CN104992425A - 一种基于gpu加速的dem超分辨率方法 - Google Patents

一种基于gpu加速的dem超分辨率方法 Download PDF

Info

Publication number
CN104992425A
CN104992425A CN201510447886.9A CN201510447886A CN104992425A CN 104992425 A CN104992425 A CN 104992425A CN 201510447886 A CN201510447886 A CN 201510447886A CN 104992425 A CN104992425 A CN 104992425A
Authority
CN
China
Prior art keywords
dem
region unit
low resolution
resolution dem
learning data
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.)
Granted
Application number
CN201510447886.9A
Other languages
English (en)
Other versions
CN104992425B (zh
Inventor
侯文广
陈子轩
王学文
徐泽楷
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201510447886.9A priority Critical patent/CN104992425B/zh
Publication of CN104992425A publication Critical patent/CN104992425A/zh
Application granted granted Critical
Publication of CN104992425B publication Critical patent/CN104992425B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Stored Programmes (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于GPU加速的DEM超分辨率方法。包括：(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数据达到同一尺度；同时将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据；(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块；(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相似块查找，计算区域块的相似权重，通过将相似权重与给定的阈值T进行比较，得到高分辨率的DEM区域块。本发明能高效快速重建高分辨率DEM数据，且重建结果清晰，准确度高。

Description

一种基于GPU加速的DEM超分辨率方法
技术领域
本发明属于地形测绘技术领域，更具体地，涉及一种基于GPU加速的DEM超分辨率方法。
背景技术
数字高程模型(Digital Elevation Model,DEM)是数字地形模型的一个分支，它是用一组有序数值阵列形式表示地面高程的一种数字模型。随着数字化的高度发展，DEM模型在社会生活中具有极高的应用价值，因此，人们对高精度地形模型的要求也越来越高。为了得到高精度的DEM模型，通常采用两种方法。一种方法是通过使用更加先进的硬件设备直接提高DEM模型的精度，这种方法不仅成本高，而且对技术水平要求也比较高；第二种方法是通过分析DEM模型，运用超分辨率的方法提高DEM的精度及分辨率，即通过一系列低分辨率的图像来得到一幅高分辨率的图像，该过程称为超分辨率重建。比较而言，第二种方法大大降低了成本，吸引了大量研究者的重视。基于学习的超分辨率是当前超分辨率研究的热点，其更加偏重于理解高分辨率图像自身的性质以及内部的规律，因此具有更好的重建效果，然而该方法需要较大的学习数据库，使得计算量十分巨大，因此研究快速的超分辨率方法具有实际的意义。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于GPU加速的DEM超分辨率方法，将GPU引入到DEM重建中，达到高效快速重建高分辨率DEM数据的目的，且重建结果清晰，准确度高。
为实现上述目的，本发明提供了一种DEM超分辨率方法，其特征在于，包括如下步骤：
(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数据达到同一尺度，此时，低分辨率DEM学习数据与高分辨率DEM学习数据上的点一一对应；同时，将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据；
(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块；
(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相似块查找，计算与低分辨率DEM学习数据的区域块的相似权重，将相似权重与给定的阈值T进行比较，若低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块对低分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块；若低分辨率DEM学习数据中不存在与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T的区域块，则直接将低分辨率DEM学习数据的区域块作为高分辨率的DEM区域块；
(4)将步骤(3)得到的高分辨率的DEM区域块按照与低分辨率DEM重建数据的区域块相同的方式拼接起来，区域块的重叠部分取均值，得到重建后的高分辨率DEM数据。
优选地，所述步骤(3)由GPU实现。
优选地，GPU按照如下步骤实现所述步骤(3)：
(S1)为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据读入CPU，初始化CUDA编程环境；
(S2)为GPU开辟显存地址空间用于内核函数的输入和输出，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据由CPU传送到GPU；
(S3)根据区域块的大小、区域块间的步长分配线程结构，编写GPU端并行执行的内核函数，内核函数完成低分辨率DEM重建数据的每个区域块的重建工作并将结果输出；
(S4)将GPU端的输出结果传回到内存；
(S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。
优选地，所述步骤(3)中，低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的相似权重其中，h为衰减参数，为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的平均欧氏距离，yt(i)为低分辨率DEM重建数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块的第i个像素值，为低分辨率DEM重建数据的区域块的平均像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值。
优选地，所述步骤(3)中，低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T时，得到的高分辨率的DEM区域块的第i个像素值其中，ωj为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的相似权重，为这n个区域块对应的高分辨率DEM学习数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值，为低分辨率DEM重建数据的区域块的平均像素值。
优选地，所述插值方法为最近邻域插值、双线性插值或双三次插值。
优选地，所述步骤(2)中，区域块间的步长为(N-1)/2。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1、将GPU引入到DEM重建中，大幅提升了数据的重建速度。
2、采用阈值判断的方法对低分辨率DEM重建数据的区域块进行重建，为GPU的快速计算提供了更加有利的条件。
3、对区域块间的步长进行合理选择，在保证重建效果的前提下进一步缩短了重建时间。
4、基于学习的思想重建得到高分辨率DEM数据，重建结果清晰，准确度高。
附图说明
图1是本发明实施例的DEM超分辨率方法的流程图；
图2是CUDA编程模型图；
图3是GPU的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
近些年，随着以统一计算设备架构(Computer Unified DeviceArchitecture,CUDA)为代表的通用计算的普及，GPU以其强大的并行计算能力以及可编程性得到了广泛的应用。其典型应用有图像及信号处理、3D图像渲染、计算机视觉加速处理等。本发明针对基于学习的超分辨率方法运算量大的问题，将GPU强大的并行运算能力应用到DEM模型的超分辨率方法中，达到快速而高效地重建高精度DEM模型的目的。
如图1所示，本发明实施例的基于GPU加速的DEM超分辨率方法包括如下步骤：
(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数据达到同一尺度，此时，低分辨率DEM学习数据与高分辨率DEM学习数据上的点一一对应；同时，将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据。
其中，插值方法为最近邻域插值、双线性插值或双三次插值。
(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块。
优选地，区域块间的步长为(N-1)/2。
(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相似块查找，计算与低分辨率DEM学习数据的区域块的相似权重，将相似权重与给定的阈值T进行比较，若低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块对低分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块；若低分辨率DEM学习数据中不存在与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T的区域块，则直接将低分辨率DEM学习数据的区域块作为高分辨率的DEM区域块。
其中，低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的相似权重h为衰减参数，为给定值，例如h＝20，为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的平均欧氏距离，yt(i)为低分辨率DEM重建数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块的第i个像素值，为低分辨率DEM重建数据的区域块的平均像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值。
其中，低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T时，得到的高分辨率的DEM区域块的第i个像素值为这n个区域块对应的高分辨率DEM学习数据的区域块的第i个像素值。
(4)将步骤(3)得到的高分辨率的DEM区域块按照与低分辨率DEM重建数据的区域块相同的方式拼接起来，区域块的重叠部分取均值，得到重建后的高分辨率DEM数据。
随着技术的发展，GPU的应用范围越来越广，其强大的并行计算能力解决了日益增长的数据量的计算问题。针对基于学习算法运算量大、待重建块之间相互独立的特点，非常适合用GPU进行并行加速。
统一计算设备架构(Compute Unified Device Architecture，CUDA)是英伟达(NVIDIA)推出的一种运算平台，它采用易掌握的C语言来进行开发，开发人员既无需为了GPU而另外学习新的编程语言，又可以从CPU的编写模式平稳过渡到GPU的编写模式。
图2展示了CUDA的编程模型，该模型分为两部分，一部分为主机端(Host)，一部分为设备端(Device)。主机端由CPU执行，主要负责串行计算以及逻辑运算，设备端由GPU执行，主要负责高度并行化的数据处理。kernel(内核函数)是针对并行运算的函数，它是完整程序的一部分，只负责并行处理，一个完整的CUDA程序包括Host的串行运算以及Device的并行运算功能组成，依次执行对应程序中的语句顺序。
为了满足CUDA可以在核心数量不同的硬件上的运行，CUDA本身就有一定的线程结构。kernel最根本的是以线程(thread)构成的，若干数量的线程可以构成一个线程块(Block)，若干个线程块则可以构成一个线程网格(Grid)，而线程网格则是kernel的组织形式。各block之间是同时运行切互不干扰的，并且block之间是无任何通信机制存在的，这样的编程模型保证了GPU无论对于单个线程块或是多个线程块都可以很好的编程。
优选地，上述步骤(3)由GPU实现，如图3所示，GPU按照如下步骤实现上述步骤(3)：
(S1)为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据读入CPU，初始化CUDA编程环境。
(S2)为GPU开辟显存地址空间用于内核函数的输入和输出，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据由CPU传送到GPU。
(S3)根据区域块的大小、区域块间的步长分配线程结构，编写GPU端并行执行的内核函数，内核函数完成低分辨率DEM重建数据的每个区域块的重建工作并将结果输出。
(S4)将GPU端的输出结果传回到内存。
(S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。
下面通过实例来证明GPU加速后效率的提升。所采用的CPU型号是Intel(R)Core(TM)i3-21003.10GHz，GPU型号是NVIDIA GeForce GTX 660Ti，操作系统是32位Windows 7系统。表1和表2为选择不同区域块大小时，CPU和GPU的重建时间对比表。其中，表1采用的低分辨率DEM重建数据的大小为500×500，高分辨率DEM学习数据及低分辨率DEM学习数据的大小均为1500×750；表2采用的低分辨率DEM重建数据的大小为500×500，高分辨率DEM学习数据及低分辨率DEM学习数据的大小均为500×500。
从表中可以看出，无论学习数据大或小，CUDA的运行速度均远远高于CPU，提速效果非常明显，选择的区域块越小，提速比也越高，充分体现了GPU高密度简单计算的优越性。最后，在实际中，我们也验证了CUDA重建结果与C++是完全一致的，并且结果好于插值方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种DEM超分辨率方法，其特征在于，包括如下步骤：
（1）利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数据达到同一尺度，此时，低分辨率DEM学习数据与高分辨率DEM学习数据上的点一一对应；同时，将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据；
（2）分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块；
（3）对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相似块查找，计算与低分辨率DEM学习数据的区域块的相似权重，将相似权重与给定的阈值T进行比较，若低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块对低分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块；若低分辨率DEM学习数据中不存在与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T的区域块，则直接将低分辨率DEM学习数据的区域块作为高分辨率的DEM区域块；
（4）将步骤（3）得到的高分辨率的DEM区域块按照与低分辨率DEM重建数据的区域块相同的方式拼接起来，区域块的重叠部分取均值，得到重建后的高分辨率DEM数据。
2.如权利要求1所述的DEM超分辨率方法，其特征在于，所述步骤（3）由GPU实现。
3.如权利要求2所述的DEM超分辨率方法，其特征在于，GPU按照如下步骤实现所述步骤（3）：
（S1）为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据读入CPU，初始化CUDA编程环境；
（S2）为GPU开辟显存地址空间用于内核函数的输入和输出，将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据由CPU传送到GPU；
（S3）根据区域块的大小、区域块间的步长分配线程结构，编写GPU端并行执行的内核函数，内核函数完成低分辨率DEM重建数据的每个区域块的重建工作并将结果输出；
（S4）将GPU端的输出结果传回到内存；
（S5）释放整个GPU端开辟的所有显存地址空间，退出CUDA。
4.如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述步骤（3）中，低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的相似权重其中，h为衰减参数，为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的平均欧氏距离，yt(i)为低分辨率DEM重建数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块的第i个像素值，为低分辨率DEM重建数据的区域块的平均像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值。
5.如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述步骤（3）中，低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T时，得到的高分辨率的DEM区域块的第i个像素值其中，ωj为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第j个区域块的相似权重，为这n个区域块对应的高分辨率DEM学习数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值，为低分辨率DEM重建数据的区域块的平均像素值。
6.如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述插值方法为最近邻域插值、双线性插值或双三次插值。
7.如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述步骤（2）中，区域块间的步长为（N-1）/2。
CN201510447886.9A 2015-07-27 2015-07-27 一种基于gpu加速的dem超分辨率方法 Expired - Fee Related CN104992425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510447886.9A CN104992425B (zh) 2015-07-27 2015-07-27 一种基于gpu加速的dem超分辨率方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510447886.9A CN104992425B (zh) 2015-07-27 2015-07-27 一种基于gpu加速的dem超分辨率方法

Publications (2)

Publication Number Publication Date
CN104992425A true CN104992425A (zh) 2015-10-21
CN104992425B CN104992425B (zh) 2018-02-27

Family

ID=54304233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510447886.9A Expired - Fee Related CN104992425B (zh) 2015-07-27 2015-07-27 一种基于gpu加速的dem超分辨率方法

Country Status (1)

Country Link
CN (1) CN104992425B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869105A (zh) * 2016-03-28 2016-08-17 上海交通大学 一种针对a+超分辨率技术的gpu加速方法
CN107742317A (zh) * 2017-09-27 2018-02-27 杭州群核信息技术有限公司 一种渲染图像的获取方法、装置、渲染系统及存储介质
CN112561880A (zh) * 2020-12-16 2021-03-26 华东师范大学 一种将先验知识融入深度学习引导磁共振图像分类的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455709A (zh) * 2013-07-31 2013-12-18 华中科技大学 一种用于数字高程模型的超分辨率方法及其系统
CN103544682A (zh) * 2013-09-17 2014-01-29 华中科技大学 一种三维超声图像非局部均值滤波方法
CN103985085A (zh) * 2014-05-26 2014-08-13 三星电子（中国）研发中心 图像超分辨率放大的方法和装置
CN104395928A (zh) * 2012-06-28 2015-03-04 阿尔卡特朗讯公司 用于生成高分辨率视频流的方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104395928A (zh) * 2012-06-28 2015-03-04 阿尔卡特朗讯公司 用于生成高分辨率视频流的方法和系统
CN103455709A (zh) * 2013-07-31 2013-12-18 华中科技大学 一种用于数字高程模型的超分辨率方法及其系统
CN103544682A (zh) * 2013-09-17 2014-01-29 华中科技大学 一种三维超声图像非局部均值滤波方法
CN103985085A (zh) * 2014-05-26 2014-08-13 三星电子（中国）研发中心 图像超分辨率放大的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEN-QIANG FENG ET AL.: "A NON-LOCAL BILATERAL FILTER FOR IMAGE DENOISING", 《APPERCEIVING COMPUTING AND INTELLIGENCE ANALYSIS (ICACIA), 2010 INTERNATIONAL CONFERENCE ON》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869105A (zh) * 2016-03-28 2016-08-17 上海交通大学 一种针对a+超分辨率技术的gpu加速方法
CN105869105B (zh) * 2016-03-28 2021-02-12 上海交通大学 一种针对a+超分辨率技术的gpu加速方法
CN107742317A (zh) * 2017-09-27 2018-02-27 杭州群核信息技术有限公司 一种渲染图像的获取方法、装置、渲染系统及存储介质
CN112561880A (zh) * 2020-12-16 2021-03-26 华东师范大学 一种将先验知识融入深度学习引导磁共振图像分类的方法
CN112561880B (zh) * 2020-12-16 2022-07-08 华东师范大学 一种将先验知识融入深度学习引导磁共振图像分类的方法

Also Published As

Publication number Publication date
CN104992425B (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
US10657306B1 (en) Deep learning testability analysis with graph convolutional networks
US10922793B2 (en) Guided hallucination for missing image content using a neural network
US8676874B2 (en) Data structure for tiling and packetizing a sparse matrix
Cao et al. Parallel banding algorithm to compute exact distance transform with the GPU
Fei et al. Parallel L-BFGS-B algorithm on gpu
JP7194685B2 (ja) 八分木に基づく畳み込みニューラルネットワーク
US8762655B2 (en) Optimizing output vector data generation using a formatted matrix data structure
US20200074707A1 (en) Joint synthesis and placement of objects in scenes
US20230237313A1 (en) Layout Parasitics and Device Parameter Prediction using Graph Neural Networks
EP3144805B1 (en) Method and processing apparatus for performing arithmetic operation
Karmouni et al. Fast 3D image reconstruction by cuboids and 3D Charlier’s moments
CN110663064A (zh) 用于矢量图形和图像处理的并行化流水线
US11397615B2 (en) Methods and apparatuses for coalescing function calls for ray-tracing
CN113744136A (zh) 基于通道约束多特征融合的图像超分辨率重建方法和系统
JP7099163B2 (ja) 学習装置および学習方法
CN104198463A (zh) 拉曼光谱预处理方法及系统
CN106484532B (zh) 面向sph流体模拟的gpgpu并行计算方法
CN104992425A (zh) 一种基于gpu加速的dem超分辨率方法
Xiao et al. GPU accelerated self-organizing map for high dimensional data
WO2019147441A1 (en) Wide key hash table for a graphics processing unit
CN110245706B (zh) 一种针对嵌入式应用的轻量化目标检测方法
Li et al. Efficient spatially sparse inference for conditional gans and diffusion models
Abdullah et al. Modification of the new conjugate gradient algorithm to solve nonlinear fuzzy equations
KR102064581B1 (ko) 이미지 자동 회귀 보간 장치 및 방법
Vetsch et al. Neuralmeshing: Differentiable meshing of implicit neural representations

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180227

CF01 Termination of patent right due to non-payment of annual fee