CN117786823A - 一种基于建筑物单体化模型轻量化处理的方法 - Google Patents

Abstract

本发明公开了一种基于建筑物单体化模型轻量化处理的方法，涉及智能化建筑物模型轻量化处理技术领域，其通过采集建筑物单体化模型以及提取出其中的高频部分，并在后端引入基于深度学习和人工智能的数据处理和分析算法来进行该模型和高频部分的语义分析，以此来滤除建筑物单体化模型的高频成分，实现对建筑物单体化模型的轻量化处理。这样，可以有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

Description

一种基于建筑物单体化模型轻量化处理的方法

技术领域

本发明涉及智能化建筑物模型轻量化处理技术领域，并且更具体地，涉及一种基于建筑物单体化模型轻量化处理的方法。

背景技术

建筑物三维模型是建筑设计、规划、施工和管理的重要工具，它可以提供建筑物的几何形状、结构、材料和功能等信息。随着建筑信息模型（BIM）技术的不断发展，建筑物单体化模型在设计、施工和运营管理中的应用日益广泛。然而，由于建筑物单体化模型通常包含大量的信息，导致模型体量庞大，在存储、传输和处理方面存在一定的问题。因此，对建筑物单体化模型进行轻量化处理，以降低模型体量和存储容量，提高模型处理效率，具有重要的意义。

因此，期望一种基于建筑物单体化模型轻量化处理的方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请提供了一种基于建筑物单体化模型轻量化处理的方法，其通过采集建筑物单体化模型以及提取出其中的高频部分，并在后端引入基于深度学习和人工智能的数据处理和分析算法来进行该模型和高频部分的语义分析，以此来滤除建筑物单体化模型的高频成分，实现对建筑物单体化模型的轻量化处理。这样，可以有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

第一方面，提供了一种基于建筑物单体化模型轻量化处理的方法，其包括：

获取待处理建筑物单体化模型；

提取所述待处理建筑物单体化模型中的高频成分以得到建筑物单体化模型高频部分；

通过基于深度神经网络模型的模型特征提取器分别对所述待处理建筑物单体化模型和所述建筑物单体化模型高频部分进行特征提取以得到待处理建筑物单体化模型特征图和建筑物单体化模型高频部分特征图；

将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；

基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征；

基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型。

与现有技术相比，本申请提供的基于建筑物单体化模型轻量化处理的方法，其通过采集建筑物单体化模型以及提取出其中的高频部分，并在后端引入基于深度学习和人工智能的数据处理和分析算法来进行该模型和高频部分的语义分析，以此来滤除建筑物单体化模型的高频成分，实现对建筑物单体化模型的轻量化处理。这样，可以有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的流程图。

图2为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的架构示意图。

图3为根据本申请实施例的基于建筑物单体化模型轻量化处理的系统的框图。

图4为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

建筑物三维模型是建筑设计和管理中的重要工具，可以提供建筑物的几何形状、结构、材料和功能等信息，随着建筑信息模型（BIM）技术的发展，建筑物单体化模型在设计、施工和管理中的应用越来越广泛。然而，由于建筑物单体化模型通常包含大量信息，导致模型体量庞大，在存储、传输和处理方面存在一定的问题。因此，对建筑物单体化模型进行轻量化处理以降低模型体量和存储容量，提高模型处理效率具有重要意义。

建筑物三维模型通常由以下几个方面构成：几何形状，包括建筑物的外观、内部空间和结构等几何信息。结构和材料，描述建筑物的结构和使用的材料，包括钢筋混凝土结构、钢结构、木结构等。功能信息，包括建筑物的功能分区、设备布置、管线布局等。

轻量化处理的方法可以包括但不限于以下几种：减少细节，通过简化建筑物模型中的细节和复杂性，例如减少不必要的细节或者使用更简单的代替模型来代表复杂的结构。优化数据结构，通过优化数据结构和模型布局，减少模型中冗余信息的存储和传输，提高数据的压缩率和处理效率。LOD（Level of Detail）控制，根据模型在不同应用场景下的需求，采用不同的细节级别，以在不同的距离和视角下呈现适当的模型细节，减少不必要的细节加载。纹理和材质优化，通过优化纹理和材质的使用，减少纹理的分辨率和材质的复杂度，降低模型的存储和传输成本。

通过轻量化处理，可以有效降低建筑物单体化模型的体积和存储容量，提高模型的处理效率，使其更适用于设计、施工和管理中的各个环节。

图1为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的流程图。图2为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的架构示意图。如图1和图2所示，所述基于建筑物单体化模型轻量化处理的方法，包括：110，获取待处理建筑物单体化模型；120，提取所述待处理建筑物单体化模型中的高频成分以得到建筑物单体化模型高频部分；130，通过基于深度神经网络模型的模型特征提取器分别对所述待处理建筑物单体化模型和所述建筑物单体化模型高频部分进行特征提取以得到待处理建筑物单体化模型特征图和建筑物单体化模型高频部分特征图；140，将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；150，基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征；160，基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型。

其中，所述深度神经网络模型为三维卷积神经网络模型。

在所述步骤110中，确保获取的建筑物单体化模型包含完整的几何形状、结构和材料等信息，以便进行后续的处理和特征提取。这样，提供了待处理的原始建筑物模型，为后续的处理和特征提取提供了基础数据。在所述步骤120中，高频成分通常包含建筑物模型中的细节和局部特征，提取这部分可以帮助针对性地处理模型的复杂性。通过提取高频成分，可以更好地理解建筑物模型的细节特征，为后续的特征提取和模型处理提供重要信息。在所述步骤130中，使用基于深度神经网络模型的模型特征提取器，确保选择合适的模型结构和参数，以提取出模型的关键特征。通过特征提取，可以将建筑物模型转化为特征图的形式，提取出模型的抽象特征，为后续的模型处理和分析提供了更加高效的数据表示方式。在所述步骤140中，使用基于重参数化层的特征图强化器，确保合理选择重参数化的方式以增强特征图。通过特征图强化，可以增强模型的特征表示，突出模型的重要特征，有助于后续的处理和分析。在所述步骤150中，基于强化后的特征图，对高频成分进行滤除，确保保留建筑物模型的主要特征，同时去除不必要的细节。通过高频成分滤除，可以减少模型中的冗余信息和细节，从而实现模型的轻量化处理。在所述步骤160中，根据滤除高频成分后的建筑物模型表征特征，生成轻量化处理后的建筑物单体化模型，确保模型的几何形状、结构和功能信息得到合理的保留和简化。生成轻量化处理后的建筑物单体化模型，降低了模型的体积和存储容量，提高了模型的处理效率，使其更适用于设计、施工和管理中的各个环节。

针对上述技术问题，在本申请的技术方案中，提出了一种基于建筑物单体化模型轻量化处理的方法，其能够利用建筑物三维模型中的高频成分特性，即数据对象中变化剧烈的部分，通常对应于建筑物模型中的噪声、纹理和细节。这些高频成分在存储过程中是可以被轻量化的对象，以降低模型存储时的存储容量。

具体地，本申请的技术构思为通过采集建筑物单体化模型以及提取出其中的高频部分，并在后端引入基于深度学习和人工智能的数据处理和分析算法来进行该模型和高频部分的语义分析，以此来滤除建筑物单体化模型的高频成分，实现对建筑物单体化模型的轻量化处理。这样，可以有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

具体地，在本申请的技术方案中，首先，获取待处理建筑物单体化模型。应可以理解，在建筑物三维模型中，高频成分指的是模型中变化剧烈的部分，通常包括噪声、纹理和细节等。这些高频成分在建筑物模型中占据了较多的存储空间，但对于一些应用场景来说，这些细节并不是必需的，可以通过轻量化处理来减少存储需求。因此，在本申请的技术方案中，需要提取所述待处理建筑物单体化模型中的高频成分以得到建筑物单体化模型高频部分。通过提取建筑物单体化模型中的高频成分，可以将模型的细节信息与主要结构信息分离开来。在后续的处理过程中，可以针对高频部分和主要结构部分分别进行处理以及对高频部分特征进行滤除，以实现轻量化处理和存储优化。

然后，将所述待处理建筑物单体化模型和所述建筑物单体化模型高频部分通过基于三维卷积神经网络模型的模型特征提取器中进行特征挖掘，以分别提取出所述待处理建筑物单体化模型和高频部分的特征分布信息，从而得到待处理建筑物单体化模型特征图和建筑物单体化模型高频部分特征图。

进一步地，为了增强和丰富建筑物单体化模型和高频部分的表达能力，使其更具区分性和鲁棒性，在本申请的技术方案中，进一步将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图。通过所述基于重参数化层的特征图强化器的处理，能够引入随机性，将原始特征图重新参数化为更丰富的特征表示，从而增强模型和高频部分特征图像的表达能力。在这个过程中，每个所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图的均值和方差分别被提取出来，并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式，这有助于提取出更具有代表性的特征，同时减少冗余信息，使得特征图更加紧凑和有效。这样，能够获得更加丰富和有用的特征表示，提高分类器对不同建筑物单体化模型的整体特征和细节特征的感知和识别能力，使其更好地适应不同的建筑物单体化模型，提高分类的准确性。

在本申请的一个具体实施例中，将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图，包括：以如下重参数化公式将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；其中，所述重参数化公式为：

；

；

其中，表示所述待处理建筑物单体化模型特征图的各个位置的特征值，/>是所述强化待处理建筑物单体化模型特征图的各个位置的特征值，/>表示所述建筑物单体化模型高频部分特征图的各个位置的特征值，/>是所述强化建筑物单体化模型高频部分特征图的各个位置的特征值，/>和/>分别是所述待处理建筑物单体化模型特征图的各个位置的特征值集合的均值和方差，/>和/>分别是所述建筑物单体化模型高频部分特征图的各个位置的特征值集合的均值和方差，/>表示以2为底的对数函数，/>表示反正弦函数，表示反余弦函数。

应可以理解，在建筑物模型中，高频成分通常包含了模型的细节、噪声和纹理等变化剧烈的部分。而主要结构和低频信息则包含了模型的整体形状和大致特征。因此，为了从建筑物单体化模型的特征图中去除高频成分，保留主要结构和低频信息，从而实现更好的建筑物单体化模型轻量化处理，在本申请的技术方案中，进一步计算所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图之间的按位置差分以得到滤除高频成分建筑物单体化模型表征特征图。特别地，所述滤除高频成分的建筑物单体化模型表征特征图保留了模型的主要结构和低频信息，同时去除了细节和变化剧烈的部分。这样做的好处是可以减少存储需求，同时保持建筑物模型的整体形状和大致特征，为后续的轻量化处理和存储优化提供更好的基础。

在本申请的一个具体实施例中，基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征，包括：计算所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图之间的按位置差分以得到滤除高频成分建筑物单体化模型表征特征图作为所述滤除高频成分建筑物单体化模型表征特征。

继而，再将所述滤除高频成分建筑物单体化模型表征特征图通过基于解码器的轻量化处理器以得到轻量化处理后建筑物单体化模型。也就是说，利用经过高频成分滤除后的建筑物单体化模型表征特征来进行解码生成，以生成轻量化处理后建筑物单体化模型。这样，能够实现对建筑物单体化模型的轻量化处理，从而有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

在本申请的一个具体实施例中，基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型，包括：将所述滤除高频成分建筑物单体化模型表征特征图通过基于解码器的轻量化处理器以得到轻量化处理后建筑物单体化模型。

在本申请的一个实施例中，所述基于建筑物单体化模型轻量化处理的方法，还包括训练步骤：用于对所述基于三维卷积神经网络模型的模型特征提取器、所述基于重参数化层的特征图强化器和所述基于解码器的轻量化处理器进行训练。所述训练步骤，包括：获取训练待处理建筑物单体化模型；提取所述训练待处理建筑物单体化模型中的高频成分以得到训练建筑物单体化模型高频部分；通过所述基于深度神经网络模型的模型特征提取器分别对所述训练待处理建筑物单体化模型和所述训练建筑物单体化模型高频部分进行特征提取以得到训练待处理建筑物单体化模型特征图和训练建筑物单体化模型高频部分特征图；将所述训练待处理建筑物单体化模型特征图和所述训练建筑物单体化模型高频部分特征图通过所述基于重参数化层的特征图强化器以得到训练强化待处理建筑物单体化模型特征图和训练强化建筑物单体化模型高频部分特征图；计算所述训练强化待处理建筑物单体化模型特征图和所述训练强化建筑物单体化模型高频部分特征图之间的按位置差分以得到训练滤除高频成分建筑物单体化模型表征特征图；对所述训练滤除高频成分建筑物单体化模型表征特征图进行优化以得到优化后训练滤除高频成分建筑物单体化模型表征特征图；将所述优化后训练滤除高频成分建筑物单体化模型表征特征图通过所述基于解码器的轻量化处理器以得到解码损失函数值；基于所述解码损失函数值对所述基于三维卷积神经网络模型的模型特征提取器、所述基于重参数化层的特征图强化器和所述基于解码器的轻量化处理器进行训练。

在本申请的技术方案中，所述训练强化待处理建筑物单体化模型特征图和所述训练强化建筑物单体化模型高频部分特征图中的各个特征矩阵分别表示所述训练待处理建筑物单体化模型和所述训练建筑物单体化模型高频部分的基于重参数化加强的图像语义特征，且所述训练强化待处理建筑物单体化模型特征图和所述训练强化建筑物单体化模型高频部分特征图中的各个特征矩阵沿着所述卷积神经网络模型的通道维度分布。但是，考虑到一方面所述训练待处理建筑物单体化模型和所述训练建筑物单体化模型高频部分在模型数据源域存在明显内容差异，另一方面使用所述基于重参数化层的特征图强化器会进一步地基于各个特征矩阵的局部高阶关联特征分布来以特征矩阵为单位强化局部通道位置的特征矩阵整体分布，这就使得在计算所述训练强化待处理建筑物单体化模型特征图和所述训练强化建筑物单体化模型高频部分特征图之间的按位置差分以得到训练滤除高频成分建筑物单体化模型表征特征图的过程中，会影响所述训练滤除高频成分建筑物单体化模型表征特征图的各个特征矩阵之间的分布整体性，使得在将所述训练滤除高频成分建筑物单体化模型表征特征图通过基于解码器的轻量化处理器时，所得到的轻量化处理后建筑物单体化模型的模型质量和轻量化程度受到损伤。

基于此，本申请首先将所述训练滤除高频成分建筑物单体化模型表征特征图中的各个特征矩阵通过线性变换转换为正方矩阵，然后对所述训练滤除高频成分建筑物单体化模型表征特征图以特征矩阵为单位，基于相邻特征矩阵的优化来校正所述训练滤除高频成分建筑物单体化模型表征特征图，具体表示为：以如下优化公式基于相邻特征矩阵的优化来校正所述训练滤除高频成分建筑物单体化模型表征特征图以得到所述优化后训练滤除高频成分建筑物单体化模型表征特征图；其中，所述优化公式为：

其中，和/>分别是所述训练滤除高频成分建筑物单体化模型表征特征图中的第/>和第/>个特征矩阵，且/>和/>分别是特征矩阵/>和/>的全局均值，/>表示矩阵的转置，/>表示矩阵乘法，/>表示按位置点乘，/>是所述优化后训练滤除高频成分建筑物单体化模型表征特征图中的第/>个特征矩阵。

这里，通过以所述训练滤除高频成分建筑物单体化模型表征特征图的特征矩阵沿通道分布的中心作为通道维度下的场景传递的种子点，来将所述训练滤除高频成分建筑物单体化模型表征特征图的特征矩阵的每个特征值通过矩阵相乘而进行稳健化的聚合和子采样提议，从而在所述训练滤除高频成分建筑物单体化模型表征特征图的特征矩阵的每个特征值的参与基础上进行相邻特征矩阵的分布边界框传递定向约束，以在所述训练滤除高频成分建筑物单体化模型表征特征图的整体沿通道维度由下而上的上下文关联的基础上提升所述训练滤除高频成分建筑物单体化模型表征特征图的特征表示的整体性。这样，提升所得到的所述轻量化处理后建筑物单体化模型的模型质量和轻量化程度。这样，能够通过滤除建筑物单体化模型的高频成分来实现对建筑物单体化模型的轻量化处理，从而有效地降低建筑物三维模型的数据量和存储容量，提高模型处理效率，同时保留其主要特征和视觉效果。

在本申请的一个实施例中，提供一种实景三维数据获取、处理及融合建库的方法：

首先，倾斜航空摄影及实景三维倾斜模型：利用倾斜航空摄影技术完成城区地面分辨率优于1.5cm的倾斜航空摄影；在城区范围内测量像控点，利用倾斜影像和像控点进行空三加密，生成实景三维倾斜模型。

然后，激光点云数据获取及处理：获取城区机载激光点云数据，点云密度优于20点/平方米，并对机载点云进行数据处理；在城区内的重点示范区，利用车载激光扫描技术采集主要城市道路及两侧建筑物点云数据，并处理带有地理坐标的点云及全景影像数据；对于重点示范区内标志性建筑，利用背包或手持激光扫描设备获取并处理带有地理坐标的点云及全景影像数据；利用专业软件对全景影像进行隐私模糊处理，输出点云与街景数据。

接着，地形实景三维数据库建设：利用倾斜航空摄影数据、机载点云等数据构建城区范围内的高精度DEM、TDOM数据；利用最新0.2米分辨率DOM和2米格网DEM数据构建全域地形级实景三维模型。

然后，全域建筑物语义模型建设：基于已有的数字地形图、DEM等数据建立全域的建筑物LOD1级别轻量化语义模型。

接着，基于多源数据融合的三维单体化模型建设：采用实景三维倾斜模型数据、机载激光雷达数据、地面移动扫描数据、全景影像等多源数据进行融合处理，构建重点示范区建筑及道路单体化模型，并基于已有的数据完成相关属性挂接。

利用实景三维倾斜模型、激光点云、全景影像等数据，构建重点示范区范围内建筑物的高精度单体化模型，并基于标准地址库成果完成相关属性录入；利用实景三维模型数据、车载扫描、全景影像等数据，构建重点示范区范围内主要道路及道路两侧市政设施、高架路等三维高精度交通要素单体化模型。

然后，三维无尺度全息数据库建设：重点示范区范围内，建立三维无尺度全息数据库。在原有1:500地形图数据基础上，将二维地形图更新、升级改造为三维地形图，并丰富街坊内部以及城市道路及其两侧范围的要素信息（如消火栓、摄像头、红绿灯、标志标牌、各种类别箱体等），各类要素按照需求定制属性表，并以数据库形式存储属性信息。

接着，全息数据与地籍调查和不动产三维融合数据库建设：在城区实景三维倾斜模型数据基础上，更新地籍调查数据；依据房产分层分户数据，建立主城区范围内商品房的分层分户模型；关联相应的宗地、权利人相关信息，建立三维不动产数据库，探索研究三维不动产管理和应用服务。

最后，自然资源专题数据库建设：面向自然资源管理，基于实景三维数据，对已有的自然资源数据进行整合入库，包括国土三调数据、森林资源数据、湿地资源数据、水土保持数据、自然资源权属界线、自然资源资产清查等数据，建立自然资源基础数据库，满足其他业务应用系统需求。

综上，基于本申请实施例的基于建筑物单体化模型轻量化处理的方法被阐明，其能够利用建筑物三维模型中的高频成分特性，即数据对象中变化剧烈的部分，通常对应于建筑物模型中的噪声、纹理和细节。这些高频成分在存储过程中是可以被轻量化的对象，以降低模型存储时的存储容量。

在本申请的一个实施例中，图3为根据本申请实施例的基于建筑物单体化模型轻量化处理的系统的框图。如图3所示，根据本申请实施例的基于建筑物单体化模型轻量化处理的系统200，包括：建筑物单体化模型获取模块210，用于获取待处理建筑物单体化模型；高频成分提取模块220，用于提取所述待处理建筑物单体化模型中的高频成分以得到建筑物单体化模型高频部分；特征提取模块230，用于通过基于深度神经网络模型的模型特征提取器分别对所述待处理建筑物单体化模型和所述建筑物单体化模型高频部分进行特征提取以得到待处理建筑物单体化模型特征图和建筑物单体化模型高频部分特征图；特征图强化模块240，用于将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；高频成分滤除模块250，用于基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征；轻量化处理后建筑物单体化模型生成模块260，用于基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型。

这里，本领域技术人员可以理解，上述基于建筑物单体化模型轻量化处理的系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于建筑物单体化模型轻量化处理的方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于建筑物单体化模型轻量化处理的系统200可以实现在各种终端设备中，例如用于基于建筑物单体化模型轻量化处理的服务器等。在一个示例中，根据本申请实施例的基于建筑物单体化模型轻量化处理的系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于建筑物单体化模型轻量化处理的系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于建筑物单体化模型轻量化处理的系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于建筑物单体化模型轻量化处理的系统200与该终端设备也可以是分立的设备，并且基于建筑物单体化模型轻量化处理的系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4为根据本申请实施例的基于建筑物单体化模型轻量化处理的方法的场景示意图。如图4所示，在该应用场景中，首先，获取待处理建筑物单体化模型（例如，如图4中所示意的C）；然后，将获取的待处理建筑物单体化模型输入至部署有基于建筑物单体化模型轻量化处理算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于建筑物单体化模型轻量化处理算法对所述待处理建筑物单体化模型进行处理，以生成轻量化处理后建筑物单体化模型。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种基于建筑物单体化模型轻量化处理的方法，其特征在于，包括：

获取待处理建筑物单体化模型；

提取所述待处理建筑物单体化模型中的高频成分以得到建筑物单体化模型高频部分；

通过基于深度神经网络模型的模型特征提取器分别对所述待处理建筑物单体化模型和所述建筑物单体化模型高频部分进行特征提取以得到待处理建筑物单体化模型特征图和建筑物单体化模型高频部分特征图；

将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；

基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征；

基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型。

2.根据权利要求1所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。

3.根据权利要求2所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图，包括：

以如下重参数化公式将所述待处理建筑物单体化模型特征图和所述建筑物单体化模型高频部分特征图通过基于重参数化层的特征图强化器以得到强化待处理建筑物单体化模型特征图和强化建筑物单体化模型高频部分特征图；

其中，所述重参数化公式为：

；

；

其中，表示所述待处理建筑物单体化模型特征图的各个位置的特征值，/>是所述强化待处理建筑物单体化模型特征图的各个位置的特征值，/>表示所述建筑物单体化模型高频部分特征图的各个位置的特征值，/>是所述强化建筑物单体化模型高频部分特征图的各个位置的特征值，/>和/>分别是所述待处理建筑物单体化模型特征图的各个位置的特征值集合的均值和方差，/>和/>分别是所述建筑物单体化模型高频部分特征图的各个位置的特征值集合的均值和方差，/>表示以2为底的对数函数，/>表示反正弦函数，/>表示反余弦函数。

4.根据权利要求3所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，基于所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图，对所述待处理建筑物单体化模型进行高频成分滤除以得到滤除高频成分建筑物单体化模型表征特征，包括：计算所述强化待处理建筑物单体化模型特征图和所述强化建筑物单体化模型高频部分特征图之间的按位置差分以得到滤除高频成分建筑物单体化模型表征特征图作为所述滤除高频成分建筑物单体化模型表征特征。

5.根据权利要求4所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，基于所述滤除高频成分建筑物单体化模型表征特征，生成轻量化处理后建筑物单体化模型，包括：将所述滤除高频成分建筑物单体化模型表征特征图通过基于解码器的轻量化处理器以得到轻量化处理后建筑物单体化模型。

6.根据权利要求5所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，还包括训练步骤：用于对所述基于三维卷积神经网络模型的模型特征提取器、所述基于重参数化层的特征图强化器和所述基于解码器的轻量化处理器进行训练。

7.根据权利要求6所述的基于建筑物单体化模型轻量化处理的方法，其特征在于，所述训练步骤，包括：

获取训练待处理建筑物单体化模型；

提取所述训练待处理建筑物单体化模型中的高频成分以得到训练建筑物单体化模型高频部分；

通过所述基于深度神经网络模型的模型特征提取器分别对所述训练待处理建筑物单体化模型和所述训练建筑物单体化模型高频部分进行特征提取以得到训练待处理建筑物单体化模型特征图和训练建筑物单体化模型高频部分特征图；

将所述训练待处理建筑物单体化模型特征图和所述训练建筑物单体化模型高频部分特征图通过所述基于重参数化层的特征图强化器以得到训练强化待处理建筑物单体化模型特征图和训练强化建筑物单体化模型高频部分特征图；

计算所述训练强化待处理建筑物单体化模型特征图和所述训练强化建筑物单体化模型高频部分特征图之间的按位置差分以得到训练滤除高频成分建筑物单体化模型表征特征图；

对所述训练滤除高频成分建筑物单体化模型表征特征图进行优化以得到优化后训练滤除高频成分建筑物单体化模型表征特征图；

将所述优化后训练滤除高频成分建筑物单体化模型表征特征图通过所述基于解码器的轻量化处理器以得到解码损失函数值；

基于所述解码损失函数值对所述基于三维卷积神经网络模型的模型特征提取器、所述基于重参数化层的特征图强化器和所述基于解码器的轻量化处理器进行训练。