CN112884885A - 一种训练牙模形变模型的方法及装置 - Google Patents
一种训练牙模形变模型的方法及装置 Download PDFInfo
- Publication number
- CN112884885A CN112884885A CN202110287715.XA CN202110287715A CN112884885A CN 112884885 A CN112884885 A CN 112884885A CN 202110287715 A CN202110287715 A CN 202110287715A CN 112884885 A CN112884885 A CN 112884885A
- Authority
- CN
- China
- Prior art keywords
- unit
- output
- input
- decoder
- model
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/12—Bounding box
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/44—Morphing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明实施例提供了一种训练牙模形变模型的方法及装置,涉及三维形变技术领域。该方法包括:获取样本数据,样本数据包括扫描口腔获取的多个初始牙齿模型和对各初始牙齿模型进行人工加工得到的对应的目标形变模型;获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的TSDF值;将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;根据各初始牙齿模型对应的目标形变模型和预测形变模型,对预设网络模型进行优化获取牙模形变模型。本发明实施例用于获取能够自动将初始牙齿模型转换为符合特定产品要求的牙齿模型的牙模形变模型。
Description
技术领域
本发明涉及三维形变技术领域,尤其涉及一种训练牙模形变模型的方法及装置。
背景技术
牙齿数字化技术旨在对牙齿进行3D建模得到数字化的牙齿模型,从而实现后续加工和个性化定制。
一般情况下,最终实际使用的牙齿模型都不是扫描口腔并进行3D重建而得到的初始牙齿模型,而是基于特定产品要求对初始牙齿模型进行进一步加工,进而获取的符合特定产品要求的牙齿模型。其中,基于特定产品要求对初始牙齿模型进行加工获取符合特定产品要求的牙齿模型的过程称为3D牙模形变。目前,3D牙模形变普遍是基于人工完成的。即,人基于特定产品要求手动对初始牙齿模型进行加工从而使得初始牙齿模型满足特定的产品要求。然而,基于人工完成3D牙模形变具有效率低、成本高、质量不可靠等诸多弊端,因此如何自动化的将初始牙齿模型转换为符合特定产品要求的牙齿模型已成为本领域亟待解决的一个问题。
发明内容
有鉴于此,本发明提供了一种训练牙模形变模型的方法及装置,用于自动化的将初始牙齿模型转换为符合特定产品要求的牙齿模型。
为了实现上述目的,本发明实施例提供技术方案如下:
第一方面,本发明实施例提供了一种训练牙模形变模型的方法,包括:
获取样本数据,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型;
获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数TSDF值;
将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;
根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
作为本发明实施例一种可选的实施方式,所述预设网络模型,包括:由多个串联结构的编码器组成的编码器组件、自注意力组件、特征传递组件、多尺度分析组件以及由多个串联结构的解码器组成的解码器组件;所述编码器组件的输入为所述预设网络模型的输入,所述编码器组件的输出为所述自注意力组件的输入;所述自注意力组件的输出为所述所述特征传递组件的输入;所述特征传递组件的输出为所述多尺度分析组件的输入,所述多尺度分析组件的输出为所述解码器组件的输入,所述解码器组件的输出为所述预设网络模型的输出;
其中,所述自注意力组件用于对所述编码器组件输出的特征张量进行非局部信息提取,获取环境特征张量;所述特征传递组件对所述自注意力组件的输出进行处理,并将处理结果传递至所述多尺度分析组件;所述多尺度分析组件用于提取所述特征传递组件输出的特征张量在多个尺度下的特征张量。
作为本发明实施例一种可选的实施方式,所述编码器组件包括三个串联结构的编码器,各编码器包括一残差单元和一下采样单元;各编码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各编码器的下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量;
各残差单元的输入均为所属的编码器的输入,各下采样单元的输入均为所属的编码器的残差单元输出,各下采样单元的输出均为所属的编码器的输出,第一个编码器的输入为编码器组件的输入,第三个编码器的输出为编码器组件的输出,第二编码器和第三个编码器的输入分别为第一个编码器和第二个编码器的输出。
作为本发明实施例一种可选的实施方式,所述自注意力组件包括:残差单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一点积单元、第二点积单元、第一加和单元以及第二加和单元;所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,所述第一点积单元和第二点积单元用于对输入特征张量执行点积操作,所述第一加和单元和第二加和单元用于对输入特征张量执行加和操作;
所述残差单元的输入为所述编码器组件的输出,所述残差单元的输出为所述第一卷积层的输入;所述第一卷积层的输出为所述所述第二卷积层、所述第三卷积层、所述第四卷积层的输入;所述第一点积单元的输入为所述第二卷积层的输出和所述第三卷积层的输出;所述第二点积单元的输入为所述第一点积单元的输出和所述第四卷积层的输出;所述第五卷积层的输入为所述第二点积单元的输出;所述第一加和单元的输入为所述第五卷积层的输出和所述第一卷积层的输出;所述第六卷积层的输入为所述第一加和单元的输出;所述第二加和单元的输入为所述第六卷积层的输出和所述残差单元的输出,所述第二加和单元的输出为所述自注意力组件的输出。
作为本发明实施例一种可选的实施方式,所述特征传递组件包括一个下采样单元和一个残差单元;
所述下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量,所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作;
所述下采样单元的输入为所述自注意力组件的输出,所述下采样单元的输出为所述残差单元的输入,所述残差单元的输出为所述所述特征传递组件的输出。
作为本发明实施例一种可选的实施方式,所述多尺度分析组件包括:第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层以及拼接单元;所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层的扩张率均不同;所述拼接单元用于对输入的特征张量执行拼接操作;
所述第七卷积层、所述第八卷积层、所述第九卷积层以及所述第十卷积层的输入均为所述特征传递组件的输出,所述拼接单元的输入为所述特征传递组件的输出、所述第七卷积层的输出、所述第八卷积层的输出、所述第九卷积层的输出以及所述第十卷积层的输出,所述第十一卷积层的输入为所述拼接单元的输出,所述第十二卷积层的输入为所述第十一卷积层的输出;所述第十二卷积层的输出为所述多尺度分析组件的输出。
作为本发明实施例一种可选的实施方式,所述解码器组件包括四个串联结构的解码器;各解码器包括:上采样单元、融合单元以及残差单元;各解码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各解码器的融合单元均用于对输入的特征张量进行融合操作;各解码器的上采样单元均用于将输入特征张量上采样为通道数为输入特征张量的通道数的二分之一,长、宽、高为输入特征张量的长、宽、高的二倍的输出特征张量;
所述解码器组件的第一个解码器的上采样单元的输入为多尺度分析组件的输出,所述第一个解码器的融合单元的输入为所述第一个解码器的上采样单元的输出和所述自注意力模块的输出;所述第一个解码器的残差单元的输入为所述第一个解码器的融合单元的输出和所述自注意力模块的输出;所述解码器组件的第二个解码器、第三个解码、第四个解码器的上采样单元的输入均为上一个解码器的输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的融合单元的输入分别对应的编码器的残差单元的输出和所属的解码器的上采样单元输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的残差单元的输入分别为对应的编码器的残差单元的输出和所属的解码器的融合单元的输出。
作为本发明实施例一种可选的实施方式,各解码器的融合单元包括:第十三卷积层、第十四卷积层、第十五卷积层、第三加和单元、第四加和单元第三点积单元以及第四点积单元;所述第三加和单元和第四加和单元用于对输入执行加和操作,所述第三点积单元和第四点积单元用于对输入执行点积操作;
所述解码器组件的第一个解码器的融合单元的第十三卷积层和第十四卷积层输入分别为所述第一个解码器的上采样单元的输出和所述自注意力组件的输出,所述解码器组件的第二个解码器、第三个解码器、第四个解码器的融合单元的输入为所属的解码器的上采样单元的输出和对应的编码器的残差单元的输出,所述第三加和单元的输入为所述第十三卷积层的输出和所述第十四卷积层的输出,所述第十五卷积层的输入为所述第三加和单元的输出,所述第三点积单元的输入为所述第十三卷积层的输出和所述第十五卷积层的输出,所述第四点积单元的输入为所述第十四卷积层的输出和所述第十五卷积层的输出,所述第四加和单元的输入为所述第三点积单元的输出和所述第四点积单元的输出,所述第四加和单元的输出为所属的融合单元的输出。
作为本发明实施例一种可选的实施方式,所述根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型,包括:
构建损失函数,并根据所述损失函数、各初始牙齿模型对应的目标形变模型以及预测形变模型,对所述预设网络模型进行优化获取牙模形变模型;
其中,所述损失函数包括:
其中,alpha为常数,outi依次根据所述多尺度分析组件的输出、所述解码器组件的各个解码器的输出进行处理得到的数据,seg为中间督导信号、mean()为求平均值函数。
第二方面,本发明实施例提供一种建立牙模形变模型的装置,包括:
样本获取单元,用于获取样本数据,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型;
预处理单元,用于获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数值TSDF值;
预测单元,用于将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;
优化单元,用于根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
作为本发明实施例一种可选的实施方式,所述预设网络模型,包括:由多个串联结构的编码器组成的编码器组件、自注意力组件、特征传递组件、多尺度分析组件以及由多个串联结构的解码器组成的解码器组件;所述编码器组件的输入为所述预设网络模型的输入,所述编码器组件的输出为所述自注意力组件的输入;所述自注意力组件的输出为所述所述特征传递组件的输入;所述特征传递组件的输出为所述多尺度分析组件的输入,所述多尺度分析组件的输出为所述解码器组件的输入,所述解码器组件的输出为所述预设网络模型的输出;
其中,所述自注意力组件用于对所述编码器组件输出的特征张量进行非局部信息提取,获取环境特征张量;所述特征传递组件对所述自注意力组件的输出进行处理,并将处理结果传递至所述多尺度分析组件;所述多尺度分析组件用于提取所述特征传递组件输出的特征张量在多个尺度下的特征张量。
作为本发明实施例一种可选的实施方式,所述编码器组件包括三个串联结构的编码器,各编码器包括一残差单元和一下采样单元;各编码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各编码器的下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量;
各残差单元的输入均为所属的编码器的输入,各下采样单元的输入均为所属的编码器的残差单元输出,各下采样单元的输出均为所属的编码器的输出,第一个编码器的输入为编码器组件的输入,第三个编码器的输出为编码器组件的输出,第二编码器和第三个编码器的输入分别为第一个编码器和第二个编码器的输出。
作为本发明实施例一种可选的实施方式,所述自注意力组件包括:残差单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一点积单元、第二点积单元、第一加和单元以及第二加和单元;所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,所述第一点积单元和第二点积单元用于对输入特征张量执行点积操作,所述第一加和单元和第二加和单元用于对输入特征张量执行加和操作;
所述残差单元的输入为所述编码器组件的输出,所述残差单元的输出为所述第一卷积层的输入;所述第一卷积层的输出为所述所述第二卷积层、所述第三卷积层、所述第四卷积层的输入;所述第一点积单元的输入为所述第二卷积层的输出和所述第三卷积层的输出;所述第二点积单元的输入为所述第一点积单元的输出和所述第四卷积层的输出;所述第五卷积层的输入为所述第二点积单元的输出;所述第一加和单元的输入为所述第五卷积层的输出和所述第一卷积层的输出;所述第六卷积层的输入为所述第一加和单元的输出;所述第二加和单元的输入为所述第六卷积层的输出和所述残差单元的输出,所述第二加和单元的输出为所述自注意力组件的输出。
作为本发明实施例一种可选的实施方式,所述特征传递组件包括一个下采样单元和一个残差单元;
所述下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量,所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作;
所述下采样单元的输入为所述自注意力组件的输出,所述下采样单元的输出为所述残差单元的输入,所述残差单元的输出为所述所述特征传递组件的输出。
作为本发明实施例一种可选的实施方式,所述多尺度分析组件包括:第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层以及拼接单元;所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层扩张率均不同;所述拼接单元用于对输入的特征张量执行拼接操作;
所述第七卷积层、所述第八卷积层、所述第九卷积层以及所述第十卷积层的输入均为所述特征传递组件的输出,所述拼接单元的输入为所述特征传递组件的输出、所述第七卷积层的输出、所述第八卷积层的输出、所述第九卷积层的输出以及所述第十卷积层的输出,所述第十一卷积层的输入为所述拼接单元的输出,所述第十二卷积层的输入为所述第十一卷积层的输出;所述第十二卷积层的输出为所述多尺度分析组件的输出。
作为本发明实施例一种可选的实施方式,所述解码器组件包括四个串联结构的解码器;各解码器包括:上采样单元、融合单元以及残差单元;各解码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各解码器的融合单元均用于对输入的特征张量进行融合操作;各解码器的上采样单元均用于将输入特征张量上采样为通道数为输入特征张量的通道数的二分之一,长、宽、高为输入特征张量的长、宽、高的二倍的输出特征张量;
所述解码器组件的第一个解码器的上采样单元的输入为多尺度分析组件的输出,所述第一个解码器的融合单元的输入为所述第一个解码器的上采样单元的输出和所述自注意力模块的输出;所述第一个解码器的残差单元的输入为所述第一个解码器的融合单元的输出和所述自注意力模块的输出;所述解码器组件的第二个解码器、第三个解码、第四个解码器的上采样单元的输入均为上一个解码器的输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的融合单元的输入分别对应的编码器的残差单元的输出和所属的解码器的上采样单元输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的残差单元的输入分别为对应的编码器的残差单元的输出和所属的解码器的融合单元的输出。
作为本发明实施例一种可选的实施方式,各解码器的融合单元包括:第十三卷积层、第十四卷积层、第十五卷积层、第三加和单元、第四加和单元第三点积单元以及第四点积单元;所述第三加和单元和第四加和单元用于对输入执行加和操作,所述第三点积单元和第四点积单元用于对输入执行点积操作;
所述解码器组件的第一个解码器的融合单元的第十三卷积层和第十四卷积层输入分别为所述第一个解码器的上采样单元的输出和所述自注意力组件的输出,所述解码器组件的第二个解码器、第三个解码器、第四个解码器的融合单元的输入为所属的解码器的上采样单元的输出和对应的编码器的残差单元的输出,所述第三加和单元的输入为所述第十三卷积层的输出和所述第十四卷积层的输出,所述第十五卷积层的输入为所述第三加和单元的输出,所述第三点积单元的输入为所述第十三卷积层的输出和所述第十五卷积层的输出,所述第四点积单元的输入为所述第十四卷积层的输出和所述第十五卷积层的输出,所述第四加和单元的输入为所述第三点积单元的输出和所述第四点积单元的输出,所述第四加和单元的输出为所属的融合单元的输出。
作为本发明实施例一种可选的实施方式,所述优化单元,具体用于构建损失函数,并根据所述损失函数、各初始牙齿模型对应的目标形变模型以及预测形变模型,对所述预设网络模型进行优化获取牙模形变模型;
其中,所述损失函数包括:
其中,alpha为常数,outi依次根据所述多尺度分析组件的输出、所述解码器组件的各个解码器的输出进行处理得到的数据,seg为中间督导信号、mean()为求平均值函数。
第三方面,本发明实施例提供一种电子设备,包括:存储器和处理器,存储器用于存储计算机程序;处理器用于在调用计算机程序时执行第一方面或第一方面任一种可选的实施方式所述的训练牙模形变模型的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面或第一方面任一种可选的实施方式所述的训练牙模形变模型的方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现第一方面或第一方面任一种可选的实施方式所述的训练牙模形变模型的方法。
本发明实施例提供的训练牙模形变模型的方法首先获取包括多个初始牙齿模型以及各初始牙齿模型对应的目标形变模型的样本数据,然后获取各初始牙齿模型所在立方体空间中各个体素的TSDF值作为各初始牙齿模型对应的特征张量的元素,再将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型,最后根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。由于本发明实施例提供的训练牙模形变模型的方法可以获取牙模形变模型,并根据牙模形变模型对需要进行形变的初始模型,获取符合特定产品要求的牙齿模型,因此通过本发明实施例提供的训练牙模形变模型的方法获取的牙模形变模型可以自动化的将初始牙齿模型转换为符合特定产品要求的牙齿模型。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的训练牙模形变模型的方法的流程图;
图2为本发明实施例提供的预设网络模型的架构图;
图3为本发明实施例提供的编码器组件的结构示意图;
图4为本发明实施例提供的自注意力组件的结构示意图;
图5为本发明实施例提供的特征传递组件的结构示意图;
图6为本发明实施例提供的多尺度分析组件的结构示意图;
图7为本发明实施例提供的解码器组件的结构示意图;
图8为本发明实施例提供的融合单元的结构示意图;
图9为本发明实施例提供的训练牙模形变模型的装置的结构图;
图10为本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将对本发明的方案进行进一步描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但本发明还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本发明的一部分实施例,而不是全部的实施例。
在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。此外,在本发明实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
本发明实施例提供的训练牙模形变模型的方法的执行主体可以为建立牙模形变模型的装置。该建立牙模形变模型的装置可以为手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigital assistant,PDA)、智能手表、智能手环等终端设备,或者该终端设备还可以为其他类型的终端设备,本发明实施例对终端设备的类型不作限定。
本发明实施例提供了一种训练牙模形变模型的方法,参照图1所示,该训练牙模形变模型的方法包括如下步骤S11至S14:
S11、获取样本数据。
其中,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型。
具体的,可以对多个用户进行口腔扫描并进行3D重建从而得到每一个用户的初始牙齿模型,然后通过人工基于特定需求剔除各处室牙齿模型中的部分牙龈区域,并进行扫描重新建模,从而获取各初始牙齿模型对应的目标形变模型。
S12、获取各初始牙齿模型对应的特征张量。
其中,各初始牙齿模型对应的特征张量为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数(Truncated Signed Distance Function,TSDF)值。
具体的,获取各初始牙齿模型对应的特征张量可以包括:首先建立牙模的正方形外包围盒,作为各初始牙齿模型所在立方体空间,然后将各初始牙齿模型所在立方体空间体素化,最后使用截断符号距离函数(Truncated Signed Distance Function,TSDF)计算各体素化到初始牙齿模型表面的距离作为各体素的TSDF值。其中,距离值TSDF(xi,yi,zi)=0表示该体素在牙齿模型的表面上,TSDF(xi,yi,zi)>0表示该体素在牙齿模型的外部,TSDF(xi,yi,zi)<0表示该体素在牙齿模型的内部。
S13、将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型。
即,预先建立一个用于生成牙模形变模型的预设网络模型,并将样本数据中各初始牙齿模型对应的特征张量输入该预设网络模型,获取对应的输出作为初始牙齿模型对应的预测形变模型。
S14、根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
本发明实施例提供的训练牙模形变模型的方法首先获取包括多个初始牙齿模型以及各初始牙齿模型对应的目标形变模型的样本数据,然后获取各初始牙齿模型所在立方体空间中各个体素的TSDF值作为各初始牙齿模型对应的特征张量的元素,再将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型,最后根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。由于本发明实施例提供的训练牙模形变模型的方法可以获取牙模形变模型,并根据牙模形变模型对需要进行形变的初始模型,获取符合特定产品要求的牙齿模型,因此通过本发明实施例提供的训练牙模形变模型的方法获取的牙模形变模型可以自动化的将初始牙齿模型转换为符合特定产品要求的牙齿模型。以下详细对上述实施例中的预设网络模型进行说明。
参照图2所示,本发明实施例中的预设网络模型包括:
由多个串联结构的编码器组成的编码器组件21、自注意力组件22、特征传递组件23、多尺度分析组件24以及由多个串联结构的解码器组成的解码器组件25。
所述编码器组件21的输入为所述预设网络模型的输入,所述编码器组件21的输出为所述自注意力组件22的输入;所述自注意力组件22的输出为所述所述特征传递组件23的输入;所述特征传递组件23的输出为所述多尺度分析组件24的输入,所述多尺度分析组件24的输出为所述解码器组件25的输入,所述解码器组件25的输出为所述预设网络模型的输出。
其中,所述自注意力组件22用于对所述编码器组件21输出的特征张量进行非局部信息提取,获取环境特征张量;所述特征传递组件对所述自注意力组件的输出进行处理,并将处理结果传递至所述多尺度分析组件;所述多尺度分析组件24用于提取所述特征传递组件23输出的特征张量在多个尺度下的特征张量。
由于自注意力组件可以对所述编码器组件输出的特征张量进行非局部信息提取,获取非局部特征之间的依赖关系,且多尺度分析组件可以提取所述特征传递组件输出的特征张量在多个尺度下的特征张量,从而挖掘特征张量在不同尺度之间的相关系性,得到包含多尺度分析结果的上下文信息,因此通过本发明实施例提供的训练牙模形变模型的方法获取的牙模形变模型可以更加准确的对牙齿模型进行形变,更加准确的获取满足特定要求的牙齿模型。
进一步的,参照图3所示,所述编码器组件21包括三个串联结构的编码器(编码器211、编码器212、编码器213),各编码器(编码器211、编码器212、编码器213)包括一残差单元(残差单元E1、残差单元E2、残差单元E3)和一下采样单元(下采样单元Do1、下采样单元Do2、下采样单元Do3);各编码器的残差单元(残差单元E1、残差单元E2、残差单元E3)用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各编码器的下采样单元(下采样单元Do1、下采样单元Do2、下采样单元Do3)用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量。
各残差单元的输入均为所属的编码器的输入(残差单元E1的输入为编码器211的输入、残差单元E2的输入为编码器212的输入、残差单元E3的输入为编码器213的输入)。各下采样单元的输入均为所属的编码器的残差单元输出(下采样单元Do1的输入为编码器211的残差单元E1的输出、下采样单元Do2的输入为编码器212的残差单元E2的输出、下采样单元Do3的输入为编码器213的残差单元E3的输出),各下采样单元的输出均为所属的编码器的输出(下采样单元Do1的输出为编码器211的输出、下采样单元Do2的输出为编码器212的输出、下采样单元Do3的输出为编码器213的输出),第一个编码器211的输入为编码器组件21的输入,第三个编码器213的输出为编码器组件21的输出,第二编码器212和第三个编码器213的输入分别为第一个编码器211和第二个编码器212的输出。
即,编码器组件21的输入、第一个编码器211的输入以及残差单元E1的输入为同一输入,残差单元E1的输出为下采样单元Do1的输入。下采样单元Do1的输出为第一个编码器211的输出。第二个编码器212的输入和残差单元E2的输入为同一输入,均为第一个编码器211的输出。残差单元E2的输出为下采样单元Do2的输入。下采样单元Do2的输出为第二个编码器212的输出。第三个编码器213的输入和残差单元E3的输入为同一输入,均为第二个编码器212的输出。残差单元E3的输出为下采样单元Do3的输入。下采样单元Do3的输出为第三个编码器212的输出,编码器组件21的输出。
可选的,各解码器的残差单元的三个卷积层的卷积核均为3×3×3,各解码器的残差单元的三个卷积层的输出的特征张量的长、宽、高和输入的特征张量的长、宽、高相同,第一个编码器的残差单元输出的特征张量的通道数为输入特征张量的通道数的16倍,第二个编码器的残差单元和第三编码器的残差单元输出的特征张量的通道数与输入的特征张量的通道数相同。各下采样单元均为步长为2、卷积核为2×2×2的卷积层。
进一步的,参照图4所示,所述自注意力组件22包括:残差单元E4、第一卷积层Co1、第二卷积层Co2、第三卷积层Co3、第四卷积层Co4、第五卷积层Co5、第六卷积层Co6、第一点积单元Pro1、第二点积单元Pro2、第一加和单元Add1以及第二加和单元Add2。
所述残差单元E4用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,所述第一点积单元Pro1和第二点积单元Pro2用于对输入特征张量执行点积操作,所述第一加和单元Add1和第二加和单元Add2对输入特征张量执行加和操作。
所述残差单元E4的输入为所述编码器组件21的输出(编码器组件21的第三个编码器213的下采样单元Do3的输出),所述残差单元E4的输出为所述第一卷积层Co1的输入。所述第一卷积层Co1的输出为所述所述第二卷积层Co2、所述第三卷积层Co3以及所述第四卷积层Co4的输入。所述第一点积单元Pro1的输入为所述第二卷积层Co2的输出和所述第三卷积层Co3的输出。所述第二点积单元Pro2的输入为所述第一点积单元Pro1的输出和所述第四卷积层Co4的输出。所述第五卷积层Co5的输入为所述第二点积单元Pro2的输出。所述第一加和单元Add1的输入为所述第五卷积层Co5的输出和所述第一卷积层Co1的输出。所述第六卷积层Co6的输入为所述第一加和单元Add1的输出。所述第二加和单元Add2的输入为所述第六卷积层Co6的输出和所述残差单元E4的输出。所述第二加和单元Add2的输出为所述自注意力组件22的输出。
可选的,所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层以及所述第六卷积层的卷积核均为1×1×1。所述第一卷积层的输出特征张量的长、宽、高和输入特征张量的长、宽、高相同。所述第一卷积层的输出特征张量的通道数为输入特征张量的通道数的八分之一。所述第二卷积层、第三卷积层、第四卷积层的输出的特征张量的通道数为输入的特征张量的特征张量的通道数的二分之一。所述第五卷积层的输出的特征张量的通道数为输入的特征张量的特征张量的通道数的两倍。所述第六卷积层的输出的特征张量的通道数为输入的特征张量的特征张量的通道数的八倍。
设:残差单元E4的输出的特征张量X∈RC×H×W×L,其中C值为残差单元E4的输出的特征张量的通道数,H、W、L分别为残差单元E4的输出的特征张量的长、宽、高,则第一卷积层Co1输出的特征张量X1∈RC1×H×W×L,C1=C/8,第二卷积层Co2输出的特征张量X2∈RC2×H×W×L,C2=C1/2,第三卷积层Co3输出的特征张量X3∈RC3×H×W×L,C3=C1/2。
分别通过xi∈R1和xj∈R1表示X2中第i个和X3中第j个体素的标号,X2(xi)∈RC2表示X2中第xi个体素的特征向量,X3(xj)∈RC3表示X3中第xj个体素的特征向量,则注意力分布为:
第四卷积层Co4输出的特征张量X4∈RC4×H×W×L,C4=C1/2。对X4和S执行点积操作,则可以得到描述非局部依赖关系的环境特征:
进而可得环境特征Con2∈RC5×H×W×L,C5=C1/2。
第五卷积层Co5输出的特征张量X5,第一加和单元Add1对X5和X1执行加和操作,第一加和单元Add1输出的特征张量res1∈RC1×H×W×L,第六卷积层Co6输出的特征张量X6∈RC ×H×W×L,第二加和单元Add2对X和X6执行加和操作,得到最终环境特征张量res2∈RC×W×H×L。
进一步的,参照图5所示,所述特征传递组件23包括一个下采样单元Do4和一个残差单元E5;
所述下采样单元Do4用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量。所述残差单元E5用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作。
所述下采样单元Do4的输入为所述自注意力组件22的输出,所述下采样单元Do4的输出为所述残差单元E5的输入,所述残差单元E5的输出为所述所述特征传递组件23的输出。
可选的,所述下采样单元Do4为步长为2、卷积核为2×2×2的卷积层。所述残差单元E5的三个卷积层的卷积核均为3×3×3,各残差单元的三个卷积层的输出的特征张量的长、宽、高和输入的特征张量的长、宽、高相同,残差单元E5的输出特征张量的通道数和输入特征张量的通道数相同。
进一步的,参照图6所示,所述多尺度分析组件24包括:第七卷积层Co7、第八卷积层Co8、第九卷积层Co9、第十卷积层Co10、第十一卷积层Co11、第十二卷积层Co12以及拼接单元MON。
其中,所述第七卷积层Co7、第八卷积层Co8、所述第九卷积层Co9、所述第十卷积层Co10的扩张率均不同;所述拼接单元MON用于对输入的特征张量执行拼接操作。
所述第七卷积层Co7、所述第八卷积层Co8、所述第九卷积层Co9以及所述第十卷积层Co10的输入均为所述特征传递组件23的输出,所述拼接单元MON的输入为所述特征传递组件23的输出、所述第七卷积层Co7的输出、所述第八卷积层Co8的输出、所述第九卷积层Co9的输出以及所述第十卷积层Co10的输出,所述第十一卷积层Co11的输入为所述拼接单元MON的输出,所述第十二卷积层Co12的输入为所述第十一卷积层Co11的输出;所述第十二卷积层Co12的输出为所述多尺度分析组件24的输出。
可选的,所述第七卷积层的卷积核为1×1×1,输出的特征张量的通道数和输入的特征张量的通道数相同,扩张率为1。所述第八卷积层、所述第九卷积层、所述第十卷积层的卷积核均为3×3×3,输出的特征张量的通道数和输入的特征张量的通道数相同,扩张率分别为2、3、4。所述第十一卷积层的卷积核为3×3×3,输出的特征张量的通道数为输入的特征张量的通道数的五分之一;所述第十二卷积层的卷积核为3×3×3,输出的特征张量的通道数和输入的特征张量的通道数相同。
设:特征传递组件23输出的特征张量A∈RC×H×W×L,则第七卷积层Co7输出的特征张量A1∈RC×H×W×L,第八卷积层Co8输出的特征张量A2∈RC×H×W×L,第九卷积层Co9输出的特征张量A3∈RC×H×W×L,第十卷积层Co10输出的特征张量A4∈RC×H×W×L,拼接模块MON输出的特征张量Cat∈R5×C×H×W×L,第十一卷积层Co11输出的特征张量Cat1∈RC×H×W×L,第十二卷积层Co12输出的特征张量Cat2∈RC×H×W×L。
进一步的,参照图7所示,所述解码器组件25包括四个串联结构的解码器(解码器251、解码器252、解码器253、解码器254);各解码器包括:上采样单元(解码器251的上采样单元Up1、解码器252的上采样单元Up2、解码器253的上采样单元Up3、解码器254的上采样单元Up4)、融合单元(解码器251的融合单元F1、解码器252的融合单元F2、解码器253的融合单元F3、解码器254的融合单元F4)以及残差单元(解码器251的残差单元E6、解码器252的残差单元E7、解码器253的残差单元E8、解码器254的残差单元E9)。
其中,各解码器的残差单元均用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各解码器的融合单元用于对输入的特征张量进行融合操作;各解码器的上采样单元均用于将输入特征张量上采样为通道数为输入特征张量的通道数的二分之一,长、宽、高为输入特征张量的长、宽、高的二倍的输出特征张量。
所述解码器组件的第一个解码器251的上采样单元Up1的输入为多尺度分析组件24的输出,所述第一个解码器251的融合单元F1的输入为所述第一个解码器251的上采样单元Up1的输出和所述自注意力模块22的输出;所述第一个解码器251的残差单元E6的输入为所述第一个解码器251的融合单元F1的输出和所述自注意力模块22的输出;所述解码器组件的第二个解码器252、第三个解码253、第四个解码器254的上采样单元(上采样单元Up2、上采样单元Up3、上采样单元Up4)的输入均为上一个解码器的输出,所述解码器组件的第二个解码器252、第三个解码253、第四个解码器254的融合单元(融合单元F2、融合单元F3、融合单元F4)的输入分别对应的编码器(编码器213、编码器212、编码器211)的残差单元(残差单元E3、残差单元E2残差单元E1)的输出和所属的解码器的上采样单元输出,所述解码器组件的第二个解码器252、第三个解码253、第四个解码器254的残差单元(残差单元E7、残差单元E8残差单元E9)的输入分别为对应的编码器(编码器213、编码器212、编码器211)的残差单元(残差单元E3、残差单元E2残差单元E1)的输出和所属的解码器的融合单元的输出。
可选的,各编码器的残差单元的三个卷积层的卷积核均为3×3×3,各编码器的残差单元的三个卷积层的输出的特征张量的长、宽、高和输入的特征张量的长、宽、高相同,各解码器的残差单元的残差单元输出的特征张量的通道数与输入的特征张量的通道数相同。各上采样单元均为步长为2、卷积核为2×2×2的反卷积层。
进一步的,参照图8所示,各解码器的融合单元包括:第十三卷积层Co13、第十四卷积层Co14、第十五卷积层Co15、第三加和单元Add3、第四加和单元Add4、第三点积单元Pro3以及第四点积单元Pro4。
所述第三加和单元Add3和第四加和单元Add4用于对输入执行加和操作,所述第三点积单元Pro3和第四点积单元Pro4用于对输入执行点积操作。
所述解码器组件25的第一个解码器251的融合单元F1的第十三卷积层Co13和第十四卷积层Co14输入分别为所述第一个解码器251的上采样单元Up1的输出和所述自注意力组件22的输出,所述解码器组件的第二个解码器252、第三个解码器253、第四个解码器254的融合单元(融合单元F2、融合单元F3、融合单元F4)的输入为所属的解码器的上采样单元的输出和对应的编码器的残差单元的输出(融合单元F2的输入为编码器213的残差单元E3的输出和解码器252的上采样单元Up2的输出,融合单元F3的输入为编码器212的残差单元E2的输出和解码器253的上采样单元Up3的输出,融合单元F4的输入为编码器211的残差单元E1的输出和解码器254的上采样单元Up4的输出),所述第三加和单元Add3的输入为所述第十三卷积层Co13的输出和所述第十四卷积层Co14的输出,所述第十五卷积层Co15的输入为所述第三加和单元Add3的输出,所述第三点积单元Pro3的输入为所述第十三卷积层Co13的输出和所述第十五卷积层Co15的输出,所述第四点积单元Pro4的输入为所述第十四卷积层Co14的输出和所述第十五卷积层Co15的输出,所述第四加和单元Add4的输入为所述第三点积单元Pro3的输出和所述第四点积单元Pro4的输出,所述第四加和单元Add4的输出为所属的融合单元的输出。
即,如图8所示,对融合单元分别通过第十三卷积层Co13和第十四卷积层Co14对输入的两个特征张量Ai、Bi执行卷积操作,得到降维后的特征张量Ci、Di;随后使用第三加和单元Add3对Ci和Di执行加和操作,融合Ci和Di,再将第三加和单元Add3的融合结果送入到第十五卷积层Co15分别得到编码器权值系数张量Ei和解码器权值系数张量Fi;再通过第三点积单元Pro3对权值系数张量Ci和Ei点乘,得到结果Gi,通过第四点积单元Pro4对Di与Fi点乘得到结果Hi;最后,通过第四加和单元Add4对Gi和Hi执行加和操作,得到包含编码器输出特征和解码器输出特征的融合特征Zi作为第i模块解码器残差单元的的输入特征张量。
可选的,第十三卷积层、第十四卷积层、第十五卷积层的卷积核均为1×1×1,第三卷积层和第四卷积层的输出特征张量的通道数为输入特征张量的通道数的二分之一,第十五卷积层的输出特征张量的通道数为1。
设:Ai∈RC×W×H×L和Bi∈RC×W×H×L,则Ci∈R1/2C×W×H×L和Di∈R1/2C×W×H×L,Ei∈R1×W×H×L、Fi∈R1×W×H×L。
作为本发明实施例一种可选的实施例方式,上述步骤S104(根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型),包括:
构建损失函数,并根据所述损失函数、各初始牙齿模型对应的目标形变模型以及预测形变模型,对所述预设网络模型进行优化获取牙模形变模型;
其中,所述损失函数包括:
其中,alpha为常数,outi依次根据所述多尺度分析组件的输出、所述解码器组件的各个解码器的输出进行处理得到的数据,seg为中间督导信号。
可选的,out1为通过卷积核为1×1×1、输出特征张量的通道数为1的卷积层对多尺度分析组件的输出执行卷积操作,然后通过三线性插值(Trilinear)对卷积操作得到的特征张量的长、宽、高扩大16倍,再对三线性插值结果执行Sigmoid操作得到结果;
out2为通过卷积核为1×1×1、输出特征张量的通道数为1的卷积层对解码器组件的第一解码器的输出执行卷积操作,然后通过三线性插值(Trilinear)对卷积操作得到的特征张量的长、宽、高扩大8倍,再对三线性插值结果执行Sigmoid操作得到结果;
out3为通过卷积核为1×1×1、输出特征张量的通道数为1的卷积层对解码器组件的第二解码器的输出执行卷积操作,然后通过三线性插值(Trilinear)对卷积操作得到的特征张量的长、宽、高扩大4倍,再对三线性插值结果执行Sigmoid操作得到结果;
out4为通过卷积核为1×1×1、输出特征张量的通道数为1的卷积层对解码器组件的第三解码器的输出执行卷积操作,然后通过三线性插值(Trilinear)对卷积操作得到的特征张量的长、宽、高扩大2倍,再对三线性插值结果执行Sigmoid操作得到结果;
out5为通过卷积核为1×1×1、输出特征张量的通道数为1的卷积层对解码器组件的第四解码器的输出执行卷积操作,再对卷积操作得到的特征张量执行Sigmoid操作得到结果。
可选的,alpha为0.25。
基于同一发明构思,作为对上述方法的实现,本发明实施例还提供了一种建立牙模形变模型的装置,该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的建立牙模形变模型的装置能够对应实现前述方法实施例中的全部内容。
图9为本发明实施例提供的建立牙模形变模型的装置的结构示意图,如图9所示,本实施例提供的建立牙模形变模型的装置900包括:
样本获取单元91,用于获取样本数据,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型;
预处理单元92,用于获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数值TSDF值;
预测单元93,用于将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;
优化单元94,用于根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
作为本发明实施例一种可选的实施方式,所述预设网络模型,包括:由多个串联结构的编码器组成的编码器组件、自注意力组件、特征传递组件、多尺度分析组件以及由多个串联结构的解码器组成的解码器组件;所述编码器组件的输入为所述预设网络模型的输入,所述编码器组件的输出为所述自注意力组件的输入;所述自注意力组件的输出为所述所述特征传递组件的输入;所述特征传递组件的输出为所述多尺度分析组件的输入,所述多尺度分析组件的输出为所述解码器组件的输入,所述解码器组件的输出为所述预设网络模型的输出;
其中,所述自注意力组件用于对所述编码器组件输出的特征张量进行非局部信息提取,获取环境特征张量;所述特征传递组件对所述自注意力组件的输出进行处理,并将处理结果传递至所述多尺度分析组件;所述多尺度分析组件用于提取所述特征传递组件输出的特征张量在多个尺度下的特征张量。
作为本发明实施例一种可选的实施方式,所述编码器组件包括三个串联结构的编码器,各编码器包括一残差单元和一下采样单元;各编码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各编码器的下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量;
各残差单元的输入均为所属的编码器的输入,各下采样单元的输入均为所属的编码器的残差单元输出,各下采样单元的输出均为所属的编码器的输出,第一个编码器的输入为编码器组件的输入,第三个编码器的输出为编码器组件的输出,第二编码器和第三个编码器的输入分别为第一个编码器和第二个编码器的输出。
作为本发明实施例一种可选的实施方式,所述自注意力组件包括:残差单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一点积单元、第二点积单元、第一加和单元以及第二加和单元;所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,所述第一点积单元和第二点积单元用于对输入特征张量执行点积操作,所述第一加和单元和第二加和单元用于对输入特征张量执行加和操作;
所述残差单元的输入为所述编码器组件的输出,所述残差单元的输出为所述第一卷积层的输入;所述第一卷积层的输出为所述所述第二卷积层、所述第三卷积层、所述第四卷积层的输入;所述第一点积单元的输入为所述第二卷积层的输出和所述第三卷积层的输出;所述第二点积单元的输入为所述第一点积单元的输出和所述第四卷积层的输出;所述第五卷积层的输入为所述第二点积单元的输出;所述第一加和单元的输入为所述第五卷积层的输出和所述第一卷积层的输出;所述第六卷积层的输入为所述第一加和单元的输出;所述第二加和单元的输入为所述第六卷积层的输出和所述残差单元的输出,所述第二加和单元的输出为所述自注意力组件的输出。
作为本发明实施例一种可选的实施方式,所述特征传递组件包括一个下采样单元和一个残差单元;
所述下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量,所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作;
所述下采样单元的输入为所述自注意力组件的输出,所述下采样单元的输出为所述残差单元的输入,所述残差单元的输出为所述所述特征传递组件的输出。
作为本发明实施例一种可选的实施方式,所述多尺度分析组件包括:第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层以及拼接单元;所述第七卷积层、第八卷积层、所述第九卷积层、所述第十卷积层的扩张率均不同;所述拼接单元用于对输入的特征张量执行拼接操作;
所述第七卷积层、所述第八卷积层、所述第九卷积层以及所述第十卷积层的输入均为所述特征传递组件的输出,所述拼接单元的输入为所述特征传递组件的输出、所述第七卷积层的输出、所述第八卷积层的输出、所述第九卷积层的输出以及所述第十卷积层的输出,所述第十一卷积层的输入为所述拼接单元的输出,所述第十二卷积层的输入为所述第十一卷积层的输出;所述第十二卷积层的输出为所述多尺度分析组件的输出。
作为本发明实施例一种可选的实施方式,所述解码器组件包括四个串联结构的解码器;各解码器包括:上采样单元、融合单元以及残差单元;各解码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各解码器的融合单元均用于对输入的特征张量进行融合操作;各解码器的上采样单元均用于将输入特征张量上采样为通道数为输入特征张量的通道数的二分之一,长、宽、高为输入特征张量的长、宽、高的二倍的输出特征张量;
所述解码器组件的第一个解码器的上采样单元的输入为多尺度分析组件的输出,所述第一个解码器的融合单元的输入为所述第一个解码器的上采样单元的输出和所述自注意力模块的输出;所述第一个解码器的残差单元的输入为所述第一个解码器的融合单元的输出和所述自注意力模块的输出;所述解码器组件的第二个解码器、第三个解码、第四个解码器的上采样单元的输入均为上一个解码器的输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的融合单元的输入分别对应的编码器的残差单元的输出和所属的解码器的上采样单元输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的残差单元的输入分别为对应的编码器的残差单元的输出和所属的解码器的融合单元的输出。
作为本发明实施例一种可选的实施方式,各解码器的融合单元包括:第十三卷积层、第十四卷积层、第十五卷积层、第三加和单元、第四加和单元第三点积单元以及第四点积单元;所述第三加和单元和第四加和单元用于对输入执行加和操作,所述第三点积单元和第四点积单元用于对输入执行点积操作;
所述解码器组件的第一个解码器的融合单元的第十三卷积层和第十四卷积层输入分别为所述第一个解码器的上采样单元的输出和所述自注意力组件的输出,所述解码器组件的第二个解码器、第三个解码器、第四个解码器的融合单元的输入为所属的解码器的上采样单元的输出和对应的编码器的残差单元的输出,所述第三加和单元的输入为所述第十三卷积层的输出和所述第十四卷积层的输出,所述第十五卷积层的输入为所述第三加和单元的输出,所述第三点积单元的输入为所述第十三卷积层的输出和所述第十五卷积层的输出,所述第四点积单元的输入为所述第十四卷积层的输出和所述第十五卷积层的输出,所述第四加和单元的输入为所述第三点积单元的输出和所述第四点积单元的输出,所述第四加和单元的输出为所属的融合单元的输出。
作为本发明实施例一种可选的实施方式,所述优化单元94,具体用于构建损失函数,并根据所述损失函数、各初始牙齿模型对应的目标形变模型以及预测形变模型,对所述预设网络模型进行优化获取牙模形变模型;
其中,所述损失函数包括:
其中,alpha为常数,outi依次根据所述多尺度分析组件的输出、所述解码器组件的各个解码器的输出进行处理得到的数据,seg为中间督导信号、mean()为求平均值函数。
本实施例提供的建立牙模形变模型的装置可以执行上述方法实施例提供的训练牙模形变模型的方法,其实现原理与技术效果类似,此处不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备。图10为本发明实施例提供的电子设备的结构示意图,如图10所示,本实施例提供的电子设备包括:存储器101和处理器102,存储器101用于存储计算机程序;处理器102用于在调用计算机程序时执行上述方法实施例提供的训练牙模形变模型的方法中的各步骤。
具体的,存储器101可用于存储软件程序以及各种数据。存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器102是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各部分,通过运行或执行存储在存储器101中的软件程序和/或模块,以及调用存储在存储器101中的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器102可包括一个或多个处理单元。
此外,应当理解的是,本发明实施例提供的电子设备还可以包括:射频单元、网络模块、音频输出单元、传感器、信号接收单元、显示器、用户接收单元、接口单元、以及电源等部件。本领域技术人员可以理解,上述描述出的电子设备的结构并不构成对电子设备的限定,电子设备可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,射频单元可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器102处理;另外,将上行的数据发送给基站。通常,射频单元包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元可以将射频单元或网络模块接收的或者在存储器101中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元还可以提供与电子设备执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元包括扬声器、蜂鸣器以及受话器等。
信号接收单元用于接收音频或视频信号。接收单元可以包括图形处理器(Graphics Processing Unit,GPU)和麦克风,图形处理器对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行卷积。处理后的图像帧可以显示在显示单元上。经图形处理器处理后的图像帧可以存储在存储器(或其它存储介质)中或者经由射频单元或网络模块进行发送。麦克风可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元发送到移动通信基站的格式输出。
电子设备还包括至少一种传感器,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板的亮度,接近传感器可在电子设备移动到耳边时,关闭显示面板和/或背光。作为运动传感器的一种,加速计传感器可检测各方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元用于显示由用户输入的信息或提供给用户的信息。显示单元可包括显示面板,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(OrganicLight-Emitting Diode,OLED)等形式来配置显示面板。
用户接收单元可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户接收单元包括触控面板以及其他输入设备。触控面板,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)。触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器102,接收处理器102发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板,用户接收单元还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板可覆盖在显示面板上,当触控面板检测到在其上或附近的触摸操作后,传送给处理器102以确定触摸事件的类型,随后处理器102根据触摸事件的类型在显示面板上提供相应的视觉输出。一般情况下,触控面板与显示面板是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板与显示面板集成而实现电子设备的输入和输出功能,具体此处不做限定。
接口单元为外部装置与电子设备连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到电子设备中的一个或多个元件或者可以用于在电子设备和外部装置之间传输数据。
电子设备还可以包括给各部件供电的电源(比如电池),可选的,电源可以通过电源管理系统与处理器102逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例提供的训练牙模形变模型的方法。
本领域技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储,信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。根据本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种训练牙模形变模型的方法,其特征在于,包括:
获取样本数据,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型;
获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数TSDF值;
将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;
根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
2.根据权利要求1所述的方法,其特征在于,所述预设网络模型,包括:由多个串联结构的编码器组成的编码器组件、自注意力组件、特征传递组件、多尺度分析组件以及由多个串联结构的解码器组成的解码器组件;所述编码器组件的输入为所述预设网络模型的输入,所述编码器组件的输出为所述自注意力组件的输入;所述自注意力组件的输出为所述所述特征传递组件的输入;所述特征传递组件的输出为所述多尺度分析组件的输入,所述多尺度分析组件的输出为所述解码器组件的输入,所述解码器组件的输出为所述预设网络模型的输出;
其中,所述自注意力组件用于对所述编码器组件输出的特征张量进行非局部信息提取,获取环境特征张量;所述特征传递组件对所述自注意力组件的输出进行处理,并将处理结果传递至所述多尺度分析组件;所述多尺度分析组件用于提取所述特征传递组件输出的特征张量在多个尺度下的特征张量。
3.根据权利要求2所述的方法,其特征在于,
所述编码器组件包括三个串联结构的编码器,各编码器包括一残差单元和一下采样单元;各编码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各编码器的下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量;
各残差单元的输入均为所属的编码器的输入,各下采样单元的输入均为所属的编码器的残差单元输出,各下采样单元的输出均为所属的编码器的输出,第一个编码器的输入为编码器组件的输入,第三个编码器的输出为编码器组件的输出,第二编码器和第三个编码器的输入分别为第一个编码器和第二个编码器的输出。
4.根据权利要求2所述的方法,其特征在于,所述自注意力组件包括:残差单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一点积单元、第二点积单元、第一加和单元以及第二加和单元;所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,所述第一点积单元和第二点积单元用于对输入特征张量执行点积操作,所述第一加和单元和第二加和单元用于对输入特征张量执行加和操作;
所述残差单元的输入为所述编码器组件的输出,所述残差单元的输出为所述第一卷积层的输入;所述第一卷积层的输出为所述所述第二卷积层、所述第三卷积层、所述第四卷积层的输入;所述第一点积单元的输入为所述第二卷积层的输出和所述第三卷积层的输出;所述第二点积单元的输入为所述第一点积单元的输出和所述第四卷积层的输出;所述第五卷积层的输入为所述第二点积单元的输出;所述第一加和单元的输入为所述第五卷积层的输出和所述第一卷积层的输出;所述第六卷积层的输入为所述第一加和单元的输出;所述第二加和单元的输入为所述第六卷积层的输出和所述残差单元的输出,所述第二加和单元的输出为所述自注意力组件的输出。
5.根据权利要求2所述的方法,其特征在于,所述特征传递组件包括一个下采样单元和一个残差单元;
所述下采样单元用于将输入特征张量下采样为通道数为输入特征张量的通道数的两倍,长、宽、高为输入特征张量的长、宽、高的二分之一的输出特征张量,所述残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作;
所述下采样单元的输入为所述自注意力组件的输出,所述下采样单元的输出为所述残差单元的输入,所述残差单元的输出为所述所述特征传递组件的输出。
6.根据权利要求2所述的方法,其特征在于,所述多尺度分析组件包括:第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层以及拼接单元;所述第七卷积层、第八卷积层、所述第九卷积层、所述第十卷积层的扩张率均不同;所述拼接单元用于对输入的特征张量执行拼接操作;
所述第七卷积层、所述第八卷积层、所述第九卷积层以及所述第十卷积层的输入均为所述特征传递组件的输出,所述拼接单元的输入为所述特征传递组件的输出、所述第七卷积层的输出、所述第八卷积层的输出、所述第九卷积层的输出以及所述第十卷积层的输出,所述第十一卷积层的输入为所述拼接单元的输出,所述第十二卷积层的输入为所述第十一卷积层的输出;所述第十二卷积层的输出为所述多尺度分析组件的输出。
7.根据权利要求2所述的方法,其特征在于,所述解码器组件包括四个串联结构的解码器;各解码器包括:上采样单元、融合单元以及残差单元;各解码器的残差单元用于通过三个串联结构的卷积层对残差单元的输入进行卷积操作并对所述卷积操作的卷积结果和残差单元的输入执行加和操作,各解码器的融合单元均用于对输入的特征张量进行融合操作;各解码器的上采样单元均用于将输入特征张量上采样为通道数为输入特征张量的通道数的二分之一,长、宽、高为输入特征张量的长、宽、高的二倍的输出特征张量;
所述解码器组件的第一个解码器的上采样单元的输入为多尺度分析组件的输出,所述第一个解码器的融合单元的输入为所述第一个解码器的上采样单元的输出和所述自注意力模块的输出;所述第一个解码器的残差单元的输入为所述第一个解码器的融合单元的输出和所述自注意力模块的输出;所述解码器组件的第二个解码器、第三个解码、第四个解码器的上采样单元的输入均为上一个解码器的输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的融合单元的输入分别对应的编码器的残差单元的输出和所属的解码器的上采样单元输出,所述解码器组件的第二个解码器、第三个解码、第四个解码器的残差单元的输入分别为对应的编码器的残差单元的输出和所属的解码器的融合单元的输出。
8.根据权利要求7所述的方法,其特征在于,各解码器的融合单元包括:第十三卷积层、第十四卷积层、第十五卷积层、第三加和单元、第四加和单元第三点积单元以及第四点积单元;所述第三加和单元和第四加和单元用于对输入执行加和操作,所述第三点积单元和第四点积单元用于对输入执行点积操作;
所述解码器组件的第一个解码器的融合单元的第十三卷积层和第十四卷积层输入分别为所述第一个解码器的上采样单元的输出和所述自注意力组件的输出,所述解码器组件的第二个解码器、第三个解码器、第四个解码器的融合单元的输入为所属的解码器的上采样单元的输出和对应的编码器的残差单元的输出,所述第三加和单元的输入为所述第十三卷积层的输出和所述第十四卷积层的输出,所述第十五卷积层的输入为所述第三加和单元的输出,所述第三点积单元的输入为所述第十三卷积层的输出和所述第十五卷积层的输出,所述第四点积单元的输入为所述第十四卷积层的输出和所述第十五卷积层的输出,所述第四加和单元的输入为所述第三点积单元的输出和所述第四点积单元的输出,所述第四加和单元的输出为所属的融合单元的输出。
10.一种建立牙模形变模型的装置,其特征在于,包括:
样本获取单元,用于获取样本数据,所述样本数据包括扫描口腔获取的多个初始牙齿模型以及对各初始牙齿模型进行人工加工得到的各初始牙齿模型对应的目标形变模型;
预处理单元,用于获取各初始牙齿模型对应的特征张量,各初始牙齿模型对应的特征张量的各元素为各初始牙齿模型所在立方体空间中各个体素的截断符号距离函数值TSDF值;
预测单元,用于将各初始牙齿模型对应的特征张量输入预设网络模型,获取各初始牙齿模型对应的预测形变模型;
优化单元,用于根据各初始牙齿模型对应的目标形变模型和预测形变模型,对所述预设网络模型进行优化获取牙模形变模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287715.XA CN112884885A (zh) | 2021-03-17 | 2021-03-17 | 一种训练牙模形变模型的方法及装置 |
PCT/CN2022/081543 WO2022194258A1 (zh) | 2021-03-17 | 2022-03-17 | 一种训练牙模形变模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287715.XA CN112884885A (zh) | 2021-03-17 | 2021-03-17 | 一种训练牙模形变模型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884885A true CN112884885A (zh) | 2021-06-01 |
Family
ID=76041030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287715.XA Pending CN112884885A (zh) | 2021-03-17 | 2021-03-17 | 一种训练牙模形变模型的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112884885A (zh) |
WO (1) | WO2022194258A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393568A (zh) * | 2021-06-08 | 2021-09-14 | 先临三维科技股份有限公司 | 颈缘线形变预测模型的训练方法、装置、设备及介质 |
WO2022194258A1 (zh) * | 2021-03-17 | 2022-09-22 | 先临三维科技股份有限公司 | 一种训练牙模形变模型的方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3050375A1 (fr) * | 2016-04-22 | 2017-10-27 | H43 Dev | Procede de controle de la dentition |
CN110930513B (zh) * | 2019-11-18 | 2023-04-18 | 上海交通大学医学院附属第九人民医院 | 牙颌仿真模型生成方法、系统、牙齿矫治器 |
CN111265317B (zh) * | 2020-02-10 | 2022-06-17 | 上海牙典医疗器械有限公司 | 一种牙齿正畸过程预测方法 |
CN111612778B (zh) * | 2020-05-26 | 2023-07-11 | 上海交通大学 | 一种术前cta与术中x光冠状动脉配准方法 |
CN112884885A (zh) * | 2021-03-17 | 2021-06-01 | 先临三维科技股份有限公司 | 一种训练牙模形变模型的方法及装置 |
-
2021
- 2021-03-17 CN CN202110287715.XA patent/CN112884885A/zh active Pending
-
2022
- 2022-03-17 WO PCT/CN2022/081543 patent/WO2022194258A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022194258A1 (zh) * | 2021-03-17 | 2022-09-22 | 先临三维科技股份有限公司 | 一种训练牙模形变模型的方法及装置 |
CN113393568A (zh) * | 2021-06-08 | 2021-09-14 | 先临三维科技股份有限公司 | 颈缘线形变预测模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022194258A1 (zh) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110149541B (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
CN108549863B (zh) | 人体姿态预测方法、装置、设备及存储介质 | |
WO2022194258A1 (zh) | 一种训练牙模形变模型的方法及装置 | |
CN110413837B (zh) | 视频推荐方法和装置 | |
CN110147533B (zh) | 编码方法、装置、设备及存储介质 | |
CN107833178A (zh) | 一种图像处理方法、装置及移动终端 | |
CN103533286B (zh) | 用于带静态区域排除的时间帧内插的方法和系统 | |
CN111737573A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN110147532B (zh) | 编码方法、装置、设备及存储介质 | |
CN107909583A (zh) | 一种图像处理方法、装置及终端 | |
CN110503160B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN107958161A (zh) | 一种多任务显示方法及移动终端 | |
CN111581958A (zh) | 对话状态确定方法、装置、计算机设备及存储介质 | |
CN113269612A (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
CN115199240A (zh) | 一种页岩气井产量预测方法、装置及存储介质 | |
CN110796147B (zh) | 图像分割方法及相关产品 | |
CN108898647A (zh) | 图像处理方法、装置、移动终端以及存储介质 | |
CN108647566B (zh) | 一种识别皮肤特征的方法及终端 | |
CN113066508A (zh) | 语音内容的处理方法、装置、设备及可读存储介质 | |
CN110232417B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN107240076A (zh) | 图像处理方法及装置 | |
CN111416948A (zh) | 一种图像处理方法及电子设备 | |
CN110990549A (zh) | 获取答案的方法、装置、电子设备及存储介质 | |
CN113593521B (zh) | 语音合成方法、装置、设备及可读存储介质 | |
CN112166441A (zh) | 数据处理方法、装置及计算机可读存储介质 |
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 |