CN113632147A - 使用机器学习的产品设计、配置和决策系统 - Google Patents
使用机器学习的产品设计、配置和决策系统 Download PDFInfo
- Publication number
- CN113632147A CN113632147A CN202080023740.0A CN202080023740A CN113632147A CN 113632147 A CN113632147 A CN 113632147A CN 202080023740 A CN202080023740 A CN 202080023740A CN 113632147 A CN113632147 A CN 113632147A
- Authority
- CN
- China
- Prior art keywords
- product
- configurations
- configuration design
- product configuration
- configuration
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- User Interface Of Digital Computer (AREA)
- Processing Or Creating Images (AREA)
Abstract
披露了一种产品配置设计系统,该产品配置设计系统包括:产品配置设计服务器,该产品配置设计服务器包括处理器、非暂态存储器、输入/输出、产品储存器、配置库和机器学习器;以及产品配置设计装置,该产品配置设计装置使得用户能够选择三维对象表示、集合和灵感源,使得该产品配置设计服务器生成多个产品配置,作为来自对配置生成模型进行机器学习计算的输出,该配置生成模型将该三维对象表示、该集合和该灵感源作为输入。还披露了一种方法,该方法用于:选择三维对象表示、集合和灵感源;以及生成产品配置。
Description
相关申请的交叉引用
本国际申请要求于2020年1月20日提交的美国非临时申请号16/747,316的权益;并且要求于2019年1月25日提交的美国临时申请号62/797,073的权益;这两项申请通过引用以其全文并入本文。
技术领域
本发明总体上涉及三维产品设计领域,并且更具体地涉及用于基于机器学习和人工智能的产品设计的方法和系统,该方法使用一组选择的颜色和材料用于在3D对象上创建材料和颜色组合,由来自存储的个人图像和内容集合、外部社交媒体、照片库和其他个人视觉信息容器的输入来驱动。
背景技术
使用不同的颜色和材料组合来创建3D对象的视觉表示以及各种配置已经存在了很长一段时间。从面向消费者的角度来看,如今许多产品都可以通过在线配置器进行配置。在产品开发过程期间的设计侧,配置器的概念使得设计者能够呈现并做出设计决策,同时能够使产品在3D光照条件下以逼真表示进行可视化,即使使用VR和AR也已经探索了好几年。
在考虑将配置器用作实际设计过程的一部分时,尤其是在设计过程的探索阶段,仅有少量的解决方案可用,并且在所提供的那些解决方案中,在设置配置时,用户体验缺乏。此外,这个过程主要通过手动交互驱动,从存储在各种媒体中的许多源汲取灵感,并且受到设计者可用于探索许多替代方案的时间和资源量的限制。已经做出的关于颜色和材料配置的任何设计决策都以传统方式存储,以印刷或实物样品的形式数字地或手动地存储。
然而,虽然这些决策用作参考,并且这样可以辅助作为下一设计周期的输入,但是目前还没有一种智能的方式来重复使用过去的设计决策并能够将其与以数字或再次以实物形式捕获的趋势和情绪数据有效结合。所有这些输入都依赖于人的交互,需要个体来分析数据并将其转化为下一代设计提案。
因此,考虑到前述内容,可以理解到,仍然需要用于经由产品可视化方法来呈现材料的数字表示的新颖且改进的装置和方法。
发明内容
本发明在很大程度上满足了上述需求,其中,在本发明的各方面,提供了对现有产品可视化模型的增强。
在一方面,产品配置设计系统允许设计者使用人工智能(AI)和机器学习(ML)来在3D对象上设计和配置材料和颜色,同时教导系统在未来做出更好且更具针对性的设计决策。
在相关方面,产品配置设计系统可以使用机器学习/AI来帮助设计者基于个人情绪和趋势板、以及社交媒体网站(诸如PININTEREST(TM)、INSTAGRAM(TM)和FACEBOOK(TM))上的个人或公共图像和照片集合来解析/扫描/抓取大型材料和颜色数据库。AI将向设计者呈现潜在的大量组合,这主要是由应用程序可以提取的输入量来驱动的。
在相关方面,产品配置设计系统提供了一种直观的决策系统,该决策系统通过简单的向左滑动或向右滑动或轻敲来使设计者保留或取消配置。机器学习将能够巧妙地演变为更窄、更具针对性的提供设计配置。机器学习通过来自与其共享设计的其他人的输入来进行进一步教导,从而使得不仅获取配置本身,而且还获取人口统计数据、性别、年龄等等。一旦机器已经达到临界质量,则其将允许设计者使用AI来利用附加输入参数(包括年龄、性别和人口统计数据)进一步驱动设计。结果不是静态图像,而是可以在各种光照条件下在3D查看器以及AR中交互式查看的三维配置对象,以给出设计的逼真表示。
在另一相关方面,设计配置可以通过手动交互(通过锁定对象的某些部分以防止改变)进行进一步细化,并利用附加设计元素(诸如图形打印和修剪)实现可视化。
因而,已经相当广泛地概述了本发明的某些实施例,以便可以更好地理解本文的本发明详细描述,并且以便可以更好地理解本发明对现有技术的贡献。当然,存在本发明的附加实施例,这些附加实施例将在下面进行描述并且将构成本发明所附权利要求的主题。
在这方面,在详细解释本发明的至少一个实施例之前,应当理解,本发明并不将其应用限于在以下描述中阐述的和/或在附图中展示的构造细节和部件布置。本发明能够具有除了描述的那些实施例之外的实施例,并且能够以各种方式来实践和实施。另外,应当理解,在本文以及摘要中所采用的措辞和术语是出于描述的目的,而不应被视为是限制性的。
因此,本领域技术人员将理解,本披露内容所基于的概念可以容易地用作设计用于实施本发明的若干目的的其他结构、方法和系统的基础。因此,重要的是,在不脱离本发明的精神和范围的情况下,权利要求被视为包括这种等效构造。
附图说明
图1是展示了根据本发明实施例的产品配置设计系统的示意图。
图2是展示了根据本发明实施例的产品配置设计装置的示意图。
图3是展示了根据本发明实施例的产品配置设计服务器的示意图。
图4A是根据本发明实施例的产品配置设计系统的实物材料样品的图示。
图4B是根据本发明实施例的产品配置设计装置的数字材料表示的图示。
图4C是根据本发明实施例的产品配置设计装置的三维数字对象的图示。
图5是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图6是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图7是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图8是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图9是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图10是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图11是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图12是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图13是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图14是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图15是根据本发明实施例的产品配置设计装置的图形用户界面的图示。
图16是展示了根据产品可视化方法或过程的一个实施例的可以被遵循的步骤的流程图。
具体实施方式
在详细描述本发明之前,应注意,本发明主要在于元素和过程步骤的新颖且非显而易见的组合。为了不使本领域技术人员容易明了的细节模糊本披露内容,某些常规元素和步骤已经以较少的细节进行呈现,而附图和说明书更详细地描述了与理解本发明有关的其他元素和步骤。
以下实施例不旨在限定对本发明的结构或方法的限制,而是仅提供示例性构造。这些实施例是允许性的而不是强制性的,并且是说明性的而不是详尽性的。
下面,参考图1,以相同的附图标记始终指代相同的部件的方式,描述产品配置设计系统100的实施例的结构;以上方式是在本说明书的其余部分将采用的约定。
在各种实施例中,产品配置设计系统100提供了一种新颖的方式以在来自同步到本地装置的基于云的材料库的3D产品上自动配置材料和颜色组合,该材料库通过AI引擎被馈送,该AI引擎查看存储在应用程序内的个人情绪板、以及保存在社交媒体应用程序中的图像集合。这些AI生成的配置可以是完全自动的,或者遵循可以确定3D对象的哪些部分被自动配置的用户的输入。AI可以进一步用于通过处理材料特性和标签以及对象的层来以智能方式应用材料,从而确定哪种类型的材料用于对象的哪个部分。所有产生的配置都可以在真实世界光照条件下以3D、以及在AR中交互式地进行查看。在通过用户在应用程序内审阅AI生成的结果并通过与组织外部的人共享,用户可以接受或拒绝所呈现的组合。这将通过机器学习来教导系统,从而使AI引擎在配置未来产品时更智能。这将导致捕获和分析趋势数据,不仅仅是基于颜色和材料,而且还基于性别、年龄、人口统计数据等,从而允许在未来进行更加目标驱动的设计。
在其他相关实施例中,产品配置设计系统在三维对象上自动配置材料和颜色组合,该三维对象来自由机器学习引擎提供的材料库,该机器学习引擎解析存储在装置中的个人情绪板、以及保存在社交媒体应用程序中的图像集合。这些AI生成的配置可以是完全自动的,或者遵循可以确定3D对象的哪些部分被自动配置的用户的输入。AI可以进一步用于通过处理材料特性和标签、以及对象的层来以智能方式应用材料,从而确定哪种类型的材料用于对象的哪个部分。AI生成的结果可以被接受或拒绝,使得机器学习被用于训练系统,使得基于颜色和材料、性别、年龄、人口统计数据来捕获和分析趋势数据,从而允许对未来集合的目标驱动设计。
在实施例中,如图1所示,产品配置设计系统100可以包括:
a)产品配置设计服务器102,该产品配置设计服务器包括配置生成模型316;以及
b)产品配置设计装置104,使得产品配置设计装置104可以连接至产品配置设计服务器102;
其中,产品配置设计装置104被配置用于使得用户能够选择三维对象表示400c、集合610和灵感源710;
使得产品配置设计服务器102生成多个产品配置810,作为来自对配置生成模型316进行机器学习计算的输出,该配置生成模型将三维对象表示400c、集合610和灵感源710作为输入。
在相关实施例中,如图2所示,产品配置设计装置104可以包括:
a)处理器202;
b)非暂态存储器204;
c)输入/输出206;
d)摄像头207;
e)屏幕208;
f)产品可视化器210;
g)图像库212;以及
h)产品编辑器214;以上全部经由以下进行连接:
i)数据总线220。
在相关实施例中,产品配置设计服务器102可以包括:
a)处理器302;
b)非暂态存储器304;
c)输入/输出部件306;
d)产品储存器310,该产品储存器用于存储可定制标签系统,该可定制标签系统包括分层级的标签,使得每个标签与至少一个三维对象相关联;
e)配置库312,该配置库用于存储产品配置;以及
f)机器学习器314,该机器学习器使用/处理机器学习算法以训练和执行配置生成模型316。机器学习算法可以使用众所周知的机器学习方法,包括人工神经网络,诸如利用反向传播学习、遗传算法的深度学习前馈神经网络;支持向量机和聚类分类;以上全部经由以下进行连接:
g)数据总线320。
在进一步相关实施例中,机器学习算法可以是具有至少两个隐藏层的卷积人工神经网络,使得配置生成模型由经优化的/经训练的卷积人工神经网络来实施,该经优化的/经训练的卷积人工神经网络可以使用众所周知的人工神经网络深度学习方法(包括反向传播和其他非线性函数优化方法)进行训练/优化。在许多相关实施例中,学习/训练可以是无监督的,以便确保发现/并入了隐藏/未知评定偏差,但是在一些实施例中,学习可以是有监督的或部分有监督的,并且可以采用强化学习。
在相关实施例中,产品配置设计装置104可以包括如下配置:
a)在移动装置上执行的移动应用程序,该移动装置是诸如例如ANDROIDTM或IPHONETM、或任何可穿戴移动装置;
b)在平板装置上执行的平板应用程序,该平板装置是诸如例如ANDROIDTM或IOSTM平板装置;
c)在网络浏览器中执行的网络应用程序;
d)在个人计算机或类似装置上执行的桌面应用程序;或者
e)在处理装置上执行的嵌入式应用程序,该处理装置是诸如例如智能TV、游戏控制台或其他系统。
应理解,如图1所示,产品配置设计系统100的实施例的执行实例可以包括多个产品配置设计装置104,该多个产品配置设计装置各自绑定到一个或多个用户122。
如图1所示,产品配置设计系统100的实施例的执行实例可以类似地包括多个产品配置设计服务器102。
在产品配置设计系统100的相关实施例中,在下文中将参考产品配置设计装置104的图形用户界面的特定应用程序视图来披露由与产品配置设计服务器102通信的产品配置设计装置104提供的功能。
在进一步相关实施例中,如在所展示的图形用户界面中所见的,用户122可以通过底部工具栏(如例如图5中所见的)中的图标沿着设置过程得到引导。一旦当前步骤得到满足,下一步骤将变为可用。这将通过下一步骤的图标的颜色变化进行指示。使用人工智能和机器学习是产品配置设计系统100的组成部分,并且将在适用的情况下进行描述。
在进一步相关实施例中,为了促进AI/机器学习的使用以使得3D对象400c的层或部分(如图4A、图4B和图4C所示)可以相应的被命名或加标签,使得对应于实物样品400a的数字材料表示400b可以映射到单独的层,并且最终结果可以使用对应的标签进行机器学习。可以对数字材料表示400b加标签以指示材料在3D对象中的使用。以这种方式生成的配置从一开始就是“智能”配置,并且可以辅助机器学习。AI和ML还可以使用视觉分析来自动识别材料&图形的放置位置。
在相关实施例中,如图5所示,产品编辑器214可以被配置用于提供图形用户界面500,用于选择三维对象510,作为产品配置过程中的第一步骤。底部的工具栏550在该过程中一路引导用户。产品编辑器214可以被配置用于示出可用于进行配置的3D对象510。
在进一步相关实施例中,产品编辑器214可以被配置用于基于初始3D模型400c510开始创建由人工智能(AI)驱动的配置的过程。3D模型400c510可以包括可以被配置的各个层410或部分410。3D对象400c可以被本地存储在产品配置设计装置104上,并且可以被检索、上传、与可以是基于云的产品配置设计服务器102在通信上同步。用户浏览所有可用资产并选择她/他想要使用的对象400c。为了接受资产510,用户122向左滑动,为了拒绝并因此从集合中移除资产,用户向右滑动。一旦选择了3D资产510,则下一步骤将变得可用。
在相关实施例中,如图6所示,产品编辑器214可以被配置用于提供图形用户界面600,用于显示和选择可用于AI驱动配置的集合610。集合包含材料、颜色和图形。所有配置都可以与产品配置设计服务器102(即,在线平台/后端)同步,并且本地复制到产品配置设计装置104。
在进一步相关实施例中,集合610可以包括材料和颜色,例如,用于下一季节。这些集合610通常由设计者团队准备,并且可以与用户选择得一样大。集合610还可以包括来自经批准供应商的完整在线集合,以结合任何调色板(诸如PANTONE(TM)颜色或其他颜色方案)作为供应用程序在创建配置时借鉴的输入。替代性地,对材料的选择可以从馈送到由产品配置设计服务器102的机器学习部件314提供的AI&ML处理中的灵感内容来直接发起。
在相关实施例中,集合610可以包括多种材料400b和多种颜色。
在另一相关实施例中,如图7所示,产品编辑器214可以被配置用于提供图形用户界面700,用于选择灵感源710,作为设置中的第三步骤。用户选择灵感源710,该灵感源应被用于使用如在用于显示和选择集合610的图形用户界面600中选择的材料和颜色来创建配置。
在进一步相关实施例中,如图7所示,灵感源710可以来自各种源710。产品配置设计服务器102的机器学习部件314可以被配置用于处理选择源,该选择源可以是通常被描述为“情绪”或“趋势”板的定制用户集合,或者是其他在线图像集合,诸如PININTEREST(TM)、INSTAGRAM(TM)、FACEBOOK(TM)等。机器学习部件314将获取个人还是公共板,这取决于用户选择什么作为输入。在一些情况下,用户可能会选择公共数据,而在其他情况下,用户可能会登录他们的个人账户并使用私人数据。
在相关实施例中,灵感源710可以包括多个图像712。
在相关实施例中,如图8所示,产品编辑器214可以被配置用于提供图形用户界面800,用于创建配置(混合配置)、审阅结果并改变输入,并且可以包括:
a)创建配置,其中,机器学习器314可以被配置用于使用深度学习人工智能算法、通过将来自所选集合的材料和来自灵感源710的输入放置在所选三维对象400c510上来创建配置810。机器学习器314可以被配置用于处理颜色和颜色组合,并且识别类似对象并分析颜色,以选择材料和颜色并将这些材料和颜色分配给所选3D对象400c510的各个层/部分410。另外,材料可以基于它们的使用区域来进行选择和分配,诸如橡胶用于鞋底、衬垫。材料和颜色分配可以产生尚不可用作材料的新组合。新组合可以作为新材料请求直接从产品配置设计系统100内提交给供应方。
b)审阅结果,其中,产品可视化器210可以被配置用于显示所产生的配置,例如,4乘4网格形式的配置。机器学习器314可以执行对内容的重新混合以示出16种新配置。
所有配置都在产品配置设计装置104上本地生成。例如,结果以网格的形式(16、4、21、8)显示,示出了每种配置的细节,包括视觉表示和其他相关信息(如果需要的话),诸如整体材料成本。每种配置都可以在交互式3D实时窗口中打开,用于深入审阅,如图11中进一步所示。每种配置都会有的附加信息是详细的材料清单。通过滚动至下一页可以获得更多配置。
c)改变输入,其中,产品编辑器214可以被配置用于允许用户122通过简单地点击底部工具栏中的对应图标来返回并回看在对应于视图500、600和700的先前应用步骤中做出的3种选择中的任意一种。
在任何时间点,都可以通过改变输入参数来重新计算结果。通过点击底部工具栏上的图标,用户可以后退并改变原始3D对象400c510、或集合610、或灵感源710。
在相关实施例中,多个配置中的每个配置都可以包括三维对象表示400c,该三维对象表示包括多个区域410,使得对于每个区域410,应用具有对应颜色组合的对应材料表示400b。
在相关实施例中,如图9所示,产品编辑器214可以被配置用于提供图形用户界面900,用于接受和拒绝结果、重新混合、民意测验、保存,使得:
a)接受或拒绝结果,其中,产品编辑器214可以允许用户122通过要么向左(接受)滑动、要么向右滑动(拒绝)滑动来接受或拒绝结果配置。
为了接受或拒绝结果,用户要么向左滑动,要么向右滑动。接受和拒绝的组合将被机器学习器314使用,以用于训练配置生成模型,从而在未来交付更好、更理想的内容。接受配置将保留作为结果的一部分,其中,绿色指示符用于表示该配置被批准,而拒绝的结果将被移除并允许用新配置来填补空间。配置还可以既不被接受也不被拒绝,因此将不会被视为用于机器学习的输入。这些未评定的结果将在下一次创建配置(混合)期间被覆写,但可能会被保存,因为AI/ML可能不想要再次对其进行表示。这将使本发明从完全随机发生器转向更智能的系统。
b)重新混合,其中,如图9所示,产品编辑器214还可以使得用户122能够添加新配置810来代替拒绝配置810。还给出了基于最近的输入重新开始配置的选项。
重新混合意味着在某个配置已经被拒绝之后新创建单独配置。在拒绝某个配置之后,用户可以点击在空白空间上的图标并创建新配置。通过点击底部的工具栏中的“混合”或“重新混合”图标,完全新建一个混合也是可能的。
c)民意测验,其中,从底部向上滑动会将配置发送到一群人进行简单投票。所有选票都将被考虑,基于此可以由原始发起人做出最终决策。
用户122可以通过向上滑动结果来创建对配置的民意测验。这将创建可以与他们的组织内部或外部的人共享的包,以帮助对配置进行评定。该评定将在如图10所示的移动装置(或基于浏览器的系统、或任何电子装置)上发生。一旦民意测验结束,用户就可以审阅民意测验结果,并且然后相应地接受或拒绝配置。所有接受的或拒绝的结果(包括针对某个配置的实际民意测验结果)都将被存储并用于机器学习。
d)保存-保存配置,通过从上向下滑动来调用,这将保存当前配置并将其从结果中移除
为了保存配置,用户可以通过从上向下滑动单个结果来锁定某个配置。保存配置还将影响机器学习,并且可以会比喜欢或不喜欢的配置具有更大的影响权重。
在相关实施例中,产品配置设计装置104可以被配置用于显示多个配置810,使得用户122能够接受或拒绝多个配置810中的每个配置810,使得用户识别与三维对象表示400c、集合610和灵感源710相关联的多个接受配置810和多个拒绝配置810。
在相关实施例中,如图10所示,产品编辑器214可以被配置用于提供图形用户界面1000,用于在移动电话上接受和拒绝结果。图10展示了移动电话应用程序,该移动电话应用程序允许用户审阅已经与他们共享的配置并对这些配置进行投票。
在进一步相关实施例中,为了更好地了解受欢迎程度并获取第三方反馈配置,在它们已经被用户接受或拒绝之前,配置810可以与他们的组织内部或外部的人共享。在图10中,示出了共享某个配置与相关联3D模型的应用程序视图(其可以是浏览器或应用程序的一部分)的示例。用户/接受方122可以能够在交互式3D窗口中审阅3D模型与配置。替代性地,接受方将还能够点击已保存的视图以快速访问用户想要被审阅的细节。使用与原始应用程序相同的原则,接受方可以通过向左滑动或向右滑动(或轻敲/选择接受或拒绝按钮)来接受或拒绝配置。这将有助于在应用程序内对配置进行民意测验,并且还将被机器学习器314用于训练配置生成模型。另外,可以捕获附加数据,诸如年龄、性别和人口统计数据,以允许在未来进行更加目标驱动的设计。
在相关实施例中,如图11所示,产品可视化器210可以被配置用于提供图形用户界面1100,用于以3D审阅结果配置1110,这样就可以在完全交互式的实时3D环境中查看单独混合结果配置。标签1120确切示出了是什么输入源致使了该结果。任何结果都可以在3D交互式实时查看器中审阅。在查看器内,用户可以实时地旋转和平移逼真3D对象,并将摄像头变焦拉近对象以审阅特写视图中的细节。为了探索材料和颜色配置在不同真实世界光照条件下的行为,用户可以换成基于图像的光照环境。另外,用户还可以使用AR在真实世界背景下审阅3d对象。
在相关实施例中,如图12所示,产品可视化器210可以被配置用于提供图形用户界面1200,用于操纵单独结果配置1110。图12示出了用于与3D对象进行手动交互的用户界面,以开始新配置或细化建议的或现有的配置,从而为用户122提供操纵并细化单独结果的能力。用户可以选择将材料、颜色和图形手动应用到3D对象的层。层(也被称为区域)然后也可以被锁定,这样它们在配置过程期间就不会被更改。所有这种输入然后将作为输入与各种库的灵感输入组合使用,以使用来自所选集合的材料和颜色来创建新配置。这些手动选择可以由机器学习器314使用以用于训练配置生成模型,从而有助于在未来定义配置的结果。
在进一步相关实施例中,可以基于三维对象表示400c、集合610和灵感源710的输入,利用多种接受配置810和多种拒绝配置810来训练配置生成模型316,使得配置生成模型316被优化以生成接受配置810。
在进一步相关实施例中,多个接受配置810中的至少一个接受配置810可以包括三维对象表示400c,该三维对象表示包括多个区域410,使得对于每个区域,应用具有对应颜色组合的对应材料表示400b,其中,多个区域410包括至少一个锁定区域410,对该至少一个锁定区域应用具有锁定颜色组合的锁定材料表示400b,使得配置生成模型316被训练为仅输出产品配置810,其中,至少一个锁定区域410与具有锁定颜色组合的锁定材料表示400b相关联。
在相关实施例中,如图13所示,产品可视化器210可以被配置用于提供图形用户界面1300,用于审阅所有的单独配置(混合)。图形用户界面1300展示了所有保存的配置1110的表示。保存的配置1110中的任一个都可以被打开和查看,其中,单独的配置在3D实时交互式窗口中打开进行审阅、呈现和细化。各种混合的所有结果都被保存并存储在本地,并且将与色样册(swatchbook)数据库同步。混合还可以与组织内部的其他人共享,以进行进一步审阅和协作。从混合集合中,用户可以直接对单独的混合调用动作,诸如民意测验、共享和协作。
因此,在各种相关实施例中,产品配置设计系统100可以提供:
a)将传统设计配置工具与人工智能(AI)和机器学习(ML)相结合的一种新型设计工具;
b)AI引擎,该引擎馈送材料和颜色库、以及来自存储在云中、计算机上或社交媒体上的定制图像集合的输入;
c)通过收集的图像、趋势、接受和拒绝某些颜色和材料组合来教导的系统;
d)自动配置器,该自动配置器使用AI、通过观看INSTAGRAM(TM)、FACEBOOK(TM)、PININTEREST(TM)等上的图像和集合来应用材料以及材料和颜色的组合;
e)自动配置器,该自动配置器可以在完全或部分自动化模式下使用,允许用户俯视对象上的一个或多个部分;
f)设计工具,该设计工具可以通过使用ML基于喜欢、不喜欢、和保存材料/颜色组合进行教导,从而基于学习的选择来产生更理想的自动设计组合;
g)使用诸如地域、年龄、性别等附加参数的基于AI的材料和颜色配置器;
h)一种使用AI的智能方式,该方式基于材料的类型和标签、以及在对象的特定部分上的用途(例如,橡胶仅用于鞋底,织物不用于鞋底)来应用材料;
i)一种使用ML捕获趋势数据的新方式;
j)使用手动选择方法分配和锁定数据以进一步引导和训练ML;
k)在移动装置上与组织外部的人共享配置以验证所选择的组合,从而为ML提供进一步输入;以及
l)可能使用引导式ML与定向式ML与自由式ML或这种ML驱动过程的任何和所有组合。
在相关实施例中,产品可视化器210可以被配置用于允许用户经由标签系统将2D图像应用于3D对象,以便将图像与模拟光照条件下的模拟真实世界材料结合起来进行交互式可视化。图像和数字材料的组合可以保存到图像库212中,用于进一步赋以灵感、进行审阅、细化、与材料供应方合作进行新材料开发。此外,存储在在线库中的任何材料都可以通过简单地添加与3D模型相关联的智能标签来进行查看,并且相关联的材料的颜色范围可以进行可视化。所提供的功能包括:
a)标签系统,该标签系统是可完全定制的,从而允许用户定义和设置上下文相关标签,其中,一个标签揭露一个相关的子标签集合。标签系统可以具有深度无限制的子标签;
b)可以与3D对象/模型相关联的标签;
c)应用程序,该应用程序允许用户通过简单地加标签而在3D模型上对2D图像进行可视化;
d)一种在3D模型上对材料的颜色范围进行可视化的方式;
e)用于移动装置的交互式查看应用程序;以及
f)使用移动装置进行新材料开发的交互式视图。
在相关实施例中,产品配置设计装置104的产品可视化器210可以被配置用于将实物样品400a的数字材料表示400b覆盖到数字产品模型/表示400c上,以便生成数字产品渲染1010,如例如图10所示,使得数字产品渲染1010可以由用户122查看。产品可视化器210可以被配置用于生成具有光照阴影和景深的视图,以模拟实物产品的外观。
在相关实施例中,如图14所展示的,产品可视化器210可以被配置有用于智能标签创建1400的应用程序视图,以允许用户根据可定制标签系统来设置智能标签1410。可定制标签系统允许创建上下文相关标签,使得标签系统允许在标签分类法/层级内定义标签的依赖关系,使得标签可以是父标签,这些父标签可以与应用于这种特定父标签的具体子标签相关联。一个子标签可以属于多个父标签。一个子标签可以充当其他子标签的父标签。被称为“深度”的依赖性可以是无限制的,这样用户122就可以根据需要设置尽可能多的子标签级别。可以为生产商/制造商、及其相关联品牌和型号设置标签系统或标签系统的子集。用于特定品牌的主/父标签可以例如具有鞋类子标签,该鞋类子标签具有进一步子标签{运动男士、运动女士、休闲男士、休闲女士、正装男士、正装女士},这些进一步子标签中的每一者都具有一组相关联的模型子标签,这些模型子标签中的每一者都与至少一个3D模型相关联。
在相关实施例中,智能标签可以与以下各项相关联:
a)数值;
b)数值范围;
c)文本描述符;和/或
d)3D对象形状表示。
在相关实施例中,3D对象400c可以限定/包括3D对象400c的分离的材料表面/区域410,这些分离的材料表面/区域可以表示分离的织物切片、或可以应用材料表示400b的区域。例如,鞋的某些表面410可以应用诸如织物或皮革等材料400b,而其他区域(诸如鞋底)可以不应用材料400b。
在相关实施例中,如图15所示,产品可视化器210可以被配置用于示出增强现实/虚拟现实(AR/VR)环境1520下的结果设计配置1510。AR/VR环境可以通过点击图标进行访问。
与摄像头207的交互可以特定于由用于渲染AR/VR环境的工具包/API提供的AR/VR控件。在AR/VR模式下,用户将仍能够在对象上编辑图像,如图11和图12所示。
在另一相关实施例中,可定制标签系统可以包括分层级的标签,使得该分层级的标签中的每个标签与至少一个三维对象相关联。
在又一相关实施例中,可定制标签系统可以包括分层级的标签,包括至少一个父标签,该至少一个父标签与多个子标签相关联。
在又一相关实施例中,相关联的三维对象可以包括多个材料表面,使得二维材料样品仅应用于该多个材料表面。
在相关实施例中,二维材料样品可以在相关联的三维对象的表面上以平铺结构进行重复。
在相关实施例中,产品可视化器可以被配置用于调节二维材料样品相对于相关联的三维对象的表面的尺寸。
在相关实施例中,产品可视化器可以被配置用于调节二维材料样品相对于相关联的三维对象的表面的位置。
在相关实施例中,产品配置设计装置104可以被部署为独立式应用程序,或者其可以被提供为设计和制造应用程序平台的一部分,使得产品配置设计系统100嵌入在设计和制造平台内。设计和制造平台可以包括其他应用程序,包括具有材料混合应用程序的数字材料设计和可视化平台,该材料混合应用程序可以将材料的多个参数(或成分)(诸如基材、颜色、图案、涂层)作为输入,并基于这些输入来实时开发材料。材料混合应用程序可以用于新材料的创建,诸如用于像皮革的材料类型,利用颜色、孔图案,利用规则以及利用灵感来创建新材料。
在进一步相关实施例中,产品配置设计装置104可以包括或集成有专用渲染应用程序,用于创建用于销售、营销和零售的逼真影像;使得渲染应用程序作为内部部件被包括,或者经由与外部渲染应用程序或系统集成。
因此,在又进一步相关实施例中,包括产品配置设计系统100的这种数字材料设计和可视化平台可以用作基于成分的数字混合平台,以基于规则、规格和灵感来快速创建变体,其中,用户投票和消费者投票馈送到机器学习后端,以引导产品创建和决策。基于成分的数字混合平台可以进一步包括摄影混合应用程序,该摄影混合应用程序允许用户选择数字资产(预配置的)、选择产品类型、选择灵感,使得摄影混合应用程序可以提供光照变化和摄像头位置变化,并且然后进行到民意测验/投票。
在示例中,如图16所展示的,产品配置设计方法1600可以包括:
a)选择三维对象1602,包括如关于图5所描述和示出的过程;
b)选择集合1604,包括如关于图6所描述和示出的过程;
c)选择灵感源1606,包括如关于图7所描述和示出的过程;
d)生成配置1608,包括如关于图8所描述和示出的过程,其中,多个配置被生成作为来自对配置生成模型进行机器学习计算的输出,该配置生成模型将三维对象表示、集合和灵感源作为输入;
e)接受/拒绝结果配置1610,包括如关于图9和图10所描述和示出的过程;
f)审阅结果配置1612,包括如关于图11所描述和示出的过程;以及
g)编辑结果配置1614,包括如关于图12所描述和示出的过程。
在相关实施例中,接受/拒绝结果配置1610可以进一步包括显示多个配置,其中,用户接受或拒绝多个配置中的每个配置,使得用户识别与三维对象表示、集合和灵感源相关联的多个接受配置和多个拒绝配置。
在进一步相关实施例中,产品配置设计方法1600可以进一步包括基于三维对象表示、集合、灵感源的输入利用多个接受配置和多个拒绝配置来训练1616配置生成模型,使得配置生成模型被优化以生成这些接受配置。
图1、图2、图3和图16是根据本发明的各种实施例的框图和流程图、方法、装置、系统、设备和计算机程序产品。应理解,框图、流程图和控制流图示中的每个框或步骤,以及框图、流程图和控制流图示中框的组合,都可以通过计算机程序指令或其他方式来实施。尽管讨论了计算机程序指令,但是根据本发明的设备或系统可以包括其他装置,诸如硬件或硬件和软件的某种组合,包括一个或多个处理器或控制器,以用于执行所披露的功能。
在这方面,图1、图2和图3描绘了各种实施例的计算机装置,每个计算机装置包含通用计算机的若干关键部件,通过这些关键部件可以实施本发明的实施例。本领域普通技术人员将认识到,计算机可以包括许多部件。然而,为了披露用于实践本发明的说明性实施例,没有必要示出所有这些一般的常规部件。通用计算机可以包括处理单元和系统存储器,该系统存储器可以包括各种形式的非暂态存储介质,诸如随机存取存储器(RAM)和只读存储器(ROM)。计算机还可以包括非易失性存储存储器,诸如硬盘驱动器,附加数据可以存储于其中。
图1示出了产品配置设计系统100的实施例的描绘,该产品配置设计系统包括产品配置设计服务器102和产品配置设计装置104。在该关系中,服务器应被理解为表示可以物理地表现为位于一个或若干个物理位置处的一个、两个或多个单独物理计算装置的通用计算能力。服务器可以例如表现为以下各项的共享计算用途:一个单个台式计算机、专用服务器、机架式物理服务器集群、数据中心、或数据中心网络,每个这种数据中心包含多个物理服务器或计算云,诸如AMAZON EC2TM或MICROSOFT AZURETM。
应理解,产品配置设计服务器102和产品配置设计装置104的上述部件将以最一般的方式进行解释。
例如,处理器202、302可以各自分别包括单个物理微处理器或微控制器、处理器集群、数据中心或数据中心集群、计算云服务等。
在进一步示例中,非暂态存储器204和非暂态存储器304可以各自分别包括各种形式的非暂态存储介质,包括随机存取存储器和其他形式的动态存储器,以及硬盘、硬盘集群、云存储服务和其他形式的长期存储器。类似地,输入/输出206和输入/输出306可以各自分别包括多个众所周知的输入/输出装置,诸如屏幕、键盘、定点装置、运动跟踪器、通信端口等。
此外,应理解,产品配置设计服务器102和产品配置设计装置104可以各自分别包括在通用计算机装置领域中众所周知的多个其他部件,因此本文不作进一步描述。这可以包括系统对公共功能和硬件的访问,诸如例如经由操作系统层(诸如WINDOWSTM、LINUXTM)和类似操作系统软件,但是还可以包括其中应用服务直接在服务器硬件上执行或经由除完整操作系统之外的硬件抽象层执行的配置。
本发明的实施例还可以包括一个或多个输入或输出部件,诸如鼠标、键盘、监视器等。可以提供用于查看文本和图形数据的显示器、以及用于允许用户请求特定操作的用户界面。此外,本发明的实施例可以经由网络接口连接至一个或多个远程计算机。该连接可以通过局域网(LAN)、广域网(WAN)进行,并且可以包括这种连接所需的所有电路系统。
在相关实施例中,产品配置设计装置104通过网络106与产品配置设计服务器102进行通信,该网络可以包括通用因特网、广域网或局域网、或另一种形式的通信网络,在有线或无线连接上进行传输。无线网络可以例如包括以太网、Wi-Fi、BLUETOOTHTM、ZIGBEETM和NFC。通信可以经由安全、加密的通信协议进行传递。
典型地,计算机程序指令可以加载到计算机或其他通用可编程机器上以产生专用机器,使得在计算机或其他可编程机器上执行的指令创建用于实施框图、示意图或流程图中指定的功能的装置。这种计算机程序指令还可以存储在计算机可读介质中,该计算机可读介质在加载到计算机或其他可编程机器中时可以指导机器以特殊方式发挥功能,这样使得存储在该计算机可读介质中的指令产生包括实施框图、示意图或流程图中指定的功能的指令装置的制品。
另外,计算机程序指令还可以被加载到计算机或其他可编程机器中,以使计算机或其他可编程机器执行一系列操作步骤,从而产生计算机实施的过程,这样使得在计算机或其他可编程机器上执行的指令提供用于实施框图、示意图、流程图的框或步骤中指定的功能的步骤。
因此,框图、流程图或控制流图示的框或步骤支持用于执行指定功能的装置的组合、用于执行指定功能的步骤的组合、以及用于执行指定功能的程序指令装置。还应理解,框图、示意图或流程图中的每个框或步骤、以及框或步骤的组合可以由执行指定功能或步骤的基于专用硬件的计算机系统或由专用硬件和计算机指令的组合来实施。
作为示例,仅出于说明的目的而提供,搜索引擎应用程序的数据输入软件工具可以是用于接收包括一个或多个搜索项的查询的代表性装置。应用程序的类似软件工具或本发明的实施例的实施方式可以是用于执行指定功能的装置。例如,本发明的实施例可以包括用于将处理元件与用户控制的输入装置(诸如鼠标、键盘、触屏显示器、扫描仪等)进行接口连接的计算机软件。类似地,本发明的实施例的输出可以包括例如显示软件、显卡硬件和显示硬件的组合。处理元件可以包括例如控制器或微处理器,诸如中央处理单元(CPU)、算术逻辑单元(ALU)或控制单元。
因此,本文已经描述了产品配置设计系统100、产品配置设计装置104以及与之相关的方法的多个实施例,这些实施例可以在多种使用模式中采用。
本发明的许多特征和优点从详细的说明书中是显而易见的,并且因此,所附权利要求旨在覆盖落入本发明的真实精神和范围内的本发明的所有这种特征和优点。
例如,替代性实施例可以重新配置或组合产品配置设计服务器102和产品配置设计装置104的部件。产品配置设计服务器102的部件可以分布在多个物理、逻辑或虚拟服务器上。产品配置设计装置104的部分或全部部件可以被配置用于在产品配置设计服务器102中进行操作,由此产品配置设计装置104例如可以用作瘦客户端,仅执行图形用户界面呈现和输入/输出功能。替代性地,产品配置设计服务器102的部分或全部部件可以被配置用于在产品配置设计装置104中进行操作。
许多这种替代性配置是非常显而易见的,并且应该被认为完全包括在本说明书和所附权利要求中。因此,由于本领域技术人员将容易想到许多修改和变体,因此本发明不限于所展示和所描述的确切构造和操作,并且因此,可以采用落入本发明的范围内的所有合适的修改和等效物。
Claims (18)
1.一种产品配置设计系统,包括:
a)产品配置设计服务器,该产品配置设计服务器包括配置生成模型;以及
b)产品配置设计装置,使得该产品配置设计装置连接至该产品配置设计服务器;
其中,该产品配置设计装置被配置用于使得用户能够选择三维对象表示、集合和灵感源;
使得该产品配置设计服务器生成多个产品配置,作为来自对该配置生成模型进行机器学习计算的输出,该配置生成模型将该三维对象表示、该集合和该灵感源作为输入。
2.如权利要求1所述的产品配置设计系统,其中,该集合包括多种材料和多种颜色。
3.如权利要求1所述的产品配置设计系统,其中,该灵感源包括多个图像。
4.如权利要求1所述的产品配置设计系统,其中,该多个产品配置中的每个产品配置都包括该三维对象表示,该三维对象表示包括多个区域,使得对于每个区域,应用具有对应颜色组合的对应材料表示。
5.如权利要求1所述的产品配置设计系统,其中,该产品配置设计服务器包括:
a)处理器;
b)非暂态存储器;
c)输入/输出部件;以及
d)机器学习器,该机器学习器被配置用于处理机器学习算法以训练和执行该配置生成模型;以上全部经由以下进行连接:
e)数据总线。
6.如权利要求5所述的产品配置设计系统,其中,该配置生成模型是具有至少两个隐藏层的卷积人工神经网络。
7.如权利要求5所述的产品配置设计系统,其中,该产品配置设计服务器进一步包括:
产品储存器,该产品储存器用于存储可定制标签系统,该可定制标签系统包括分层级的标签,使得每个标签与至少一个三维对象相关联。
8.如权利要求5所述的产品配置设计系统,其中,该产品配置设计装置被配置用于显示该多个产品配置,使得该用户能够接受或拒绝该多个产品配置中的每个产品配置,使得该用户识别与该三维对象表示、该集合和该灵感源相关联的多个接受配置和多个拒绝配置。
9.如权利要求8所述的产品配置设计系统,其中,该配置生成模型是基于该三维对象表示、该集合和该灵感源的输入利用该多个接受配置和该多个拒绝配置来进行训练的,使得该配置生成模型被优化以生成这些接受配置。
10.如权利要求9所述的产品配置设计系统,其中,该多个接受配置中的至少一个接受配置包括该三维对象表示,该三维对象表示包括多个区域,使得对于每个区域,应用具有对应颜色组合的对应材料表示,其中,该多个区域包括至少一个锁定区域,对该至少一个锁定区域应用具有锁定颜色组合的锁定材料表示,使得该配置生成模型被训练为仅输出产品配置,其中,该至少一个锁定区域与具有该锁定颜色组合的锁定材料表示相关联。
11.一种产品配置设计方法,包括:
a)选择三维对象表示;
b)选择集合;
c)选择灵感源;以及
d)生成多个产品配置,其中,该多个产品配置被生成作为来自对配置生成模型进行机器学习计算的输出,该配置生成模型将该三维对象表示、该集合和该灵感源作为输入。
12.如权利要求11所述的产品配置设计方法,其中,该集合包括多种材料和多种颜色。
13.如权利要求11所述的产品配置设计方法,其中,该灵感源包括多个图像。
14.如权利要求11所述的产品配置设计方法,其中,该多个产品配置中的每个产品配置都包括该三维对象表示,该三维对象表示包括多个区域,使得对于每个区域,应用具有对应颜色组合的对应材料表示。
15.如权利要求11所述的产品配置设计方法,其中,该配置生成模型是具有至少两个隐藏层的卷积人工神经网络。
16.如权利要求11所述的产品配置设计方法,进一步包括显示该多个产品配置,其中,用户接受或拒绝该多个产品配置中的每个产品配置,使得该用户识别与该三维对象表示、该集合和该灵感源相关联的多个接受配置和多个拒绝配置。
17.如权利要求16所述的产品配置设计方法,进一步包括基于该三维对象表示、该集合和该灵感源的输入,利用该多个接受配置和该多个拒绝配置来训练该配置生成模型,使得该配置生成模型被优化以生成这些接受配置。
18.如权利要求17所述的产品配置设计方法,其中,该多个接受配置中的至少一个接受配置包括该三维对象表示,该三维对象表示包括多个区域,使得对于每个区域,应用具有对应颜色组合的对应材料表示,其中,该多个区域包括至少一个锁定区域,对该至少一个锁定区域应用具有锁定颜色组合的锁定材料表示,使得该配置生成模型被训练为仅输出产品配置,其中,该至少一个锁定区域与具有该锁定颜色组合的锁定材料表示相关联。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962797073P | 2019-01-25 | 2019-01-25 | |
US62/797,073 | 2019-01-25 | ||
US16/747,316 US11227075B2 (en) | 2019-01-25 | 2020-01-20 | Product design, configuration and decision system using machine learning |
US16/747,316 | 2020-01-20 | ||
PCT/US2020/014631 WO2020154416A1 (en) | 2019-01-25 | 2020-01-22 | Product design, configuration and decision system using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113632147A true CN113632147A (zh) | 2021-11-09 |
Family
ID=71731430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080023740.0A Pending CN113632147A (zh) | 2019-01-25 | 2020-01-22 | 使用机器学习的产品设计、配置和决策系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11227075B2 (zh) |
CN (1) | CN113632147A (zh) |
WO (1) | WO2020154416A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140392B1 (en) | 2017-06-29 | 2018-11-27 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
US11514203B2 (en) * | 2020-05-18 | 2022-11-29 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
DE102021107664A1 (de) * | 2021-03-26 | 2022-09-29 | Egf - Eduard G. Fidel Gmbh | Schmuckauswahl/-konfigurationsverfahren |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU782011B2 (en) | 2000-03-08 | 2005-06-30 | Cyberextruder.Com, Inc. | Apparatus and method for generating a three-dimensional representation from a two-dimensional image |
US7042453B2 (en) | 2000-07-11 | 2006-05-09 | Fujitsu Limited | Apparatus and method for processing three-dimensional graphic images |
US6914618B2 (en) | 2000-11-02 | 2005-07-05 | Sun Microsystems, Inc. | Methods and systems for producing A 3-D rotational image from A 2-D image |
US6628279B1 (en) | 2000-11-22 | 2003-09-30 | @Last Software, Inc. | System and method for three-dimensional modeling |
US7389212B2 (en) | 2004-09-22 | 2008-06-17 | Ford Motor Company | System and method of interactive design of a product |
US7437321B2 (en) | 2005-02-16 | 2008-10-14 | Vista Print Technologies Limited | Product design system and method |
JP4227642B2 (ja) | 2005-12-28 | 2009-02-18 | キヤノン株式会社 | 立体物の製造方法、及び立体物の製造装置 |
WO2010099109A1 (en) | 2009-02-24 | 2010-09-02 | Bell Helicopter Textron Inc. | System and method for mapping two-dimensional image data to a three-dimensional faceted model |
US20120010739A1 (en) | 2010-03-19 | 2012-01-12 | C&D Zodiac, Inc. | Design configurator system |
WO2012061834A1 (en) | 2010-11-07 | 2012-05-10 | The Trustees Of Columbia University In The City Of New York | Methods, systems, and media for interactive garment modeling and editing |
US9348967B2 (en) | 2012-01-19 | 2016-05-24 | Oracle International Corporation | Overlaying business intelligence data on a product design visualization |
US9043007B2 (en) | 2012-03-02 | 2015-05-26 | Claus Wann Jensen | Material templates for automatic assignment of materials to a 3D CAD model |
US10139985B2 (en) | 2012-06-22 | 2018-11-27 | Matterport, Inc. | Defining, displaying and interacting with tags in a three-dimensional model |
US10163261B2 (en) | 2014-03-19 | 2018-12-25 | Matterport, Inc. | Selecting two-dimensional imagery data for display within a three-dimensional model |
WO2014143729A1 (en) * | 2013-03-15 | 2014-09-18 | Affinnova, Inc. | Method and apparatus for interactive evolutionary optimization of concepts |
US9514560B2 (en) | 2013-03-15 | 2016-12-06 | Dreamworks Animation Llc | Arbitrary hierarchical tagging of computer-generated animation assets |
KR102207026B1 (ko) * | 2013-08-22 | 2021-01-22 | 비스포크, 인코포레이티드 | 커스텀 제품을 생성하기 위한 방법 및 시스템 |
US9542069B2 (en) | 2013-09-03 | 2017-01-10 | Mifaktory Ltd | System and method for creating on-demand products |
US9734264B2 (en) | 2014-05-05 | 2017-08-15 | Microsoft Technology Licensing, Llc | Fabricating three-dimensional objects with embossing |
US9895841B2 (en) * | 2014-05-09 | 2018-02-20 | Autodesk, Inc. | User specific design customization for 3D printing |
GB201502018D0 (en) | 2015-02-06 | 2015-03-25 | Knyttan Ltd | 2D graphical coding to create a 3D image |
US9773302B2 (en) | 2015-10-08 | 2017-09-26 | Hewlett-Packard Development Company, L.P. | Three-dimensional object model tagging |
US9576351B1 (en) * | 2015-11-19 | 2017-02-21 | Adobe Systems Incorporated | Style transfer for headshot portraits |
US10534866B2 (en) | 2015-12-21 | 2020-01-14 | International Business Machines Corporation | Intelligent persona agents for design |
US20170316004A1 (en) | 2016-04-28 | 2017-11-02 | Microsoft Technology Licensing, Llc | Online engine for 3d components |
US10902493B2 (en) | 2017-06-09 | 2021-01-26 | Shutterffy, LLC | System and method for customizing photo product designs with minimal and intuitive user inputs |
US10140392B1 (en) * | 2017-06-29 | 2018-11-27 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
US11079738B2 (en) | 2017-08-16 | 2021-08-03 | General Electric Company | Framework for rapid additive design with generative techniques |
CN109426858B (zh) * | 2017-08-29 | 2021-04-06 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
US10950021B2 (en) * | 2018-04-23 | 2021-03-16 | Accenture Global Solutions Limited | AI-driven design platform |
KR102546599B1 (ko) * | 2018-10-12 | 2023-06-23 | 삼성전자주식회사 | 디스플레이장치, 서버 및 그 제어방법 |
-
2020
- 2020-01-20 US US16/747,316 patent/US11227075B2/en active Active
- 2020-01-22 CN CN202080023740.0A patent/CN113632147A/zh active Pending
- 2020-01-22 WO PCT/US2020/014631 patent/WO2020154416A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020154416A1 (en) | 2020-07-30 |
US11227075B2 (en) | 2022-01-18 |
US20200242279A1 (en) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11910871B2 (en) | Footwear designing tool | |
US11003422B2 (en) | Methods and systems for visual programming using polymorphic, dynamic multi-dimensional structures | |
Bruckner et al. | Result-driven exploration of simulation parameter spaces for visual effects design | |
Yuan et al. | Infocolorizer: Interactive recommendation of color palettes for infographics | |
US11227075B2 (en) | Product design, configuration and decision system using machine learning | |
US20220138383A1 (en) | Product design, configuration and decision system using machine learning | |
Amin et al. | An augmented reality-based approach for designing interactive food menu of restaurant using android | |
US10229215B2 (en) | Visualisation and navigation of transmedia content data | |
van Zuijlen et al. | Painterly depiction of material properties | |
Bramon et al. | An Information‐Theoretic Observation Channel for Volume Visualization | |
US20230092068A1 (en) | Computing Platform for Facilitating Augmented Reality Experiences with Third Party Assets | |
Arbeláez et al. | Crowdsourcing Augmented Reality Environment (CARE) for aesthetic evaluation of products in conceptual stage | |
Flotyński et al. | Customization of 3D content with semantic meta-scenes | |
Walczak et al. | Semantic query-based generation of customized 3D scenes | |
Pham et al. | Visualisation of Information Uncertainty: Progress and Challenges. | |
Flotyński et al. | Explorable representation of interaction in VR/AR environments | |
US11429662B2 (en) | Material search system for visual, structural, and semantic search using machine learning | |
Paes et al. | The relevance of visual cues in immersive environments: does pictorial realism matter? | |
US20190311424A1 (en) | Product visualization system and method for using two-dimensional images to interactively display photorealistic representations of three-dimensional objects based on smart tagging | |
US20180089201A1 (en) | Rendering and interacting with transmedia content data | |
Agushinta | Augmented reality design of Indonesia fruit recognition | |
CN117934690B (zh) | 家居软装管理方法、装置、设备及存储介质 | |
US11972534B2 (en) | Modifying materials of three-dimensional digital scenes utilizing a visual neural network | |
US10580165B2 (en) | System for optimized embedding and analysis of branded content | |
Warmelink et al. | Iliad Deliverable D6. 1–Existing System Analysis Report. |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40055994 Country of ref document: HK |