CN116468767B - 基于局部几何特征和隐式距离场的飞机表面重建方法 - Google Patents
基于局部几何特征和隐式距离场的飞机表面重建方法 Download PDFInfo
- Publication number
- CN116468767B CN116468767B CN202310312594.9A CN202310312594A CN116468767B CN 116468767 B CN116468767 B CN 116468767B CN 202310312594 A CN202310312594 A CN 202310312594A CN 116468767 B CN116468767 B CN 116468767B
- Authority
- CN
- China
- Prior art keywords
- point
- query
- point cloud
- target
- aircraft
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 36
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；更新查询点在三维空间中的位置，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；根据点云中每个点的有符号距离函数的值重建飞机表面。本发明解决现有大型飞机表面重建算法中特征向量缺失和表面不准确的问题。
Description
技术领域
本发明属于三维点云曲面重建技术领域，尤其涉及一种基于局部几何特征和隐式距离场的飞机表面重建方法。
背景技术
在大型飞机试验中，通过逆向工程建立飞机外形、结构及工艺装备的数字化模型，以充分发挥数字化的优势，实现智能化、集成化的产品数据交换，利用数字化设计、虚拟装配等数字化手段，可以缩短大飞机改进改型的周期。由于采集到的大飞机点云模型是离散的，不足以模拟大飞机在飞行中遇到的复杂物理过程，因此对大飞机进行表面重建是大飞机数字化建模过程中最关键的环节之一。
大型飞机表面重建是指，利用数字化技术将大型飞机表面的实际曲面形状数字化成为计算机可处理的数值模型，以便于进行后续的设计、制造、维护等工作，主要应用于飞机的外形设计、空气动力学分析、结构分析、维修保养等领域。具体来说，通过利用三维扫描技术获取大型飞机的表面的点云数据，然后通过三维重建算法将点云数据转化为平滑连续的曲面模型，最终得到可用于计算机处理的数值模型。但目前的曲面重建方法不能较好地保留飞机表面的几何特征，影响后续的试验准确度和精度。
发明内容
本发明针对现有技术中的不足，提供一种基于局部几何特征和隐式距离场的飞机表面重建方法。
本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括：
获取飞机表面的点云；
基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；
根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；
根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；
根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置；
根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；
将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；
根据点云中每个点的有符号距离函数的值重建飞机表面。
进一步地，所述基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合，包括：
对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ2)，其中σ2为用于控制采样的查询点至点云表面距离的参数；
在点云中目标点p的高斯分布中随机采样多个查询点，得到点云表面的查询点集合Q。
进一步地，所述根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征，包括：
将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征Fp；
寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，将目标查询点q与局部邻域N中的目标点a的特征向量Fp相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量Fa,q；
采用自注意力机制，对于目标查询点q和相对特征向量Fa,q，通过线性层和softmax激活函数，将每个相对特征向量Fa,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q；根据自适应权重系数Ya,q与相对特征向量Fa,q提取目标查询点q在点云上的自适应局部几何特征向量Fq。
进一步地，所述根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值，包括：
将查询点集合Q中的目标查询点q和自适应局部几何特征向量Fq输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。
进一步地，所述根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，包括：
根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度
其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(Fq,q)为隐式距离场网络f以自适应局部几何特征向量Fq为输入，在目标查询点q时的隐式函数；
根据以下公式计算目标查询点q更新后的空间坐标q'：
其中，||·||为表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。
进一步地，所述根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络，包括：
采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：
其中，I为查询点集合中查询点的总数。
进一步地，所述根据点云中每个点的有符号距离函数的值重建飞机表面，包括：
将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。
进一步地，所述采用自注意力机制，对于目标查询点q和相对特征向量Fa,q，通过线性层和softmax激活函数，将每个相对特征向量Fa,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q；根据自适应权重系数Ya,q与相对特征向量Fa,q提取目标查询点q在点云上的自适应局部几何特征向量Fq，包括：
根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q：
其中，Wa,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a1为全连接层的权重；b1为全连接层的偏置；k为局部邻域N中点的总数；
根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量Fq：
本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括获取飞机表面的点云；基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；根据点云中每个点的有符号距离函数的值重建飞机表面。
本发明根据点云表面分布和局部几何结构来自适应地提取飞机局部表面特征向量，并将此特征向量输入网络中进行学习，构建飞机表面的隐式距离场，预测点云表面的查询点的符号距离。最后使用训练好的网络来预测点云中每个点的有符号距离函数的值，进而使用传统算法重建出准确的、几何信息丰富的飞机表面，解决现有大型飞机表面重建算法中特征向量缺失、表面不准确的问题。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，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一种基于局部几何特征和隐式距离场的飞机表面重建方法的流程图；
图2为本发明实施例提供的基于自适应局部几何特征向量和隐式距离场对大飞机表面重建的效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括：
步骤101，获取飞机表面的点云。
使用LeicaATS960绝对跟踪仪从多个站点采集激光点云数据，所有站点覆盖飞机蒙皮关键特征向量检测区域表面。使用点云拼接技术将所有站点的点云数据拼接为完整飞机表面点云数据。
步骤102，基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合。
对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ2)。其中σ2为用于控制采样的查询点至点云表面距离的参数。示例性地，σ2为点云中的目标点p距离到目标点p在点云中第50个邻域点的距离的平方。
在点云中目标点p的高斯分布中随机采样多个查询点。示例性地随机采样20个查询点，得到点云表面的查询点集合Q。
步骤103，根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征。
将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征Fp。
寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，局部邻域N中的点的数量为64(即点云中到目标查询点q距离最近的64个点构成局部邻域N)，将目标查询点q与局部邻域N中的目标点a的特征向量Fp相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量Fa,q。
采用自注意力机制，对于目标查询点q和相对特征向量Fa,q，通过线性层和softmax激活函数，将每个相对特征向量Fa,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q；(线性层包括全连接层和ReLU激活函数，Fa,q先通过线性层，得到目标查询点q与局部邻域N中目标点a之间的权重向量Wa,q；然后将权重向量Wa,q输入softmax激活函数进行归一化处理，得到目标查询点q与局部邻域N中目标点a之间的自适应权重系数Ya,q(局部邻域N中有64个点，所以64个Ya,q的和为一))；根据自适应权重系数Ya,q与相对特征向量Fa,q提取目标查询点q在点云上的自适应局部几何特征向量Fq。
示例性地，根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q：
其中，Wa,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a1为全连接层的权重；b1为全连接层的偏置；k为局部邻域N中点的总数；ReLu为激活函数，exp(·)以自然常数e为底的指数函数，e近似等于2.718281828。
根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量Fq：
步骤104，根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值。
将查询点集合Q中的目标查询点q和自适应局部几何特征向量Fq输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。飞机表面的隐式距离场网络f由带有残差块的全连接层网络和批标准化处理操作组成。
步骤105，根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置。
根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度
其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(Fq,q)为隐式距离场网络f以自适应局部几何特征向量Fq为输入，在目标查询点q时的隐式函数。
根据以下公式计算目标查询点q更新后的空间坐标q'：
其中，||·||为表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。
步骤106，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络。
采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：
其中，I为查询点集合中查询点的总数。
步骤107，将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值。
步骤108，根据点云中每个点的有符号距离函数的值重建飞机表面。
如图2所示，将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。
本发明根据点云表面分布和局部几何结构来自适应地提取飞机局部表面特征向量，并将此特征向量输入网络中进行学习，构建飞机表面的隐式距离场，预测点云表面的查询点的符号距离。最后使用训练好的网络来预测点云中每个点的有符号距离函数的值，进而使用传统算法重建出准确的、几何信息丰富的飞机表面，解决现有大型飞机表面重建算法中特征向量缺失、表面不准确的问题。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (5)
1.一种基于局部几何特征和隐式距离场的飞机表面重建方法，其特征在于，包括：
获取飞机表面的点云；
基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；
根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；
根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；
根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置；
根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；
将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；
根据点云中每个点的有符号距离函数的值重建飞机表面；
其中，所述根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征，包括：
将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征Fp；
寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，将目标查询点q与局部邻域N中的目标点a的特征向量Fp相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量Fa,q；
采用自注意力机制，对于目标查询点q和相对特征向量Fa,q，通过线性层和softmax激活函数，将每个相对特征向量Fa,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q；根据自适应权重系数Ya,q与相对特征向量Fa,q提取目标查询点q在点云上的自适应局部几何特征向量Fq；
所述采用自注意力机制，对于目标查询点q和相对特征向量Fa,q，通过线性层和softmax激活函数，将每个相对特征向量Fa,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q；根据自适应权重系数Ya,q与相对特征向量Fa,q提取目标查询点q在点云上的自适应局部几何特征向量Fq，包括：
根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Ya,q：
其中，Wa,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a1为全连接层的权重；b1为全连接层的偏置；k为局部邻域N中点的总数；
根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量Fq：
所述根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，包括：
根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度▽f(Fq,q)：
其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(Fq,q)为隐式距离场网络f以自适应局部几何特征向量Fq为输入，在目标查询点q时的隐式函数；
根据以下公式计算目标查询点q更新后的空间坐标q'：
其中，||·||表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。
2.根据权利要求1所述的飞机表面重建方法，其特征在于，所述基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合，包括：
对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ2)，其中σ2为用于控制采样的查询点至点云表面距离的参数；
在点云中目标点p的高斯分布中随机采样多个查询点，得到点云表面的查询点集合Q。
3.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值，包括：
将查询点集合Q中的目标查询点q和自适应局部几何特征向量Fq输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。
4.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络，包括：
采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：
其中，I为查询点集合中查询点的总数。
5.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据点云中每个点的有符号距离函数的值重建飞机表面，包括：
将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310312594.9A CN116468767B (zh) | 2023-03-28 | 2023-03-28 | 基于局部几何特征和隐式距离场的飞机表面重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310312594.9A CN116468767B (zh) | 2023-03-28 | 2023-03-28 | 基于局部几何特征和隐式距离场的飞机表面重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116468767A CN116468767A (zh) | 2023-07-21 |
| CN116468767B true CN116468767B (zh) | 2023-10-13 |
Family
ID=87174391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310312594.9A Active CN116468767B (zh) | 2023-03-28 | 2023-03-28 | 基于局部几何特征和隐式距离场的飞机表面重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116468767B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634365B (zh) * | 2024-01-25 | 2024-04-26 | 中国航空工业集团公司沈阳空气动力研究所 | 一种飞机气动力预测方法、电子设备及存储介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268934A (zh) * | 2014-09-18 | 2015-01-07 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
| WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
| CN111127658A (zh) * | 2019-12-23 | 2020-05-08 | 北京工商大学 | 一种基于点云重建三角网格曲面的保特征曲面重建方法 |
| CN113077554A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种基于任意视角图片的三维结构化模型重建的方法 |
| CN113139996A (zh) * | 2021-05-06 | 2021-07-20 | 南京大学 | 一种基于三维点云几何特征学习的点云配准方法及系统 |
| CN113487739A (zh) * | 2021-05-19 | 2021-10-08 | 清华大学 | 一种三维重建方法、装置、电子设备及存储介质 |
| CN113593037A (zh) * | 2021-07-29 | 2021-11-02 | 华中科技大学 | 一种德劳内三角化表面重建模型的建立方法及其应用 |
| CN113592711A (zh) * | 2021-07-22 | 2021-11-02 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
| CN114091628A (zh) * | 2022-01-20 | 2022-02-25 | 山东大学 | 基于双分支网络的三维点云上采样方法及系统 |
| WO2022126440A1 (zh) * | 2020-12-16 | 2022-06-23 | 西门子股份公司 | 用于增材制造的模型优化方法、装置及存储介质 |
| CN114863037A (zh) * | 2022-07-06 | 2022-08-05 | 杭州像衍科技有限公司 | 基于单手机的人体三维建模数据采集与重建方法及系统 |
| CN114972622A (zh) * | 2021-12-30 | 2022-08-30 | 昆明理工大学 | 一种针对民族服装图像的高精度三维重建方法 |
| CN115205488A (zh) * | 2022-05-19 | 2022-10-18 | 大连理工大学 | 一种基于隐式神经场表示的3d人体网格补全方法 |
| CN115375836A (zh) * | 2022-07-29 | 2022-11-22 | 杭州易现先进科技有限公司 | 基于多元置信度滤波的点云融合三维重建方法和系统 |
| EP4099208A1 (en) * | 2021-06-01 | 2022-12-07 | Dassault Systèmes | Deep parameterization for 3d shape optimization |
| CN115457239A (zh) * | 2022-10-09 | 2022-12-09 | 青岛大学 | 一种三维颅骨点云的开曲面重建方法 |
| CN115546440A (zh) * | 2022-10-11 | 2022-12-30 | 中国农业银行股份有限公司 | 一种曲面重建方法、装置、设备及存储介质 |
| WO2023277974A1 (en) * | 2021-06-30 | 2023-01-05 | Tencent America LLC | Systems and methods of hierarchical implicit representation in octree for 3d modeling |
| CN115619951A (zh) * | 2022-10-16 | 2023-01-17 | 浙江大学 | 基于体素神经隐式表面的稠密同步定位与建图方法 |
| CN115761178A (zh) * | 2022-10-10 | 2023-03-07 | 哈尔滨工业大学（深圳） | 基于隐式神经表示的多视图三维重建方法 |
| CN115761118A (zh) * | 2022-11-04 | 2023-03-07 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的实时表面重建方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7961934B2 (en) * | 2003-12-11 | 2011-06-14 | Strider Labs, Inc. | Probable reconstruction of surfaces in occluded regions by computed symmetry |
| US20140172377A1 (en) * | 2012-09-20 | 2014-06-19 | Brown University | Method to reconstruct a surface from oriented 3-d points |
| US20210390772A1 (en) * | 2012-09-20 | 2021-12-16 | Brown University | System and method to reconstruct a surface from partially oriented 3-d points |
| US10417822B2 (en) * | 2013-10-28 | 2019-09-17 | Brown University | Non-convex hull surfaces |
| US11403807B2 (en) * | 2020-02-24 | 2022-08-02 | Adobe Inc. | Learning hybrid (surface-based and volume-based) shape representation |
| US11508167B2 (en) * | 2020-04-13 | 2022-11-22 | Google Llc | Convex representation of objects using neural network |
| US20210350620A1 (en) * | 2020-05-07 | 2021-11-11 | Imperial College Innovations Limited | Generative geometric neural networks for 3d shape modelling |
| US11380061B2 (en) * | 2020-06-11 | 2022-07-05 | Samsung Electronics Co., Ltd. | Method and apparatus for three-dimensional (3D) object and surface reconstruction |
| US20220222824A1 (en) * | 2020-09-15 | 2022-07-14 | Sri International | Fully automated multimodal system architecture for semantic segmentation of large-scale 3d outdoor point cloud data |
| US20220414821A1 (en) * | 2021-06-29 | 2022-12-29 | The Regents Of The University Of Michigan | Systems and methods for point cloud registration |
-
2023
- 2023-03-28 CN CN202310312594.9A patent/CN116468767B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
| CN104268934A (zh) * | 2014-09-18 | 2015-01-07 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
| CN111127658A (zh) * | 2019-12-23 | 2020-05-08 | 北京工商大学 | 一种基于点云重建三角网格曲面的保特征曲面重建方法 |
| WO2022126440A1 (zh) * | 2020-12-16 | 2022-06-23 | 西门子股份公司 | 用于增材制造的模型优化方法、装置及存储介质 |
| CN113077554A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种基于任意视角图片的三维结构化模型重建的方法 |
| CN113139996A (zh) * | 2021-05-06 | 2021-07-20 | 南京大学 | 一种基于三维点云几何特征学习的点云配准方法及系统 |
| CN113487739A (zh) * | 2021-05-19 | 2021-10-08 | 清华大学 | 一种三维重建方法、装置、电子设备及存储介质 |
| EP4099208A1 (en) * | 2021-06-01 | 2022-12-07 | Dassault Systèmes | Deep parameterization for 3d shape optimization |
| WO2023277974A1 (en) * | 2021-06-30 | 2023-01-05 | Tencent America LLC | Systems and methods of hierarchical implicit representation in octree for 3d modeling |
| CN113592711A (zh) * | 2021-07-22 | 2021-11-02 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
| CN113593037A (zh) * | 2021-07-29 | 2021-11-02 | 华中科技大学 | 一种德劳内三角化表面重建模型的建立方法及其应用 |
| CN114972622A (zh) * | 2021-12-30 | 2022-08-30 | 昆明理工大学 | 一种针对民族服装图像的高精度三维重建方法 |
| CN114091628A (zh) * | 2022-01-20 | 2022-02-25 | 山东大学 | 基于双分支网络的三维点云上采样方法及系统 |
| CN115205488A (zh) * | 2022-05-19 | 2022-10-18 | 大连理工大学 | 一种基于隐式神经场表示的3d人体网格补全方法 |
| CN114863037A (zh) * | 2022-07-06 | 2022-08-05 | 杭州像衍科技有限公司 | 基于单手机的人体三维建模数据采集与重建方法及系统 |
| CN115375836A (zh) * | 2022-07-29 | 2022-11-22 | 杭州易现先进科技有限公司 | 基于多元置信度滤波的点云融合三维重建方法和系统 |
| CN115457239A (zh) * | 2022-10-09 | 2022-12-09 | 青岛大学 | 一种三维颅骨点云的开曲面重建方法 |
| CN115761178A (zh) * | 2022-10-10 | 2023-03-07 | 哈尔滨工业大学（深圳） | 基于隐式神经表示的多视图三维重建方法 |
| CN115546440A (zh) * | 2022-10-11 | 2022-12-30 | 中国农业银行股份有限公司 | 一种曲面重建方法、装置、设备及存储介质 |
| CN115619951A (zh) * | 2022-10-16 | 2023-01-17 | 浙江大学 | 基于体素神经隐式表面的稠密同步定位与建图方法 |
| CN115761118A (zh) * | 2022-11-04 | 2023-03-07 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的实时表面重建方法 |
Non-Patent Citations (4)
| Title |
|---|
| Mo, Jiahui等.Implicit Surface Reconstruction via RBF Interpolation: A Review.《Recent Patents on Engineering》.2022,第16卷(第5期),49-66. * |
| Yu, Zehao等.Monosdf: Exploring monocular geometric cues for neural implicit surface reconstruction.《Advances in neural information processing systems》.2022,25018-25032. * |
| Zhang, J等.Learning signed distance field for multi-view surface reconstruction.《Proceedings of the IEEE/CVF International Conference on Computer Vision》.2021,6525-6534. * |
| 罗一鸣.面向大规模点云的高质量表面重建算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2023,(第1期),I138-1476. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116468767A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
| CN109934855A (zh) | 一种基于点云的带电作业场景电力部件三维重建方法 | |
| CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
| CN111191627B (zh) | 一种多视点下提高动态手势动作识别准确率的方法 | |
| CN116468767B (zh) | 基于局部几何特征和隐式距离场的飞机表面重建方法 | |
| CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
| CN113393032B (zh) | 基于重采样下的航迹循环预测方法 | |
| CN111028238A (zh) | 一种基于机器人视觉的复杂异形曲面三维分割方法及系统 | |
| CN112215412B (zh) | 溶解氧预测方法及装置 | |
| CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN116451584B (zh) | 一种基于神经网络的热应力预测方法及系统 | |
| CN108230313A (zh) | 基于部件自适应选择与判别模型的sar图像目标检测方法 | |
| CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN109615577A (zh) | 基于卷积网络的高光谱图像超分辨处理方法 | |
| CN114186578A (zh) | 一种基于信号分解的燃气轮机电动执行机构故障诊断方法 | |
| CN116245944B (zh) | 一种基于实测数据的舱段自动化对接方法及系统 | |
| CN116579509A (zh) | 一种基于虚拟现实的光伏发电预测方法 | |
| CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
| Chen et al. | Application of Data‐Driven Iterative Learning Algorithm in Transmission Line Defect Detection | |
| CN117095199A (zh) | 一种基于单纯形扩散模型的工业视觉异常检测系统 | |
| CN111428855A (zh) | 一种端到端的点云深度学习网络模型和训练方法 | |
| CN110889898A (zh) | 适于单一航空导管外形的建模方法 | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN115293639A (zh) | 一种基于隐马尔可夫模型的战场态势研判方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |