CN119478246A 基于改进神经辐射场算法的月壤试件原位三维重建方法 （华中科技大学）

基于改进神经辐射场算法的月壤试件原位2步骤S4：基于步骤S3获得的深度图像使用VisionTransformer模型生成神经编码卷，步骤S7：将步骤S6获得的隐式表示使用移动立方体算2.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特壤试件进行全方位视频录制，从视频中均匀筛选不低于50张清晰彩色RGB图像作为原始图3.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特4.如权利要求2所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特计算校正后图像集的全局亮度直方图和全局亮度均方差比较两个均方差并调整3为了避免过度增强导致的噪声放大，引入对比5.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特6.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特输入，使用基于自注意力机制的深度神经网路ViT在月面试件岩土纹理结构相似条件下进过查询矩阵Q和键矩阵K的点积得到一个标量，并进行归一化防止计算值过大或过小；4k表示键的维度；为后续神经辐射场生成进行颜色渲染损失优化7.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特,,,,,,8.如权利要求7所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特通过对每条光线进行采样和积分，即可生成合成图像，其为所有光9.如权利要求1所述的基于改进神经辐射场算法的月壤试件原位三维重建方法，其特合成图像与真实图像之间差异的渲染损失Lrender、比较预测深度与真实深度之间差异的深度损失Ldepth以及评估预测的光照与真实光照之间差异的光照损失Llight，均基于均方误差5所述模型优化过程使用反向传播算法调整神经网络的参数，更新图像特征和网络权S71场景体素化：将神经辐射场生成的隐式场景在三维空间中离散划分为均匀的立方6亟需原位开展相关物理试验进行测定，从而为未来的基地建设提供重要的材料和结构数[0004]因而面向月面极端环境，现迫切需要提出新颖的月壤试件原位快速三维重建方[0005]为克服月面光照变化不均匀导致的重建精度低和背景纹理相似导致的特征提取略优化采集图像质量，基于多视图立体视觉和神经辐射场融合(MVS_NeRF)并引入ViT模型7[0011]步骤S5：将步骤S4获得的多维特征向量编码输入到多层感知机中生成神经辐射相机围绕月壤试件进行全方位视频录制，从视频中均匀筛选不低于50张清晰彩色RGB图像亮度及自适应直方图均衡化方法增强每张图片全局伽马值；遍历图像集，对每幅图像应用相同的伽马矫正公式其中[0018]计算校正后图像集的全局亮度直方图和全局亮度均方差S品:比较两个均方差并8息的多通道输入，使用基于自注意力机制的深度神经网路ViT在月面试件岩土纹理结构相的特征向量，记为Lighti；同样地将相机位姿信息通过线性层转换为特征向量，记为k表示键的维度；9[0051]作为优选，所述步骤S6在训练改进神经辐射场时定义三类损失函数进行模型优间差异的深度损失Ldepth以及评估预测的光照与真实光照之间差异的光照损失Llight，均基[0059]S71场景体素化：将神经辐射场生成的隐式场景在三维空间中离散划分为均匀的[0064]2、本发明结合基于自注意力机制的ViT模型进行多维特征向量提取，结合MVS_[0072]参见图1，本发明的实施例提供了一种基于改进神经辐射场算法的月壤试件原位[0077]步骤S5：将步骤S4获得的多维特征向量编码输入到多层感知机中生成神经辐射方法调整整个图像集的亮度及自适应直方图均衡化(CLAHE)方法增强每张图片的局部细全局伽马值；遍历图像集，对每幅图像应用相同的伽马矫正公式其中[0084]计算校正后图像集的全局亮度直方图和全局亮度均方差比较两个均方差并[0092]步骤S4涉及已知的相机位姿信息、生成的深度图和图像使用基于自注意力机制的深度神经网路ViT(Visiontransformer)进行神经特征提取，完k表示键的维度；[0108]步骤S4中使用的ViT模型通过多头注意力机制，使模型能够在不同子空间中并行[0109]步骤S5是基于步骤S4生成的多维神经特征向量输入，使用多层感知机(MPL)神经图像与真实图像之间差异的渲染损失Lrender、比较预测深度与真实深度之间差异的深度损失Ldepth以及评估预测的光照与真实光照之间差异的光照损失Llight，均基于均方误差进行[0124]S7