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！

龙图腾网获悉南京邮电大学申请的专利基于能量损失不确定性投票的神经辐射场优化方法及设备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：CN119559334B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411772815.1，技术领域涉及：G06T17/00；该发明授权基于能量损失不确定性投票的神经辐射场优化方法及设备是由许建;王淼;徐瑄晨;陈蕾设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本基于能量损失不确定性投票的神经辐射场优化方法及设备在说明书摘要公布了：本发明的一种基于能量损失不确定性投票的神经辐射场优化方法及设备，包括获取训练和测试神经辐射场所需的数据集；将ActiveNeRF训练所使用的NLL函数改为能量损失函数并使用了更加合理的正则项；使用能量损失训练模型；搭建多头注意力网络模型；获取训练多头注意力网络模型的数据集；训练多头注意力网路模型；使用训练好的注意力网络模型对测试位姿下噪声较大的采样点颜色值进行替换，提升最终渲染效果。本发明通过贝叶斯方法建模数据不确定性并使用能量损失进行训练，缓解了负对数似然损失会产生过大的方差而不管预测均值正确与否，损害模型训练的问题。在此基础上，本发明进一步将数据不确定性融入到了多头注意力网络模块中，提高最终的渲染质量。

本发明授权基于能量损失不确定性投票的神经辐射场优化方法及设备在权利要求书中公布了：1.一种基于能量损失不确定性投票的神经辐射场优化方法，其特征在于，包括以下步骤： 步骤1，获取某个三维场景下不同视角的图像数据集以及对应的相机位姿，并将数据集分为训练数据集和测试数据集； 步骤2，在ActiveNeRF基础上将训练所使用的NLL函数改为能量损失函数； 步骤3，搭建训练所需要的GPU环境，加载参数配置文件以及ActiveNeRF中所使用的模型，并使用能量损失函数在训练集上进行训练； 步骤4，训练完毕后，得到一个不确定性感知的NeRF网络模型，对于空间中的任意一点，所述NeRF网络模型都能输出对应的颜色值以及数据不确定性； 步骤5，基于步骤4训练一个多头注意力网络模型，其输出结果用于替换空间中数据噪声较大的采样点的颜色值，以提高渲染质量； 步骤6，使用步骤5中训练好的注意力网络模型对测试位姿下噪声较大的采样点的颜色值进行替换，提升最终的渲染效果； 步骤2中，包括以下内容： ActiveNeRF将光线上的某个采样点的颜色值建模为高斯分布，即，其中表示预测的颜色值，方差表示对应的数据不确定性； 在原始NeRF所使用的MLP网络模型上多增加了一个输出头，用于输出方差值，因此给定空间中某个点的位置信息和方向信息，网络模型最终输出一个五维向量，分别表示预测的颜色值、体密度以及不确定性； 则根据体密度公式： 其中表示采样点的个数，表示采样点与采样点之间的欧式距离；可知光线的颜色也服从高斯分布，即: 2则给定光线的真实颜色，ActiveNeRF采用NLL进行优化训练，损失如下： 其中表示光线集合，表示集合中元素数量，为正则项，用于约束体密度，防止过大产生伪影，为超参数，为光线上采样点个数； 由于粗网络的功能是用于获取权重进行更好地细采样，因此ActiveNeRF只对细网络模型输出的颜色值进行高斯分布建模，保持粗网络的功能不变，因此对于粗网络合成的颜色值和细网络合成的颜色值，ActiveNeRF最终使用的损失如下： 4 ； 使用能量损失函数ES来替换NLL来训练细致网络，做法如下： 对于公式2中的光线颜色的分布独立采样出M个点，记为，则给定光线真实颜色，能量损失表示为：  ； 此外，还包括首先对网络输出的光线上的个采样点的体密度值放缩到0,1]之间，即： 6其中操作只用于放缩，不参与训练，因此不携带梯度；然后使用作为对体密度的正则项，该正则项鼓励小于0.5的趋于0，大于0.5的趋于1，因此最终关于光线的能量损失表示为： 则给定光线集合，最终的损失表示为粗网络对应的MSE损失加上细网络的能量损失，即： ； 步骤5包括以下步骤，步骤5.1：准备训练多头注意力网络的训练集； 步骤5.2：搭建多头注意力网络模型用于替补光线上数据不确定性较大的采样点颜色值； 步骤5.3：构建训练多头注意力网络模型所需要的损失函数并进行训练。

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南京邮电大学，其通讯地址为：210000 江苏省南京市栖霞区文苑路9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。