用于3D对象生成的规范化码本的制作方法

本公开涉及计算机程序和系统领域，更具体地，涉及用于机器学习的方法、系统和程序。

背景技术：

1、在市场上提供了用于对象的设计、工程和制造的许多系统和程序。cad是计算机辅助设计的首字母缩写，例如，其涉及用于设计对象的软件解决方案。cae是计算机辅助工程的首字母缩写，例如，其涉及用于模拟未来产品的物理行为的软件解决方案。cam是计算机辅助制造的首字母缩写，例如，其涉及用于定义制造过程和操作的软件解决方案。在这种计算机辅助设计系统中，图形用户界面在技术效率方面起着重要作用。这些技术可以嵌入到产品生命周期管理(plm)系统中。plm是指一种业务策略，帮助公司跨越扩展企业的概念，为了开发产品从概念到生命周期结束，共享产品数据、应用公共流程、并利用企业知识。由达索系统(商标为catia、enovia和delmia)提供的plm解决方案提供了组织产品工程知识的工程中心，管理制造工程知识的制造中心，以及使得企业集成并连接到工程和制造中心中的企业中心。通过所有这些一起，该系统提供了一个链接产品、流程、资源的开放对象模型，以实现动态的、基于知识的产品创造和决策支持，从而驱动优化的产品定义、制造准备、生产和服务。

2、在这种背景和其它背景下，3d模型生成正变得日益重要。然而，需要用于3d模型生成的改进解决方案。

技术实现思路

1、因此，提供了一种计算机实现的机器学习方法。该方法包括提供真实世界对象的3d模型的训练数据集。该方法还包括基于训练数据集并且基于训练数据集中的3d模型的块分解，学习量化向量的有限码本和神经网络。神经网络包括旋转不变编码器。旋转不变编码器被配置用于将3d模型的块旋转不变地编码成码本的量化潜在向量。神经网络还包括解码器。解码器被配置用于将码本的量化潜在向量序列解码成3d模型。该量化潜在向量序列对应于块分解。

2、该方法可以包括以下一者或多者：

3、-编码器是平移不变且旋转不变的，并且被配置用于将训练数据集中的3d模型的块平移不变且旋转不变地编码成码本的量化潜在向量；

4、-解码器包括：

5、ο第一模块，被配置用于将码本中的与块分解相对应的量化潜在向量序列作为输入，并推断用于重建3d模型的块旋转；以及

6、ο第二模块，被配置用于将码本中的与块分解相对应的量化潜在向量序列作为输入，并推断用于重建3d模型的块几何形状；

7、-学习包括最小化损失，该损失包括重建损失和承诺损失，该承诺损失奖励由编码器输出的量化潜在向量与所述码本的向量之间的一致性；和/或

8、-丢失的类型为以下类型：

9、ο

10、其中，是重建二进制交叉熵损失，是承诺损失，x表示3d点，ψ表示解码器的参数，β是加权参数，表示针对x的基础真值(ground truth)占用率，ox表示针对x的预测占用率，φ表示编码器的参数，并且其中，

11、

12、其中，sg[.]表示停止梯度运算，z＝{zi}i,其中，zi是块xi的非量化编码，并且其中

13、

14、其中，d＝{ek∈rd}；k＝1..k是码本。

15、还提供了一种神经网络功能，包括可根据所述方法进行学习的解码器和码本。神经网络功能还可以包括可根据该方法学习的编码器。编码器和解码器可以形成自动编码器神经网络。

16、还提供了一种使用解码器和码本的计算机实现的方法。该使用方法包括获得码本的量化潜在向量序列。所述使用方法还包括将解码器应用于该量化潜在向量序列。

17、使用方法可包括以下一种或多种：

18、-获取序列包括：

19、ο应用转换器神经网络以获得序列，该转换器神经网络被配置用于在给定表示输入3d模型的输入潜在向量的情况下，生成与输入3d模型的块分解相对应的码本的量化潜在向量序列；

20、-表示输入3d模型的潜在向量对应于表示输入3d模型的图像或点云的嵌入；

21、-图像为单视图像，或者点云为部分点云；和/或

22、-获得序列包括将编码器应用于输入3d模型的块分解。

23、该方法或该使用方法还可以包括学习转换器神经网络。

24、还提供了一种包括用于执行该方法和/或该使用方法的指令的计算机程序。

25、还提供了一种记录有该计算机程序和/或该神经网络功能的计算机可读数据存储介质。

26、还提供了一种包括该计算机可读数据存储介质的设备。

27、该设备可以形成或充当非暂时性计算机可读介质，例如，在saas(作为服务的软件)或其它服务器、或基于云的平台等上。可选地，该设备可以包括联接到数据存储介质的处理器。因此，该设备可以整体或部分地形成计算机系统(例如，该设备是整个系统中的子系统)。该系统还可以包括联接到处理器的图形用户界面。因此，还提供了一种计算机系统，其包括联接到存储器的处理器，该存储器上记录有该计算机程序和/或该神经网络功能。

技术特征：

1.一种计算机实现的机器学习方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述编码器是平移不变且旋转不变的，并且被配置用于将所述训练数据集中的3d模型的块平移不变地且旋转不变地编码成所述码本的量化潜在向量。

3.根据权利要求1或2所述的方法，其中所述解码器包括：

4.根据权利要求1至3中任一项所述的方法，其中，所述学习包括最小化损失，所述损失包括重建损失和承诺损失，所述承诺损失奖励由所述编码器输出的量化潜在向量与所述码本的向量之间的一致性。

5.根据权利要求4所述的方法，其中，所述损失为以下类型：

6.一种神经网络功能，包括能够根据权利要求1至5中任一项所述的方法进行学习的解码器和码本。

7.一种根据权利要求6所述的解码器和码本的使用方法，所述使用方法包括：

8.根据权利要求7所述的方法，其中，获得所述序列包括：

9.根据权利要求8所述的方法，其中，表示所述输入3d模型的所述潜在向量对应于表示所述输入3d模型的图像或点云的嵌入。

10.根据权利要求9所述的方法，其中所述图像是单视图图像，或者所述点云是部分点云。

11.根据权利要求7所述的方法，其中，获得所述序列包括：将所述编码器应用于所述输入3d模型的块分解。

12.根据权利要求1至5中任一项所述的方法或根据权利要求8至10中任一项所述的方法，还包括学习所述转换器神经网络。

13.一种包括指令的计算机程序，当所述指令在计算机系统上执行时，使所述计算机系统执行权利要求1至5中任一项所述的方法和/或权利要求7至11中任一项所述的方法和/或权利要求12所述的方法。

14.一种记录有根据权利要求13所述的计算机程序和/或根据权利要求6所述的神经网络功能的计算机可读存储介质。

15.一种计算机系统，包括联接到存储器的处理器，所述存储器上记录有根据权利要求13所述的计算机程序和/或根据权利要求6所述的神经网络功能。

技术总结值得注意，本公开涉及一种计算机实现的机器学习方法。该方法包括：提供真实世界对象的3D模型的训练数据集。该方法还包括：基于训练数据集并基于训练数据集中的3D模型的块分解，学习量化向量的有限码本和神经网络。神经网络包括旋转不变编码器。旋转不变编码器被配置用于将3D模型的块旋转不变地编码成码本的量化潜在向量。神经网络还包括解码器。解码器被配置用于将码本的量化潜在向量序列解码成3D模型。量化潜在向量序列对应于块分解。这构成了用于3D模型生成的改进解决方案。技术研发人员：马里姆·梅兹甘尼,考塔尔·扎希尔,玛丽卡·鲍肯纳费德,马克斯·奥瓦斯扬尼科夫受保护的技术使用者：达索系统公司技术研发日：技术公布日：2024/7/29