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！

龙图腾网获悉南京大学申请的专利一种通用可控的基于空间感知的辐射场增强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：CN119399346B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411537195.3，技术领域涉及：G06T15/08；该发明授权一种通用可控的基于空间感知的辐射场增强方法是由郭延文;黄薇;朱嘉琦;白海洋;过洁设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种通用可控的基于空间感知的辐射场增强方法在说明书摘要公布了：本发明提出了一种通用可控的基于空间感知的辐射场增强方法，包括：步骤1，获取训练数据；步骤2，根据训练数据生成光线与采样点；步骤3，构建神经辐射场混合模型；步骤4，将采样点的坐标和所述光线的方向输入步骤3中构建的所述神经辐射场混合模型中，计算每个采样点的体密度与颜色；步骤5，计算每条光线对应的像素的RGB颜色值；步骤6，根据每个采样点的体密度与颜色，以及每条光线对应的RGB颜色值，训练步骤3中构建的所述神经辐射场混合模型，得到训练好的神经辐射场混合模型；步骤7，使用训练好的神经辐射场混合模型，根据新视角的相机位姿，渲染该视角下的二维图片，完成通用可控的基于空间感知的辐射场增强。

本发明授权一种通用可控的基于空间感知的辐射场增强方法在权利要求书中公布了：1.一种通用可控的基于空间感知的辐射场增强方法，其特征在于，包括如下步骤： 步骤1，获取训练数据； 步骤2，根据所述训练数据，生成光线与采样点； 步骤3，构建神经辐射场混合模型； 步骤4，将所述采样点的坐标和所述光线的方向输入步骤3中构建的所述神经辐射场混合模型中，计算每个采样点的体密度与颜色； 步骤5，计算每条光线对应的像素的RGB颜色值； 步骤6，根据步骤4和步骤5获得的每个采样点的体密度与颜色，以及每条光线对应的RGB颜色值，训练步骤3中构建的所述神经辐射场混合模型，得到训练好的神经辐射场混合模型； 步骤7，使用训练好的神经辐射场混合模型，根据新视角的相机位姿，渲染该视角下的二维图片，完成通用可控的基于空间感知的辐射场增强； 其中，步骤3中所述的构建神经辐射场混合模型，包括如下步骤： 步骤3-1，构建神经辐射场混合模型下两种粒度的模型，分别是粗模型和细模型；其中，所述的粗模型，包括：采样点坐标特征编码器、方向向量特征编码器、体密度解码器和颜色解码器；粗模型的输出是采样点的体密度σcoarse和颜色ccoarse； 所述的细模型，包括：采样点坐标特征编码器、方向向量特征编码器、体密度解码器、颜色解码器和混合模块；其中，所述混合模块包括：跨光线跨采样点混合模块和同光线跨采样点混合模块；细模型的输出是采样点的体密度特征Fσ、颜色特征Fc、体密度σfine、颜色cfine、跨光线跨采样点混合后的体密度σinter_mixed、跨光线跨采样点混合后的颜色cinter_mixed、跨光线与同光线均混合后的体密度σintra_inter_mixed和跨光线与同光线均混合后的颜色cintra_inter_mixed； 步骤3-2，构建辐射场混合模型中的跨光线跨采样点混合模块； 步骤3-3，构建辐射场混合模型中的同光线跨采样点混合模块； 步骤3-1中所述的采样点坐标特征编码器，由八层卷积核为1*1的二维卷积层组成，对输入的采样点坐标特征进行编码得到体密度特征； 所述的体密度解码器，由一层卷积核为1*1的二维卷积层组成，对体密度特征进行解码，得到每个采样点的体密度； 所述的方向向量特征编码器，由一层卷积核为1*1的二维卷积层组成，将体密度特征与输入的方向向量特征进行拼接后，使用方向向量特征编码器进行再次编码得到颜色特征； 所述的颜色解码器，由一层卷积核为1*1的二维卷积层组成，对颜色特征进行解码，得到每个采样点的颜色； 步骤3-2中所述的跨光线跨采样点混合模块，由体密度混合子网络与颜色混色子网络构成，其中每个子网络均由两层卷积核为k*k的二维卷积层组成； 跨光线跨采样点混合模块用于预测不同光线上与每个采样点在相同深度上的相邻采样点对该采样点的体密度权重与颜色权重，得到每个采样点经过跨光线跨采样点混合后的体密度σinter_mixed和跨光线跨采样点混合后的颜色cinter_mixed，具体预测方法如下： 步骤3-2-1，将所述采样点在细模型中得到的体密度特征Fσ输入所述体密度混合子网络中，预测得到不同光线上与该采样点在相同深度上的相邻采样点对该采样点的体密度权重W_interσ，对所述体密度σfine进行加权求和，得到跨光线跨采样点混合后的体密度σinter_mixed，具体方法如下： 其中，k为相邻采样点的数目，为第i个相邻采样点对该采样点的体密度权重，为第i个相邻采样点的体密度； 步骤3-2-2，将所述采样点在细模型中得到的颜色特征Fc输入所述颜色混合子网络中，预测得到不同光线上与该采样点在相同深度上的相邻采样点对该采样点的颜色权重W_interc，对所述颜色cfine进行加权求和，得到跨光线跨采样点混合后的颜色cinter_mixed，具体方法如下： 其中，k为相邻采样点的数目，为第i个相邻采样点对该采样点的体颜色权重，为第i个相邻采样点的颜色； 步骤3-3中所述的同光线跨采样点混合模块，由体密度混合子网络与颜色混色子网络构成，其中每个子网络均由两层卷积核为k的一维卷积神层组成； 同光线跨采样点混合模块用于预测与每个采样点在同一条光线上相邻采样点对该采样点的体密度权重与颜色权重，得到每个采样点经过跨光线与同光线均混合后的体密度σcintra_inter_mixed和跨光线与同光线均混合后的颜色cintra_inter_mixed，具体预测方法如下： 步骤3-3-1，将所述采样点在细模型中得到的体密度特征Fσ输入所述体密度混合子网络中，预测得到与其在同一条光线上相邻采样点对该采样点的体密度权重W_intraσ，对步骤3-2通过跨光线跨采样点混合后的体密度σinter_mixed进行加权求和，得到跨光线与同光线均进行混合后的体密度σintra_inter_mixed，具体方法如下： 其中，k为相邻采样点的数目，为第i个相邻采样点对该采样点的体密度权重，为第i个相邻采样点经过跨光线跨采样点混合后的体密度； 步骤3-3-2，将所述采样点在细模型中得到的颜色特征Fc输入所述颜色混合子网络中，预测得到与其在同一条光线上相邻采样点对该采样点的颜色权重W_intrac，对步骤3-2通过跨光线跨采样点混合后的颜色cinter_mixed进行加权求和，得到跨光线与同光线均进行混合后的颜色cintra_inter_mixed，具体方法如下： 其中，k为相邻采样点的数目，为第i个相邻采样点对该采样点的体颜色权重，为第i个相邻采样点经过跨光线跨采样点混合后的颜色。

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大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。