买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙大城市学院申请的专利一种基于多模态信息融合的可泛化神经辐射场重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119359934B 。

龙图腾网通过国家知识产权局官网在2025-05-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411926361.9，技术领域涉及：G06T17/00；该发明授权一种基于多模态信息融合的可泛化神经辐射场重建方法是由蒋俊杰;万安平;程晓民;黄俊豪;王凯阳设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本一种基于多模态信息融合的可泛化神经辐射场重建方法在说明书摘要公布了：本发明公开了一种基于多模态信息融合的可泛化神经辐射场重建方法，具体包括以下步骤：步骤一、基于非结构化多视图构建光度特征体和几何特征体，通过渐进地互补融合构建多模态神经编码体；步骤二、将多模态神经编码体和非结构化多视图的原始RGB像素体转换为体积密度和辐射亮度；步骤三、采样光线，对采样光线的上下文特征进行融合，得到光线上下文特征；步骤四、利用光线上下文特征解码体积密度和辐射亮度，渲染生成自由视角RGB‑D图像，然后结合光度监督与稀疏的几何监督引导低纹理场景的稠密重建。本发明能够解决形状辐射歧义问题的同时，实现高质量的三维重建和二维渲染，提高泛化神经辐射场表面重建精度。

本发明授权一种基于多模态信息融合的可泛化神经辐射场重建方法在权利要求书中公布了：1.一种基于多模态信息融合的可泛化神经辐射场重建方法，其特征在于，具体包括以下步骤：步骤一、基于非结构化多视图构建光度特征体和几何特征体，将光度特征体和几何特征体通过渐进地互补融合构建多模态神经编码体；所述光度特征体的构建过程是首先根据非结构化多视图，使用双向融合骨干网络fT提取图像特征，使用ConvNeXt从下采样4、8、16、32倍处提取提供区域与目标整体表面特征的多尺度语义信息，提取下采样4倍的浅层局部外观特征，然后进行双向特征融合，将非结构化多视图编码为语义增强的光度特征体FiT：FiT＝fTIi；式中：Ii表示非结构化多视图；所述构建几何特征体FΛ的过程如下：首先获取相机参数Φ＝[K,R,t]，其中，K为相机内参矩阵，R为相机相对于世界坐标系的旋转矩阵，t为相机相对于世界坐标系的平移向量，然后使用单应性变换矩阵Ξiz将第i个辅助视图的2D特征变换到参考视图，得到深度z处光度特征体 其中，Ki、Ri和ti为第i个辅助视图的相机参数，K1、R1和t1为参考视图的相机参数，n1为参考视图的法线方向； 其中，u、v、1为参考视角下的标准化设备坐标；为显式地编码非结构化多视图的空间点光度特征之间的差异程度，计算光度方差特征体FV，公式如下： 其中，Var为计算参考视角下每个空间点光度特征的方差函数；再使用3DCNN对光度方差特征体FV进行编码与解码，经过sigmoid操作将其转换为显式的几何特征体FΛ；将光度特征体FiT和几何特征体FΛ通过渐进地互补融合构建多模态神经编码体FL的过程如下：计算光度峰值特征体FM： 其中，MVSMaxPooling计算了参考视角下每个空间点光度特征的最大值；使用3D卷积层fVC融合原始RGB像素体FC和光度方差特征体FV，使用3D卷积层fMΛ融合光度峰值特征体FM和几何特征体FΛ，最后在可训练比例系数αMΛ的控制下生成最终的多模态神经编码体FL，公式如下：FVC＝fVC[FV；FC]；FMΛ＝fMΛ[FM；FΛ]；FL＝FVC+αMΛFMΛ；其中，FVC是原始RGB像素体FC和光度方差特征体FV的融合特征体，FMΛ是光度峰值特征体FM和几何特征体FΛ的融合特征体；步骤二、将多模态神经编码体和非结构化多视图的原始RGB像素体转换为体积密度和辐射亮度；步骤三、在构建的多模态神经编码体的基础上采样光线，基于变换器网络对采样光线的上下文特征进行融合，得到光线上下文特征；步骤四、利用光线上下文特征解码体积密度和辐射亮度，基于已解码的体积密度和辐射亮度渲染生成自由视角RGB-D图像，然后结合光度监督与稀疏的几何监督引导低纹理场景的稠密重建。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙大城市学院，其通讯地址为：310000 浙江省杭州市拱墅区湖州街51号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。