建模方法、系统、装置和介质，可以充分利用现有的三维模型构建模型数据库，从而提高三维建模的效率。
发明内容
本说明书一个或多个实施例提供一种辅助三维建模方法。该方法由处理器执行，包括：通过输入信息，从模型数据库中检索得到检索数据，其中，所述输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，所述模型数据库包括多个三维模型和所述多个三维模型对应的多类别多级别分类，所述多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，所述模型数据库基于多个已获数据文件构建；基于所述检索数据，确定目标三维模型。
本说明书实施例一个或多个实施例提供一种辅助三维建模系统。该系统包括处理器，所述处理器包括数据准备模块、模型数据库、应用模块；所述处理器用于通过输入信息，从所述模型数据库中检索得到检索数据，其中，所述输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，所述模型数据库包括多个三维模型和所述多个三维模型对应的多类别多级别分类，所述多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，所述模型数据库基于多个已获数据文件构建；基于所述检索数据，确定目标三维模型。
本说明书一个或多个实施例提供一种辅助三维建模装置。该装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器，执行所述计算机指令中的至少部分指令，以实现辅助三维建模方法。
本说明书一个或多个实施例提供一种计算机可读存储介质。该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行辅助三维建模方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的辅助三维建模系统的应用场景示意图；
图2是根据本说明书一些实施例所示的辅助三维建模系统图；
图3是根据本说明书一些实施例所示的辅助三维建模方法的示例性流程图；
图4是根据本说明书一些实施例所示的确定多个三维模型对应的多类别多级别分类的示例性流程图；
图5是根据本说明书另一些实施例所示的辅助三维建模方法的示例性流程图；
图6是根据本说明书一些实施例所示的辅助三维建模系统的模块内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
目前网络上存在海量的已构建好的三维模型，对后续三维建模提供了较大的参考价值，若能充分利用已有的三维模型将有效提高三维建模的效果。
因此本说明书一些实施例提供一种辅助三维建模方法、系统、装置和介质，可以充分利用现有的三维模型构建模型数据库，从而提高建模效率，同时保证辅助三维建模的准确性。
图1是根据本说明书一些实施例所示的辅助三维建模系统的应用场景示意图。在辅助三维建模系统的应用场景100中可以包括处理器110、模型数据库120、网络130和用户终端140。
处理器110可以用于执行本说明书中一个或多个实施例中揭示的一个或多个功能。例如，处理器110可以用于通过输入信息，从模型数据库中检索得到检索数据。又例如，处理器110可以基于检索数据，确定目标三维模型。
在一些实施例中，处理器110可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理器110可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
在一些实施例中，模型数据库120可以用于存储与辅助三维建模系统的应用场景100相关的数据和/或指令。在一些实施例中，模型数据库120可以基于多个已获数据文件构建，模型数据库可以包括多个三维模型和多个三维模型对应的多类别多级别分类，多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种。
模型数据库120可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，模型数据库120可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，模型数据库120可在云平台上实现。在一些实施例中，模型数据库120可以为处理器110的组成部分。
网络130可以连接系统的各组成部分和/或连接系统与外部资源部分。网络130使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。例如，处理器110可以通过网络130从模型数据库120中获取检索数据。
在一些实施例中，网络130可以是有线网络或无线网络中的任意一种或多种。例如，网络130可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
用户终端140指用户所使用的一个或多个终端设备。用户可以通过用户终端140导入输入信息150。输入信息150是指用户输入到用户终端140中用于检索的信息。在一些实施例中，输入信息150可以包括三维模型文件150-1、图形图像文件150-2和文本文件信息150-3中的至少一种。在一些实施例中，用户通过用户终端140导入输入信息150，处理器110通过网络130从模型数据库120中获取检索数据，并基于检索数据，确定目标三维模型160。关于输入信息和目标三维模型的更多内容可以参见图3的相关描述。
在一些实施例中，用户终端可以包括手机、平板电脑、笔记本电脑或者台式电脑等具有输入和/或输出功能的设备中的一种或其任意组合。
应当注意辅助三维建模系统的应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，辅助三维建模系统的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的辅助三维建模系统图。如图2所示，辅助三维建模系统200可以包括处理器110，处理器110可以包括数据准备模块210、模型数据库120和应用模块220。
在一些实施例中，处理器110可以用于通过输入信息，从模型数据库中检索得到检索数据，其中，输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，模型数据库包括多个三维模型和多个三维模型对应的多类别多级别分类，多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，模型数据库基于多个已获数据文件构建。处理器110可以用于基于检索数据，确定目标三维模型。
在一些实施例中，处理器110还可以用于对多个已获数据文件中的每一个已获数据文件进行解析，提取待解析数据；基于待解析数据，确定至少一个对象；基于至少一个对象，确定至少一个单一对象，并将至少一个单一对象存入模型数据库，其中，至少一个单一对象包括多个三维模型中的一个三维模型。
在一些实施例中，处理器110还可以用于基于至少一个对象，确定至少一个候选对象；确定至少一个候选对象的识别置信度；判断识别置信度不满足预设条件的候选对象数量是否大于预设数量；响应于识别置信度不满足预设条件的候选对象数量大于预设数量，执行对象重构；基于对象重构结果，确定至少一个单一对象；其中，确定至少一个候选对象的识别置信度包括：获取至少一个候选对象的目标向量，并得到k条嵌入特征向量；基于k条嵌入特征向量对应的多类别多级别分类，确定识别置信度；对象重构包括执行多轮迭代，每轮迭代包括：可以将至少一个对象和/或至少一个候选对象进行拆分和/或合并，得到至少一个重构对象；确定至少一个重构对象的重构识别置信度；判断重构识别置信度不满足预设条件的重构对象数量是否大于预设数量；响应于重构对象数量小于预设数量，结束该轮对象重构；响应于重构对象数量大于预设数量，撤销该轮对象重构，进入下一次迭代。
在一些实施例中，处理器110还可以用于获取多个三维模型中的待分类三维模型；确定待分类三维模型的形状特征；确定待分类三维模型的至少一个射影特征，其中，至少一个射影特征通过虚拟相机在多个预设点位采集包含待分类三维模型的多个画面确定，多个预设点位相对于待分类三维模型具有不同的角度和距离，至少一个射影特征包括采集的多个画面；基于形状特征和至少一个射影特征，确定待分类三维模型的多类别多级别分类。
在一些实施例中，处理器110还可以用于确定待分类三维模型的形状特征，形状特征包括多个维度的特征向量，多个维度的特征向量至少包括距离特征向量以及曲率特征向量，确定待分类三维模型的形状特征包括：对于每个维度：获取待分类三维模型的几何特征点，几何特征点至少包括质心；基于几何特征点，对待分类三维模型进行多轮采样；基于多轮采样，确定待分类三维模型的每个维度的每一轮的多个特征值；基于多个特征值，确定每个维度的特征向量。
在一些实施例中，处理器110还可以用于统计不同特征值的频率，其中，统计不同特征值的频率时基于权重统计，权重相关于采集不同特征值时所对应的同心球与待分类三维模型的截断表面积比率。权重还相关于截断模型与待分类三维模型的复杂度变化率，截断模型通过同心球截断待分类三维模型后得到，复杂度基于截断模型的表面积与体积确定。
在一些实施例中，处理器110还可以用于基于输入信息，确定至少一个需求特征；基于至少一个需求特征，通过需求识别模型确定多类别多级别分类，其中，需求识别模型为机器学习模型；基于多类别多级别分类，从向量数据库中确定目标簇；将目标簇中的至少一个三维模型推荐给用户。
在一些实施例中，处理器110还可以用于对目标簇中的至少一个三维模型进行排序，排序基于至少一个三维模型的选用率和好评率进行；基于排序，将预定数量的至少一个三维模型确定为至少一个候选三维模型；基于至少一个候选三维模型中的每个候选三维模型，通过推荐模型确定预测选用概率，其中，推荐模型为机器学习模型；基于预测选用概率，确定目标三维模型，并将目标三维模型推荐给用户。
在一些实施例中，处理器110还可以用于响应于用户选择重新匹配时，确定至少一个需求特征的重要度；基于重要度，删减多余需求特征，并重新确定多类别多级别分类；其中，确定至少一个需求特征的重要度包括：获取至少一个需求特征中的每个需求特征的搜索热度；获取具有每个需求特征的标签的三维模型的搜索选用率；基于搜索热度和搜索选用率，确定每个需求特征的重要度。
在一些实施例中，辅助三维建模系统200可以将现有模型分解、分类并转换为模型数据库的数据，再通过输入信息从模型数据库中得到检索数据，将检索数据进行重新组合，从而实现目标三维模型的构建。图6是根据本说明书一些实施例所示的辅助三维建模系统的模块内部结构图。如图6所示，数据准备模块210可以包含数据分解器210-1、数据分类器210-2、数据转换器210-3。
在一些实施例中，数据分解器210-1包含三维模型解析器、三维模型分割器；三维模型解析器用来读取并解析三维模型的数据；三维模型分割器位于三维模型解析器之后，用来分割三维模型解析器解析的数据，并生成多类别的模块化数据；数据分类器210-2将多类别的模块化数据进行多类别多级别分类；数据转换器210-3，位于数据分类器210-2之后，将数据分类器210-2分类的数据转换成一种便于存储的加密数据，并存储于模型数据库120中。
在一些实施例中，应用模块220包含输入模块220-1、分析索引模块220-2、编辑模块220-3。输入模块220-1能够导入包括但不限于三维模型文件、图形图像文件、文本文件信息；分析索引模块220-2通过对输入模块导入的三维模型文件、图形图像文件、文本文件信息进行解析，再将所解析的信息从模型数据库120中进行索引；编辑模块220-3可以导入检索数据，并进行包括但不限于三维模型修改、材质修改、纹理修改、模型渲染场景修改操作。
在一些实施例中，三维模型解析器能够读取点云模型、三角面网格模型、四边形网格模型、体素模型、隐函数模型，包括但不限于PLY、OBJ、XYZ、PCD、TXT、3DS、FBX、STP、IGS、SDLPRT等格式文件。
在一些实施例中，三维模型分割器具有三维特征识别、三维特征分割能力。并能够生成多类别的模块化数据，所述多类别的模块化数据包括但不限于三维模型、模型材质、模型纹理、模型渲染场景。
在一些实施例中，数据分类器进行多类别多级别分类是指，三维模型可按行业及用途分为，包括但不限于家具模型、地理模型、建筑模型、玩具模型，家具模型又可分为，包括但不限于椅子、桌子、床，所述椅子又可分为，包括但不限于椅子支撑腿、椅子靠背、椅子坐垫。
在一些实施例中，数据转换器210-3具有三维模型特征提取、图形图像特征提取、文本文字特征提取功能，能够提取分类器分类的数据并加密存储到模型数据库；模型数据库120为一种按照数据结构来组织、存储和管理数据的仓库，包括但不限于Oracle、MySQL、Redis、MongoDB。
在一些实施例中，输入模块220-1可以导入输入信息包括但不限于三维模型文件、图形图像文件、文本文件信息，并可以对导入的文件进行可视化显示。
在一些实施例中，分析索引模块220-2包含分析模块和索引模块；所述分析模块能够提取三维模型文件、图形图像文件、文本文字文件的特征并进行分割；所述特征是指由至少1个整数或者浮点数组成的向量，能够与所述文件的部分或者全部固有属性进行映射；所述索引模块能够将特征向量与模型数据库中特征向量进行计算，并能够根据计算结果进行评估；所述评估的结果可作为输出进行可视化显示。
在一些实施例中，编辑模块220-3可以导入多个选定的模型、材质、纹理；具有至少一个可视化窗口，用来显示模型及其特征；具有多个控制按键，用来编辑调整模型；能够导出模型，包含但不限于PLY、OBJ、XYZ、PCD、TXT、3DS、FBX、STP、IGS、SDLPRT等格式文件。
在一些实施例中，数据准备模块210的模型数据包括但不限于PLY(Polygon FileFormat，多边形文件格式)、OBJ(Object，3D模型文件格式)、PCD(Point Cloud Data，点云数据)等格式的文件。
在一些实施例中，在已有三维模型数据需要生成模型数据库的情况下，三维模型解析器可以使用包括但不限于python编程语言的内置Trimesh库或者C++编程语言内置的Assimp库等等用来读取并解析不同的三维模型格式文件数据。
在一些实施例中，三维模型分割器使用三维卷积神经网络提取三维模型文件中的部件特征，使用反卷积将部件特征向量逐步恢复成部件的三维模型文件，完整的三维模型文件将被分割为若干个不同部件的三维模型。
在一些实施例中，使用三维模型分割器之前，会先使用三维模型数据集和手工标记的三维模型部件的标签，使用数据集和标签对三维模型分割器的网络参数训练，直至网络参数收敛，得到完整的三维图像中的每个部件信息。三维模型分割器可以包括3D-Unet或PointNet等，当然也可以使用其他类别的三维分割模型。
在一些实施例中，数据分类器210-2可以截取三维模型部件的前景图，使用目标检测算法对部件的前景图进行分类，同时生成对图像的文本描述。也可以使用三维神经网络对各个三维部件进行分类，截取三维模型部件的前景图，使用CLIP生成对图像的文本描述。数据分类器210-2中对于先截取前景图进行分类，或者，先对三维模型进行分类再截取图像。本说明书对此不加以限定。
在一些实施例中，数据分类器210-2中，对于前景图的分类可以包括RetinaNet或YOLO等，当然也可以使用其他的检测模型对不同的类别进行检测后分类。
在一些实施例中，数据分类器210-2生成对图像的文本描述可以包括CLIP或Visual N-Grams等，当然也可以使用其他对图像的文本描述的网络模型。
三维模型文件使用三维提取特征，三维模型文件对应的前景图使用包括但不限于VGGNet、ResNet或AlexNet等提取特征、对前景图的文本描述使用包括但不限于One-Hot编码提取特征，提取分类器分类的数据并加密存储到数据库中；数据库为一种按照数据结构来组织、存储和管理数据的仓库，包括但不限于Oracle、MySQL、Redis、MongoDB。
在一些实施例中，数据分类器210-2根据获数据分解器210-1分解出的三维模型部件，对各种类型的三维模型部件进行分类。
在一些实施例中，辅助三维建模系统200中的分析索引模块220-2包含分析模块、特征向量模块和索引模块。
在一些实施例中，分析模块能够提取三维模型文件、图形图像文件、文本文字信息的特征并进行分割；对于输入的三维模型文件，分析模块会至少分割出一类三维模型部件，使用的方法与三维模型分割器类似。对于输入的图形图像文件，分析模块使用区域候选网络(region proposal network，RPN)将图像中的对象分割成至少一类主体对象；对于输入的是文本文件信息，分析模块会根据预先设定如“凳子”、“桌子”和“凳腿”等名词，对文本文件信息进行名词提取。对于不同类型的输入信息使用数据转换器210-3中不同的特征提取网络提取输入信息特征。其中，特征是指由至少1个整数或者浮点数组成的向量，能够与所述文件的部分或者全部固有属性进行映射。
在一些实施例中，索引模块能够将所述特征向量与所述数据库中特征向量进行计算，并能够根据计算结果进行评估；评估的结果可作为输出进行可视化显示。其中计算向量之间的相似度可以使用但不限于余弦相似度计算。
在一些实施例中，编辑模块220-3可以根据索引模块求出的最高的得分，导入系统检索模型数据库中的多个选定的模型、材质、纹理；具有至少一个可视化窗口，用来显示模型及其特征；具有多个控制按键，用来编辑调整模型；能够导出模型，包含但不限于PLY、OBJ、XYZ、PCD、TXT、3DS、FBX、STP、IGS、SDLPRT等格式文件。
需要注意的是，以上对于辅助三维建模系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的处理器、数据准备模块、模型数据库、应用模块等可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的辅助三维建模方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由辅助三维建模系统200执行。
步骤310，通过输入信息，从模型数据库中检索得到检索数据，其中，输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，模型数据库包括多个三维模型和多个三维模型对应的多类别多级别分类，多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，模型数据库基于多个已获数据文件构建。
输入信息是指用户输入的用于检索的信息。在一些实施例中，输入信息可以包括各种格式的文件。例如，输入信息可以包括三维模型文件、图形图像文件、文本文件信息中的一种或多种。三维模型文件是指储存为三维模型格式的文件，图形图像文件是指储存为图格式的文件，文本文件信息是指储存为文本格式的文件。
在一些实施例中，处理器可以从用户终端获取用户输入的输入信息。其中，用户终端可以参见图1及其相关描述。用户输入方式可以包括多种方式，例如，输入文本或者导入文件等方式。
检索数据是指基于输入信息在模型数据库中检索到的相关数据。例如，检索数据可以包括三维模型等。
模型数据库的具体内容参见图1及其相关描述。在一些实施例中，模型数据库可以包括多个三维模型及其对应的多类别多级别分类，多个三维模型至少可以包括点云模型、三角面网格模型、四边形网格模型、体素模型、隐函数模型等中的至少一种。
在一些实施例中，通过输入信息，处理器可以从模型数据库中检索得到检索数据。在一些实施例中，处理器可以分析导入的输入信息，并提取输入信息的特征向量，将提取得到的特征向量与模型数据库中的特征向量进行计算，将向量距离小于距离阈值的特征向量对应的三维模型作为检索数据，其中，距离阈值可以预先设置，计算向量距离可以使用欧式距离、余弦距离、或汉明距离等。
三维模型的多类别多级别分类是指三维模型可以按照类别及级别要求进行分类。例如，三维模型可按行业及用途分为多种类别的模型，如家具模型、地理模型、建筑模型、玩具模型等。家具模型又可以分为多种类别的模型，如椅子、桌子、床等。椅子又可分为多种级别的模型，如椅子支撑腿、椅子靠背、椅子坐垫等。
已获数据文件是指已获取的可用于构建模型数据库的历史数据。例如，已获取的各种三维模型等。
在一些实施例中，处理器可以直接将历史构建的数据库用作模型数据库。例如，模型数据库为按照数据结构来组织、存储和管理数据的已构建好的数据库，如Oracle、MySQL、Redis、MongoDB等。
在一些实施例中，模型数据库可以基于已获取到的数据文件构建。例如，处理器可以读取并解析已获数据文件的数据确定解析后的数据。处理器可以对解析后的数据进行分割，生成多类别的模块化数据，并进行多类别多级别分类。处理器可以将多类别多级别分类的数据转换成为便于存储的加密数据，并存储于模型数据库中。
在一些实施例中，处理器可以对多个已获数据文件中的每一个已获数据文件进行解析，提取待解析数据；基于待解析数据，确定至少一个对象；基于至少一个对象，确定至少一个单一对象，并将至少一个单一对象存入模型数据库，其中，至少一个单一对象包括多个三维模型中一个三维模型。
待解析数据是指需要进行分析的已获数据文件。例如，待解析数据可以是一个需要分析其中对象的三维模型文件。
在一些实施例中，处理器可以控制数据准备模块对多个已获数据文件中的每一个已获数据文件进行解析，提取待解析数据。例如，处理器可以使用python编程语言的内置Trimesh库或者C++编程语言内置的Assimp库等用来解析不同的三维模型文件得到待解析数据。
对象是基于从待解析数据中提取的对象信息确定的部分。例如，一个包含桌子和茶杯的三维模型，其中，这个桌子包含5个部分，分别是“桌面”、“桌腿1”、“桌腿2”、“桌腿3”、“桌腿4”，导出上述三维模型为三维模型文件。若导出时选择按整体导出，则系统识别到“桌子与茶杯”为一个对象；若导出时选择按对象导出，则系统识别到6个对象，分别为“桌面”、“桌腿1”、“桌腿2”、“桌腿3”、“桌腿4”、“茶杯”。
在一些实施例中，处理器可以根据三维模型文件中的定义确定至少一个对象。例如，三维模型文件的定义若为按整体导出，则处理器确定该三维模型文件整体为一个对象，三维模型文件的定义若为按对象导出，则处理器确定该三维模型文件中的各个对象分别作为一个对象。按整体导出及按对象导出的具体内容参见上文相关描述。
单一对象是指能明确地被识别为一个多类别多级别分类的对象。例如，包含“桌面”和“桌腿”等部分的“桌子”对象可以被识别为一个多类别多级别分类的对象(例如，被识别为一个“四腿圆桌”)，因此“桌子”对象是一个单一对象，但将“桌子”对象的组成部分“桌腿”、“桌面”等看作单独的对象时，“桌腿”、“桌面”通常不能认为是一个单一对象。又例如，“桌子”和“椅子”分别是一个单一对象，所以“桌子和椅子”(将桌子和椅子看成一个整体的对象)不是一个单一对象。
在一些实施例中，处理器可以基于至少一个对象，确定至少一个单一对象，并将至少一个单一对象存入模型数据库，其中，至少一个单一对象包括多个三维模型中一个三维模型。例如，处理器可以将“桌子与茶杯”这个对象，确定为单一对象“桌子”和单一对象“椅子”，并将“桌子”和“椅子”存入模型数据库中。
基于多个已获数据文件构建模型数据库，可以充分利用海量数据文件，将单一对象存入模型数据库，可以使模型数据库中存在大量的单一对象，能够使在模型数据库中检索到的检索数据更加准确，有利于进一步确保后续确定目标三维模型的效率和准确性。
在一些实施例中，处理器可以基于至少一个对象，确定至少一个候选对象；确定至少一个候选对象的识别置信度；判断识别置信度不满足预设条件的候选对象数量是否大于预设数量；响应于识别置信度不满足预设条件的候选对象数量大于预设数量，执行对象重构；基于对象重构结果，确定至少一个单一对象。
候选对象是指用于确定单一对象的备选。
在一些实施中，处理器可以基于至少一个对象，确定至少一个候选对象。例如，处理器可以将至少一个对象直接作为候选对象。又例如，处理器可以随机选择至少一个对象中的一个或多个对象作为一个或多个候选对象。
识别置信度是指候选对象被识别为单一对象的可信程度。在一些实施例中，识别置信度越大则表示候选对象被识别为单一对象的可信度越高，可以设置为1-100之间的数值。
对象重构是指重新构建候选对象，例如，候选对象为一个3条桌腿的方桌，需对候选对象进行重构，将其重新构建为一个4条桌腿的方桌。
在一些实施例中，处理器响应于识别置信度不满足预设条件的候选对象数量大于预设数量，执行对象重构。其中，预设数量可以预先设置，如1个，识别置信度不满足预设条件可以是识别置信度小于置信度阈值(如80)，则存在2个候选对象其识别置信度小于80时，将需执行对象重构。
在一些实施例中，处理器可以获取至少一个候选对象的目标向量，并得到k条嵌入特征向量。目标向量是指候选对象向量化后得到的向量。嵌入特征向量是指提取目标向量得到的向量。例如，将目标向量输入嵌入层得到k条嵌入特征向量。其中，k条可以代表设置的嵌入特征向量的数量，如k条嵌入特征向量设置为10-50条等。
在一些实施例中，处理器可以基于k条嵌入特征向量对应的多类别多级别分类，确定识别置信度。例如，上述k条嵌入特征向量对应的多类别多级别分类越统一，对应的候选对象的识别置信度越高。
在一些实施例中，对象重构包括执行多轮迭代，每轮迭代包括：处理器可以将至少一个对象和/或至少一个候选对象进行拆分和/或合并，得到至少一个重构对象；确定至少一个重构对象的重构识别置信度；判断重构识别置信度不满足预设条件的重构对象数量是否大于预设数量；响应于重构对象数量小于预设数量，结束该轮对象重构；响应于重构对象数量大于预设数量，撤销该轮对象重构，进入下一次迭代。
重构对象是指重新构建的对象。例如，将对象和/或候选对象拆分后得到的对象，或者将对象和/或候选对象合并后得到的对象等。
在一些实施例中，处理器可以将至少一个对象和/或至少一个候选对象进行拆分和/或合并，得到至少一个重构对象。
在一些实施例中，若三维模型文件按整体导出，则三维模型文件整体为一个对象，处理器可以拆分该对象得到至少一个重构对象。例如，上述三维模型中“桌子与茶杯”为一个对象，处理器可以将其拆分为“桌子”和“茶杯”2个重构对象。
在一些实施例中，处理器可以以拆分概率确定是否执行拆分。其中，拆分概率可以预设，例如，预设拆分概率为50％，处理器可以随机生成一个0-1之间的数字，当生成的数字在0-0.5之间就进行拆分，当不在0-0.5之间就不执行拆分。
在一些实施例中，响应于确定执行拆分，对每一个对象，处理器可以确定每一个对象是否需要拆分，对每一个需要拆分的对象，以预设随机方式进行拆分。例如，随机生成一个平面或曲面将该对象切割为2个对象。又例如，以该对象中存在的平面/曲面，随机选择一个平面/曲面作为切割平面。仅作为示例的，一个“桌子与桌子上的茶杯”构成的对象，可以以桌面为切割平面，切割该对象得到“桌子”和“茶杯“两个对象，进而完成拆分。
在一些实施例中，若三维模型文件按对象导出，则三维模型文件可以包括多个对象，处理器可以合并多个对象得到至少一个重构对象。例如，上述三维模型中包括“桌面”、“桌腿1”、“桌腿2”、“桌腿3”、“桌腿4”5个对象，处理器可以将其合并为“桌子”一个重构对象。
在一些实施例中，处理器以合并概率确定是否执行合并。其中，合并概率可以预设，例如，预设合并概率为50％，处理器可以随机生成一个0-1之间的数字，当生成的数字在0-0.5之间就进行合并，当不在0-0.5之间就不执行合并。
在一些实施例中，处理器响应于确定执行合并，对每一个对象，确定每一个对象是否需要合并，对需要合并的对象，随机生成合并方式。例如，对象1、对象2、对象3和对象4需要合并，则可将其随机合并，如对象1和对象2合并为一个对象，对象3和对象4合并为一个对象等，进而完成合并。
重构识别置信度是指重构对象被识别为单一对象的可信程度。关于识别置信度参见上文相关描述。
在一些实施例中，处理器可以获取至少一个重构对象的目标向量，并得到k条嵌入特征向量。关于目标向量和嵌入特征向量参见上文相关描述。
在一些实施例中，处理器可以基于k条嵌入特征向量对应的多类别多级别分类，确定重构识别置信度。例如，上述k条嵌入特征向量对应的多类别多级别分类越统一，重构识别置信度越高。
在一些实施例中，处理器判断重构识别置信度不满足预设条件的重构对象数量是否大于预设数量，响应于重构识别置信度不满足预设条件的重构对象数量小于预设数量，结束该轮对象重构，迭代结束。
预设数量可以预先设置，如1个，重构识别置信度不满足预设条件可以是重构识别置信度小于置信度阈值(如80)，当存在3个重构识别置信度小于80的重构对象时，处理器可以结束该轮对象重构，进行下一轮重构。
在一些实施例中，处理器响应于重构识别置信度不满足预设条件的重构对象数量大于预设数量，撤销该轮对象重构，进入下一次迭代。即该轮对象重构无效，需重新对至少一个对象和/或候选对象进行拆分和/或合并。
在一些实施例中，当对象重构结束迭代时，处理器可以将最后一轮迭代的候选对象确定为单一对象。
将待解析数据中的对象进行拆分和/或合并得到对象重构结果，来确定至少一个单一对象，可以丰富模型数据库的样本量，同时使存入模型数据库的单一对象更加准确，进而可以保证后续确定的目标三维模型的准确性和确定目标三维模型的效率，进一步提高用户的使用体验感。
步骤320，基于检索数据，确定目标三维模型。
目标三维模型是指用户需求的三维模型。例如，目标三维模型可以是桌子、桌子和杯子、房屋、楼房、广场、玩具车等。
在一些实施例中，处理器可以基于检索数据，确定目标三维模型。例如，处理器可以对检索到的数据进行编辑、组合等操作，确定目标三维模型。编辑操作可以包括三维模型修改、材质修改、纹理修改、模型渲染场景修改等操作。示例性1的，检索数据中包括木质桌子，若输入信息包括大理石桌子，处理器可以进行材质修改得到大理石桌子，将大理石桌子确定为目标三维模型或目标三维模型的组成部分。示例性2的，检索数据中包括桌子和杯子，处理器可以将检索到的桌子和杯子进行组合(如杯子放在桌子的桌面上)，将组合后的模型确定为目标三维模型。
在一些实施例中，处理器还可以通过推荐模型确定目标三维模型。关于推荐模型的具体内容参见图5及其相关描述。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的确定多个三维模型对应的多类别多级别分类的示例性流程图。如图4所示，流程400包括下述步骤。在一些实施例中，流程400可以由辅助三维建模系统200执行。
步骤410，获取多个三维模型中的待分类三维模型。
待分类三维模型是指需要确定多类别多级别分类的三维模型。
在一些实施例中，处理器可以控制数据准备模块获取多个三维模型中的待分类三维模型。例如，数据准备模块中的数据分类器可以获取待分类三维模型。关于数据分类器的具体内容可以参见图2及其相关描述。
步骤420，确定待分类三维模型的形状特征。
形状特征是指三维模型中与形状相关的特征。
在一些实施例中，处理器可以比较三维模型的形状特征与已知形状特征的三维模型的几何相似性来获得形状特征。例如，待分类三维模型的形状特征与已知形状特征的三维模型的几何相似性大于相似性阈值，处理器可以将已知形状特征作为待分类三维模型的形状特征。其中，相似性阈值可以预先设置，如两者相似性大于80％，则处理器可以将已知形状特征作为待分类三维模型的形状特征。
在一些实施例中，形状特征可以包括多个维度的特征向量，多个维度的特征向量至少包括距离特征向量以及曲率特征向量。在一些实施例中，多个维度的特征向量还包括面积特征向量、体积特征向量等。
在一些实施中，确定待分类三维模型的形状特征可以包括：对于每个维度：获取待分类三维模型的几何特征点，几何特征点至少包括质心；基于几何特征点，对待分类三维模型进行多轮采样；基于多轮采样，确定待分类三维模型的每个维度的每一轮的多个特征值；基于多个特征值，确定每个维度的特征向量。
多个维度的特征向量是指可以通过多个方面表征待分类三维模型的形状特征的向量。距离特征向量指可以表征待分类三维模型中的不同位置的距离的向量，曲率特征向量是指可以表征待分类三维模型中的不同位置的曲率的向量。面积特征向量是指可以表征待分类三维模型中的不同截面的面积的向量。体积特征向量是指可以表征待分类三维模型中截断模型的体积的向量。关于截断模型的更多内容参见后文相关描述。
几何特征点指可以代表几何特征的点。在一些实施例中，几何特征点至少包括质心。例如，几何特征点还可以包括中心、重心等。
在一些实施例中，处理器可以通过多种方式计算三维模型的几何特征点。例如，处理器可以获取三维模型表面多点的三维坐标，将多点的三维坐标相加后除以点数即可得到三维坐标的中心点坐标。
在一些实施例中，处理器可以以几何特征点为中心，生成多个半径不同的同心球，基于每个同心球，执行多轮采样。其中，半径最小的同心球与三维模型存在至少一个交点，且半径最大的同心球与三维模型也可以存在至少一个交点，连续两个同心球的半径差值可以为预设间距，预设间距可以设置为d，若半径最小的同心球半径为r，则连续的第二个同心球半径为r+d，后续同心球半径以此类推。例如，第一轮采样中，半径为r的同心球与三维模型存在交线，在交线上任取两个点，并计算两个点之间的距离作为特征值，并反复随机取两个点计算两个点之间的距离作为特征值；第二轮采样中，半径为r+d的同心球与三维模型存在交线，在交线上任取两个点，并计算两个点之间的距离作为特征值，并反复随机取两个点计算两个点之间的距离作为特征值，第三轮采样与上文采取类似做法。
特征值是指用于表征特征向量中的特征的数值。例如，在距离特征向量中，三维模型上两点之间的距离为特征值；在曲率特征向量中，三维模型上一个点的曲率为特征值。
在一些实施例中，在确定距离特征向量的特征值时，处理器可以在上述同心球与三维模型的交线上任意取两个点，并计算两个点之间的距离作为特征值。
在一些实施例中，在确定曲率特征向量的特征值时，处理器可以在上述同心球与三维模型的交线上任意取一个点，并计算该点的曲率作为特征值。
在一些实施例中，在确定面积特征向量的特征值时，处理器可以计算上述同心球与三维模型的截面面积，并将截面面积作为特征值。
在一些实施例中，在确定体积特征向量的特征值时，处理器可以计算上述同心球与三维模型相交后截断模型的体积，并将截断模型的体积作为特征值。
在一些实施例中，处理器可以基于多个特征值，确定每个维度的特征向量。在一些实施例中，处理器可以统计多个特征值出现的频率确定每个维度的特征向量。在一些实施例中，不同特征值的频率可以作为特征向量中的一个元素。例如，在确定距离特征向量时，经上述多轮采样可以获取不同半径的同心球采集到的多个特征值，将多个特征值出现的频率相加得到距离特征向量。仅作为示例的，特征值可以包括10mm，20mm，30mm，采用半径r的同心球采样时，特征值10mm出现的次数为20次，特征值20mm出现的次数为10次，特征值30mm出现的次数为5次；采用半径r+d的同心球采样时，特征值10mm出现的次数为15次，特征值20mm出现的次数为10次，特征值30mm出现的次数为2次；采用半径r+2d的同心球采样时，特征值10mm出现的次数为10次，特征值20mm出现的次数为5次，特征值30mm出现的次数为1次，则将特征值10mm出现的次数，特征值20mm出现的次数及特征值30mm出现的次数相加可得距离特征向量为(45，25，8)。曲率特征向量、面积特征向量及体积特征向量的确定方式参见距离特征向量的确定方式。
相较于通过单一维度的特征向量确定形状特征，通过多个维度的特征向量确定形状特征能够使确定的三维模型的形状特征更加准确，有利于进一步提高确定的三维模型的多类别多级别分类更加准确，有利于进一步提高后续确定的目标三维模型的准确性。
在一些实施中，处理器可以统计不同特征值的频率，其中，统计不同特征值的频率时基于权重统计，权重相关于采集所述不同特征值时所对应的同心球与待分类三维模型的截断表面积比率。
不同特征值的频率可以指不同特征值出现的次数。例如，上文所述特征值10mm出现的次数为20次，特征值20mm出现的次数为10次，特征值30mm出现的次数为5次，则不同特征值10mm、20mm及30mm的频率可以分别为20、10及5。
截断表面积比率是指同心球与三维模型取交集时，三维模型被截断的截面的表面积与三维模型的表面积之比。例如，当同心球半径取最大值时，截断表面积比率为0，此时三维模型被截断的截面的表面积为0。
在一些实施例中，截断表面积比率越小，对应的同心球采样得到的特征值的权重越大。例如，半径r的同心球采样时，截断表面积比率为0.2；半径r+d的同心球采样时，截断表面积比率为0.3；半径r+2d的同心球采样时，截断表面积比率为0.5，则半径r、r+d和r+2d的同心球采样时得到的特征值的权重可以分别取0.5、0.3及0.2，当采用半径r的同心球采样时，特征值10mm出现的次数为20次，特征值20mm出现的次数为10次，特征值30mm出现的次数为5次；采用半径r+d的同心球采样时，特征值10mm出现的次数为15次，特征值20mm出现的次数为10次，特征值30mm出现的次数为2次；采用半径r+2d的同心球采样时，特征值10mm出现的次数为10次，特征值20mm出现的次数为5次，特征值30mm出现的次数为1次，则对特征值10mm出现的次数，特征值20mm出现的次数及特征值30mm出现的次数进行加权处理相加可得距离特征向量为(16.5，9，3.3)。曲率特征向量、面积特征向量及体积特征向量的加权确定方式参见上述距离特征向量的加权确定方式。
由于截面的面积越小，多轮采样时的特征值越少，导致截面较小的位置对应特征值采样数据较少，因此获取特征向量时考虑截断表面积比率，设置截断表面积比率越小则对应特征值权重越大，能够使三维模型被同心球截断后面积较小的截面采样的特征值权重更大，从而使得确认的特征向量更加准确。
在一些实施例中，权重还相关于截断模型与待分类三维模型的复杂度变化率，截断模型可以通过同心球截断待分类三维模型后得到，复杂度可以基于截断模型的表面积与体积确定。
截断模型是指三维模型被同心球截断的模型。例如，截断模型可以是被同心球截断后同心球内部的模型，截断模型还可以是被同心球截断后同心球外部的模型。
复杂度指三维模型(如截断模型、截断前的原三维模型等)的不规则程度。在一些实施例中，复杂度可以通过公式(1)得到：
C＝k*(S1/S2)   公式(1)
其中，C代表复杂度，k代表复杂度常数，S1为三维模型表面积，S2为与三维模型具有相同体积的标准三维模型(例如，球体等)的表面积。
复杂度变化率可以为截断模型复杂度除以截断前的原三维模型的复杂度得到的数值。
在一些实施例中，复杂度变化率越大，对应的同心球采样得到的特征值的权重越大。根据复杂度变化率进行加权处理得到特征向量参见上文根据截断表面积比率确定特征向量的方式。
通过考虑复杂度变化率进行加权处理来确定特征向量，能够使在越复杂的截断模型上采样时的特征值对应权重越大，从而使确定的特征向量更加准确。
步骤430，确定待分类三维模型的至少一个射影特征，其中，至少一个射影特征通过虚拟相机在多个预设点位采集包含待分类三维模型的多个画面确定，多个预设点位相对于待分类三维模型具有不同的角度和距离，至少一个射影特征包括采集的多个画面。
射影特征是指三维模型中与射影相关的特征。在一些实施例中，至少一个射影特征可以包括虚拟相机采集的多个画面。其中，虚拟相机可以指用于获取三维模型多个画面的组件。
在一些实施例中，处理器可以通过虚拟相机在多个预设点位采集包含待分类三维模型的多个画面确定至少一个射影特征。预设点位是指虚拟相机采集画面时的位置，预设点位可以预先设置，多个预设点位相对于待分类三维模型可以具有不同的角度和距离，例如，预设点位可以在待分类三维模型的正上方、正下方、左前方等。上述不同的预设点位相对于待分类三维模型具有不同的角度和距离。不同的预设点位距离待分类三维模型的距离可以不同(如多个预设点位可以分别在待分类三维模型的正上方的距离待分类三维模型的多个距离的位置)。预设点位的数量也可以预先设置，例如，处理器可以设置5个、10个预设点位等。
在一些实施例中，处理器可以基于上述多个预设点位，通过虚拟相机采集包含待分类三维模型的多个画面，可以将每个画面确定为一个射影特征。
步骤440，基于形状特征和至少一个射影特征，确定待分类三维模型的多类别多级别分类。
在一些实施例中，处理器可以基于形状特征和至少一个射影特征，通过多种方式确定待分类三维模型的多类别多级别分类。例如，通过分类模型、向量数据库匹配等确定待分类三维模型的多类别多级别分类。
分类模型可以是用于确定待分类三维模型的多类别多级别分类的模型。在一些实施例中，分类模型可以是机器学习模型，例如，分类模型可以是深度神经网络模型、循环网络模型等。
在一些实施例中，分类模型的输入可以包括形状特征和至少一个射影特征。关于形状特征与影射特征，可以参见上文相关描述。
在一些实施例中，分类模型的输出可以包括待分类三维模型的多类别多级别分类。关于多类别多级别分类，可以参见上文相关描述。
在一些实施例中，可以基于第一训练样本及其标签对初始分类模型进行训练。初始分类模型可以是未设置参数的分类模型。第一训练样本可以是形状特征样本和至少一个射影特征样本，标签可以是其对应的实际多类别多级别分类。第一训练样本和标签可以基于历史数据获得，标签可以基于历史数据人工标注获得。将形状特征样本和至少一个射影特征样本输入初始分类模型进行训练，得到输出的多类别多级别分类，基于多类别多级别分类与实际多类别多级别分类构建损失函数，并基于损失函数迭代更新初始分类模型，直到预设条件被满足，训练完成，得到训练好的分类模型。其中，预设条件可以是损失函数小于阈值、收敛或训练周期达到阈值。
在一些实施例中，处理器可以基于形状特征和至少一个射影特征，通过向量数据库匹配来确定待分类三维模型的多类别多级别分类。
在一些实施例中，处理器可以基于海量三维模型及其对应的形状特征和射影特征构建向量数据库。例如，处理器可以计算每个三维模型的形状特征以及射影特征，将其向量化得到嵌入特征向量，每个嵌入特征向量与对应的三维模型存在对应关系，其中对应的三维模型标注多类别多级别分类的标签，嵌入特征向量、对应的三维模型及多类别多级别分类的标签作为一组历史向量存入向量数据库。其中，处理器可以构建向量数据库的索引，构建索引能够便于提升检索效率。例如，通过聚类算法将嵌入特征向量分成多个簇，每个簇可以包含多个嵌入特征向量，每个簇可以包含中心向量。聚类算法可以包括K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)等。
在一些实施例中，处理器可以将待分类三维模型的形状特征、射影特征向量化得到目标向量，然后将目标向量与向量数据库中每个簇的中心向量做距离计算，选择距离小于阈值的簇，阈值可以人为设置，选择的簇数量可以人为设置，再计算目标向量与选择的簇中每一条嵌入特征向量的相似度，获得相似度最接近的k条嵌入特征向量。处理器可以根据k条嵌入特征向量对应的三维模型对应的多类别多级别分类，确定待分类三维模型的多类别多级别分类。例如，将k条嵌入特征向量对应的三维模型对应的多类别多级别分类中，占比最多的多类别多级别分类确定为待分类三维模型的多类别多级别分类。
基于形状特征以及射影特征，确定待分类三维模型的多类别多级别分类，可以使待分类三维模型的多类别多级别分类更加准确，模型数据库中包括三维模型的多类别多级别分类，因而调用模型数据库中的三维模型时结果更加准确，有利于进一步确保后续确定的目标三维模型的准确性和确定目标三维模型的效率。
图5是根据本说明书另一些实施例所示的辅助三维建模方法的示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由辅助三维建模系统200执行。
步骤510，基于输入信息，确定至少一个需求特征。
需求特征是指根据输入信息提取的关于用户需求的特征。在一些实施例中，基于输入信息，处理器可以提取出至少一个需求特征。例如，用户的输入信息为一张拍摄的办公桌椅照片，处理器可以提取出此图形图像文件的一个需求特征为“桌子”、一个需求特征为“椅子”等。
在一些实施例中，处理器可以通过模型或算法等，根据用户的输入信息确定至少一个需求特征。例如，处理器可以通过自然语言处理(Natural Language Processing，NLP)模型等提取一个或多个需求特征。
步骤520，基于至少一个需求特征，通过需求识别模型确定多类别多级别分类，其中，需求识别模型为机器学习模型。
需求识别模型是指可以用于提取用户的输入信息的需求特征的模型。在一些实施例中，需求识别模型可以为机器学习模型。例如，需求识别模型可以包括循环神经网络模型、神经网络模型、深度神经网络模型等或其任意组合。
在一些实施例中，需求识别模型的输入可以包括一个或多个需求特征。需求识别模型的输出可以包括一个或多个需求特征分别对应的多类别多级别分类。
在一些实施例中，可以基于第二训练样本及其标签对初始需求识别模型进行训练。初始需求识别模型可以是未设置参数的需求识别模型。第二训练样本可以是需求特征样本，标签可以是需求特征样本对应的实际多类别多级别分类。第二训练样本和标签可以基于历史数据获得，标签可以基于人工标注。将需求特征样本输入初始需求识别模型进行训练，得到需求特征的多类别多级别分类，基于多类别多级别分类与实际多类别多级别分类构建损失函数，并基于损失函数迭代更新初始需求识别模型，直到预设条件被满足，训练完成，得到训练好的需求识别模型。其中，预设条件可以是损失函数小于阈值、收敛或训练周期达到阈值。
步骤530，基于多类别多级别分类，从向量数据库中确定目标簇。
向量数据库是指用于存储、索引和查询向量的数据库。向量数据库可以包括多个三维模型分别对应的多个特征向量以及多个三维模型分别对应的多类别多级别分类的标签。关于向量数据库的更多说明可以参见图4的相关描述。
目标簇是指一个或多个需求特征的多类别多级别分类对应的簇。
在一些实施例中，处理器可以基于一个或多个需求特征的多类别多级别分类，从向量数据库中确定目标簇。例如，处理器可以将向量数据库中与一个或多个需求特征的多类别多级别分类相同或相似的多类别多级别分类对应的三维模型的嵌入特征向量对应的簇确定为目标簇。关于嵌入特征向量对应的簇的更多说明可以参见图4的相关描述。
步骤540，将目标簇中的至少一个三维模型推荐给用户。
在一些实施例中，处理器可以将目标簇中的至少一个三维模型推荐给用户。例如，处理器可以随机从目标簇中选择预设数量的三维模型荐给用户。其中，预设数量可以预先设置为3个等，处理器可以从目标簇中选择3个三维模型推荐给用户。
在本说明书的一些实施例，基于输入信息确定的需求特征，通过需求识别模型确定需求特征的多类别多级别分类，可以提高确定的多类别多级别分类的准确性，基于多类别多级别分类，从向量数据库中确定目标簇，并将目标簇中的至少一个三维模型推荐给用户，可以进一步提高推荐给用户的三维模型的准确性，实现目标三维模型的精准推荐，进而提高确定目标三维模型的效率。
在一些实施中，处理器可以对目标簇中的至少一个三维模型进行排序，排序基于至少一个三维模型的选用率和好评率进行；基于排序，将预定数量的至少一个三维模型确定为至少一个候选三维模型；基于至少一个候选三维模型中的每个候选三维模型，通过推荐模型确定预测选用概率，其中，推荐模型可以为机器学习模型。处理器可以基于预测选用概率，确定目标三维模型，并将目标三维模型推荐给用户。
选用率指目标簇中某一三维模型被选用的概率。例如，“椅子”对应的目标簇中的某一办公椅被选用的概率为60％。
好评率是指用户对目标簇中某一三维模型给出好评的概率。例如，“椅子”对应的目标簇中某一办公椅被选用20次，有10次用户给出好评，则该三维模型的好评率是50％。
在一些实施例中，处理器可以基于网络采集至少一个三维模型的选用率和好评率。目标簇中的每个三维模型都具有一个选用率和好评率。处理器可以基于目标簇中的三维模型的选用率和好评率，通过多种方式对目标簇中的三维模型进行排序。例如，处理器可以基于选用率和好评率之和的大小，对目标簇中的三维模型进行排序。示例性的，椅子A的选用率为90％，好评率为80％；椅子B的选用率为50％，好评率为60％；椅子C的选用率为60％，好评率为70％，则排序结果由高到低依次为：椅子A、椅子C、椅子B。又例如，处理器可以对选用率和好评率进行加权求和，根据加权求和的大小，对目标簇中的三维模型进行排序。选用率和好评率对应的权重大小可以根据实际需求进行设定。
候选三维模型是目标簇中符合用户需求特征的可用于推荐给用户的备选三维模型。
在一些实施例中，基于上述排序，处理器可以将排序靠前的预定数量的至少一个三维模型确定为至少一个候选三维模型。预定数量是指提前预设的可以作为候选三维模型的数量。预定数量可以根据实际需求进行设定。
预测选用概率是指预测候选三维模型被用户选用的概率。
推荐模型可以指确定预测选用概率的模型。在一些实施例中，推荐模型可以为机器学习模型。例如，推荐模型可以是神经网络模型、深度神经网络模型等或其任意组合。
在一些实施例中，推荐模型的输入可以包括候选三维模型、用户的最近搜索特征、用户在本次建模中的模型选用序列、当前场景的射影特征、候选三维模型的模型特征等。用户的最近搜索特征可以表征用户距离当前时间点的一段时间内(如1小时等)的搜索频率、搜索选用率(如搜索并选用的次数/搜索的次数)等。用户在本次建模中的模型选用序列是指用户在当前建模场景中，按建模先后顺序排列的序列。例如，用户已经建模了一张桌子、一张椅子、木地板等，模型选用序列可以是：桌子、椅子、木地板等。当前场景的射影特征是指通过虚拟相机，在多个预设点位采集包含当前场景的多个画面。候选三维模型的模型特征可以包括形状特征、射影特征等。关于形状特征、射影特征的更多说明可以参见图4的相关描述。
在一些实施例中，推荐模型的输出是预测选用概率。
在一些实施例中，可以基于第三训练样本及其标签对初始推荐模型进行训练。第三训练样本中的每组训练样本可以包括样本候选三维模型、样本用户的最近搜索特征、样本用户在本次建模中的模型选用序列、样本当前场景的射影特征、样本候选三维模型的模型特征，标签可以是该组训练样本对应的实际选用概率。第三训练样本和标签可以基于历史数据获得，标签可以基于历史实际情况人工标注。将每组训练样本输入初始推荐模型进行训练，得到预测选用概率，基于预测选用概率与实际选用概率构建损失函数，并基于损失函数迭代更新初始推荐模型，直到预设条件被满足，训练完成，得到训练好的推荐模型。其中，预设条件可以是损失函数小于阈值、收敛或训练周期达到阈值。
在一些实施例中，推荐模型确定候选三维模型的预测选用概率后，处理器可以将对应预测选用概率最大或排名前几的候选三维模型确定为一个或多个目标三维模型推荐给用户。
在一些实施例中，根据预测选用概率，优选向用户推荐预测选用概率更高的三维模型作为目标三维模型。
在一些实施例中，目标三维模型的数量可以根据UI展示页面的排版大小，用户舒适度等来确定，例如，显示不同数量的推荐时，用户的搜索选用率，搜索选用率越高，说明用户舒适度越大。
本说明书的一些实施例中，基于至少一个三维模型的选用率和好评率，对目标簇中的至少一个三维模型进行排序，确定至少一个候选三维模，通过推荐模型确定预测选用概率，基于预测选用概率，确定目标三维模型，并将目标三维模型推荐给用户，提高三维模型选取效率的同时，提升三维模型推荐的精准度，节约用户建模时间。
在一些实施例中，处理器可以响应于用户选择重新匹配时，确定至少一个需求特征的重要度；基于重要度，删减多余需求特征，并重新确定多类别多级别分类；其中，确定至少一个需求特征的重要度包括：获取至少一个需求特征中的每个需求特征的搜索热度；获取具有每个需求特征的标签的三维模型的搜索选用率；基于搜索热度和搜索选用率，确定每个需求特征的重要度。
步骤550，响应于用户选择重新匹配时，确定至少一个需求特征的重要度。
重新匹配是指用户对推荐的三维模型不满意，重新匹配对应的三维模型。例如，用户可以不修改输入信息，直接选择重新匹配。又例如，用户对推荐的椅子A模型不满意，用户可以重新导入输入信息，处理器根据用户重新导入的输入信息重新匹配对应的多类别多级别分类。具体多类别多级别分类参见图4。
重要度是指需求特征对匹配到用户满意的三维模型的重要程度。重要度可以通过数值(如1-100)等进行表示。
搜索热度指需求特征被搜索的次数。例如，椅子这一需求特征的被用户搜索20次，则椅子这一需求特征的搜索热度为20次。
搜索选用率是指根据需求特征搜索到的具有需求特征的标签的三维模型被选用的概率。例如，搜索到有椅子标签的模型A、模型B、模型C，其中多数用户选用模型A，则模型A的搜索选用率最高。
在一些实施例中，处理器可以通过网络收集用户信息获取搜索热度和搜索选用率。在一些实施例中，处理器根据需求特征的搜索热度和搜索选用率，通过多种方式确定重要度。例如，处理器可以基于搜索热度和搜索选用率数值的大小，数值较大的对应的重要度较高。示例性的，基于输入信息提取出桌子、椅子两个需求特征，其中，椅子的搜索热度为20次，搜索选用率为50％；桌子的搜索热度为30次，搜索选用率为70％，则桌子的重要度高于椅子。又例如，处理器可以对搜索热度和搜索选用率进行加权求和，根据加权求和的大小，确定需求特征的重要度。搜索热度和搜索选用率对应的权重大小可以根据实际需求进行设定。
步骤560，基于重要度，删减多余需求特征，并重新确定多类别多级别分类。
在一些实施例中，处理器基于各个需求特征的重要度，删减多余需求特征，重新确定多类别多级别分类。多余需求特征可以指重要性较低的特征，例如，重要度较低的对应的需求特征。例如，处理器可以将重要度最小或重要度小于重要度阈值的需求特征确定为多余需求特征，并进行删除。重要度阈值可以根据实际需求进行设置。处理器可以基于删除多余需求特征后剩余的一个或多个需求特征对应的多级别多类别分类，通过上述步骤530和步骤540，重新确定至少一个三维模型推荐给用户。
本说明书的一些实施例中，用户选择重新匹配时，确定至少一个需求特征的重要度，删减多余需求特征，并重新确定多类别多级别分类，提高用户需求三维模型推荐的准确度。
本说明书一些实施例包括一种辅助三维建模装置，该装置包括至少一个处理器以及至少一个存储器；至少一个存储器用于存储计算机指令；至少一个处理器，执行计算机指令中的至少部分指令，以实现辅助三维建模方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行辅助三维建模方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种辅助三维建模方法，其特征在于，所述方法由处理器执行，包括：
通过输入信息，从模型数据库中检索得到检索数据，其中，所述输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，所述模型数据库包括多个三维模型和所述多个三维模型对应的多类别多级别分类，所述多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，所述模型数据库基于多个已获数据文件构建；
基于所述检索数据，确定目标三维模型。
2.根据权利要求1所述的辅助三维建模方法，其特征在于，所述模型数据库基于多个已获数据文件构建包括：
对所述多个已获数据文件中的每一个已获数据文件进行解析，提取待解析数据；
基于所述待解析数据，确定至少一个对象；
基于所述至少一个对象，确定至少一个单一对象，并将所述至少一个单一对象存入所述模型数据库，其中，所述至少一个单一对象包括所述多个三维模型中的一个三维模型。
3.根据权利要求1所述的辅助三维建模方法，其特征在于，确定所述多个三维模型对应的多类别多级别分类包括：
获取所述多个三维模型中的待分类三维模型；
确定所述待分类三维模型的形状特征；
确定所述待分类三维模型的至少一个射影特征，其中，所述至少一个射影特征通过虚拟相机在多个预设点位采集包含所述待分类三维模型的多个画面确定，所述多个预设点位相对于所述待分类三维模型具有不同的角度和距离，所述至少一个射影特征包括采集的所述多个画面；
基于所述形状特征和所述至少一个射影特征，确定所述待分类三维模型的所述多类别多级别分类。
4.根据权利要求1所述的辅助三维建模方法，其特征在于，所述方法还包括：
基于所述输入信息，确定至少一个需求特征；
基于所述至少一个需求特征，通过需求识别模型确定所述多类别多级别分类，其中，所述需求识别模型为机器学习模型；
基于所述多类别多级别分类，从向量数据库中确定目标簇；
将所述目标簇中的至少一个三维模型推荐给用户。
5.一种辅助三维建模系统，其特征在于，包括：处理器，所述处理器包括数据准备模块、模型数据库和应用模块；
所述处理器用于：
通过输入信息，从所述模型数据库中检索得到检索数据，其中，所述输入信息包括三维模型文件、图形图像文件和文本文件信息中的至少一种，所述模型数据库包括多个三维模型和所述多个三维模型对应的多类别多级别分类，所述多个三维模型至少包括点云模型、三角面网格模型、四边形网格模型、体素模型和隐函数模型中的至少一种，所述模型数据库基于多个已获数据文件构建；
基于所述检索数据，确定目标三维模型。
6.根据权利要求5所述的辅助三维建模系统，其特征在于，所述处理器进一步用于：
对所述多个已获数据文件中的每一个已获数据文件进行解析，提取待解析数据；
基于所述待解析数据，确定至少一个对象；
基于所述至少一个对象，确定至少一个单一对象，并将所述至少一个单一对象存入所述模型数据库，其中，所述至少一个单一对象包括所述多个三维模型中的一个三维模型。
7.根据权利要求5所述的辅助三维建模系统，其特征在于，所述处理器进一步用于：
获取所述多个三维模型中的待分类三维模型；
确定所述待分类三维模型的形状特征；
确定所述待分类三维模型的至少一个射影特征，其中，所述至少一个射影特征通过虚拟相机在多个预设点位采集包含所述待分类三维模型的多个画面确定，所述多个预设点位相对于所述待分类三维模型具有不同的角度和距离，所述至少一个射影特征包括采集的所述多个画面；
基于所述形状特征和所述至少一个射影特征，确定所述待分类三维模型的所述多类别多级别分类。
8.根据权利要求5所述的辅助三维建模系统，其特征在于，所述处理器进一步用于：
基于所述输入信息，确定至少一个需求特征；
基于所述至少一个需求特征，通过需求识别模型确定所述多类别多级别分类，其中，所述需求识别模型为机器学习模型；
基于所述多类别多级别分类，从向量数据库中确定目标簇；
将所述目标簇中的至少一个三维模型推荐给用户。
9.一种辅助三维建模装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至4中任意一项所述的辅助三维建模方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1至4任一项所述的辅助三维建模方法。
CN202310007501.1A 2023-01-04 2023-01-04 一种辅助三维建模方法、系统、装置和介质 Pending CN116089639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310007501.1A CN116089639A (zh) 2023-01-04 2023-01-04 一种辅助三维建模方法、系统、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310007501.1A CN116089639A (zh) 2023-01-04 2023-01-04 一种辅助三维建模方法、系统、装置和介质

Publications (1)

Publication Number Publication Date
CN116089639A true CN116089639A (zh) 2023-05-09

Family

ID=86203911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310007501.1A Pending CN116089639A (zh) 2023-01-04 2023-01-04 一种辅助三维建模方法、系统、装置和介质

Country Status (1)

Country Link
CN (1) CN116089639A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473105A (zh) * 2023-12-28 2024-01-30 浪潮电子信息产业股份有限公司 基于多模态预训练模型的三维内容生成方法及相关组件

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473105A (zh) * 2023-12-28 2024-01-30 浪潮电子信息产业股份有限公司 基于多模态预训练模型的三维内容生成方法及相关组件
CN117473105B (zh) * 2023-12-28 2024-04-05 浪潮电子信息产业股份有限公司 基于多模态预训练模型的三维内容生成方法及相关组件

Similar Documents

Publication Publication Date Title
CN107291871B (zh) 基于人工智能的多域信息的匹配度评估方法、设备及介质
Unnikrishnan et al. Toward objective evaluation of image segmentation algorithms
CN104850633B (zh) 一种基于手绘草图部件分割的三维模型检索系统及方法
US8429174B2 (en) Methods, systems, and data structures for performing searches on three dimensional objects
KR101967410B1 (ko) 시각 검색 애플리케이션용 유명인사의 인물 모델 자동 마이닝
CN110019914B (zh) 一种支持三维场景交互的三维模型数据库检索方法
Zhao et al. Indexing 3D scenes using the interaction bisector surface
Berretti et al. 3d mesh decomposition using reeb graphs
CN110210431B (zh) 一种基于点云语义标注和优化的点云分类方法
CN105205135B (zh) 一种基于主题模型的3d模型检索方法及其检索装置
CN107291825A (zh) 一种视频中同款商品的检索方法和系统
Kalamaras et al. Multi-objective optimization for multimodal visualization
CN110737805B (zh) 图模型数据的处理方法、装置和终端设备
CN112115291B (zh) 一种基于深度学习的三维室内模型检索方法
CN115688760A (zh) 一种智能化导诊方法、装置、设备及存储介质
CN116089639A (zh) 一种辅助三维建模方法、系统、装置和介质
Hu et al. Curve skeleton extraction from 3D point clouds through hybrid feature point shifting and clustering
Theologou et al. A review on 3D object retrieval methodologies using a part-based representation
Ellena et al. A novel hierarchical clustering algorithm for the analysis of 3D anthropometric data of the human head
CN106980878B (zh) 三维模型几何风格的确定方法及装置
Meng et al. Merged region based image retrieval
CN112734913A (zh) 一种基于多阶段变形重构的三维模型球表达计算方法
CN105956005B (zh) 一种数据处理方法和设备
Pan et al. 3D patch-based sparse learning for style feature extraction
Tan et al. Local features and manifold ranking coupled method for sketch-based 3D model retrieval

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination