CN115170739B - 基于人工智能的车辆三维设计装置 - Google Patents
基于人工智能的车辆三维设计装置 Download PDFInfo
- Publication number
- CN115170739B CN115170739B CN202210810073.1A CN202210810073A CN115170739B CN 115170739 B CN115170739 B CN 115170739B CN 202210810073 A CN202210810073 A CN 202210810073A CN 115170739 B CN115170739 B CN 115170739B
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- image
- depth map
- images
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Graphics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的车辆三维设计装置,其允许根据用户提供的设计需求,基于人工智能的方式自动生成车辆的2D和3D模型,并能够自动且快速地开展性能仿真测试和原型验证步骤,使得车辆原型设计过程具有极高的效率,这对于车辆设计而言是极其有利的。其中,尤其是通过在3D模型生成模块引入特定的深度图生成算法,允许以较低的硬件要求,高的计算速度和效率利用2D模型生成相应的3D模型,从而改善车辆三维设计装置的整体性能。
Description
技术领域
本发明涉及车辆设计领域,更具体地涉及一种基于人工智能实现的车辆三维设计装置。
背景技术
在车辆设计中,车辆造型设计是非常关键的一个环节,其不仅要求造型美观,还要求具有很好的空气动力学性能。在提出车辆造型设计中,往往需要耗费大量的时间和精力进行车辆3D造型的设计工作,且整个设计过程结果不直观,导致车辆造型设计环节整体效率低且成本高。
发明内容
针对现有技术中存在的上述问题,本发明公开了一种基于人工智能的车辆三维设计装置,其允许根据用户提供的设计需求,基于人工智能的方式自动生成车辆的2D和3D模型,并能够自动且快速地开展性能仿真测试和原型验证步骤,使得车辆原型设计过程具有极高的效率,这对于车辆设计而言是极其有利的。其中,通过2D模型生成过程中的有限随机性,尤其是通过在3D模型生成模块引入特定的深度图生成算法,允许获得极高的设计效率,在低的硬件配置下以高的计算速度和效率利用2D模型精确生成相应的3D模型,极大提升车辆三维设计装置的整体性能。
具体而言,本发明的基于人工智能的车辆三维设计装置可以包括2D模型生成模块、3D模型生成模块、仿真模块和原型验证模块;
所述2D模型生成模块被设置用于根据用户输入的车辆设计参数,生成车辆的2D模型;
所述3D模型生成模块被设置用于根据所述2D模型,生成车辆的3D模型;
所述仿真模块被设置用于对所述3D模型进行仿真计算,生成空气动力学数据;
原型验证模块被设置用于利用所述3D模型,打印生成车辆的3D实体模型。
进一步地,本发明的基于人工智能的车辆三维设计装置还包括显示模块,用于展示所述2D模型和3D模型。
进一步地,所述2D模型生成模块包括模型参数获取单元、零件数据库、随机数发生单元和2D模型生成单元;
所述零件数据库包括多种车辆零件的2D图像,其中,关于所述车辆零件中的每一种具有多幅2D图像,且同一车辆零件的2D图像被分成多个2D图像类;
所述模型参数获取单元被设置用于允许用户输入所述的车辆设计参数;
所述随机数发生单元被设置用于生成随机数;
所述2D模型生成单元被设置用于:根据所述车辆设计参数,从所述零件数据库中选取2D图像类;根据随机数从所选取的2D图像类中随机选取2D图像;以及借助GAN神经网络利用已存在的2D图像以及额外的模型生成参数,通过对抗学习生成新的车辆的2D模型。
可选地,所述模型参数获取单元包括键盘、麦克风、画板和摄像头中的一种或多种。
进一步地,所述3D模型生成模块包括深度估算单元和3D模型生成单元;
所述深度估算单元被设置成通过迁移学习,利用聚类算法估算2D模型的深度图;
所述3D模型生成单元被设置成利用所述2D模型和估算得到的深度图,生成所述3D模型。
更进一步地,所述深度估算单元包括RGB-D库,且被设置用于:
利用预训练的深度学习模型提取所述RGB-D库中图像的高层特征;
借助K均值聚类算法,利用所述高层特征将所述RGB-D库中的图像分成多个聚类;
根据与所述2D模型的相关性,从所述RGB-D库中寻找在光度上与所述2D模型相似的图像作为候选图像;
借助加权相关平均算法,利用所述候选图像的深度图估算得到所述2D模型的原始深度图;以及,
利用滤波器去除所述原始深度图中的深度变化,优化得到所述2D模型的深度图。
更进一步地,所述深度估算单元被设置成:
将所述RGB-D库中的图像分割成4*4的图块以生成新数据集,其中,保留有图像中呈现的物***置;
利用预训练的深度学习模型对所述新数据集进行特征提取,并且,所述RGB-D库中的图像i的特征矢量Fi由属于图像i的所有图块j的特征矢量Tij连接形成,Fi=[Ti1Ti2Ti3Ti4…Tin];
借助K均值聚类算法,利用提取得到的图像i的高层特征,对所述RGB-D库中的图像进行分类以生成多个聚类C[1]、C[2]、…、C[k],k为聚类的数量;
计算各个聚类C[i]的中心特征,其中, />为聚类C[i]中的第j个图像的特征矢量;
计算2D模型的特征Fquery与各个聚类i的中心特征Cavg[i]之间的相关系数Ccoef[i],将所述相关系数Ccoef[i]与第一预设值P1P1进行比较,并选择相关系数Ccoef[i]不小于第一预设值P1的聚类C[s],作为候选聚类;针对每个候选聚类C[s],计算2D模型的特征Fquery与候选聚类C[s]中各个图像i的特征FC[s][i]之间的相关系数Cval[s,i],将所述相关系数Cval[s,i]与第二预设值P2进行比较,并选择相关系数Cval[s,i]不小于第二预设值P2的图像作为候选图像;
对所述候选图像进行加权相关平均计算,估算得到所述2D模型的原始深度图Dprior,
其中,C val [i]为所述候选图像i的特征与2D模型的特征之间的相关系数,D cand [i]为所述候选图像i的深度图;以及,
利用边缘保持平滑滤波器对所述原始深度图Dprior进行优化,生成所述2D模型的深度图。
优选地,所述RGB-D库包括make3D数据集,所述深度学习模型为ResNet-50,所述第一预设值P1为0.8,所述第二预设值P2为0.6;并且,所述深度估算单元被设置成借助交叉双边滤波器去除原始深度图Dprior中的深度变化以生成所述2D模型的深度图。
进一步地,所述仿真模块包括车辆空气动力学仿真工具,用于对所述3D模型进行空气动力学仿真模拟计算,得到空气动力学性能数据。
进一步地,所述原型验证模块包括3D打印机,用于根据所述3D模型打印生成车辆的实体模型。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,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来获得其他的附图。
图1示出了根据本发明的基于人工智能的车辆三维设计装置的原理框架图。
具体实施方式
在下文中,本发明的示例性实施例将参照附图来详细描述。下面的实施例以举例的方式提供,以便充分传达本发明的精神给本发明所属领域的技术人员。因此,本发明不限于本文公开的实施例。
如图1所示,基于人工智能的车辆三维设计装置可以包括2D模型生成模块、3D模型生成模块、显示模块、仿真模块和原型验证模块。
2D模型生成模块包括模型参数获取单元、零件数据库、随机数发生单元和2D模型生成单元。
零件数据库包括多种车辆零件的2D图像,且每种车辆零件均具有多幅2D图像。
在本发明中,还可以对同一类车辆零件的多幅2D图像进行分类,且同一类型下具有多幅图像。
作为示例,可以根据车辆零件所属车辆型号、车辆零件的形状、车辆零件的设计者等特征对同一类车辆零件的2D图像进行分类,形成多个2D图像类。
模型参数获取单元用于允许用户输入车辆设计参数,其包括但不限于各车辆零件的期望形状类型、期望的设计者风格等。
作为示例,模型参数获取单元可以包括键盘、麦克风、画板和摄像头中的一种或多种,以允许用户以文字、语音、绘画等方式输入期望的设计参数。
2D模型生成单元用于根据由模型参数获取单元获取的车辆设计参数,针对各车辆零件从零件数据库中选择与车辆设计参数相匹配的2D图像类;根据随机数发生单元生成的随机数,从所选择的2D图像类中随机选取2D图像;以及,利用GAN神经网络,根据关于各车辆零件所选取的2D图像生成用于车辆的2D图像,作为其2D模型。
可选地,2D模型生成单元还可以将其生成的用于车辆的2D图像发送给显示模块,以展示给用户观看。因此,用户可以选择继续3D模型生成等后续步骤,或者选择重新生成2D模型。
3D模型生成模块用于基于2D模型生成单元生成的2D图像,生成车辆的3D模型。
本发明中,3D模型生成模块可以包括深度估算单元和3D模型生成单元。
深度估算单元用于通过迁移学习,利用聚类算法估算2D图像的深度图。
本发明的深度估算单元包括RGB-D库,例如make3D数据集,且被设置用于利用预训练的深度学***均算法,利用候选图像的深度图估算得到用于输入图像的原始深度图;最后,可以通过滤波器去除原始深度图中的深度变化,优化得到用于输入图像的深度图,以用于后续的3D模型生成。
具体而言,为估算2D图像的深度图,在深度估算单元中,可以先将RGB-D库中的彩色图像分割成4*4的图块,以保留图像中呈现的物***置,由此产生新的数据集。
然后利用预训练的深度学习模型对新产生的数据集进行特征提取。
作为示例,深度学习模型可以采用ResNet-50。
此时,RGB-D库中的图像i(i=1,…,N)的特征矢量Fi可以借助该图像i的各个图块j(j=1,…,n,n为图像i中的图块数量)的特征矢量Tij连接形成,即,Fi=[Ti1Ti2Ti3Ti4 …Tin]。
随后,借助K均值聚类算法,利用通过特征提取得到的各图像i的高层特征,对所有图像进行分类以生成多个聚类C[1]、C[2]、…、C[k](k为聚类的数量)。其中,相似的图像被分在同一聚类C中。
同时,还可以计算各个聚类C[i](i=1、…、k)的中心特征,其中, />为聚类C[i]中的第j个图像的特征矢量F,在此处,i=1、…、k(k为聚类数量),j为i=1、…、n(n为聚类C[i]所包含的图像数量)。
因此,可以计算输入图像(即查询图像)的特征Fquery与各聚类中心特征Cavg[i]之间的相关系数Ccoef,以从匹配度最佳的聚类中找到与输入图像结构类似的图像。为减少聚类数量k的影响,此处选择多个聚类图像作为候选图像。
具体而言,可以先根据聚类相关系数Ccoef[i]=Corr(Fquery,Cavg[i])找到与输入图像具有最佳匹配度的聚类,即候选聚类C[s],i取值为1至k。其中,可以将相关系数Ccoef[i]与第一预设值P1进行比较来确定具有最佳匹配度的聚类。例如,当第一预设值P1取值为0.8时,如果相关系数Ccoef[i]大于或等于0.8,则认为聚类C[i]与输入图像具有最佳的匹配度。
然后,可以根据Cval[s,i]=Corr(Fquery,FC[s][i])从候选聚类C[s]中的所有可用图像中选取与输入图像结构相似的图像。类似地,可以将相关系数Cval[s,i]与第二预设值P2进行比较来确定与输入图像结构相似的图像。例如,当第二预设值P2取值为0.6时,如果相关系数Cval[s,i]大于或等于0.6,则认为聚类C[s]中的第i个图像具有与输入图像相似的结构,聚类C[s]中的第i个图像则被选中为用于输入图像的候选图像。
在根据相关系数,从RGB-D库中获得多个候选图像之后,则可以通过对候选图像进行加权相关平均计算,从而估算得到输入图像的原始深度图Dprior:
其中,C val [i]为候选图像i的特征与输入图像的特征之间的相关系数,D cand [i]为候选图像i的深度图。
最后,还可以利用边缘保持平滑滤波器对原始深度图Dprior进行优化,生成最终的用于车辆的深度图。例如,可以借助交叉双边滤波器去除原始深度图Dprior中的深度变化来对其进行优化。
因此,3D模型生成单元可以利用深度估算单元估算针对2D模型生成的深度图,基于2D模型生成车辆的3D图,作为其3D模型。
3D模型生成单元还可以将其生成的3D模型发送给显示模块,以向用户进行展示,获得直观的视觉感受。
进一步地,3D模型生成单元同时还可以将3D模型发送给仿真模块,以进行仿真模拟计算。
作为示例,仿真模块可以包括车辆空气动力学仿真(CFD)工具,用于对车辆的3D模型进行空气动力学仿真模拟计算,得到其空气动力学性能数据。因此,允许用户根据空气动力学性能数据对车辆设计方案进行改善和定型。
进一步地,当用户基于仿真模块产生的空气动力学性能数据确定采用当前的3D模型时,3D模型生成单元可以将3D模型数据发送给原型验证模块,以生成车辆的实体模型。
原型验证模块可以包括3D打印机,用于利用3D模型生成单元生成的车辆3D模型数据,打印生成车辆的实体模型,以便允许快速地进行原型验证。
在本发明的基于人工智能的车辆三维设计装置中,允许根据用户提供的设计需求,基于人工智能的方式自动生成车辆的2D和3D模型,并能够自动且快速地开展性能仿真测试和原型验证步骤,使得车辆设计过程具有极高的效率,这对于车辆设计而言是极其有利的。其中,尤其是通过在3D模型生成模块引入独特的深度图生成算法,允许以较低的硬件要求,高的计算速度和效率利用2D模型生成相应的3D模型,从而改善车辆三维设计装置的整体性能。
尽管前面结合附图通过具体实施例对本发明进行了说明,但是,本领域技术人员容易认识到,上述实施例仅仅是示例性的,用于说明本发明的原理,其并不会对本发明的范围造成限制,本领域技术人员可以对上述实施例进行各种组合、修改和等同替换,而不脱离本发明的精神和范围。
Claims (6)
1.一种基于人工智能的车辆三维设计装置,其包括2D模型生成模块、3D模型生成模块、仿真模块和原型验证模块;
所述2D模型生成模块被设置用于根据用户输入的车辆设计参数,生成车辆的2D模型;
所述3D模型生成模块被设置用于根据所述2D模型,生成车辆的3D模型;
所述仿真模块被设置用于对所述3D模型进行仿真计算,生成空气动力学数据;
原型验证模块被设置用于利用所述3D模型,打印生成车辆的3D实体模型;
所述2D模型生成模块包括模型参数获取单元、零件数据库、随机数发生单元和2D模型生成单元;
所述零件数据库包括多种车辆零件的2D图像,其中,关于所述车辆零件中的每一种具有多幅2D图像,且同一车辆零件的2D图像被分成多个2D图像类;
所述模型参数获取单元被设置用于允许用户输入所述的车辆设计参数;
所述随机数发生单元被设置用于生成随机数;
所述2D模型生成单元被设置用于:根据所述车辆设计参数,从所述零件数据库中选取2D图像类;根据随机数从所选取的2D图像类中随机选取2D图像;以及,借助GAN神经网络利用所述2D图像生成车辆的2D模型;
所述3D模型生成模块包括深度估算单元和3D模型生成单元;
所述深度估算单元被设置成通过迁移学习,利用聚类算法估算2D模型的深度图;
所述3D模型生成单元被设置成利用所述2D模型和估算得到的深度图,生成所述3D模型;
所述深度估算单元包括RGB-D库,且被设置用于:
利用预训练的深度学习模型提取所述RGB-D库中图像的高层特征;
借助K均值聚类算法,利用所述高层特征将所述RGB-D库中的图像分成多个聚类;
根据与所述2D模型的相关性,从所述RGB-D库中寻找在光度上与所述2D模型相似的图像作为候选图像;
借助加权相关平均算法,利用所述候选图像的深度图估算得到所述2D模型的原始深度图;以及,
利用滤波器去除所述原始深度图中的深度变化,优化得到所述2D模型的深度图;
所述深度估算单元被设置成:
将所述RGB-D库中的图像分割成4*4的图块以生成新数据集,其中,保留有图像中呈现的物***置;
利用预训练的深度学习模型对所述新数据集进行特征提取,并且,所述RGB-D库中的图像i的特征矢量Fi由属于图像i的所有图块j的特征矢量Tij连接形成,Fi=[Ti1 Ti2 Ti3 Ti4... Tin];
借助K均值聚类算法,利用提取得到的图像i的高层特征,对所述RGB-D库中的图像进行分类以生成多个聚类C[1]、C[2]、...、C[k],k为聚类的数量;
计算各个聚类C[i]的中心特征其中,/>为聚类C[i]中的第j个图像的特征矢量;
计算2D模型的特征Fquery与各个聚类i的中心特征Cavg[i]之间的相关系数Ccoef[i],将所述相关系数Ccoef[i]与第一预设值进行比较,并选择相关系数Ccoef[i]不小于第一预设值的聚类C[s],作为候选聚类;针对每个候选聚类C[s],计算2D模型的特征Fquery与候选聚类C[s]中各个图像i的特征FC[s][i]之间的相关系数Cval[s,i],将所述相关系数Cval[s,i]与第二预设值进行比较,并选择相关系数Cval[s,i]不小于第二预设值的图像作为候选图像;
对所述候选图像进行加权相关平均计算,估算得到所述2D模型的原始深度图Dprior,
其中,Cval[i]为所述候选图像i的特征与2D模型的特征之间的相关系数,Dcand[i]为所述候选图像i的深度图;以及,
利用边缘保持平滑滤波器对所述原始深度图Dprior进行优化,生成所述2D模型的深度图。
2.如权利要求1所述的基于人工智能的车辆三维设计装置,其还包括显示模块,用于展示所述2D模型和3D模型。
3.如权利要求1所述的基于人工智能的车辆三维设计装置,其中,所述模型参数获取单元包括键盘、麦克风、画板和摄像头中的一种或多种。
4.如权利要求1所述的基于人工智能的车辆三维设计装置,其中,所述RGB-D库包括make3D数据集,所述深度学习模型为ResNet-50,所述第一预设值为0.8,所述第二预设值为0.6;并且,所述深度估算单元被设置成借助交叉双边滤波器去除原始深度图Dprior中的深度变化以生成所述2D模型的深度图。
5.如权利要求4所述的基于人工智能的车辆三维设计装置,其中,所述仿真模块包括车辆空气动力学仿真工具,用于对所述3D模型进行空气动力学仿真模拟计算,得到空气动力学性能数据。
6.如权利要求5所述的基于人工智能的车辆三维设计装置,其中,所述原型验证模块包括3D打印机,用于根据所述3D模型打印生成车辆的实体模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810073.1A CN115170739B (zh) | 2022-07-11 | 2022-07-11 | 基于人工智能的车辆三维设计装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810073.1A CN115170739B (zh) | 2022-07-11 | 2022-07-11 | 基于人工智能的车辆三维设计装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170739A CN115170739A (zh) | 2022-10-11 |
CN115170739B true CN115170739B (zh) | 2023-09-01 |
Family
ID=83492263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210810073.1A Active CN115170739B (zh) | 2022-07-11 | 2022-07-11 | 基于人工智能的车辆三维设计装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170739B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024420A (zh) * | 2013-01-17 | 2013-04-03 | 宁波工程学院 | 一种rgbd数据深度迁移的单幅图像2d转3d方法 |
KR20160084276A (ko) * | 2015-01-02 | 2016-07-13 | 주식회사 위트소프트 | Am 도면 환경에서의 3d 의장 모델링 장치 및 그것을 이용한 3d 의장 모델링 방법 |
CN108965852A (zh) * | 2018-08-14 | 2018-12-07 | 宁波工程学院 | 一种具有容错能力的半自动2d转3d的方法 |
CN113518996A (zh) * | 2019-01-22 | 2021-10-19 | 扉时公司 | 从多视图视觉数据进行损坏检测 |
CN114463491A (zh) * | 2022-01-05 | 2022-05-10 | 临在科技(上海)有限公司 | 基于二维cad或cam数据自动创建三维模型的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8803950B2 (en) * | 2009-08-24 | 2014-08-12 | Samsung Electronics Co., Ltd. | Three-dimensional face capturing apparatus and method and computer-readable medium thereof |
US10593125B2 (en) * | 2018-07-19 | 2020-03-17 | Ecole Polytechnique Fėdérale de Lausanne (EPFL) | 2D-3D sculpture paintings |
US11657525B2 (en) * | 2018-12-04 | 2023-05-23 | Yoti Holding Limited | Extracting information from images |
-
2022
- 2022-07-11 CN CN202210810073.1A patent/CN115170739B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024420A (zh) * | 2013-01-17 | 2013-04-03 | 宁波工程学院 | 一种rgbd数据深度迁移的单幅图像2d转3d方法 |
KR20160084276A (ko) * | 2015-01-02 | 2016-07-13 | 주식회사 위트소프트 | Am 도면 환경에서의 3d 의장 모델링 장치 및 그것을 이용한 3d 의장 모델링 방법 |
CN108965852A (zh) * | 2018-08-14 | 2018-12-07 | 宁波工程学院 | 一种具有容错能力的半自动2d转3d的方法 |
CN113518996A (zh) * | 2019-01-22 | 2021-10-19 | 扉时公司 | 从多视图视觉数据进行损坏检测 |
CN114463491A (zh) * | 2022-01-05 | 2022-05-10 | 临在科技(上海)有限公司 | 基于二维cad或cam数据自动创建三维模型的方法 |
Non-Patent Citations (1)
Title |
---|
Depth Transfer: Depth Extraction from Video Using Non-Parametric Sampling;Kevin Karsch,etc;《IEEE Transactions on Pattern Analysis and Machine Intelligence 》;2144 - 2158 * |
Also Published As
Publication number | Publication date |
---|---|
CN115170739A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891511B1 (en) | Human hairstyle generation method based on multi-feature retrieval and deformation | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
CN108319938A (zh) | 用于高性能人脸识别***的高质量训练数据准备*** | |
CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
CN108765383B (zh) | 基于深度迁移学习的视频描述方法 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN108875076B (zh) | 一种基于Attention机制和卷积神经网络的快速商标图像检索方法 | |
CN109740679B (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN111242841A (zh) | 一种基于语义分割和深度学习的图片背景风格迁移方法 | |
JP2017510927A (ja) | 基準画像に基づく顔画像検証方法、及び顔画像検証システム | |
CN110674685B (zh) | 一种基于边缘信息增强的人体解析分割模型及方法 | |
Yang et al. | Ranking 3D feature correspondences via consistency voting | |
KR20210033940A (ko) | 인간 안면 인식을 위하여 신경 네트워크를 트레이닝시키는 방법 | |
CN112084895A (zh) | 一种基于深度学习的行人重识别方法 | |
CN112364791A (zh) | 一种基于生成对抗网络的行人重识别方法和*** | |
CN113096169A (zh) | 一种非刚性多模医学图像的配准模型建立方法及其应用 | |
Qi et al. | A new method for visual stylometry on impressionist paintings | |
CN114863125A (zh) | 一种书法/美术作品智能评分方法及*** | |
CN109447147A (zh) | 基于双图稀疏的深度矩阵分解的图像聚类方法 | |
CN115170739B (zh) | 基于人工智能的车辆三维设计装置 | |
JP7006402B2 (ja) | クラスタリングプログラム、クラスタリング方法およびクラスタリング装置 |
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 |