(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211068515.6 (22)申请日 2022.09.02 (71)申请人 浙江理工大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街9 28号 申请人 杭州知衣科技有限公司 (72)发明人 向忠　周骥　周光宝　钱淼　 (74)专利代理 机构 绍兴市知衡专利代理事务所 (普通合伙) 33277 专利代理师 施春宜 (51)Int.Cl. G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/06(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度网络的多组分、 多尺度织物 三维模 型的重构方法 (57)摘要 本发明涉及一种基于深度网络的多组分、 多 尺度织物三维模型的重构方法， 其包括如下步 骤： 1)， 构建基于无监督学习的织物三维模型的 生成对抗神经网络3D ‑style‑GAN重构模型， 该模 型由一个生成器G与两个判别器D和Ds构成； 2)， 3D‑style‑GAN模型训练； 将潜向量空间中的噪声 向量输入生成器中， 生成器对输入向量进行恢 复， 生成三维织物模型； 3)， 将已经学习到的具有 特定概率密度分布的噪声向量输入到训练好的 3D‑Style‑GAN模型中即可得到 各自的重构模型， 再进行重构3D模型与真实3D模型的统计特性对 比， 确定重构模型的效果。 本发明能够快速地重 构出所需要的多组分、 多尺度的织物模型， 从而 构建起大数据集， 为织物模型的数值研究提供便 利。 权利要求书3页 说明书7页 附图8页 CN 115423944 A 2022.12.02 CN 115423944 A 1.基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特征在于： 包括如下步 骤： 1)， 构建基于无监督学习的织物三维模型的生成对抗神经网络3D ‑style‑GAN重构模 型， 该模型由一个生成器G与两个判别器D和Ds构成； 2)， 3D‑style‑GAN模型训练； 将潜向量空间中的噪声向量输入生成器中， 生成器对输入向量进行恢复， 生成三维织 物模型； 判别器D 接收三维样本输入， 判别器Ds接收二 维样本输入； 对于判别器Ds， 同时输入 三个笛卡尔坐标方向的2D切片图像， 使 得判别器Ds能够从空间的多个方向逐层识别输入图 像； 当训练次数达 到设定的迭代次数， 得到训练好的3D ‑Style‑GAN模型； 3)， 将已经学习到的具有特定概率密度分布的噪声向量输入到训练好的3D ‑Style‑GAN 模型中即可得到各自的重构模型， 再进行重构3D模型与真实3D模型的统计特性对比， 确定 重构模型的效果。 2.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述步骤1)中， 生 成器G将生成的3D模 型分割为2D切片， 具体实现方式为， 通过转置 操作实现所生成的3D模型旋转， 得到三种状态的3D模型， 然后对三种状态的3D进行整型操 作， 得到三个维度方向的2D切片， 将此转置和整型功能记为TR操作。 3.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述步骤1)中， 生成器G包括合成网络和 输入模块； 其中， 所述合成网络包含5个子 块顺序连接， 最后设计一层额外的Tanh激活函数层； 子块 能处理的体素分辨率从43至643间 变化； 第一子块包含一层输入层和三层卷积层， 输入层接收可变尺寸输入张量， 通过输入不 同尺寸的张量让模型获得直接生成任意分辨率样本的能力， 并且去除原始style ‑GAN生成 器合成网络中的AdaIN全局归一化操作； 后面每个子块都包含一个上采样卷积层和三个卷 积层， 上采样卷积层实现体素精度较上层翻倍， 所有卷积层卷积核大小为3x3x3 。 4.如权利要求3所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述输入模块包含20个 向量， 每个 向量与一个学习比例因子相乘后分别输入给合 成网络每一层。 5.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述判别器Ds由五个顺序连接的子块组成， 每个子块均有一个卷积核 大小为3x3的 降采样卷积层和两个卷积核 大小为3x3卷积层； 最后一个子块后面包含两个全连接层， 第一 全连接层包含128个神经元， 第二全连接层包含1个神经元； 输入判别器的图像为64x64,通 道数为1， 经过五重卷积后， 通道数变为128， 图像尺寸压缩为2x2,将其展平为512维的一维 向量， 然后与拥有128个神经元的第一隐藏层 全连接， 再与只有一个神经元的第二隐层 全连 接， 最终输出判别结果； 所述判别器D的架构同理。 6.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述 步骤2)中， 模型训练策略如下式： 式中， x表示训练图片， G()和 D()分别表示经过生成器和判别器处理之后得到结果， TR权　利　要　求　书 1/3 页 2 CN 115423944 A 2()表示对3D模型进行装置和整型操作得到的2D切片图片。 7.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述 步骤2)中， 生成器G的损失函数为： 判别器D的损失函数为： 判别器Ds的损失函数为： 式中， λ为[0， 1]之 间的随机变量， η为梯度惩罚因 子， α和β 为正则项系数， x(i)为来自真实数据的样本， noise(i)为均匀分布随机噪声向量集 合， n表示batch ‑size,s表示单位长度的切片数量， TRI＝x， y， z分别表示每个方向的转置和整 型操作。 8.如权利要求1所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述 步骤3)的统计特性对比方法包括两点相关函数和闵可 夫斯基泛函。 9.如权利要求8所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其特 征在于： 所述两点相关函数 具体为： S2(r)＝P(o∈W， o+r∈W)for  o， r∈R3 式中： o和o+r表示两点， r为距离矢量， 可分别测量两点之间的三个笛卡尔坐标方向的 距离和径向方向的距离 。 10.如权利要求8所述的基于深度网络的多组分、 多尺度织物三维模型的重构方法， 其 特征在于： 所述闵可 夫斯基泛函具体为： 体积： V＝t4权　利　要　求　书 2/3 页 3 CN 115423944 A 3