[发明专利]一种基于生成对抗网络的布料超分辨率方法

说明书

本发明公开了一种基于生成对抗网络的布料超分辨率方法，包括以下步骤：对一块矩形布料在同样环境下分别做高分辨率和低分辨率的模拟，生成两组网格；将两组网格分别转换为低分辨率张量和高分辨率张量；将所述低分辨率张量作为GAN的输入，高分辨率张量作为GAN输出的理想值，训练GAN的参数。再将需超分辨率的低分辨率布料转换成张量作为所述训练后的GAN的输入，训练后的GAN输出低分辨率布料对应的张量；将所述低分辨率布料的张量转换成网格，得到所述低分辨率布料对应的高分辨率布料。本发明基于数据驱动的方法求解超分辨率的布料，有利于发现布料空间分布的本质规律，从而获得更合理的结果；同时相比基于全连接层网络的方法，本发明有更高的运行效率。

技术领域

本发明涉及计算机图形学和机器学习技术领域，特别是涉及一种基于生成对抗网络的布料超分辨率方法。

背景技术

机器学习技术是指用先验知识和过往的经验来提升算法性能的一类技术，目前已经有三十多年的历史。近年来，有关机器学习的研究和应用井喷式增长，包括汽车、金融、医学等各个领域都有机器学习的身影。其中GAN(generative adversarial network，生成对抗网络)是机器学习技术中一种优秀的方法，其采用一种对抗式的方法学习生成模型，不依赖任何先验假设就可以得到优秀的结果。GAN的应用促进了图像生成领域的发展。

计算机图形学中的布料模拟技术是一种通过计算机模拟表现真实布料物理行为的技术。布料模拟技术起源于1992年Michel Carignan的一篇论文“Dressing animatedSynthetic Actors with Complex Deformable Clothes”。布料模拟技术的出现使得计算机能够呈现布料的拉伸、弯曲、剪切等物理特性，增加了动画、游戏、计算机辅助设计中衣物、窗帘等布料的真实感。如今，随着布料模拟技术不断发展，越来越多的优秀方法被提出，布料模拟技术也已经应用在计算机辅助设计的各个方面。

最初的布料模拟技术只能求解布料在给定约束下处于静止稳定状态的形状。随着计算机图形学的发展，出现了可以求出布料变化的整个运动过程的弹簧质点模型、可以模拟应变-应力之间复杂的非线性关系的连续体模型等布料的模拟方法。此外为了提升模型的稳定性和收敛性，有限元等方法也取得了突破性的进展。除了这些典型的基于物理和数学模型的模拟方法，现阶段出现了一种新的模拟方法，该模拟方法利用从现实场景或者模拟软件中获得的数据建立布料运动的模型，发现布料运动的规律，从而对布料进行模拟。

不管是弹簧质点模型、有限元模型和一些其他的方法建立的模型，其运行效率和布料的分辨率(顶点数)有很大的关系。一般来说，分辨率越高，模拟所需的时间就越长，且模拟的时长随着分辨率的增高而大幅度拉长。因此为了提高布料模拟的效率，需要一种能通过低分辨率的布料生成对应的高分辨率布料的方法，这样就可以在低分辨率的情况下进行模拟，再输出高分辨率的结果，从而在模拟质量损失较小的条件下提升模拟的效率。

用双线性插值或双二次函数插值等插值方法也可以完成布料超分辨率的任务，但是这些插值方法会生成过于平滑的布料网格，从而导致类似把深的褶皱变平的效果。由于这些插值方法没有利用布料在空间中的分布规律，也就是额外的信息，所以生成的网格不一定符合布料本身的规律，这便是传统布料超分辨率的局限性。

公开号为CN 110189253 A的说明书公开了一种基于改进生成对抗网络的图像超分辨率重建方法，包括如下步骤：收集大量2k像素高质量图片，从中截取大量HR块，通过4倍下采样的方式得到对应的LR块，以此构建训练数据集；建立生成对抗网络模型，生成器网络G采用残差网络，条件判别器D同样采用残差网络；用相对判别器的思想改进生成对抗网络的训练损失函数，并在生成器损失函数中加入内容损失，在判别器损失函数中加入基于假数据的梯度惩罚项，再使用处理好的的训练数据集并采用Adam优化器对网络进行对抗训练，直到其收敛；由训练好的生成器网络完成对低像素图像的4倍超分辨率重建。该发明主要针对图像进行超分辨率重建，其主要改善了GAN训练的稳定性。