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！

龙图腾网获悉中北大学申请的专利一种基于深度学习的三维重建方法及系统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：CN120580382B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202510674792.9，技术领域涉及：G06T17/20；该发明授权一种基于深度学习的三维重建方法及系统是由韩燮;乔哲瑞设计研发完成，并于2025-05-23向国家知识产权局提交的专利申请。

本一种基于深度学习的三维重建方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的三维重建方法及系统，属于计算机视觉与深度学习技术领域。针对现有神经隐式方法在弱纹理区域和非朗伯表面重建结果差；传统几何监督依赖噪声数据，导致表面不完整；优化过程中全局与局部特征融合效率低等问题，通过利用相机获取目标物体的多视角图像；利用SfM模型获得多视角图像对应的相机参数和稀疏点云；搭建基于神经辐射场的三维重建模型，并获得重建结果；评估重建结果，通过性能指标对重建结果进行综合评价。本发明解决了目标物体在弱纹理区域重建模糊，精度差的问题；克服了数据标注的问题，数据获取简单，无需引入额外的有效监督；可以将存在弱纹理区域的文物遗产转化为永久存储在计算机中的数字模型。

本发明授权一种基于深度学习的三维重建方法及系统在权利要求书中公布了：1.一种基于深度学习的三维重建方法，其特征在于，所述方法包括以下步骤： 步骤1：利用相机获取目标场景的多视角图像序列}； 步骤2：将获取的所有多视角图像输入到通用的SfM算法COLMAP中，对多视角图像序列进行特征提取、特征匹配和稀疏重建，得到对应的相机参数和稀疏点云集合； 步骤3，采用k近邻插值算法对稀疏点云进行加密，并将加密后的点云投影到多视角图像中进行去噪，检查其像素颜色一致性，最终得到有效点云； 步骤4，搭建基于神经辐射场的动态神经隐式三维重建模型，将多视角图像序列及其对应的相机参数输入动态神经隐式三维重建模型中进行训练，利用步骤3中得到的有效点云和多视角一致性进行监督和约束，同时引入课程学习优化策略优化神经辐射场的训练，逐步获得目标物体的三维重建模型，实现对目标物体的三维重建； 基于神经辐射场的神经隐式三维重建模型，将场景表示为神经辐射场，输入为连续的5D坐标，输出为对应的体密度和颜色，将场景表面表示为符号距离场SDF，用多层感知机MLP来拟合；依赖输入多视角图像序列的颜色损失，将颜色网络和符号距离场SDF网络同时优化得到视觉感知好的符号距离场SDF； 所述神经隐式三维重建模型包含有颜色网络和符号距离场SDF网络；所述动态神经隐式三维重建模型是在所述神经辐射场的神经隐式三维重建模型的基础上，引入自适应监督模块和课程学习优化策略，用于提升在弱纹理区域或非朗伯表面的三维重建精度； 所述自适应监督模块为：利用步骤3中得到的有效点云和多视角光度一致性对动态神经隐式三维重建模型进行监督和约束，具体为： 设步骤3中得到的有效点云位于场景表面，来约束符号距离场SDF网络，即约束该有效点云的；即； 多视角光度一致性为：同一点云在多个视角的投影区域应具有相似的亮度或颜色，为充分检测弱纹理区域点云的多视角光度一致性，对于所有点云，以其为中心找到3×3的图像块，并计算图像块的结构相似性，进行多视角光度一致性约束，公式为： ， 其中，表示多视角光度一致性损失，和表示图像块的局部特征，表示结构相似性，公式为： ， 其中，和代表图像块和的均值，和为防止分母为0的常数； 所述课程学习优化策略为：自适应监督模块监督模型的有效区域，阶段性优化调整监督权重，逐步训练场景有先验与非先验区域： 所述阶段性优化包括三部分：仅使用SfM点云监督符号距离场SDF网络、联合点云监督与多视角光度一致性和全局优化表面细节； 在训练过程中，逐步增加无先验区域像素点的权重，公式为： ， 其中，表示符号距离长SDF网络的损失；表示有几何先验区域的损失；表示无几何先验区域的损失；表示观察视角，即相机拍摄视角个数；表示其中一个观察视角； 阶段训练利用权重来控制： ， 其中，表示训练的时间，表示有先验区域的迭代次数，表示退火频率，表示整个训练过程，设置为0.2以确保在训练过程中有先验区域始终存在； 步骤5，评估重建结果，通过MarchingCubes算法提取表面网格，并基于倒角距离定量评估重建精度。

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中北大学，其通讯地址为：030051 山西省太原市学院路3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。