CN115457183B 序列化草图生成与重建模型训练方法、重建方法及装置 （北京邮电大学）

本发明提供一种序列化草图生成与重建模2获取手绘草图数据集，所述手绘草图数据集包含多个数据条，缺手绘草图的矢量化时序数据和其对应的完整手绘草图的矢量化按照预设方法从残缺手绘草图的每一个笔画中选取第一设定数量个图节点时间的最近邻算法将各图节点与其附近第二设定数量个图节点按照残缺手绘草图绘制笔将所述手绘草图数据集中各数据条对应的各图节点、所述邻接获取初始神经网络模型，所述初始神经网络模型包括依次连接采用所述训练样本集对所述初始神经网络进行训练，构建所述重建草图绘草图之间的损失函数，并根据所述损失函数对所述初始神经网络模型的参数进行迭代，手绘草图的矢量化时序数据包括构成对应残缺手绘草图的各笔画上的各采样点的采样顺所述完整手绘草图的矢量化时序数据包括构成对应完整手绘草图的各笔画上的各采所述连接状态包括采用OneHot编码表示的三种状态，第一种表示当前采样点与下一选用构成所述残缺手绘草图的各笔画的起始点作3构建所述重建草图与所述完整草图之间的重建损失l表示每一层的宽；wl表示对每一层的激活通道进行缩放；和pf分别表示从所述重建草图和所述残缺手绘草图进行栅格化total表示联合损失；pmask表示所述残缺手绘草图节点在所述邻接矩阵中被置零将所述残缺手绘草图输入如权利要求1至8中任意一项所述序列化草图生成与重建模执行时实现如权利要求1至9中任一项所述序列化草图生成与重建模型训练方法和所述序4以学习的正是这种人类无意识的行为动作，这种高度抽象表达也是目前研究的热点与重个残缺手绘草图的矢量化时序数据和其对应的完整手绘草图的矢量化基于时间的最近邻算法将各图节点与其附近第二设定数量个图节点按照残缺手绘草图绘5图节点权重计算图嵌入表达向量，将所述图嵌入表达向量输入所述全连接层得到分布参[0012]所述完整手绘草图的矢量化时序数据包括构成对应完整手绘草图的各笔画上的[0013]所述连接状态包括采用OneHot编码表示的三种状态，第一种表示当前采样点与下一采样点是同一笔画中的相邻笔触，第二种表示当前采样点为当前笔画的最后一个笔[0020]在本发明的一些实施例中，构建所述重建草图与所述完6pf和pfh分别表[0033]将所述残缺手绘草图输入如上文中任意一项所述序列化草图生成与重建模型训于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获[0044]图5为本发明一实施例中序列化草图生成与重建模型对于不同残缺等级的残缺手[0045]图6为本发明一实施例中基于t_SNE算法得到的各残缺手绘草图特征空间聚类示7[0046]图7为本发明一实施例中序列化草图生成与重建模型基于特征空间插值生成的创示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大[0052]这里需要强调的是，在下文中提及的各步骤标记并不是对各步骤先后顺序的限[0053]为了解决现有技术无法针对序列化残缺手绘草图进行草图重建和草图修复的问据条包括单个残缺手绘草图的矢量化时序数据和其对应的完整手绘草图的矢量化时序数8[0065]残缺手绘草图的矢量化时序数据包括构成对应残缺手绘草图的各笔画上的各采9为后续的笔画可能出现较大的位置偏移甚至笔画方向的改变。因此将各笔画的第N个转折[0081]在步骤S1023中，采用基于时间的最近邻算法来构造图节点间的边缘连接，具体[0087]在一些实施例中，编码器模块还可以采用其他卷积神经网络(Convolutionali-1]表示LSTM上一时刻的隐藏状态和细胞状态。[0107]通过解码器模块得到的每一笔笔画的参数，但并不能直发明中认为人类绘画草图的笔画参数实际上和μy为唯一决定二元正态分布的均值系数；δx和δ为GMM模型预测得到的笔画偏移量状态集合。[0112]公式(9)中的参数集中包含了两个主要部分，分别是笔画偏移量状态集合与笔画l表示每一层的宽；wl表示对每一层的激活通道进行缩放；pf和pfh分别表示从征提取器。通过对栅格化输入图像与输出图像分别经过特征提取器得到的特征进行计算，mask[0131]在一些实施例中，如图5所示，选取苹果(apple)、雨伞(umbrella)、蝴蝶将样本的隐含层向量降维至2维并进行了可视化。t_SNE算法是一种非线性空间聚类算法，主要用于将一组高维特征按照主成分维度降维至2维或3维空间，方便研究者进行可视化。[0139]本发明还提供一种序列化草图生成与重建方法，该方法包括以下步骤S201~器执行时实现如上文中任意一项序列化草图生成与重建模型训练方法和序列化草图生成[0145]需要明确的是，本发明并不局限于上文所描述并在图中示出的特