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！

龙图腾网获悉杭州第二人生科技有限公司申请的专利一种基于生成对抗网络的单张照片生成可打印3D模型方法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：CN120298208B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202510780326.9，技术领域涉及：G06T3/08；该发明授权一种基于生成对抗网络的单张照片生成可打印3D模型方法是由陈宇凌;周光磊;简丽娜;杜冉设计研发完成，并于2025-06-12向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的单张照片生成可打印3D模型方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的单张照片生成可打印3D模型方法，包括如下步骤：S1、获取单张输入图像，对输入图像进行预处理；S2、将预处理后的图像输入编码器，提取多尺度特征，输出深度特征表示；S3、条件生成对抗网络生成3D模型，通过对比优化3D模型质量；S4、隐式神经表示网络多尺度细化3D模型，转换为连续函数表示；S5、改进的条件扩散反演模块优化3D模型，结合多尺度离散小波变换和渲染反馈校正；S6、端到端联合训练系统优化特征提取、3D模型生成与细化处理过程；S7、对3D模型进行后处理，输出满足打印要求的3D模型。本发明通过融合生成对抗网络和隐式神经表示技术，实现了从单张照片快速生成细节丰富、适合3D打印的高精度3D模型。

本发明授权一种基于生成对抗网络的单张照片生成可打印3D模型方法在权利要求书中公布了：1.一种基于生成对抗网络的单张照片生成可打印3D模型方法，其特征在于，包括如下步骤： S1、获取目标对象的单张输入图像，对输入图像进行预处理； S2、将预处理后的图像输入编码器，提取预处理后的图像的多尺度特征，输出深度特征表示； S3、将深度特征表示输入条件生成对抗网络，生成器根据深度特征表示生成3D模型，判别器通过对比生成模型与真实模型，反馈指导生成器优化3D模型质量； S4、将3D模型输入隐式神经表示网络，利用符号距离函数的隐式表示方法，将3D模型数据转换为连续函数表示，通过隐式神经表示网络对3D模型进行多尺度细化处理； S5、将细化后的3D模型输入改进的条件扩散反演模块，结合多尺度离散小波变换与可微分渲染反馈校正技术，对3D模型的全局结构和局部细节进行优化； S6、构建端到端联合训练系统，优化特征提取、3D模型生成与细化处理过程； S7、对优化完成的3D模型进行网格平滑、拓扑修正、格式转换，生成符合3D打印机标准的文件格式，并进行打印路径规划，最终输出满足打印要求的3D模型； 所述S3包括以下步骤： S31、将输出的深度特征表示与自适应噪声向量分别经过线性变换后进行融合，计算融合条件向量： ； 其中，为噪声向量的可学习变换矩阵，表示逐元素乘法，为平滑参数，与分别为指数函数与对数函数； S32、将融合条件向量输入层次化解码网络，采用多尺度上采样与残差连接模块生成3D模型： ； 其中，为解码网络中残差模块的层数，为第层上采样卷积核，表示第层残差模块对融合条件向量的处理输出，为第层残差连接中的融合系数，表示卷积运算； S33、对生成的3D模型进行自适应归一化处理，得到归一化模型： ； 其中，为3D模型的均值，为方差，为防止除零的小正数，表示对3D模型进行局部区域平均池化的结果，与为平衡各部分贡献的调节系数，表示Frobenius范数； S34、将归一化模型与真实3D模型分别输入判别器，计算基于混合梯度差异的对抗损失，判别器捕捉归一化模型与真实3D模型在局部纹理、边缘和结构梯度信息上的差异，并将差异反馈给生成器，指导生成器不断改进3D模型质量： ； 其中，和为平衡系数，为真实3D模型，为双曲正切函数，为空间梯度运算符，表示取元素绝对值之和； S35、采用交替优化策略，对生成器和判别器的参数进行联合更新，输出3D模型； 所述S4包括以下步骤： S41、从生成的3D模型中，通过均匀采样方法提取出三维点集合： ； 其中，表示采样点的数量，表示三维实数空间，表示第i个采样点，i为采样点的索引； S42、初始化隐式神经表示网络，隐式神经表示网络接受三维坐标作为输入并输出对应的符号距离； S43、对每个采样点，利用隐式网络计算预测的符号距离； S44、定义多尺度细化损失函数为各尺度下预测符号距离与目标距离之间误差的加权平均： ； 其中，表示尺度数量，为第个尺度的权重系数，表示依据初步3D模型在尺度下计算得到的目标距离； S45、采用梯度下降法最小化多尺度细化损失函数，优化隐式神经表示网络的参数，并通过提取隐式函数的零水平集构建出细化后的3D模型： ； 其中，表示细化后的3D模型，表示符号距离在点的梯度，表示梯度的2-范数，表示拉普拉斯算子，为梯度正则化系数，为拉普拉斯正则化系数； 所述S5包括以下步骤： S51、将细化后的3D模型输入至改进的条件扩散反演模块，采用多步逆扩散更新公式对模型噪声进行校正，并对局部结构进行自适应调整，生成中间扩散模型； S52、对细化后的3D模型应用多尺度离散小波变换，提取频域细节特征，并利用自适应频率门控机制进行调制： ； 其中，表示离散小波变换算子，为傅里叶变换，为Sigmoid函数，为频率调制系数，表示逐元素乘法； S53、构造跨域融合模块，将中间扩散模型与频域细节特征进行融合，生成融合模型： ； 其中，表示通过图卷积网络从频域细节特征中提取的拓扑特征，与为融合权重系数，为余弦函数，表示Frobenius范数； S54、将融合模型输入至可微分渲染反馈校正模块，可微分渲染反馈校正模块利用可微分渲染器对融合模型生成多视角渲染图像，并与输入图像的视角特征进行比对，计算形变校正参数： ； 其中，为视角数量，表示第视角下输入图像的特征表示，表示第视角下由融合模型渲染得到的图像，为校正函数模块，为校正系数，为校正后的3D模型； S55、采用交替迭代优化策略，对改进的条件扩散反演模块、多尺度离散小波变换模块、跨域融合模块以及可微分渲染反馈校正模块进行联合更新，直至各模块输出指标稳定收敛，最终输出优化后的3D模型； 所述S51包括以下步骤： S511、将细化后的3D模型进行归一化处理，得到归一化模型； S512、在归一化模型上采用噪声估计机制，通过噪声预测网络计算噪声校正项，并引入自适应权重调节因子对噪声进行调制： ； 其中，为第时间步的扩散系数，为扩散系数的累积乘积，为噪声预测网络在时间步对归一化模型的噪声估计，表示噪声校正项，为指数函数，为调节参数，为局部结构一致性指标，表示局部结构一致性指标的Frobenius范数； S513、对归一化模型进行局部结构分析，采用自相关运算结合二阶导数信息提取局部结构一致性指标，并计算局部结构调整项： ； 其中，为谱范数，表示Hessian范数，、与为调节参数，为对数函数，为局部结构调整项； S514、融合噪声校正项与局部结构调整项对归一化模型进行多步逆扩散更新，生成临时中间扩散模型： ； 其中，表示逐元素乘法，为交互调制系数； S515、将临时中间扩散模型作为最终中间扩散模型输出，生成中间扩散模型。

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杭州第二人生科技有限公司，其通讯地址为：310016 浙江省杭州市上城区钱江路509号杭港科技大厦1151室；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”。