買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州第二人生科技有限公司申請的專利一種基于生成對抗網絡的單張照片生成可打印3D模型方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120298208B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510780326.9，技術領域涉及：G06T3/08；該發明授權一種基于生成對抗網絡的單張照片生成可打印3D模型方法是由陳宇凌;周光磊;簡麗娜;杜冉設計研發完成，并于2025-06-12向國家知識產權局提交的專利申請。

本一種基于生成對抗網絡的單張照片生成可打印3D模型方法在說明書摘要公布了：本發明公開了一種基于生成對抗網絡的單張照片生成可打印3D模型方法，包括如下步驟：S1、獲取單張輸入圖像，對輸入圖像進行預處理；S2、將預處理后的圖像輸入編碼器，提取多尺度特征，輸出深度特征表示；S3、條件生成對抗網絡生成3D模型，通過對比優化3D模型質量；S4、隱式神經表示網絡多尺度細化3D模型，轉換為連續函數表示；S5、改進的條件擴散反演模塊優化3D模型，結合多尺度離散小波變換和渲染反饋校正；S6、端到端聯合訓練系統優化特征提取、3D模型生成與細化處理過程；S7、對3D模型進行后處理，輸出滿足打印要求的3D模型。本發明通過融合生成對抗網絡和隱式神經表示技術，實現了從單張照片快速生成細節豐富、適合3D打印的高精度3D模型。

本發明授權一種基于生成對抗網絡的單張照片生成可打印3D模型方法在權利要求書中公布了：1.一種基于生成對抗網絡的單張照片生成可打印3D模型方法，其特征在于，包括如下步驟： S1、獲取目標對象的單張輸入圖像，對輸入圖像進行預處理； S2、將預處理后的圖像輸入編碼器，提取預處理后的圖像的多尺度特征，輸出深度特征表示； S3、將深度特征表示輸入條件生成對抗網絡，生成器根據深度特征表示生成3D模型，判別器通過對比生成模型與真實模型，反饋指導生成器優化3D模型質量； S4、將3D模型輸入隱式神經表示網絡，利用符號距離函數的隱式表示方法，將3D模型數據轉換為連續函數表示，通過隱式神經表示網絡對3D模型進行多尺度細化處理； S5、將細化后的3D模型輸入改進的條件擴散反演模塊，結合多尺度離散小波變換與可微分渲染反饋校正技術，對3D模型的全局結構和局部細節進行優化； S6、構建端到端聯合訓練系統，優化特征提取、3D模型生成與細化處理過程； S7、對優化完成的3D模型進行網格平滑、拓撲修正、格式轉換，生成符合3D打印機標準的文件格式，并進行打印路徑規劃，最終輸出滿足打印要求的3D模型； 所述S3包括以下步驟： S31、將輸出的深度特征表示與自適應噪聲向量分別經過線性變換后進行融合，計算融合條件向量： ； 其中，為噪聲向量的可學習變換矩陣，表示逐元素乘法，為平滑參數，與分別為指數函數與對數函數； S32、將融合條件向量輸入層次化解碼網絡，采用多尺度上采樣與殘差連接模塊生成3D模型： ； 其中，為解碼網絡中殘差模塊的層數，為第層上采樣卷積核，表示第層殘差模塊對融合條件向量的處理輸出，為第層殘差連接中的融合系數，表示卷積運算； S33、對生成的3D模型進行自適應歸一化處理，得到歸一化模型： ； 其中，為3D模型的均值，為方差，為防止除零的小正數，表示對3D模型進行局部區域平均池化的結果，與為平衡各部分貢獻的調節系數，表示Frobenius范數； S34、將歸一化模型與真實3D模型分別輸入判別器，計算基于混合梯度差異的對抗損失，判別器捕捉歸一化模型與真實3D模型在局部紋理、邊緣和結構梯度信息上的差異，并將差異反饋給生成器，指導生成器不斷改進3D模型質量： ； 其中，和為平衡系數，為真實3D模型，為雙曲正切函數，為空間梯度運算符，表示取元素絕對值之和； S35、采用交替優化策略，對生成器和判別器的參數進行聯合更新，輸出3D模型； 所述S4包括以下步驟： S41、從生成的3D模型中，通過均勻采樣方法提取出三維點集合： ； 其中，表示采樣點的數量，表示三維實數空間，表示第i個采樣點，i為采樣點的索引； S42、初始化隱式神經表示網絡，隱式神經表示網絡接受三維坐標作為輸入并輸出對應的符號距離； S43、對每個采樣點，利用隱式網絡計算預測的符號距離； S44、定義多尺度細化損失函數為各尺度下預測符號距離與目標距離之間誤差的加權平均： ； 其中，表示尺度數量，為第個尺度的權重系數，表示依據初步3D模型在尺度下計算得到的目標距離； S45、采用梯度下降法最小化多尺度細化損失函數，優化隱式神經表示網絡的參數，并通過提取隱式函數的零水平集構建出細化后的3D模型： ； 其中，表示細化后的3D模型，表示符號距離在點的梯度，表示梯度的2-范數，表示拉普拉斯算子，為梯度正則化系數，為拉普拉斯正則化系數； 所述S5包括以下步驟： S51、將細化后的3D模型輸入至改進的條件擴散反演模塊，采用多步逆擴散更新公式對模型噪聲進行校正，并對局部結構進行自適應調整，生成中間擴散模型； S52、對細化后的3D模型應用多尺度離散小波變換，提取頻域細節特征，并利用自適應頻率門控機制進行調制： ； 其中，表示離散小波變換算子，為傅里葉變換，為Sigmoid函數，為頻率調制系數，表示逐元素乘法； S53、構造跨域融合模塊，將中間擴散模型與頻域細節特征進行融合，生成融合模型： ； 其中，表示通過圖卷積網絡從頻域細節特征中提取的拓撲特征，與為融合權重系數，為余弦函數，表示Frobenius范數； S54、將融合模型輸入至可微分渲染反饋校正模塊，可微分渲染反饋校正模塊利用可微分渲染器對融合模型生成多視角渲染圖像，并與輸入圖像的視角特征進行比對，計算形變校正參數： ； 其中，為視角數量，表示第視角下輸入圖像的特征表示，表示第視角下由融合模型渲染得到的圖像，為校正函數模塊，為校正系數，為校正后的3D模型； S55、采用交替迭代優化策略，對改進的條件擴散反演模塊、多尺度離散小波變換模塊、跨域融合模塊以及可微分渲染反饋校正模塊進行聯合更新，直至各模塊輸出指標穩定收斂，最終輸出優化后的3D模型； 所述S51包括以下步驟： S511、將細化后的3D模型進行歸一化處理，得到歸一化模型； S512、在歸一化模型上采用噪聲估計機制，通過噪聲預測網絡計算噪聲校正項，并引入自適應權重調節因子對噪聲進行調制： ； 其中，為第時間步的擴散系數，為擴散系數的累積乘積，為噪聲預測網絡在時間步對歸一化模型的噪聲估計，表示噪聲校正項，為指數函數，為調節參數，為局部結構一致性指標，表示局部結構一致性指標的Frobenius范數； S513、對歸一化模型進行局部結構分析，采用自相關運算結合二階導數信息提取局部結構一致性指標，并計算局部結構調整項： ； 其中，為譜范數，表示Hessian范數，、與為調節參數，為對數函數，為局部結構調整項； S514、融合噪聲校正項與局部結構調整項對歸一化模型進行多步逆擴散更新，生成臨時中間擴散模型： ； 其中，表示逐元素乘法，為交互調制系數； S515、將臨時中間擴散模型作為最終中間擴散模型輸出，生成中間擴散模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州第二人生科技有限公司，其通訊地址為：310016 浙江省杭州市上城區錢江路509號杭港科技大廈1151室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。