基于生成对抗网络的三维地理信息模型渲染方法及系统.pdf
宜然****找我
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于生成对抗网络的三维地理信息模型渲染方法及系统.pdf
本发明公开一种基于生成对抗网络的三维地理信息模型渲染方法及系统、设备、存储介质,所述方法包括:地理信息三维建模步骤,三维模型生成训练步骤,全地物要素匹配步骤,三维地理信息协同渲染步骤,三维地理信息整体渲染步骤。本发明通过人工智能方法和生成对抗网络框架,实现地理信息模型的生成,通过滑动匹配的方式实现全地物要素匹配以及相似地物主题部分提取,通过预先在缓存中预渲染的方式,实现同类三维地理信息模型主体部分的不重复渲染,以提升三维对象的渲染速度。
一种对抗生成网络模型、以及基于所述对抗生成网络模型的散景效果渲染方法及系统.pdf
本发明提出了一种基于对抗生成网络的散景效果渲染方法,通过设计一个轻量化的网络,并同时使用TensorFlowLite框架支持的算子重新实现了实例归一化,确保提出的一个由眼镜形状的端到端生成器以及多感受野判别器组成的对抗生成网络来训练散景渲染模型的所有算子都能在智能手机的GPU上进行计算,且不占用很大的资源。本发明同时还达到了不依赖于先验的方法的同时,还可以显著的检测出待聚焦区域,使得失焦区域的模糊效果也很自然,适用于多场景的情况而非只能处理人像等特定场景的目的。
一种基于生成对抗网络的渲染图像光照方法.pdf
本发明公开了一种基于生成对抗网络的渲染图像光照方法,属于深度学习神经网络领域,包括以下步骤:S1、构造原始生成对抗网络模型;S2、构造神经网络充当生成器与判别器的功能;S3、初始化随机噪声,输入生成器中;S4、在判别器中得到图像数据集的光照数据分布;S5、将光照数据分布作线性变换之后输入生成器进行后续训练。本方法构建的基于渲染图像光照的原始生成对抗网络模型,通过提取图像数据集中的光照数据,并对其分布进行线性变换,最后输入至生成器中进行训练,从而达到了编辑图像光照的效果。
基于生成对抗网络模型的齿轮参数过采样方法.pdf
本发明提供一种基于生成对抗网络模型的齿轮参数过采样方法,按以下步骤进行:S1:确定需要采样的齿轮参数并采集相应数据;S2:通过神经网络构建一个生成器和一个判别器;S3:输入噪声序列信号到生成器中,得到生成数据;S4:将生成的数据与原始采样数据输入判别器进行分类判断;S5:利用Softmax层进行线性变换,得到最终分类结果;S6:将分类结果与设定值比较得到分类误差,当大于预设目标,则更新生成器中各个神经元的权重生成新的数据;小于预设目标,则更新判别器中各个神经元的权重重新分类判断;S7:将生成器生成的数据和
基于先验生成对抗网络的图像去雾方法及模型.pdf
本发明公开了基于先验生成对抗网络的图像去雾方法,包括:收集成对的有雾图像和无雾图像构建训练集;对训练集的图像进行预处理,获得四通道的图像,所述四通道包括R、G、B三通道以及滤波后保留有高频与低频信息的第四通道;取四通道有雾图像的浅层特征并进行下采样,得到深层特征;对深层特征进行上采样以获取重构上采样特征,上采样过程中通过跳跃连接将上采样之前的图像特征融入重构上采样特征,重构出四通道的去雾图像;根据图像生成器损失和辨别器损失在训练集上训练所述图像去雾模型;图像生成器损失包括有雾图像与去雾图像之间的重建损失,