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！

龙图腾网获悉电子科技大学申请的专利一种基于神经网络的高斯泼溅单目重建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：CN119904580B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202510098758.1，技术领域涉及：G06T17/00；该发明授权一种基于神经网络的高斯泼溅单目重建方法是由王儒尧;郑丁心;张会雄;王舰辉设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种基于神经网络的高斯泼溅单目重建方法在说明书摘要公布了：本发明公开了一种基于神经网络的高斯泼溅单目重建方法，首先构建一个包括图像深度恢复模型和SfM运动恢复模型的高斯泼溅单目重建模型，并训练图像深度恢复模型，再拍摄全景图片，并将其用球状卷积进行训练，恢复失真部分，然后通过SfM运动恢复模型进行稀疏点云重建，并用高斯重构核对图像表面进行重建，形成图像的基本几何构型，最后采用图像处理技术对图片进行高斯低通滤波降噪处理，形成物体完整的表面结构，完成图像场景三维重建。本发明的方法使用三维高斯泼溅技术与球状卷积核相结合，以构建物体几何模型，在可操作性上有了显著的提高，极大地提高了计算的速度，在智慧医疗，工程探伤等领域具有重要的应用价值。

本发明授权一种基于神经网络的高斯泼溅单目重建方法在权利要求书中公布了：1.一种基于神经网络的高斯泼溅单目重建方法，具体步骤如下： S1、构建一个包括图像深度恢复模型和SfM运动恢复模型的高斯泼溅单目重建模型； 所述图像深度恢复模型用于对单目全景图像进行场景深度恢复，包括：预训练网络、预测网络；预训练网络和预测网络具体结构均为基于球状卷积的编码-解码结构，编码器固定采用VGG16；所述SfM运动恢复模型用于对恢复的图像进行稀疏点云重建； 其中，所述基于球状卷积的编码-解码结构中，编码器包括：球状卷积层、池化层、包含交叉熵和正则化的损失函数；且编码模型共5个主层，每个主层包括一个球卷积层和一个池化层；编码部分球卷积层和池化层共包含18个子层；解码器包括：5层堆叠的反卷积层、Relu激活函数；且解码器与编码器跳跃连接，对输出使用上采样； S2、基于步骤S1，训练图像深度恢复模型； 将图像中对应成像空间的点进行视图编码，使其形成监督学习序列作为预训练网络和预测网络的输入；所述图像深度恢复模型中嵌入自适应矩估计算法Adam优化学习率，同时使用误差反向传播算法更新网络权重，并使用所述两种算法依次训练预训练网络和预测网络，根据损失函数估计每个参数梯度变化，动态调整参数的学习速率和学习步长，确定每次沿梯度反方向移动的距离，不断更新神经网络模型的权重，观察模型输出的损失函数和精度曲线，当模型中的参数收敛，并且模型精度达到或者接近预设精度，训练过程终止，完成训练； 其中，Adam计算出一个指数衰减的历史梯度的平均mt，同时还计算一个指数衰减的历史平方梯度的平均vt，其计算表达式如下： mt＝β1mt-1+1-β1gt2 vt＝β2vt-1+1-β2gt23 其中，θ表示模型中的任一参数，ftθ表示噪声目标函数fθ在随后时间步t上的随机函数值；mt表示对梯度的一阶矩的估计，mt-1表示更新前梯度的一阶矩的估计，vt表示对梯度的二阶矩的估计，vt-1表示更新前梯度的二阶矩的估计，β1表示一阶矩估计的指数衰减率，β2表示二阶矩估计的指数衰减率；gt表示表示函数ftθ关于θ的梯度；Adam中通过计算偏差矫正的一阶矩估计和二阶矩估计来抵消偏差，计算表达式如下： 其中，表示时间步t的一阶矩估计，表示当前时间步t的二阶矩估计，生成Adam的参数更新公式如下： 其中，θt+1表示时间步t+1的参数值，θt表示时间步t的参数值，η表示学习率，∈表示偏置值，且∈＝10-8； S3、采集图像信息，输入步骤S2训练好的图像深度恢复模型对图像的几何信息进行处理，完成单目全景图像的场景深度恢复； S4、将步骤S3得到的场景深度恢复后的图像输入SfM运动恢复模型，进行稀疏点云重建，并用高斯重构核对图像表面进行重建，形成图像的基本几何构型； S5、对步骤S4重建后图像采用图像处理技术对图片进行高斯低通滤波降噪处理，形成物体完整的表面结构，完成图像场景三维重建。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。