申请/专利权人：北京飞渡科技股份有限公司

申请日：2023-12-25

公开（公告）日：2024-03-15

公开（公告）号：CN117454495B

主分类号：G06F30/13

分类号：G06F30/13;G06F30/27;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2024.02.13#实质审查的生效;2024.01.26#公开

摘要：本发明涉及建筑模型生成技术领域，公开了一种基于建筑草图轮廓序列的CAD矢量模型生成方法及装置。所述基于建筑草图轮廓序列的CAD矢量模型生成方法包括：获取单体化建筑图像；对所述单体化建筑图像进行切片处理，从而获取多条轮廓图；获取经过训练的基于Transformer算法的模型；分别将每条轮廓图输入至所述基于Transformer算法的模型，从而获取每条轮廓图对应的经过校正的轮廓图；将各个经过校正的轮廓图通过提升拉伸方法重建模型。本申请的基于建筑草图轮廓序列的CAD矢量模型生成方法通过经过训练的基于Transformer算法的模型来获取矫正的轮廓图，通过神经网络端到端的执行，大数据驱动方式训练，极大提升了算法的鲁棒性。能生成高质量CAD级建筑模型，且可以参数编辑。

主权项：1.一种基于建筑草图轮廓序列的CAD矢量模型生成方法，其特征在于，所述基于建筑草图轮廓序列的CAD矢量模型生成方法包括：获取单体化建筑图像；对所述单体化建筑图像进行切片处理，从而获取多条轮廓图；获取经过训练的基于Transformer算法的模型；分别将每条轮廓图输入至所述基于Transformer算法的模型，从而获取每条轮廓图对应的经过校正的轮廓图；将各个经过校正的轮廓图通过提升拉伸方法重建模型；所述获取单体化建筑图像包括：获取倾斜摄影图像信息；根据倾斜摄影图像信息获取单体化建筑图像；所述分别将每条轮廓图输入至所述基于Transformer算法的模型，从而获取每条轮廓图对应的经过校正的轮廓图包括：为每条轮廓图进行如下操作：获取输入至所述基于Transformer算法的模型的轮廓图的融合编码特征；将所述融合编码特征输入至编码器中进行特征转换，从而获取转换特征；将转换特征输入至解码器中，从而获取该转换特征所对应的命令类型预测信息和命令参数信息；根据所述命令类型预测信息和命令参数信息生成经过校正的轮廓图；所述基于Transformer算法的模型在进行命令类型预测时，采用如下损失函数： ；其中， 表示样本i的真实标签、n为总的类别数；所述基于Transformer算法的模型在进行命令参数预测时，采用如下损失函数： ， ；其中， 表示样本i的真实标签、表示模型对于样本i的预测标签、S1和S2表示两组3D点云，表示S1中任意一点x到S2的最小距离之和；表示S2中任意一点y到S1的最小距离之和。

全文数据：

权利要求：

百度查询： 北京飞渡科技股份有限公司 一种基于建筑草图轮廓序列的CAD矢量模型生成方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD