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一种基于自适应视点采样的稀疏视点3D高斯溅射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：CN121527328B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202610055722.X，技术领域涉及：G06T17/00；该发明授权一种基于自适应视点采样的稀疏视点3D高斯溅射重建方法是由韩琦林;霍智勇设计研发完成，并于2026-01-16向国家知识产权局提交的专利申请。

本一种基于自适应视点采样的稀疏视点3D高斯溅射重建方法在说明书摘要公布了：本发明公开了一种基于自适应视点采样的稀疏视点3D高斯溅射重建方法，在不引入外部几何先验的前提下，通过改进3DGS的训练策略，在保证了视点选择的随机性同时，增加了大重建误差视点的训练次数，同时降低了小重建误差视点发生过拟合的风险，合理分配了训练资源。另外在利用了Dropout策略提升合成结果的同时，引入自身一致性正则化，用以度量模型自身的鲁棒性，引导模型进一步提升重建结果的稳定性，降低了模型因为自适应密度控制所带来的噪声的影响。

本发明授权一种基于自适应视点采样的稀疏视点3D高斯溅射重建方法在权利要求书中公布了：1.一种基于自适应视点采样的稀疏视点3D高斯溅射重建方法，其特征在于：包括如下步骤： 步骤1：构建3DGS重建数据集 针对一个具体的场景，构建一个包含训练视点图像集合、测试视点图像集合、SfM算法计算得到的初始点云数据和摄像机姿态数据集合的多视点数据集，其中每一个摄像机姿态数据都与图像集合或的图像数据一一对应； 步骤2：训练数据初始化 对步骤1中的视点数据进行初始化，对视点图像进行尺寸调整与线性归一化，将初始点云数据转化为初始3DGS模型，为其中的每个点赋予位置、协方差矩阵、球谐系数、不透明度属性，其中位置直接使用初始点云的位置，而后计算每个点与其最近的个邻居的平均距离，取对数作为初始缩放，初始的球谐系数阶数为0； 步骤3：基于重建误差分布的自适应视点采样 基于所得视点的数量和编号，分别为每个视点初始化一个重建误差值，并按照编号顺序记录在向量中，初始化softmax函数的温度系数，初始化重建误差更新的平滑因子，将当前步向量中存储的重建误差与温度系数送入softmax激活函数，得到每个视点重建误差的概率分布，基于各视点的概率分布对视点进行随机抽样，得到视点； 步骤4：高斯基元随机丢弃 基于当前的迭代步数计算此时对于高斯基元的随机丢弃比率，并对模型中的高斯基元进行随机丢弃操作，得到经过随机基元丢弃的高斯模型； 步骤5：双路光栅化渲染 将中步骤4所得经过随机丢弃的3DGS模型，结合步骤3中所得的视点数据，将视锥体内的3D高斯基元投影为2D溅射，根据深度信息对溅射进行排序，以及对每个像素执行α混合以累积颜色和不透明度，生成当前视点经过随机丢弃操作后模型的渲染结果和对应的深度图，而后，将步骤4前未经过随机丢弃的3DGS模型，结合步骤3中所得的视点数据，再次通过可微分光栅化渲染器对3DGS模型进行渲染操作，生成当前视点的完整渲染图像和对应的深度图； 步骤6：损失计算与自身一致性正则化 将步骤5中所得丢弃渲染图像与训练视点图像进行比较，计算当前视点的光度损失，将步骤5中所得完整渲染图像与训练视点图像进行比较，计算完整渲染图像的光度损失，令与相减，得到自身一致性损失，将其作为正则化项，通过加权求和得到训练总损失； 步骤7：梯度计算与参数更新 基于步骤6所得训练总损失，进行反向传播，计算当前迭代的梯度，更新高斯模型各项属性参数，基于步骤3所得的平滑因子和向量中记录的当前视点过去的损失值，采用EMA策略来平滑地更新当前视点的重建误差； 步骤8：自适应密度控制与模型参数更新 在预设的迭代间隔内，统计各高斯基元在视图空间的梯度累积值，如果当前迭代次数到达自适应密度控制要求的迭代次数，则根据当前迭代计算出的高斯基元位置梯度，对3DGS模型中的高斯基元进行克隆、分割和不透明度重置操作，对于梯度大小超过设定阈值的高斯基元，如果其尺度较小，则对其进行克隆操作，如果其尺度较大，则对其进行分割操作，如果高斯基元的不透明度小于阈值，则令其不透明度为0，而后返回步骤3继续进行迭代，直到达到最大迭代次数。

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：210046 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。