Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 浙江大学李玺获国家专利权

浙江大学李玺获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉浙江大学申请的专利基于点云深度扩散的三维高斯城市场景重建方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120070757B

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510148634.X,技术领域涉及:G06T17/00;该发明授权基于点云深度扩散的三维高斯城市场景重建方法及系统是由李玺;肖泽康;卢烨昊;黎睿翔设计研发完成,并于2025-02-11向国家知识产权局提交的专利申请。

基于点云深度扩散的三维高斯城市场景重建方法及系统在说明书摘要公布了:本发明公开了一种基于点云深度扩散的三维高斯城市场景重建方法及系统。该方法包括如下步骤:获取用于重建场景模型的目标场景带有标注的数据集;使用深度扩散方法对数据集中的激光雷达点云数据进行处理,得到密集点云和密集深度图;使用体素选择方法选择适当数量的密集点云作为三维高斯的初始化位置;在对三维高斯模型进行训练时,使用密集深度图进行深度监督,并额外添加一个密集深度损失函数和作用于整体损失函数的损失系数;经过训练,得到训练好的显式城市场景三维高斯模型。本发明充分考虑了三维高斯城市场景重建任务的特性,并适应该特性,提出更合适的初始化方法和深度监督方式,能够获得更好的场景建模效果。

本发明授权基于点云深度扩散的三维高斯城市场景重建方法及系统在权利要求书中公布了:1.一种基于点云深度扩散的三维高斯城市场景重建方法,其特征在于,包括以下步骤: S1、获取用于重建场景模型的目标场景的训练数据集,所述训练数据集中带有目标场景时空连续的图像序列、相应的相机参数以及激光雷达点云和SfM点云数据; S2、将稀疏激光雷达点云投影至图像序列中每张图像的图像空间,遍历图像空间将其中的每个像素逐个作为目标像素,选取每个目标像素附近最邻近的多个点云的深度,根据每个点云与目标像素的距离计算权重,从而将选取的多个点云的深度按照计算的权重加权求和得到目标像素的深度值,遍历完图像空间中所有像素后得到图像对应的密集深度图,通过相机位姿参数将密集深度图投影到世界坐标系从而得到深度点云; S3、使用体素选择方法对所述深度点云进行均匀采样,将采样点云以及所述数据集中的SfM点云、激光雷达点云共同构成密集点云并加入所述训练数据集中作为三维高斯的初始化位置,以平衡建模速度和建模质量; S4、使用所述训练数据集训练三维高斯模型,训练过程中在深度渲染结果上额外添加一个密集深度损失函数,以图像重建损失、SSIM损失和密集深度损失的加权和乘以损失系数后作为最终损失,输入密集深度图并基于所述最终损失对三维高斯模型进行监督优化,提升三维高斯模型对场景的建模质量; S5、对训练完成的三维高斯模型进行可视化,得到显式建模结果; 所述步骤S2中,针对图像序列中每张图像得到密集深度图和深度点云的具体步骤如下: S21、将包含个点的稀疏激光雷达点云从世界坐标系投影到图像坐标系得到点集,其中表示第i个点投影得到的图像坐标系下的像素坐标,表示第i个点投影后对应的深度; S22、针对图像序列中当前图像上每一个像素,通过top-k算法从点集中选择图像坐标系下最邻近该像素的k个激光雷达深度点,同时需保证对于任意一个选择的激光雷达深度点和任意一个未被选择的激光雷达深度点,满足: ; 其中表示欧式距离,,,表示对于的补集; S23、对于距离像素不同距离的每个激光雷达深度点,利用下式计算对应的权重: ; ; 其中是一个常量; 对所有的权重进行归一化得到每个最终的权重,用于对k个激光雷达深度点的深度进行加权求和,作为密集深度图中每个像素的扩散深度: ; S24、将密集深度图通过相机内参矩阵和相机外参投影回世界坐标系,得到当前图像对应的深度点云; 所述步骤S4中所述最终损失的计算步骤如下: S41、将每一轮训练迭代中的三维高斯模型通过相机外参投影到相机坐标系下,得到当前迭代轮次的渲染深度,其中H代表图像的像素高度,W代表图像的像素宽度; S42、通过下式计算图像的密集深度损失: ; 其中是图像像素坐标,表示L1范数; S43、记录训练数据集中每一张图像的密集深度损失,得到密集深度损失向量,其中表示训练集中图像数量;对密集深度损失向量进行归一化后得到损失系数: ; 其中和是两个控制常量,表示Sigmoid归一化操作; S44、对训练数据集中第i张图像计算图像重建损失、SSIM损失,然后与步骤S42中的密集深度损失共同构成整体损失,同时将损失系数中第i个元素作用于整体损失上,得到训练数据集中第i张图像的最终损失: ; 其中和为可调整的权重超参数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人浙江大学,其通讯地址为:310058 浙江省杭州市西湖区余杭塘路866号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。