CN116841914A - 一种渲染引擎的调用方法、装置、设备及存储介质 - Google Patents
一种渲染引擎的调用方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116841914A CN116841914A CN202311124243.1A CN202311124243A CN116841914A CN 116841914 A CN116841914 A CN 116841914A CN 202311124243 A CN202311124243 A CN 202311124243A CN 116841914 A CN116841914 A CN 116841914A
- Authority
- CN
- China
- Prior art keywords
- rendering engine
- rendering
- group
- module
- natural language
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3616—Software analysis for verifying properties of programs using software metrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种渲染引擎的调用方法、装置、设备及存储介质，涉及计算机技术领域，本发明核心方案为：在多个维度上对各个渲染引擎进行评分，根据这些评分，使用聚类算法将渲染引擎分类为不同的群组；为每个引擎群组人工标记一个或多个适用场景；进一步，收集到的场景与渲染引擎群组的对应关系来训练一个自然语言模型；当用户提供一个场景描述时，模型返回相应的渲染引擎群组以及该群组内各渲染引擎的多维度评分；此外，模型还支持根据用户提供的侧重点进行排序，确保输出的渲染引擎最符合用户的实际需求。本发明能够为开发人员提供更加精确的渲染引擎选择建议，提高选择的效率。
Description
技术领域
本发明涉及计算机技术领域，更具体地说，涉及一种渲染引擎的调用方法、装置、设备及存储介质。
背景技术
渲染引擎，又称为渲染器，是计算机图形学中负责生成二维图像或视频的软件组件，通常基于其输入的三维模型。这些模型包括几何、视点、纹理、光照等信息，经过渲染引擎的计算处理，最终形成富有真实感的二维图像。在近年来，随着计算机图形学的快速发展，市场上出现了众多的渲染引擎，每种引擎都有其独特的特点和应用领域。
在实际应用中，由于存在多种不同的渲染引擎，每种引擎都有其优劣和特定的应用场景。因此，选择一个合适的渲染引擎以满足特定的渲染需求变得尤为重要。面对众多的渲染引擎，对于行业经验较少的开发人员而已，可能很难准确地确定哪一个引擎最适合其当前的项目需求。当前的选择方式大多基于经验或简单的比较，这往往导致了选择的不准确，可能会影响最终渲染的效果和性能。
此外，现有的渲染引擎选择方法往往没有考虑到多种维度的评价，如渲染速度、图形质量、资源消耗、兼容性等，这进一步增加了选择的难度。而且，由于每种渲染引擎都有其独特的特性和优势，所以仅仅依赖于经验和直觉来进行选择，很难保证选择的效果。
发明内容
本发明提供一种渲染引擎的调用方法、装置、设备及存储介质，以方便用户对渲染引擎的选择。
本发明的第一个方面，提供一种渲染引擎的调用方法，包括如下步骤：
S1：基于多个维度对各渲染引擎进行评分；
S2：根据所述评分，采用聚类算法对所述渲染引擎进行聚类，形成多个渲染引擎群组；
S3：为每个所述渲染引擎群组人工标记一个或多个适用场景；
S4：基于收集到的场景与渲染引擎群组对应关系，训练一个自然语言模型，使所述自然语言模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分；
S5：接收用户的场景描述输入，通过所述自然语言模型输出渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分。
在一些实施例中，所述维度包括以下一种或多种：
渲染速度、图形质量、资源消耗、兼容性、可定制性、文档完善度。
在一些实施例中，S1中所述评分来源于专家评估。
在一些实施例中，S3中人工标记的适用场景包括：游戏开发、电影制作、虚拟现实、广告渲染和实时图形显示。
在一些实施例中，所述自然语言模型还接收一个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据侧重点对应评分对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
在一些实施例中，所述自然语言模型接收多个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据多个侧重点对应评分的加权和对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
在一些实施例中，在步骤S2中采用的聚类算法为K-Means聚类算法。
本发明的第二个方面，提供一种渲染引擎的调用装置，包括：
评分模块：包括一个评分界面，配置为基于人工输入对各渲染引擎进行多维度评分；
聚类模块：配置为基于所述评分模块的评分结果，采用聚类算法对所述渲染引擎进行分类，形成多个渲染引擎群组；
标记模块：配置为提供界面，允许人工为每个所形成的渲染引擎群组标记一个或多个适用场景；
模型训练模块：配置为基于收集到的场景与渲染引擎群组对应关系，对一个自然语言模型进行训练，使所述模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该群组内渲染引擎的评分；
输入接口：配置为接收用户输入的场景描述；
输出接口：配置为基于模型训练模块训练好的自然语言模型，对输入接口接收到的场景描述进行解析，输出相应的渲染引擎群组及该群组内各渲染引擎在各个维度上的评分；
存储模块：配置为存储各个渲染引擎的评分、渲染引擎群组信息、标记模块中人工标记的场景数据及模型训练模块的训练数据。
本发明的第三个方面，提供一种处理设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如所述第一个方面所公开的方法。
本发明的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如所述第一个方面所公开的方法。
本发明相对于现有技术的优点在于，本发明结合了人工评价和机器算法，使用户能够通过描述具体的应用场景来选择最合适的渲染引擎，从而准确、高效地满足其具体需求。同时，考虑了多个评价维度，如渲染速度、图形质量、资源消耗等，确保了选择的渲染引擎具有全面性和针对性。此外，通过自然语言模型对场景描述的解析，可以方便地将用户的需求与最佳的渲染引擎群组匹配，大大提高了选择的准确性和使用的便捷性。因此，本发明在渲染引擎选择和应用中具有广泛的实用价值和良好的用户体验。
附图说明
图1是本发明方法的流程示意图；
图2是本发明装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
本发明第一个实施例为一种渲染引擎的调用方法，如图1所示为该方法的总体流程图，步骤包括：
S1：基于多个维度对各渲染引擎进行评分；
S2：根据所述评分，采用聚类算法对所述渲染引擎进行聚类，形成多个渲染引擎群组；
S3：为每个所述渲染引擎群组人工标记一个或多个适用场景；
S4：基于收集到的场景与渲染引擎群组对应关系，训练一个自然语言模型，使所述自然语言模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分；
S5：接收用户的场景描述输入，通过所述自然语言模型输出渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分。
上述第一个实施例中，所述维度包括以下一种或多种：
渲染速度、图形质量、资源消耗、兼容性、可定制性、文档完善度。
其中，可定制性指开发人员在使用渲染引擎时能够自定义、修改或扩展功能的程度；文档完善度描述渲染引擎的官方文档的详尽性、清晰度和实用性，以及是否提供了足够的示例和教程来帮助开发者。
上述第一个实施例中，S1中所述评分可来源于专家评估，示例性的，可以包含以下内容：
对于渲染速度：专家可以基于标准的图形基准测试或自定义的场景来对各渲染引擎进行测试。这些测试可以包括复杂的3D场景、动画、纹理和光影效果等，以便评估渲染引擎在不同负载下的性能。
对于图形质量：评估可以会涉及对渲染结果的可视化分析。专家会查看渲染引擎所产生的阴影、反射、抗锯齿效果等，以及它如何处理复杂的纹理和材料。
资源消耗：这部分的评估主要关注渲染引擎在运行时对硬件资源如CPU、GPU和内存的利用情况。工具如资源监视器或专门的性能分析工具可以帮助专家监测和记录这些数据。
兼容性：专家将测试渲染引擎在不同的操作系统、硬件和软件配置上的运行情况，以确保它具有良好的跨平台性能。
可定制性：通过深入研究渲染引擎的代码结构、API和插件系统，专家可以评估其对于自定义和扩展功能的支持程度。
文档完善度：专家将仔细阅读官方提供的文档、教程和示例。由此评估这些资料是否易于理解，是否涵盖了渲染引擎的所有功能，并且是否有助于开发者快速上手和解决问题。
此外，专家评估还可以考虑其他因素，如：
社区支持：渲染引擎是否有一个活跃的社区，能够及时解答用户的问题和反馈。
扩展库和插件：是否存在大量的第三方插件或库，这些可以增强渲染引擎的功能或帮助解决特定的问题。
稳定性：在长时间运行或处理大型场景时，渲染引擎的稳定性如何。
许可证和成本：渲染引擎的授权模型是什么。是否存在任何隐性成本或限制。
这些评估通常是基于一系列预定义的测试和标准来进行的，以确保对所有渲染引擎的评估都是公平和一致的。结果不仅提供了每个渲染引擎在各个维度上的绝对评分，还可以帮助揭示其相对于其他引擎的优势和劣势。
上述第一个实施例中，示例性的，S3中人工标记的适用场景包括：游戏开发、电影制作、虚拟现实、广告渲染和实时图形显示。
上述第一个实施例中，示例性的，所述自然语言模型还接收一个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据侧重点对应评分对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
上述第一个实施例中，示例性的，所述自然语言模型接收多个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据多个侧重点对应评分的加权和对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
上述第一个实施例中，示例性的，在步骤S2中采用的聚类算法为K-Means聚类算法，为了高效地分类各种渲染引擎，采用了K-Means聚类算法。K-Means聚类算法是一种受欢迎的无监督学习算法，它的核心思想是通过迭代地分配数据点和重新计算簇中心来划分数据集。首先，从整体评分数据中选择K个渲染引擎作为初始的群组中心，选择可以是随机的，或者基于某种具有策略性的方式，如尽量选择评分较为分散的引擎，以确保群组中心的多样性。随后，每个渲染引擎会根据其在各维度上的评分与这K个中心的距离被分配到最近的一个中心。常用的距离计算方法包括欧几里得距离等。
当所有的渲染引擎都被分配到一个中心后，每个群组会重新计算其中心，方法是取该群组内所有渲染引擎评分的平均值。这个过程会不断重复，直到新旧群组中心的移动距离小于一个预设的阈值，或者达到预设的最大迭代次数为止。
但是，K-Means算法的一个挑战是其结果可能会受到初始中心选择的影响。因此，为了确保分类的稳定性和质量，可以多次运行算法并从中选择具有最低误差或最佳分类效果的结果。此外，如何选择最佳的K值也是一大难题，可以通过技术如肘部法则或轮廓系数来辅助决策。
在整个聚类过程结束后，渲染引擎会被划分到不同的群组中，每个群组都有其独特的特性。经过人工标记后，这种分类方式为开发者提供了一个高效、直观的方法来选择最适合其特定需求和场景的渲染引擎。
在上述K-Means聚类过程中，特别值得一提的是多维度评分的应用。这些维度，例如渲染速度、图形质量、资源消耗、兼容性、可定制性和文档完善度，为每一个渲染引擎提供了一个多方面、综合的特征描述。在进行K-Means聚类时，这些维度同时作为特征向量的组成部分，确保了渲染引擎在相应的空间中的位置是基于其全面的评估和比较。这样，聚类不仅仅是基于单一的评价标准，而是综合考虑了各个重要的维度，确保了群组的形成是在全局、综合的特性比较基础上进行的。这大大增强了聚类结果的质量和实用性，为后续的场景匹配和推荐提供了坚实的基础。
为了更直观地解释多维度评分在聚类中的作用，可以考虑两个渲染引擎A和B的特征向量，基于上述的维度：渲染速度、图形质量、资源消耗、兼容性、可定制性和文档完善度。可以假设每个维度的评分范围是0到10。
示例1：
渲染引擎A的特征向量：[9,7,3,8,7,5]；渲染速度：9；图形质量：7；
资源消耗：3（较低消耗表示更高的效率）；兼容性：8；可定制性：7；文档完善度：5。
渲染引擎B的特征向量：[8.5,7.5,3.5,7.5,6.5,5.5]；渲染速度：8.5；图形质量：7.5资源消耗：3.5；兼容性：7.5；可定制性：6.5；文档完善度：5.5。
从上述特征向量可以看出，A和B在各维度上的评分相当接近，因此在多维度空间中它们的距离会比较近，很有可能会被归为同一类。
示例2：
渲染引擎A的特征向量：[9,9,2,9,9,9]；渲染速度：9；图形质量：9；资源消耗：2；兼容性：9；可定制性：9；文档完善度：9。
渲染引擎B的特征向量：[6,5,8,5,4,6]；渲染速度：6；图形质量：5；资源消耗：8（这里高分意味着资源消耗较高）；兼容性：5；可定制性：4；文档完善度：6。
可以观察到引擎A在多数维度上都有很高的评分，而引擎B的评分则较为中等或偏低。这意味着在多维度空间中，A和B的距离较远，这两个引擎在特性上的差异较大，不大可能被聚合为一类。
当K-Means聚类算法运行时，会考虑这些多维度的评分，从而决定每个引擎应该被归入哪一个群组。例如，在上述第二个示例中，引擎A可能会被归入一个包含高性能、高质量、低资源消耗和高可定制性的引擎的群组，而引擎B可能会被归入一个评分较为中等、资源消耗稍高的引擎群组。
这样的多维度评分允许K-Means算法更加精确地将具有相似特性的渲染引擎归入同一类，而将性能和特性差异较大的引擎归入不同的类。这为开发者提供了一个更为细致和直观的方式，来选择最符合他们需求的渲染引擎。
本发明第二个实施例，如图2所示，公开一种渲染引擎的调用装置，包括：
评分模块：包括一个评分界面，配置为基于人工输入对各渲染引擎进行多维度评分；
聚类模块：配置为基于所述评分模块的评分结果，采用聚类算法对所述渲染引擎进行分类，形成多个渲染引擎群组；
标记模块：配置为提供界面，允许人工为每个所形成的渲染引擎群组标记一个或多个适用场景；
模型训练模块：配置为基于收集到的场景与渲染引擎群组对应关系，对一个自然语言模型进行训练，使所述模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该群组内渲染引擎的评分；
输入接口：配置为接收用户输入的场景描述；
输出接口：配置为基于模型训练模块训练好的自然语言模型，对输入接口接收到的场景描述进行解析，输出相应的渲染引擎群组及该群组内各渲染引擎在各个维度上的评分；
存储模块：配置为存储各个渲染引擎的评分、渲染引擎群组信息、标记模块中人工标记的场景数据及模型训练模块的训练数据。
对于该第二个实施例，具体实现包括一个软件应用或一个集成系统，它可以部署在高性能的服务器、工作站或云平台上。考虑到渲染和机器学习等任务的计算密集型特性，这些硬件需要具有多核心的中央处理器（CPU）、大量的随机存取存储器（RAM）和专为图形处理和并行计算设计的高性能图形处理器（GPU）。此外，为了持久存储评分数据、渲染引擎的分类、标记的场景数据和训练数据，该系统还需要配备高速、大容量的固态硬盘（SSD）或硬盘驱动器（HDD）。
从软件方面看，评分模块可以通过图形用户界面（GUI）框架如Qt或Web前端框架如React来构建评分界面。用户可以通过这些界面对各渲染引擎进行评分。聚类模块可以利用像Scikit-learn或TensorFlow这样的机器学习库，这些库提供了多种聚类算法来处理数据。标记模块可以是一个简单的表单输入界面，允许用户为每个渲染引擎群组选择或输入一个或多个适用的场景。模型训练模块可能会利用深度学习框架，例如TensorFlow或PyTorch，来训练自然语言处理模型，从而根据输入的场景描述来返回与之对应的渲染引擎群组及其评分。输入和输出接口可能是API（应用程序接口）端点，它们允许其他系统或前端应用与该调用装置进行交互。这些API端点可以使用像RESTful风格的接口设计，使得前端或其他系统能够通过HTTP请求来发送或获取数据。具体来说，当用户通过输入接口提交场景描述时，该描述会被发送到服务器，并由训练好的自然语言模型进行处理。此后，输出接口会根据模型的输出来提供相应的渲染引擎群组和评分。
为了保证数据的持久性和可查询性，存储模块可能会依赖于关系型或非关系型数据库系统，如MySQL,PostgreSQL或MongoDB。这些数据库不仅可以高效地存储和查询大量的数据，还可以确保数据的安全性和完整性。例如，评分数据、渲染引擎的分类信息、标记的场景数据和模型训练数据都可以在数据库中有条理地组织和管理。
安全性也是一个不可忽视的考虑因素。考虑到用户可能会输入敏感信息或者渲染数据可能具有商业价值，加密通信（如通过TLS/SSL协议）和数据库加密成为必须的。此外，为了避免数据丢失或损坏，存储模块还应该具备备份和恢复功能，确保数据的安全性和持久性。
最后，为了提供一个完整的用户体验，该调用装置可能还会包括一个用户友好的前端界面。这个界面可以通过Web技术（如HTML,CSS和JavaScript）构建，或者使用桌面应用开发框架。这样，不仅技术人员，普通用户也可以轻松地与这个装置交互，从而选择最适合他们需求的渲染引擎。
基于上面的描述，本发明还应该包含的第三个实施例，提供一种处理设备，包括：
存储器；
处理器；以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如所述第一个实施例所公开的方法。
同时，本发明还应该包含第四个实施例，提供一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如所述第一实施例所公开的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种渲染引擎的调用方法，其特征在于，包括如下步骤：
S1：基于多个维度对各渲染引擎进行评分；
S2：根据所述评分，采用聚类算法对所述渲染引擎进行聚类，形成多个渲染引擎群组；
S3：为每个所述渲染引擎群组人工标记一个或多个适用场景；
S4：基于收集到的场景与渲染引擎群组对应关系，训练一个自然语言模型，使所述自然语言模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分；
S5：接收用户的场景描述输入，通过所述自然语言模型输出渲染引擎群组及该渲染引擎群组内的各个渲染引擎在多个维度上的评分。
2.根据权利要求1所述渲染引擎的调用方法，其特征在于，所述维度包括以下一种或多种：
渲染速度、图形质量、资源消耗、兼容性、可定制性、文档完善度。
3.根据权利要求1所述渲染引擎的调用方法，其特征在于，S1中所述评分来源于专家评估。
4.根据权利要求1所述渲染引擎的调用方法，其特征在于，S3中人工标记的适用场景包括：游戏开发、电影制作、虚拟现实、广告渲染和实时图形显示。
5.根据权利要求1所述渲染引擎的调用方法，其特征在于，所述自然语言模型还接收一个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据侧重点对应评分对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
6.根据权利要求1所述渲染引擎的调用方法，其特征在于，所述自然语言模型接收多个侧重点作为输入，每个侧重点对应于一个维度的评分；所述自然语言模型根据多个侧重点对应评分的加权和对一个渲染引擎群组内的各个渲染引擎进行排序后输出。
7.根据权利要求1所述渲染引擎的调用方法，其特征在于，在步骤S2中采用的聚类算法为K-Means聚类算法。
8.一种渲染引擎的调用装置，其特征在于，包括：
评分模块：包括一个评分界面，配置为基于人工输入对各渲染引擎进行多维度评分；
聚类模块：配置为基于所述评分模块的评分结果，采用聚类算法对所述渲染引擎进行分类，形成多个渲染引擎群组；
标记模块：配置为提供界面，允许人工为每个所形成的渲染引擎群组标记一个或多个适用场景；
模型训练模块：配置为基于收集到的场景与渲染引擎群组对应关系，对一个自然语言模型进行训练，使所述模型能够根据输入的场景描述返回与之对应的渲染引擎群组及该群组内渲染引擎的评分；
输入接口：配置为接收用户输入的场景描述；
输出接口：配置为基于模型训练模块训练好的自然语言模型，对输入接口接收到的场景描述进行解析，输出相应的渲染引擎群组及该群组内各渲染引擎在各个维度上的评分；
存储模块：配置为存储各个渲染引擎的评分、渲染引擎群组信息、标记模块中人工标记的场景数据及模型训练模块的训练数据。
9.一种处理设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311124243.1A CN116841914A (zh) | 2023-09-01 | 2023-09-01 | 一种渲染引擎的调用方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311124243.1A CN116841914A (zh) | 2023-09-01 | 2023-09-01 | 一种渲染引擎的调用方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116841914A true CN116841914A (zh) | 2023-10-03 |
Family
ID=88165623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311124243.1A Pending CN116841914A (zh) | 2023-09-01 | 2023-09-01 | 一种渲染引擎的调用方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116841914A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008263A (zh) * | 2019-11-29 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 问答匹配模型的更新方法和装置 |
| CN114254077A (zh) * | 2021-12-21 | 2022-03-29 | 南京路特软件有限公司 | 一种基于自然语言对稿件完整性的评估方法 |
| CN114445545A (zh) * | 2022-01-27 | 2022-05-06 | 深圳市慧鲤科技有限公司 | 一种渲染引擎的测试方法、装置、设备、系统和介质 |
| CN115203556A (zh) * | 2022-07-15 | 2022-10-18 | 中国联合网络通信集团有限公司 | 一种评分预测模型训练方法、装置、电子设备及存储介质 |
| CN116303910A (zh) * | 2021-12-07 | 2023-06-23 | 北京奇虎科技有限公司 | 问答页面推荐方法、装置、设备及存储介质 |
| CN116416444A (zh) * | 2021-12-29 | 2023-07-11 | 广东美的白色家电技术创新中心有限公司 | 物体抓取点估计、模型训练及数据生成方法、装置及系统 |
| CN116630106A (zh) * | 2023-06-28 | 2023-08-22 | 沈阳创新设计研究院有限公司 | 一种智造实训交互教学管理方法及系统 |
-
2023
- 2023-09-01 CN CN202311124243.1A patent/CN116841914A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008263A (zh) * | 2019-11-29 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 问答匹配模型的更新方法和装置 |
| CN116303910A (zh) * | 2021-12-07 | 2023-06-23 | 北京奇虎科技有限公司 | 问答页面推荐方法、装置、设备及存储介质 |
| CN114254077A (zh) * | 2021-12-21 | 2022-03-29 | 南京路特软件有限公司 | 一种基于自然语言对稿件完整性的评估方法 |
| CN116416444A (zh) * | 2021-12-29 | 2023-07-11 | 广东美的白色家电技术创新中心有限公司 | 物体抓取点估计、模型训练及数据生成方法、装置及系统 |
| CN114445545A (zh) * | 2022-01-27 | 2022-05-06 | 深圳市慧鲤科技有限公司 | 一种渲染引擎的测试方法、装置、设备、系统和介质 |
| WO2023142434A1 (zh) * | 2022-01-27 | 2023-08-03 | 深圳市慧鲤科技有限公司 | 渲染引擎的测试方法及装置、设备、系统、存储介质、计算机程序、计算机程序产品 |
| CN115203556A (zh) * | 2022-07-15 | 2022-10-18 | 中国联合网络通信集团有限公司 | 一种评分预测模型训练方法、装置、电子设备及存储介质 |
| CN116630106A (zh) * | 2023-06-28 | 2023-08-22 | 沈阳创新设计研究院有限公司 | 一种智造实训交互教学管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A comparison of 3D shape retrieval methods based on a large-scale benchmark supporting multimodal queries | |
| CN107038751B (zh) | 从2d图像进行3d建模对象的识别的方法、介质与系统 | |
| Wang et al. | Sketch-based 3d shape retrieval using convolutional neural networks | |
| Papadakis et al. | PANORAMA: A 3D shape descriptor based on panoramic views for unsupervised 3D object retrieval | |
| CN104850633B (zh) | 一种基于手绘草图部件分割的三维模型检索系统及方法 | |
| Moreira et al. | Image provenance analysis at scale | |
| Pu et al. | A 2D sketch-based user interface for 3D CAD model retrieval | |
| CN110516096A (zh) | 合成感知数字图像搜索 | |
| CN105205135B (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
| Yang et al. | Ranking 3D feature correspondences via consistency voting | |
| CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
| JP7017852B2 (ja) | 記述子を用いた３ｄオブジェクトの位置特定 | |
| Zhao et al. | Learning best views of 3D shapes from sketch contour | |
| JP6947503B2 (ja) | 量子化を用いた３ｄオブジェクトの位置特定 | |
| TW202201249A (zh) | ２維映射產生裝置、２維映射產生方法及２維映射產生用程式 | |
| Li et al. | 3D sketching for 3D object retrieval | |
| Hu et al. | Parallel relevance feedback for 3D model retrieval based on fast weighted-center particle swarm optimization | |
| CN116841914A (zh) | 一种渲染引擎的调用方法、装置、设备及存储介质 | |
| CN109272013B (zh) | 基于学习的相似性度量方法 | |
| Hlavatý et al. | A survey for methods for 3D model feature extraction | |
| Liu et al. | Extended cone-curvature based salient points detection and 3D model retrieval | |
| Yang et al. | Unsupervised co-segmentation of 3d shapes based on components | |
| Sipiran Mendoza | Local features for partial shape matching and retrieval | |
| Tang et al. | Interaction retrieval by spacetime proximity graphs | |
| Xiang et al. | IV-WA: An Information Visual Tool with WebAR |
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 |