39、3D模型搜索与图像水墨风格渲染技术研究

3D模型搜索与图像水墨风格渲染技术研究

1. 3D模型搜索技术

1.1 卷积神经网络监督与目标函数

在监督卷积神经网络时，由于目标函数 $L_d$ 的值可能非常小，卷积神经网络提取的 3D 模型特征都会接近同一类别的类别表示特征，同一类别的样本特征之间将没有区别。使用交叉熵损失函数可以使类内样本特征具有更大的差异。因此，可以使用交叉熵损失函数损失 $L_s$ 和目标函数 $L_d$ 进行联合监督，训练卷积神经网络学习三维模型的判别特征。整个 3D 模型判别学习阶段使用的目标函数 $L_{3DMN}$ 如下：
$L_{3DMN} = L_S + \lambda L_d = -\sum_{i = 1}^{m} \log \frac{e^{w_{y_i^m}^T f_{\theta}^m(x_i^m) + b_{y_i^m}}}{\sum_{j = 1}^{|C|} e^{w_j^T f_{\theta}^m(x_i^m) + b_j}} + \lambda L_d$
其中，$\lambda$ 是用于平衡交叉熵损失函数损失 $L_s$ 和目标函数 $L_d$ 的超参数，$W$ 和 $b$ 表示分类器的参数。

1.2 草图卷积神经网络的判别特征提取

有人提出了基于卷积和全局分支网络结构的特征算法 SketchGCN，用于提取笔画内和笔画间的特征进行特征标注，使手绘草图的语义分割效果更好。这里将草图根据构成草图的边缘进行分割，分别提取分割后形成部分草图的特征，然后通过相互学习策略使分割后的部分草图与原始草图互补，更有效地提取草图的特征标签。草图的判别特征学习过程如下：