基于生成网络的创意生成物求解器及其应用制造技术

技术编号:32162914 阅读:14 留言:0更新日期:2022-02-08 15:16
本发明专利技术提出了一种基于生成网络的创意生成物求解器,包括:数据预处理模块,其用于输入仿生对象和设计目标所代表的三维形状数据集,通过基于设计目标和基于性能的数据增强来扩充数据集,经过mesh2voxel与SDF采样器得到模型训练所需要的三维模型的符号距离场;深度生成模型,其包括隐式自动编码器、创意生成物求解器;所述隐式自动编码器包括编码器3DCNN和解码器IM

【技术实现步骤摘要】
基于生成网络的创意生成物求解器及其应用


[0001]本专利技术属于机器学习及智能
,涉及一种基于生成网络的创意生成物求解器及其应用。

技术介绍

[0002]仿生学是模仿生物系统的原理来建造技术系统,或者使人造技术系统具有或类似于生物系统特征的科学。仿生学的主要研究方法主要是提出理论模型,通过数学仿真实现仿生原理到功能的实现。仿生设计(Bionics Design)就是模拟大自然及生物系统的结构、功能、形态、色彩等特征,进行创造性的设计。仿生设计从人的心理需求出发,以设计师个人的仿生理念为寄托,创造出充满生物情趣和自然形态的设计产品,又反过来服务于人类,从而完成了一个自然状态的从人到人的循环。创意仿生产品设计以模仿自然或受自然和生物的启发而进行。设计师在对自然物特征的观察和提炼的基础上,通过联想、夸张和简化等创意形态设计手法,结合设计对象、产品使用场景等因素形成设计方案,再经过适合生产制造技术需求的深化设计,才能完成产品设计过程。依据仿生学应用的方式的不同,仿生设计主要分为产品的形态仿生、功能仿生、结构仿生色彩仿生、肌理仿生等。形态仿生在现代产品造型设计中被广泛应用,如生活日用品、小家电、家具、交通工具等。当今设计师已经把产品造型创新方向投向仿生设计领域。
[0003]杰出而富有创意的仿生产品设计和设计师自身才华有关,具有偶然性和不确定性,如柯拉尼的仿生产品设计。为了更多地产生优秀的创意仿生设计,多年来学界和业界一直在尝试借助计算机技术探索仿生形态创意设计的规律。在将深度生成模型应用在产品形态仿生设计之前,学界有通过进化设计,建立造型数据库与抽取规则,运用进化算法定义适应度和产品特征模型,通过对仿生对象轮廓特征要素的提取,产生产品轮廓上的多样化设计方案。最近的研究尝试运用深度学习技术来自动合成仿生产品的造型轮廓。特别是Simiao Yu等首次将生成对抗网络等深度生成模型应用于产品外形的仿生设计,他们从深度学习的角度将仿生设计问题进行了数学定义,从而设计出一套深度生成模型来形成产品外形轮廓的仿生设计。
[0004]自编码器和生成对抗网络(GAN)组合的深度生成模型,在平面图像生成、修复以及风格迁移等领域已经展现出了独特优势和巨大潜力。在三维设计方面,2016年麻省理工大学wu等人提出了将生成对抗网络应用在三维形状生成方面的具体方法,训练完成的模型可以将一张椅子的照片进行还原重建为一个椅子的三维模型。使用的是基于体素化的3D数据模型,首次提出三维形状表示中的隐向量空间的概念。Panos等人应用自编码器以及中间的隐生成对抗网络(LatentGAN)完成了三维点云数据的嵌入与表示。利用自编码器直接基于三维数据集训练出一个隐向量空间,然后利用欧式空间与三维形状之间的双射,完成一系列三维生成任务,而中间LatentGAN的存在保证了生成结果的多样性。chen等人用隐式的方法优化深度生成模型LatentGAN的3D模型拟合的效果,使得基于插值生成的三维模型的效果更加连续平滑[11],并且重新使用体素的三维数据,并通过MarchingCube算法来将体素
[0016]潜在生成对抗网络
[0017]生成器
[0018]层激活函数输出形状输入隐向量 (128)全连接LReLU(2048)全连接LReLU(2048)全连接Sigmoid(128)
[0019]判别器
[0020]层激活函数输出形状输入隐向量 (128)全连接LReLU(2048)全连接LReLU(2048)全连接 (1)
[0021]基于以上系统,本专利技术还提出了一种基于生成网络的创意生成物求解器在三维仿生生成物生成中的应用,包括以下步骤:
[0022]步骤1:建立训练集;
[0023]步骤2:建立深度生成模型,并通过所述训练集对所述深度生成模型进行训练;所述深度生成模型包括隐式自动编码器和隐向量生成模型;所述隐式自动编码器包括编码器3DCNN和解码器IM

Decoder;所述隐向量生成模型采用创意生成物求解器;
[0024]步骤3:使用所述深度生成模型生成三维仿生生成物。
[0025]步骤4:将所述三维仿生生成物经过与设计师协同的后处理,得到三维仿生设计。
[0026]本专利技术所述步骤1包括:构建3D文件格式到体素模型格式的识别转换路径,具体包括如下步骤:
[0027]步骤1.1:三维网格的.obj文件用binvox体素化,转化为.binvox文件;
[0028]步骤1.2:体素化后的文件用泛洪填充得到点值对,相当于等值面的离散采样;
[0029]步骤1.3:用隐式自动编码器中的编码器学习三维体素到128维隐向量的映射,并且解码器学习128维隐向量加上三维体素位置到该体素的符号距离场的映射;符号距离场通过marching cube算法得到三维网格数据;符号距离场通过阈值化得到体素数据。
[0030]本专利技术步骤1中进一步包括:训练集增强步骤,其包括基于设计目标数据增强与基于性能数据增强,将训练集总量从113+6000提升到20k多。
[0031]所述基于设计目标数据增强包括:以设计为导向的数据增强侧重于将设计知识转移到数据集的准备中,以满足设计要求。例如,在设计师的设计过程中,方向的因素也算在内。在评估了现有的仿生产品和头脑风暴之后,考虑了多个方向的生成性设计使本专利技术能够探索更多的可能性。考虑到目标产品的对称性以及多样性和效率之间的权衡,本专利技术选择了将仿生对象数据集施加七个方向的旋转变换来实现多样化的混合结果。
[0032]所述基于性能数据增强包括:面向性能的数据增强旨在提高深度生成模型的性能。生成器受到不平衡的训练数据的影响,特别是只有数百个动物数据集。非刚性变形,如拉伸变换,是缓解这一问题的有效方法。本专利技术在三个正交轴上拉伸训练数据集,其程度从0.25到2。
[0033]本专利技术步骤1中进一步包括:提高生成的体素文件分辨率从16^3到32^3到64^3。
[0034]其包括:模型生成符号距离场(sdf),通过对sdf采样密度控制,允许生成任意分辨率的体素。但是网络拟合的细节程度取决于用到的体素文件分辨率大小。
[0035]训练的时候采用渐进式训练,先在16^3的分辨率体素文件训练100轮,然后在32^3的分辨率体素文件训练200轮,最后在64^3的分辨率的体素文件训练1000轮。可以在训练过程中终止训练来控制生成多尺度细节的三维模型。
[0036]本专利技术中,所述深度生成模型包括隐式自动编码器和隐向量生成模型;所述隐式自动编码器包括编码器3DCNN和解码器IM

Decoder;所述隐向量生成模型采用创意生成物求解器。
[0037]所述IM

Decoder相比传统的基于卷积神经网络的解码器相比,能够使得隐向量空间与生成的三维体素更加连续,从而得到更连续的插值效果。
[0038]IM

Decoder模型的损失函数依赖于采样方式,其中本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于生成网络的创意生成物求解器,其特征在于,包括:数据预处理模块,其用于输入仿生对象和设计目标所代表的三维形状数据集,通过基于设计目标和基于性能的数据增强来扩充数据集,经过mesh2voxel与SDF采样器得到模型训练所需要的三维模型的符号距离场;深度生成模型,其包括隐式自动编码器、创意生成物求解器;所述隐式自动编码器包括编码器3DCNN和解码器IM

Decoder;样本向量存储库,其用于存储隐向量点集,存储库中的隐向量通过隐式解码器得到三维仿生生成物。2.如权利要求1所述的基于生成网络的创意生成物求解器,其特征在于,进一步包括:后处理模块,其用于将所述三维仿生生成物经过后处理得到三维仿生设计。3.如权利要求1所述的基于生成网络的创意生成物求解器,其特征在于,所述隐式自动编码器用于拟合三维模型的符号距离场,进行第一阶段的训练;为了得到满足设计要求且高保真的生成物,需要在隐空间中搜索合适的隐向量点集;隐向量点集通过创意生成物求解器得到;其中,待训练模型在一阶段的编解码网络训练完成后进行第二阶段训练来得到可调用的隐向量生成模型。4.一种采用如权利要求1

3之任一项所述的基于生成网络的创意生成物求解器在三维仿生生成物生成中的应用,其特征在于,包括以下步骤:步骤1:建立训练集;步骤2:建立深度生成模型,并通过所述训练集对所述深度生成模型进行训练;所述深度生成模型包括隐式自动编码器和隐向量生成模型;所述隐式自动编码器包括编码器3DCNN和解码器IM

Decoder;所述隐向量生成模型采用创意生成物求解器;步骤3:使用所述深度生成模型生成三维仿生生成物。5.如权利要求4所述的应用,其特征在于,进一步包括步骤4:将所述三维仿生生成物经过与设计师协同的后处理,得到三维仿生设计。6.如权利要求4所述的应用,其特征在于,所述步骤1包括:构建3D文件格式到体素模型格式的识别转换路径,具体包括如下步骤:步骤1.1:三维网格的.obj文件用binvox体素化,转化为.binvox文件;步骤1.2:体素化后的文件用泛洪填充得到点值对,相当于等值面的离散采样;步骤1.3:用隐式自动编码器中的3DCNN编码器学习三维体素到128维隐向量的映射,并且解码器学习128维隐向量加上三维体素位置到该体素的符号距离场的映射符号距离场通过marchingcube算法得到三维网格数据;符号距离场通过阈值化得到体素数据;和/或,所述步骤1中进一步包括:训练集增强步骤,其包...

【专利技术属性】
技术研发人员:毛溪梁天一
申请(专利权)人:华东师范大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1