CN117095239B - 仿真资产真实度评价方法、控制装置及存储介质 - Google Patents
仿真资产真实度评价方法、控制装置及存储介质 Download PDFInfo
- Publication number
- CN117095239B CN117095239B CN202311329353.1A CN202311329353A CN117095239B CN 117095239 B CN117095239 B CN 117095239B CN 202311329353 A CN202311329353 A CN 202311329353A CN 117095239 B CN117095239 B CN 117095239B
- Authority
- CN
- China
- Prior art keywords
- authenticity
- asset
- picture
- reality
- matrix
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 title abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 239000002131 composite material Substances 0.000 claims description 65
- 238000009877 rendering Methods 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Editing Of Facsimile Originals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及图像处理技术领域,具体提供一种仿真资产真实度评价方法、控制装置及存储介质,旨在解决现有的仿真资产真实度评价不准确的技术问题。为此目的,本发明提供的方法包括:获取包含待评价资产图像的至少一张合成图片;将所述合成图片输入至预先训练好的图片判别器,以使所述图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵;其中,所述图片判别器为深度神经网络模型;基于所述真实度矩阵,对所述待评价资产的真实度进行评价。本发明提供的技术方案,能够更加准确地对仿真资产的真实度进行评价。
Description
技术领域
本发明涉及图像处理技术领域,具体提供一种仿真资产真实度评价方法、控制装置及存储介质。
背景技术
仿真资产指的是包含三维模型信息的文件,利用某个仿真资产可以获得与其对应的仿真资产图像(即三维模型)。各类物件的三维模型可用于生成不同的场景图片,仿真资产的真实度决定了场景图片的真实度,因此,需要使构建的仿真资产尽可能真实。
现有技术对仿真资产真实度的评价主要有两种:一种方式为,生成该仿真资产的合成图片,然后直接通过人工判断该合成图片的真实度;另一种方式为,对该合成图片的质量进行评价,一般为计算该合成图片与该仿真资产的真实图片之间的相似度,通过该相似度来评价该仿真资产的真实度。
然而,人工的方式存在工作量大、主观性强的缺陷;而质量评价与真实度评价实质上并不相同,且通过相似度来评价真实度也并不准确,同一个仿真资产在视觉上的真实度受多种因素影响,包括所处场景、光照条件、渲染角度等,难以通过单一指标反映。
基于此,本领域需要一种新的仿真资产真实度评价方案来解决上述问题。
发明内容
为了解决上述技术问题,本发明提出了一种仿真资产真实度评价方法、控制装置及存储介质,能够更加准确地对仿真资产的真实度进行评价。
为达到上述目的,本发明的技术方案是这样实现的:
在第一方面,本发明提供一种仿真资产真实度评价方法,所述方法包括:
获取包含待评价资产图像的至少一张合成图片;
将所述合成图片输入至预先训练好的图片判别器,以使所述图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵;其中,所述图片判别器为深度神经网络模型;
基于所述真实度矩阵,对所述待评价资产的真实度进行评价。
在一些实施例中,所述获取包含待评价资产图像的至少一张合成图片,包括:
对所述待评价资产在不同的渲染要素下进行渲染,获得包含待评价资产图像的至少一张合成图片。
在一些实施例中,所述方法还包括:
获取每张所述合成图片的渲染要素;
基于所述渲染要素和所述真实度矩阵,对所述待评价资产在预定渲染要素下的真实度进行评价。
在一些实施例中,所述方法还包括:
获取对所述待评价资产在预定渲染要素下的真实度进行评价的评价结果;
基于所述评价结果,对所述待评价资产进行修改。
在一些实施例中,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述基于所述真实度矩阵,对所述待评价资产的真实度进行评价,包括:
基于每个所述真实度矩阵,获得每张所述合成图片中每个所述区域块的真实度得分;
从所有合成图片的区域块中筛选出包含所述待评价资产图像的像素的区域块作为评价区域;
基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价。
在一些实施例中,所述基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价,包括:
计算所述评价区域的真实度得分的平均值,获得所述待评价资产的真实度得分;
基于所述待评价资产的真实度得分,对所述待评价资产的真实度进行评价。
在一些实施例中,所述方法还包括:
基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价。
在一些实施例中,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价,包括:
基于该真实度矩阵,获得该合成图片中每个区域块的真实度得分;
计算该合成图片中所有区域块的真实度得分的平均值,获得该合成图片的真实度得分;
基于该合成图片的真实度得分,对该合成图片的真实度进行评价。
在第二方面,本发明提供一种控制装置,该控制装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述技术方案中任一项技术方案所述的仿真资产真实度评价方法。
在第三方面,本发明提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述技术方案中任一项技术方案所述的仿真资产真实度评价方法。
本发明实施例提供的仿真资产真实度评价方法、控制装置及存储介质,获取包含待评价资产图像的至少一张合成图片,将合成图片输入至预先训练好的图片判别器,以使图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵,并基于该真实度矩阵,对待评价资产的真实度进行评价,由于图片判别器为一个预先训练好的深度神经网络模型,因此,其能够根据输入的合成图片准确输出与该合成图片对应的真实度矩阵,进而能够根据该合成图片的真实度来准确评价待评价资产的真实度,避免了像现有技术那样采用人工判断或根据图像质量来评价真实度。可见,本发明实施例提供的技术方案,能够更加准确地对仿真资产的真实度进行评价。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明本发明的目的,而并非意在对本发明的保护范围构成限制。此外,图中类似的数字用于表示类似的部件,其中:
图1为本发明实施例提供的一种仿真资产真实度评价方法的主要步骤流程图;
图2为本发明实施例提供的另一种仿真资产真实度评价方法的流程示意图;
图3为本发明实施例提供的一种仿真资产真实度评价装置的主要结构框图。
附图标记列表:
11:图片获取单元;12:输入单元;13:第一评价单元。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合的方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
为了解决现有技术对仿真资产真实度评价不准确的技术问题,本发明提供了一种新的仿真资产真实度评价方案。
参阅附图1,图1为本发明实施例提供的一种仿真资产真实度评价方法的主要步骤流程图,如图1所示,本发明实施例中的仿真资产真实度评价方法主要包括下列步骤S101-步骤S103。
步骤S101,获取包含待评价资产图像的至少一张合成图片;
本实施例中,所述待评价资产即为待评价的仿真资产,所述待评价资产图像是基于待评价资产所生成的对应的图像。
为了获得不同场景下的合成图片,以对仿真资产的真实度进行更准确地评价,本实施例所述的获取包含待评价资产图像的至少一张合成图片,包括:对所述待评价资产在不同的渲染要素下进行渲染,获得包含待评价资产图像的至少一张合成图片。
具体地,仿真资产是一种包含3D模型信息(例如形状、材质等信息)的二进制文件,其对应的仿真资产图像即为生成的上述3D模型。仿真资产应用广泛,比如城市数字图像中所有道路、建筑、车辆、行人等都是仿真资产,真实风格游戏中的各种场景和物件也都是仿真资产。通过仿真资产能够搭建出相对逼真的场景,渲染出可用于算法训练的合成图片,比如针对自动驾驶感知算法,可以用仿真资产搭建道路场景(道路上有各种车、人、障碍物、周边有各种建筑等),渲染出的合成图片用于感知算法模型的训练,合成图片的真实度影响被训练模型的准确度,而合成图片的真实度又取决于各仿真资产的真实度,因此,仿真资产的真实度评价尤为重要。
本实施例中,可通过随机渲染器和渲染引擎将某一个待评价资产在不同的渲染要素下渲染成不同的合成图片。所述渲染要素可以包括:所采用的渲染引擎、多个不同的仿真资产的组合构图、该待评价资产的摆放位置、光照条件、天气条件等,每个待评价资产会在上述不同的渲染要素下参与多次渲染,以获得多张不同场景的合成图片。
其中,所述渲染引擎是将仿真资产搭建的场景渲染成图片的软件,比如Unreal引擎、omniverse引擎等,执行渲染之前需要提前设定好所有场景和渲染要素,例如,如上文中所述的选用哪些仿真资产、仿真资产的摆放位置和角度、光照参数、天气粒子特效参数、相机位置等。随机渲染器就是将上述人工设定过程自动化随机化的程序,将仿真资产随机渲染成大量的完整场景图片(并非单个仿真资产的渲染图)。具体来说,如图2所示,随机渲染器从仿真资产库选取待评价资产,在一定规则下随机构建好一个场景,再设定好所有的渲染要素,最后调用渲染引擎完成对待评价资产的渲染。
步骤S102,将所述合成图片输入至预先训练好的图片判别器,以使所述图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵;其中,所述图片判别器为深度神经网络模型;
本实施例中,每张合成图片输入至上述图片判别器后,该图片判别器会输出一个与该合成图片对应的真实度矩阵,即每张合成图片对应一个真实度矩阵,该真实度矩阵能够反映与其对应的合成图片的真实度。
进一步地,在一个实施例中,为了更加精细、准确地反映合成图片的真实度,每张所述合成图片预先被划分为至少一个区域块,每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度。
本实施例中,图片判别器对上一步输出的合成图片进行推理,输出每张合成图片各区域块的真实度得分。图片判别器是提前训练好的,训练方式是同时输入大量的合成图片和真实图片,输出真伪二分类概率值。由于合成图片中每个仿真资产图像在哪块区域是确定的,也就得到了每张合成图片各个仿真资产的真实度得分。
具体地,图片判别器的输入是一张H×W×C的合成图片,其中H、W、C分别是合成图片的高度、宽度、通道数(通常是RGB三通道),那么图片判别器的输出是 H/p×W/p×1的矩阵,矩阵中每个数的数值范围是0~1,代表合成图片上某一矩形区域块(patch)的真实度评分(真实度概率),1代表完全真实,0代表完全虚假。区域块patch是图片真实度表示的最小粒度,p是区域块patch的尺寸。
例如,对于一张320×160的合成图片,假定p=16,那么我们可以将该合成图片在横向和纵向上每隔16个像素分块,可以形成一张20×10的网格,网格中每个单元格是16×16的矩形区域块patch。图片判别器的输出也正好是20×10×1的真实度矩阵,该真实度矩阵中的每个数值就代表对应区域块patch的真实度得分。
本实施例对于图片判别器的网络结构不做限制,只要能满足能够输入H×W×C大小的合成图片、输出H/p×W/p×1的矩阵的要求即可,通常可以使用典型的CNN网络模型,主要包括卷积层、池化层、激活函数等网络层。
本实施例对图片判别器进行训练的方式是输入大量的合成图片和真实图片,训练过程是典型的监督学习过程,当输入图片是完全真实图片时,我们希望图片判别器输出的是全1的矩阵;当输入图片是完全虚假图片时,希望图片判别器输出全0的矩阵。图片判别器的实际输出和期望输出之间的差距作为监督学习的损失函数,再通过梯度反向传播算法调整图片判别器的模型参数,使得图片判别器的实际输出尽量符合我们期望的输出。
步骤S103,基于所述真实度矩阵,对所述待评价资产的真实度进行评价。
本实施例中,由于每个真实度矩阵能够反映与其对应的合成图片的真实度,而待评价资产的真实度可以由合成图片的真实度来评价,因此,可综合所有的真实度矩阵,来对待评价资产的真实度进行评价。例如,可计算所有真实度矩阵的数值的平均值,通过该平均值来评价待评价资产的真实度的高低。可以理解,该平均值越大,待评价资产的真实度越高;反之,该平均值越小,待评价资产的真实度越低。
如上文所述,为了更加精细、准确地反映合成图片的真实度,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度。在此前提下,本实施例所述的基于所述真实度矩阵,对所述待评价资产的真实度进行评价,包括:基于每个所述真实度矩阵,获得每张所述合成图片中每个所述区域块的真实度得分;从所有合成图片的区域块中筛选出包含所述待评价资产图像的像素的区域块作为评价区域;基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价。
进一步地,为了更加简便、准确地对待评价资产的真实度进行评价,本实施例所述的基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价,包括:计算所述评价区域的真实度得分的平均值,获得所述待评价资产的真实度得分;基于所述待评价资产的真实度得分,对所述待评价资产的真实度进行评价。
具体地,如上文所述,在一种实施方式中,真实度矩阵中的每个数值代表对应的区域块的真实度得分,因此,可基于每个真实度矩阵,获得每张合成图片中每个区域块的真实度得分,然后,从所有合成图片的所有区域块中筛选出包含待评价资产图像的像素的区域块,计算这些区域块的真实度得分的平均值作为待评价资产的真实度得分,基于该待评价资产的真实度得分来对待评价资产的真实度进行评价。可以理解,待评价资产的真实度得分越高,待评价资产的真实度越高;反之,待评价资产的真实度得分越低,待评价资产的真实度越低。
进一步地,为了对待评价资产的真实度进行更细致地评价,本实施例所述的方法还包括:获取每张所述合成图片的渲染要素;基于所述渲染要素和所述真实度矩阵,对所述待评价资产在预定渲染要素下的真实度进行评价。
具体地,假设已经通过随机渲染器生成了10000张合成图片,并通过图片判别器获得了10000×20×10个区域块的真实度得分,当我们想获得某一个仿真车辆资产在夜晚环境下的真实性得分时,具体步骤如下:
(1)从上述10000张合成图片中筛选出光照参数设定为夜晚场景、且包含该仿真车辆的合成图片,假定按这一要求筛选出了100张合成图片。由于随机渲染器记录了每张合成图片的渲染参数和场景中包含的仿真资产,因此这一过程是自动化的。
(2)在这100张合成图片中,每张合成图片有20×10个区域块,再从中筛选出包含了这一仿真车辆图像像素的所有区域块,假定按这一要求筛选出了1000个区域块。由于渲染引擎是物理仿真渲染,3D场景中每个物体渲染到图片中哪个像素是已知的,所以每个区域块包含了哪些仿真资产也是已知的,因此这一筛选过程也是自动化的。
(3)将这1000个区域块对应的真实度得分计算平均值,就获得了这个仿真车辆在夜晚环境下的真实度得分。
按照上述同样的方式,可以获得这个仿真资产在不同的预定渲染要素下的真实度得分。
进一步地,为了获得更加真实的仿真资产,本实施例所述的方法还包括:获取对所述待评价资产在预定渲染要素下的真实度进行评价的评价结果;基于所述评价结果,对所述待评价资产进行修改。
具体地,将同一仿真资产在不同合成图片中的真实度得分进行汇总,给出平均得分和在不同影响要素下的得分,综合反映出该仿真资产的真实度水平。对于真实度得分比较低的仿真资产,可以反馈给资产生产人员进行修改,由于知晓该资产在不同要素下的真实性情况,可以进行针对性的调整。
仍然以上述例子进行说明,上述仿真车辆的真实度得分等于所有包含该仿真车辆像素的区域块的真实度得分的平均值。当该仿真车辆的真实度得分低于第一预设阈值时,说明该仿真车辆的真实度水平偏低,需要对其进行调整修改。进一步地,当该仿真车辆在夜晚环境下的真实度得分低于第二预设阈值时,说明该仿真车辆的材质可能有问题,不适合黑夜环境,此时,可对该仿真车辆的材质进行更换。如果该仿真车辆在所有不同的渲染要素下的真实度得分都偏低,则可以判断该仿真车辆的几何形状不准确,此时可针对性地修改该仿真车辆的几何形状。需要说明的是,上述第一预设阈值和第二预设阈值可根据实际情况设置,其二者可以相同,也可以不同。
进一步地,为了对基于仿真资产生成的合成图片的真实度进行评价,本实施例所述的方法还包括:基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价。
如上文所述,本实施例中的每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度。在此前提下,为了更准确地对合成图片的真实度进行评价,本实施例所述的基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价,包括:基于该真实度矩阵,获得该合成图片中每个区域块的真实度得分;计算该合成图片中所有区域块的真实度得分的平均值,获得该合成图片的真实度得分;基于该合成图片的真实度得分,对该合成图片的真实度进行评价。
具体地,如前所述,图片判别器输出了真实度矩阵,即输出了每张合成图片的每个区域块的真实度得分,针对某一张合成图片,计算该合成图片中所有区域块的真实度得分的平均值,这个平均值就代表了该合成图片的真实度得分,进而可根据该合成图片的真实度得分,对该合成图片的真实度进行评价。可以理解,该合成图片的真实度得分越高,该合成图片的真实度越高;反之,该合成图片的真实度得分越低,该合成图片的真实度越低。
基于上述步骤S101-S103,本发明能够解决现有的仿真资产真实度评价方法无法对仿真资产的真实度进行准确评价的技术问题。
本发明实施例提供的仿真资产真实度评价方法,获取包含待评价资产图像的至少一张合成图片,将合成图片输入至预先训练好的图片判别器,以使图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵,并基于该真实度矩阵,对待评价资产的真实度进行评价,由于图片判别器为一个预先训练好的深度神经网络模型,因此,其能够根据输入的合成图片准确输出与该合成图片对应的真实度矩阵,进而能够根据该合成图片的真实度来准确评价待评价资产的真实度,避免了像现有技术那样采用人工判断或根据图像质量来评价真实度。可见,本发明实施例提供的技术方案,能够更加准确地对仿真资产的真实度进行评价。
本发明利用图片判别器来对仿真资产的真实度进行自动化评价,且评价过程综合考虑了影响仿真资产在合成图片中视觉真实度的各类因素,因此能够给出客观、准确、全面的真实度评分,帮助资产生产人员定向地修改仿真资产,以提升仿真资产的整体质量。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步地,本发明还提供了一种仿真资产真实度评价装置。
参阅附图3,图3是本发明实施例提供的一种仿真资产真实度评价装置的主要结构框图。如图3所示,本发明实施例中的仿真资产真实度评价装置,主要包括图片获取单元11、输入单元12和评价单元13。其中,
图片获取单元11,用于获取包含待评价资产图像的至少一张合成图片;
输入单元12,用于将所述合成图片输入至预先训练好的图片判别器,以使所述图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵;其中,所述图片判别器为深度神经网络模型;
第一评价单元13,用于基于所述真实度矩阵,对所述待评价资产的真实度进行评价。
本实施例中,所述图片获取单元11采用以下方式获取包含待评价资产图像的至少一张合成图片:
对所述待评价资产在不同的渲染要素下进行渲染,获得包含待评价资产图像的至少一张合成图片。
进一步地,本实施例所述的装置还包括:
渲染要素获取单元,用于获取每张所述合成图片的渲染要素;
第二评价单元,用于基于所述渲染要素和所述真实度矩阵,对所述待评价资产在预定渲染要素下的真实度进行评价。
进一步地,本实施例所述的装置还包括:
评价结果获取单元,用于获取对所述待评价资产在预定渲染要素下的真实度进行评价的评价结果;
修改单元,用于基于所述评价结果,对所述待评价资产进行修改。
本实施例中,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述第一评价单元13包括:
区域块真实度获取单元,用于基于每个所述真实度矩阵,获得每张所述合成图片中每个所述区域块的真实度得分;
筛选单元,用于从所有合成图片的区域块中筛选出包含所述待评价资产图像的像素的区域块作为评价区域;
第一评价子单元,用于基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价。
本实施例中,所述第一评价子单元采用以下方式对所述待评价资产的真实度进行评价:
计算所述评价区域的真实度得分的平均值,获得所述待评价资产的真实度得分;
基于所述待评价资产的真实度得分,对所述待评价资产的真实度进行评价。
进一步地,本实施例所述的装置还包括:
第三评价单元,用于基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价。
本实施例中,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述第三评价单元采用以下方式对与该真实度矩阵对应的合成图片的真实度进行评价:
基于该真实度矩阵,获得该合成图片中每个区域块的真实度得分;
计算该合成图片中所有区域块的真实度得分的平均值,获得该合成图片的真实度得分;
基于该合成图片的真实度得分,对该合成图片的真实度进行评价。
在一些实施例中,图片获取单元11、输入单元12和第一评价单元13中的一个或多个可以合并在一起成为一个模块。一个实施方式中,其具体实现功能的描述可以参见步骤S101-S103所述。
上述仿真资产真实度评价装置以用于执行图1所示的仿真资产真实度评价方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,仿真资产真实度评价装置的具体工作过程及有关说明,可以参考仿真资产真实度评价方法的实施例所描述的内容,此处不再赘述。
在本发明实施例中装置可以是包括各种电子设备形成的控制装置。在一些可能的实施方式中,装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的仿真资产真实度评价方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器加载并运行以执行上述方法实施例的仿真资产真实度评价方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储器中,每个处理器可以被配置成用于执行一个或多个存储器中的程序,以共同实现上述方法实施例的仿真资产真实度评价方法,即每个处理器分别执行上述方法实施例的不同步骤,来共同实现上述方法实施例的仿真资产真实度评价方法。
上述多个处理器可以是部署于同一个设备上的处理器,例如上述计算机设备可以是由多个处理器组成的高性能设备,上述多个处理器可以是该高性能设备上配置的处理器。此外,上述多个处理器也可以是部署于不同设备上的处理器,例如上述计算机设备可以是服务器集群,上述多个处理器可以是服务器集群中不同服务器上的处理器。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步地,本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中,控制装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的仿真资产真实度评价方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的仿真资产真实度评价方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步地,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的仿真资产真实度评价方法的程序,该程序可以由处理器加载并运行以实现上述仿真资产真实度评价方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种仿真资产真实度评价方法,其特征在于,所述方法包括:
对待评价资产在不同的渲染要素下进行渲染,获得包含待评价资产图像的至少一张合成图片;
将所述合成图片输入至预先训练好的图片判别器,以使所述图片判别器输出与每张合成图片对应的用于反映该合成图片真实度的真实度矩阵;其中,所述图片判别器为深度神经网络模型;
基于所述真实度矩阵,对所述待评价资产的真实度进行评价;
所述方法还包括:
获取每张所述合成图片的渲染要素;
基于所述渲染要素和所述真实度矩阵,对所述待评价资产在预定渲染要素下的真实度进行评价;
获取对所述待评价资产在预定渲染要素下的真实度进行评价的评价结果;
基于所述评价结果,对所述待评价资产进行修改。
2.根据权利要求1所述的仿真资产真实度评价方法,其特征在于,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述基于所述真实度矩阵,对所述待评价资产的真实度进行评价,包括:
基于每个所述真实度矩阵,获得每张所述合成图片中每个所述区域块的真实度得分;
从所有合成图片的区域块中筛选出包含所述待评价资产图像的像素的区域块作为评价区域;
基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价。
3.根据权利要求2所述的仿真资产真实度评价方法,其特征在于,所述基于所述评价区域的真实度得分,对所述待评价资产的真实度进行评价,包括:
计算所述评价区域的真实度得分的平均值,获得所述待评价资产的真实度得分;
基于所述待评价资产的真实度得分,对所述待评价资产的真实度进行评价。
4.根据权利要求1所述的仿真资产真实度评价方法,其特征在于,所述方法还包括:
基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价。
5.根据权利要求4所述的仿真资产真实度评价方法,其特征在于,每张所述合成图片预先被划分为至少一个区域块;每个所述真实度矩阵还用于反映与其对应的合成图片的所述区域块的真实度;所述基于每个所述真实度矩阵,对与该真实度矩阵对应的合成图片的真实度进行评价,包括:
基于该真实度矩阵,获得该合成图片中每个区域块的真实度得分;
计算该合成图片中所有区域块的真实度得分的平均值,获得该合成图片的真实度得分;
基于该合成图片的真实度得分,对该合成图片的真实度进行评价。
6.一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的仿真资产真实度评价方法。
7.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的仿真资产真实度评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329353.1A CN117095239B (zh) | 2023-10-16 | 2023-10-16 | 仿真资产真实度评价方法、控制装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329353.1A CN117095239B (zh) | 2023-10-16 | 2023-10-16 | 仿真资产真实度评价方法、控制装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095239A CN117095239A (zh) | 2023-11-21 |
CN117095239B true CN117095239B (zh) | 2023-12-15 |
Family
ID=88770319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311329353.1A Active CN117095239B (zh) | 2023-10-16 | 2023-10-16 | 仿真资产真实度评价方法、控制装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095239B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473182A (zh) * | 2019-10-08 | 2019-11-19 | 中国人民解放军61646部队 | 一种面向可见光全链路仿真图像的主观评价处理方法、装置、电子设备和介质 |
CN114495055A (zh) * | 2022-01-10 | 2022-05-13 | 清华珠三角研究院 | 一种评估街道模型保真度的多指标评估方法 |
CN115128605A (zh) * | 2022-06-22 | 2022-09-30 | 自然资源部第一海洋研究所 | 水下地形检测方法、装置、介质 |
CN115248993A (zh) * | 2022-07-20 | 2022-10-28 | 中国第一汽车股份有限公司 | 一种仿真场景模型真实性检测方法、装置及存储介质 |
CN116244974A (zh) * | 2023-05-04 | 2023-06-09 | 西安深信科创信息技术有限公司 | 仿真交通流数据真实性评价方法及装置 |
CN116627793A (zh) * | 2023-02-23 | 2023-08-22 | 重庆长安汽车股份有限公司 | 软件在环仿真测试的真实度评估方法及装置 |
CN116758643A (zh) * | 2023-05-26 | 2023-09-15 | 支付宝(杭州)信息技术有限公司 | 一种深度伪造人脸图像检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230131418A1 (en) * | 2021-10-22 | 2023-04-27 | Samsung Electronics Co., Ltd. | Two-dimensional (2d) feature database generation |
-
2023
- 2023-10-16 CN CN202311329353.1A patent/CN117095239B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473182A (zh) * | 2019-10-08 | 2019-11-19 | 中国人民解放军61646部队 | 一种面向可见光全链路仿真图像的主观评价处理方法、装置、电子设备和介质 |
CN114495055A (zh) * | 2022-01-10 | 2022-05-13 | 清华珠三角研究院 | 一种评估街道模型保真度的多指标评估方法 |
CN115128605A (zh) * | 2022-06-22 | 2022-09-30 | 自然资源部第一海洋研究所 | 水下地形检测方法、装置、介质 |
CN115248993A (zh) * | 2022-07-20 | 2022-10-28 | 中国第一汽车股份有限公司 | 一种仿真场景模型真实性检测方法、装置及存储介质 |
CN116627793A (zh) * | 2023-02-23 | 2023-08-22 | 重庆长安汽车股份有限公司 | 软件在环仿真测试的真实度评估方法及装置 |
CN116244974A (zh) * | 2023-05-04 | 2023-06-09 | 西安深信科创信息技术有限公司 | 仿真交通流数据真实性评价方法及装置 |
CN116758643A (zh) * | 2023-05-26 | 2023-09-15 | 支付宝(杭州)信息技术有限公司 | 一种深度伪造人脸图像检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117095239A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165549B (zh) | 基于三维点云数据的道路标识获取方法、终端设备及装置 | |
US10242264B1 (en) | System and method for training a machine-learning model to identify real-world elements | |
CN109035423B (zh) | 一种房屋的虚拟三维模型的楼层分割方法及装置 | |
JP7442227B2 (ja) | 仮想環境における自動運転車両のシミュレーション方法 | |
US11941815B2 (en) | Method and a system training a model to perform semantic segmentation on foggy images | |
CN115526990A (zh) | 用于数字孪生的目标可视化方法、装置及电子设备 | |
CN117036571B (zh) | 图像数据生成、视觉算法模型训练、评测方法及装置 | |
CN117095239B (zh) | 仿真资产真实度评价方法、控制装置及存储介质 | |
US20210165093A1 (en) | Vehicles, Systems, and Methods for Determining an Entry of an Occupancy Map of a Vicinity of a Vehicle | |
CN116962612A (zh) | 应用于仿真系统的视频处理方法、装置、设备及存储介质 | |
CN116994084A (zh) | 区域入侵检测模型训练方法及区域入侵检测方法 | |
CN116259040A (zh) | 识别交通标志的方法、装置和电子设备 | |
Galazka et al. | CiThruS2: Open-source photorealistic 3d framework for driving and traffic simulation in real time | |
CN114943940A (zh) | 一种隧道内车辆可视化监测的方法、设备及存储介质 | |
CN115240168A (zh) | 感知结果获取方法、装置、计算机设备、存储介质 | |
CN115391980A (zh) | 道路场景和动态交通流优化方法、系统及存储介质 | |
CN115145253A (zh) | 端到端自动驾驶方法、系统及自动驾驶模型的训练方法 | |
CN117132507B (zh) | 图像增强方法、图像处理方法、计算机设备及存储介质 | |
WO2022061824A1 (en) | Methods, apparatuses and computer medium for radio signal simulation | |
CN116719054B (zh) | 虚拟激光雷达点云的生成方法、计算机设备及存储介质 | |
CN117315398A (zh) | 道路环境数据生成、视觉算法模型的训练、评测方法 | |
TWI832591B (zh) | 車道線檢測方法、電腦設備及儲存介質 | |
CN116909169B (zh) | 运行控制模型的训练方法、运行控制方法、设备及介质 | |
CN110415288B (zh) | 深度图像生成方法、装置及计算机可读存储介质 | |
CN116797943B (zh) | 基于大数据分析的图片资源处理方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |