[發明專利]用于輸出3D模型的變分自動編碼器

在審

• 申請號: 202110947164.5
• 申請日: 2021-08-18
• 公開（公告）號: CN114078169A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: N·貝爾特蘭
• 申請（專利權）人: 達索系統公司
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 劉文燦

1.一種計算機實現的機器學習方法，包括：

-為神經網絡提供變分自動編碼器(VAE)架構，所述神經網絡被配置為：將2D草圖和隨機變量作為輸入，并且輸出由所述2D草圖表示的3D模型；以及

-學習所述神經網絡。

2.如權利要求1所述的機器學習方法，其中，所述神經網絡包括：

-第一部分，其被配置為：將所述2D草圖和所述隨機變量作為輸入，并且提供相應的輸出，以及

-第二部分，其被配置為：將所述第一部分的所述相應的輸出作為輸入，并且輸出所述3D模型。

3.如權利要求2所述的機器學習方法，其中，所述第一部分包括：

-第一子部分，其被配置為：將所述2D草圖作為輸入，并且輸出第一潛在向量，以及

-第二子部分，其被配置為：取得所述第一潛在向量和所述隨機變量，并且用所述隨機變量將所述第一潛在向量重新參數化為第二潛在向量。

4.如權利要求3所述的機器學習方法，其中，所述第二子部分被配置為執行以下操作：

輸出＝μ+δ*ε

其中：

■輸出表示所述第二潛在向量，

■ε表示所述隨機變量，

■μ表示所述第二潛在向量的條件均值，并且

■δ表示所述第二潛在向量的條件標準差。

5.如權利要求4所述的機器學習方法，其中：

-所述隨機變量遵循符合由均值和標準差定義的定律(N(.,.))的概率分布，所述隨機變量具有針對所述均值的相應值(0)和針對所述標準差的相應值(1)，并且

-所述學習包括優化包括損失的目標函數，所述損失懲罰以下兩項之間的差異：

■符合由μ和δ定義的所述定律的概率分布(N(μ,δ))，以及

■符合這樣的定律的概率分布(N(0,1))：所述定律是由所述隨機變量的針對所述均值的所述相應值以及所述隨機變量的針對所述標準差的所述相應值定義的。

6.如權利要求1至5中任一項所述的機器學習方法，其中，所述3D模型由截面和擠出定義，所述截面由位置參數的列表定義，并且所述神經網絡包括被配置為輸出所述列表的值的循環神經網絡(RNN)。

7.如權利要求6所述的機器學習方法，其中，所述神經網絡還被配置為：基于所述RNN的最終狀態，輸出所述擠出的值。

8.如權利要求7所述的機器學習方法，其中，所述截面進一步由表示所述截面的類型的數字定義，所述神經網絡進一步被配置為輸出表示所述數字的概率分布的向量，并且可選地，輸出所述擠出和/或所述位置參數的列表的值進一步基于表示所述概率分布的所述向量。

9.如權利要求1至8中任一項所述的機器學習方法，其中，所述3D模型是由參數集合定義的參數化3D模型，所述參數集合由一個或多個參數的第一子集和一個或多個參數的第二子集組成，并且所述神經網絡被配置為選擇性地：

-輸出所述集合的值，以及

-將來自用戶的所述第一子集的值作為輸入，并且輸出所述第二子集的值。

10.如權利要求9所述的機器學習方法，其中，所述架構包括向量，

-為了選擇性地輸出所述集合的值，所述神經網絡被配置為：產生所述向量的第一值，所述第一值表示所述第一子集的概率分布，輸出與表示所述概率分布的所述向量的argmax相對應的所述第一子集的值，并且進一步基于所述向量的所述第一值來輸出所述第二子集的值；

-為了選擇性地將來自所述用戶的所述第一子集的值作為輸入并且輸出所述第二子集的值，所述神經網絡被配置為：產生所述向量的第二值，對于與所述第一子集的值相對應的坐標所述第二值的值為1，并且對于所有其他坐標其值為0，所述神經網絡被配置為基于所述向量的第二值輸出所述第二子集的值。