(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211373309.6 (22)申请日 2022.11.04 (71)申请人 中科 （厦门） 数据智能研究院 地址 361000 福建省厦门市软件园三期凤 岐路208- 3号 (72)发明人 王飞　徐勇军　 (74)专利代理 机构 安徽善安知识产权代理事务 所(特殊普通 合伙) 3420 0 专利代理师 刘勇 (51)Int.Cl. G06T 15/06(2011.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于元学习的三维模型光线 追踪方法 (57)摘要 本发明公开了一种基于元学习的三维模型 光线追踪方法， 属于三维模型图像处理技术领 域， 包括步骤一、 构建光线追踪通用模型； 步骤 二、 使用立体匹配卷积神经网络训练前模型； 步 骤三、 联合训练前模型得到新模型； 步骤四、 发现 新模型符合特定光线追踪效果的定制参数及定 制模型。 本发明通过构建通用模型， 利用立体匹 配卷积神经网络训练旧模型， 训练出能够满足特 定光追效果的通用参数， 通过损失函数的收敛得 到新的潜在通用参数， 适应特定光追效果， 通过 去除90%的前数据 和98%的前数据 能 够有效训练旧模型， 减轻了训练数据容量， 同时 提高了新旧数据的准确度， 进而解决了光线追踪 技术训练时间过长、 训练数据容量过大且光线追 踪效果准确度不高的不足。 权利要求书2页 说明书7页 附图1页 CN 115546383 A 2022.12.30 CN 115546383 A 1.一种基于元 学习的三维模型光线追踪方法， 其特 征在于， 包括如下步骤： 步骤一、 构建光线追踪通用模型： 选择若干个光线入射角度和光线色彩作为元任务， 结 合元学习的方法设定元学习任务， 这些元学习任务学习一个的立体匹配卷积神经网络， 从 所述卷积立体匹配网络获得训练参数光线追踪角度 和光线色彩 ； 步骤二、 使用立体匹配卷积神经网络训练前模型： 利用模型的相似性创建一个与所述 立体匹配卷积神经网络相同类型 的立体匹配网络， 并且将该模型作为前模型， 在前模型中 导入所述立体匹配卷积神经网络的参数， 前模型利用交叉熵损失函数指导参数 和 训练， 再结合整群随机抽样 的方法随机采样， 去除90%的前数据 和98%的前数据 ， 并将剩余数据作为记 忆数据 和 ； 步骤三、 联合训练前模型得到新模型： 所述前模型利用所述记忆数据 和 以及新数据 和 相结合进行联合训练， 交叉熵函数指 导新数据和 进行模型学习， 对记忆数据 和 使用交叉熵损失函数和知识蒸馏损失函 数联合指导学习， 从前模型的基础上 得到新模型； 步骤四、 发现新模型符合特定光线追踪效果的定制参数及定制模型： 针对通用训练的 参数光线追踪角度 和光线色彩 创建通用参数 ， 用 表示通用光线追踪模型， 通用 参数 与光线追踪角度和光线色彩 均正相关， 所述 通用参数 的公式为： , 将一种特定光线追踪效果的光追数据记为数据集 ， 两个相互独立的迷你块 和 从 中取出， 元学习器对数据集 训练， 训练出适应特定光线追踪效果的 ， 与 相关， 将u定义为这种特定光追效果适合的模型标签， 使用通用模型在 中 预测出二元混合模型 并计算该段损失， 通过上述方法能够训练出 一个适应该种特定光线追踪效果的个性 化模型 ， 其中：权　利　要　求　书 1/2 页 2 CN 115546383 A 2， 式中： 记为本阶段的训练学习速度。 2.如权利要求1所述的一种基于元学习的三维模型光线追踪方法， 其特征在于， 所述立 体匹配卷积神经网络为基于卷积神经网络的端到端立体匹配网络或基于卷积神经的双目 立体匹配网络其中的一种。 3.如权利要求1所述的一种基于元学习的三维模型光线追踪方法， 其特征在于， 步骤四 中所述的本阶段损失利用损失函数公式计算， 所述损失函数公式为： ， 式中： y记为 光线追踪效果的种类编号， 记为本阶段的损失。 4.如权利要求3所述的一种基于元学习的三维模型光线追踪方法， 其特征在于， 步骤一 中的所述元学习方法是基于光线追踪的效果进行分类学习的， 基于光线追踪效果的元学习 任务根据光线追踪效果的分类一级数量将元学习任务划分为M个任务， 其中每个任务中包 含N个数据样本， 所述损失函数公式用于计算每 个元学习任务中的每 个数据样本的损失。 5.如权利要求1所述的一种基于元学习的三维模型光线追踪方法， 其特征在于， 所述步 骤三中使用交叉熵损失函数和知识蒸馏损失函数相互联合对记忆数据 和 进行指导学习， 其使用的损失函数是综合损失函数， 综合损失函数采用交叉熵损 失函数和知识蒸馏损失函数分别乘以其权 重再相加的方式表示， 综合损失函数的公式为： ， 式中： 记为综合损失函 数， 记为交叉熵损失函 数， 记为知 识蒸馏损失函数， 其中， 的求解公式为： ， 式中： 记为新数据中符合特定光追效果的潜在参数， 。权　利　要　求　书 2/2 页 3 CN 115546383 A 3