基于弧形屏的3D场景渲染方法、装置及设备
| 专利类型 | 发明公开 | 法律事件 | 实质审查; 授权; |
| 专利有效性 | 有效专利 | 当前状态 | 授权 |
| 申请号 | CN202510213935.6 | 申请日 | 2025-02-26 |
| 公开(公告)号 | CN119722442A | 公开(公告)日 | 2025-03-28 |
| 申请人 | 深圳市美亚迪光电有限公司; | 申请人类型 | 企业 |
| 发明人 | 程丽; 汪雄杰; 刘舟帆; | 第一发明人 | 程丽 |
| 权利人 | 深圳市美亚迪光电有限公司 | 权利人类型 | 企业 |
| 当前权利人 | 深圳市美亚迪光电有限公司 | 当前权利人类型 | 企业 |
| 省份 | 当前专利权人所在省份：广东省 | 城市 | 当前专利权人所在城市：广东省深圳市 |
| 具体地址 | 当前专利权人所在详细地址：广东省深圳市宝安区石岩街道塘头社区塘头南岗第三工业园9栋一层至四层 | 邮编 | 当前专利权人邮编：518000 |
| 主IPC国际分类 | G06T3/08 | 所有IPC国际分类 | G06T3/08 ; A63F13/25 ; G06F3/14 ; G06N3/006 ; G06T3/18 ; G06T5/80 ; G06T7/70 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 9 | 专利文献类型 | A |
| 专利代理机构 | 深圳市汇信知识产权代理有限公司 | 专利代理人 | 张志凯; |
| 摘要 | 本 发明 涉及一种基于弧形屏的3D场景 渲染 方法、装置及设备。该方法：对3D场景数据进行频域分解，得到场景 频域特征 数据；根据弧形屏的 曲率 参数和弧度参数构建曲面映射矩阵；基于场景频域特征数据和曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图；将空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图；将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合；通过目标渲染参数集合和曲面增强特征图进行3D场景渲染，得到弧形屏显示图像。本发明提升了渲染结果在弧形屏不同区域的显示 质量 。 | ||
| 权利要求 | 1.一种基于弧形屏的3D场景渲染方法，其特征在于，包括以下步骤： |
||
| 说明书全文 | 基于弧形屏的3D场景渲染方法、装置及设备技术领域[0001] 本发明涉及3D场景渲染技术领域，特别涉及一种基于弧形屏的3D场景渲染方法、装置及设备。 背景技术[0002] 弧形屏以其独特的几何特性和沉浸式观看体验正逐渐成为新一代显示设备的重要发展方向。相比传统平面显示器，弧形屏能够为用户提供更广阔的视野范围和更自然的观看体验。然而，现有的3D场景渲染技术主要针对平面显示设备设计，在弧形屏上直接应用这些渲染方法往往会导致图像失真、空间一致性差等问题。 [0003] 当前弧形屏3D场景渲染面临的主要挑战在于如何准确处理曲面显示带来的几何变换问题。传统渲染方法在弧形屏上容易出现边缘畸变、深度失真等问题，且难以保持场景的空间连续性。特别是在大曲率显示场景下，由于投影变换的非线性特性，常规的渲染参数优化方法难以同时兼顾场景的几何准确性和视觉质量。 发明内容[0004] 本发明的主要目的为提供一种基于弧形屏的3D场景渲染方法、装置及设备，以实现提升了渲染结果在弧形屏不同区域的显示质量。 [0005] 为实现上述目的，本发明提供了一种基于弧形屏的3D场景渲染方法，包括以下步骤：对3D场景数据进行频域分解，得到场景频域特征数据； 根据弧形屏的曲率参数和弧度参数构建曲面映射矩阵； 基于所述场景频域特征数据和所述曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图； 将所述空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图； 将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合； 通过所述目标渲染参数集合和所述曲面增强特征图进行3D场景渲染，得到弧形屏显示图像。 [0006] 本发明还提供了一种基于弧形屏的3D场景渲染装置，包括：频域分解模块，用于对3D场景数据进行频域分解，得到场景频域特征数据； 构建模块，用于根据弧形屏的曲率参数和弧度参数构建曲面映射矩阵； 特征映射模块，用于基于所述场景频域特征数据和所述曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图； 特征处理模块，用于将所述空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图； 渲染参数优化模块，用于将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合； 3D场景渲染模块，用于通过所述目标渲染参数集合和所述曲面增强特征图进行3D场景渲染，得到弧形屏显示图像。 [0008] 综上所述，本发明提供的技术方案通过频域分解和双向特征提取网络的设计，实现了高频细节和低频结构信息的有效分离与提取，提升了渲染结果的细节保真度和结构完整性；采用曲面映射矩阵结合非线性修正机制，有效解决了弧形屏渲染中的几何变形问题，确保了渲染场景在曲面显示时的空间一致性；引入多尺度特征金字塔结构和双注意力机制，增强了特征提取的精确性，使渲染结果能更好地保持场景的局部细节和全局结构；通过多曲率卷积核和图卷积网络的设计，实现了对不同曲率区域的自适应特征增强，提升了渲染结果在弧形屏不同区域的显示质量；设计了基于参数分类的双轨优化策略，分别针对曲面敏感型参数和不敏感型参数采用不同的优化方法，提高了渲染参数优化的精确性和效率；在最终渲染阶段采用曲率自适应采样和特征注入策略，显著提升了渲染图像的边缘清晰度和细节表现力，减少了显示失真。附图说明 [0010] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。 具体实施方式[0011] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 [0012] 参照图1，本实施例提供了一种基于弧形屏的3D场景渲染方法，包括以下步骤：S1，对3D场景数据进行频域分解，得到场景频域特征数据； 其中，对3D场景数据进行5层拉普拉斯金字塔分解，通过5层拉普拉斯金字塔分解实现多层级场景数据的构建，拉普拉斯金字塔分解是一种有效的图像处理方法，通过高斯模糊和下采样生成不同分辨率的图像层级，从而提取不同尺度的信息。对输入的3D场景数据进行高斯模糊处理，以获得较低分辨率的图像，然后通过逐层下采样构建金字塔的高层数据，每一层的数据与上一层的高斯模糊版本进行相减，得到的残差信息即为该层的拉普拉斯金字塔数据，该步骤能够有效分离低频和平滑信息，同时保留场景的边缘和细节特征。 通过5层分解，确保不同尺度的信息均被捕捉。对多层级场景数据进行小波变换处理，提取不同方向的频率信息。小波变换是一种同时提供时域和频域局部化特性的信号处理方法，采用二维小波变换对每层的场景数据进行分解，得到水平分量数据、垂直分量数据和对角分量数据，这三种分量分别表示场景中的水平细节、垂直细节和对角细节信息。将水平分量数据、垂直分量数据和对角分量数据输入第一特征提取分支。在第一特征提取分支中，将水平分量数据、垂直分量数据和对角分量数据分别输入3×3的卷积核，并结合ReLU激活函数进行连续3次特征提取操作。3×3卷积核的选择是基于其良好的局部感知能力，使其能够有效捕捉局部纹理信息，而ReLU激活函数则增强非线性特征表达能力，防止梯度消失问题。通过连续3次卷积运算，该分支充分提取图像中的高频信息，如边缘、纹理和快速变化的区域。 同时，在第二特征提取分支中，同样将水平分量数据、垂直分量数据和对角分量数据作为输入，该分支采用7×7的卷积核，并使用线性激活函数进行特征提取。7×7的卷积核相比3×3的卷积核能够感知更大的区域范围，更适合提取低频信息，即场景中的全局结构和渐变信息，而线性激活函数的使用则确保低频特征的平滑性和一致性，不会在特征提取过程中引入非线性变换。该分支能够有效提取场景的低频信息，确保渲染过程中能够正确保留光照、阴影等全局特征，从而避免过度锐化或者失真。将第一特征提取分支得到的高频特征数据和第二特征提取分支得到的低频特征数据结合，构建场景频域特征数据。 [0013] S2，根据弧形屏的曲率参数和弧度参数构建曲面映射矩阵；具体的，根据弧形屏的曲率参数和弧度参数构建弧形屏参数化曲面方程。由于弧形屏的形态近似表示为一个具有一定半径的曲面，利用参数化曲面表示其几何特性，设弧形屏的曲率参数为K，弧度参数为θ，则定义弧形屏在三维空间中的参数化曲面方程，例如采用柱坐标系或球坐标系描述屏幕上的任意点位置，从而建立其数学表达式。对弧形屏参数化曲面方程进行变换分析，以构建一个包含平移、旋转和缩放分量的4×4基础变换矩阵。由于3D场景的投影通常在笛卡尔坐标系下进行，而弧形屏的表面是一个曲面，因此在不同的坐标系之间建立转换关系，考虑基础变换中的平移分量，用于调整场景在屏幕上的中心位置，使其与弧形屏的几何中心对齐，然后计算旋转分量，确保场景的方向符合弧形屏的曲面特征，而缩放分量则用于调整场景在不同弧度情况下的空间尺度，以避免因屏幕形态不同而导致的图像扭曲。结合这三个分量，构建出一个标准的4×4变换矩阵，使得3D场景初步适应弧形屏的显示要求。根据弧形屏参数化曲面方程构建非线性映射函数，并将曲面变形修正项引入其中，以得到非线性修正矩阵。通过分析弧形屏的不同位置上的局部曲率变化，建立对应的非线性函数，使得坐标变换适应弧形屏的实际形态，例如在不同屏幕区域内引入二次或三次曲线拟合的修正项，以补偿畸变，确保最终渲染图像的几何精度。通过该步骤，有效减少传统线性变换方法在弧形屏上出现的误差，使得3D场景能够更加自然地适应屏幕的曲率特性。将4×4基础变换矩阵与非线性修正矩阵进行矩阵乘法运算，得到初始映射矩阵。根据场景频域特征数据计算映射参数修正量，以构建参数调整矩阵。基于场景的频域特征数据分析不同频率分量在弧形屏上的投影误差，例如通过傅里叶变换或者小波变换计算局部空间的误差分布，并利用该误差信息构建一个修正量，使得映射矩阵能够动态调整，以适应不同的场景特征。将初始映射矩阵与参数调整矩阵进行组合运算，得到最终的曲面映射矩阵。 [0014] S3，基于场景频域特征数据和曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图；需要说明的是，对场景频域特征数据进行深度特征提取，采用注意力机制单元对场景频域特征数据进行处理，使得特征提取过程更加聚焦于关键区域。在注意力机制单元中，采用3×3的可变形卷积对空间特征进行自适应提取，由于可变形卷积能够动态调整感受野，更适应弧形屏的复杂几何形态，相比于传统的固定卷积操作，更有效地捕捉曲面变形导致的特征变化。同时，在注意力机制单元中，使用1×1卷积提取通道注意力特征，使得不同通道的信息能够进行自适应加权，增强特征表达能力。通过这两种方式的结合，得到双注意力特征图，该特征图更准确地表征场景的空间特征，并适应弧形屏的特殊形态。对双注意力特征图进行跳跃连接处理，将不同层级的特征进行融合，以建立全局信息与局部信息的联系。跳跃连接能够增强低层特征的语义信息，同时保留高层特征的细节信息，使得特征表达更加完整。在完成多层级特征关联后，考虑场景的深度信息，不同深度的特征对最终渲染效果的贡献是不均匀的，基于场景深度信息计算深度重要性系数，得到深度权重系数。深度权重系数的计算通过分析场景中不同深度区域的梯度变化，或者通过深度感知网络进行学习，以自适应地分配不同区域的特征权重，确保在最终渲染时能够更加真实地还原场景的空间结构。根据深度权重系数对多层级关联特征进行加权计算，使得特征的表达更加符合场景的深度分布，得到加权特征图。采用加权和操作，或者通过点积运算的方式，使得深度权重直接作用于特征分布，以确保特征映射更加精准。为了将特征正确地映射到弧形屏的曲面坐标空间，利用曲面映射矩阵进行变换，但由于该矩阵同时包含几何变换信息和非线性修正信息，因此将其分解为两部分，使得变换过程更加精细化。对加权特征图进行几何变换部分的映射处理，该步骤主要涉及坐标转换、旋转、缩放等线性变换操作，从而将特征投影到弧形屏的初始映射空间中。利用非线性修正部分对映射结果进行调整，以补偿由于屏幕曲率导致的非线性变形，使得最终的映射特征数据更加精准地匹配屏幕的几何形态。对映射特征数据执行基于曲率的自适应双线性插值运算。引入曲率自适应机制，以调整插值过程中权重的分布，使得插值计算适应不同曲率区域的形态变化。例如，在屏幕曲率较大的区域，适当增加插值权重的非均匀性，以减少几何扭曲，而在曲率较小的区域，则采用标准的双线性插值方式，以保证计算效率。通过该步骤，得到最终的空间映射特征图。 [0015] S4，将空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图；具体的，根据弧形屏的几何特性构建适应不同曲率区域的多曲率卷积核，设定曲率值分别为 、 和 ，保证在不同曲率范围内都能够提取最适合的空间特征。由于不同的曲率区域导致光线投射、透视畸变以及纹理映射的变化，因此每组曲率卷积核均包含两个卷积层和一个批归一化层，以确保特征提取的稳定性。前两个卷积层分别用于学习局部空间特征，并适应不同曲率的影响，而批归一化层则用于归一化特征分布，防止梯度消失或者爆炸，同时提高训练的收敛速度，使得最终的曲面特征更加平滑且具有较强的可泛化性。在构建完成多曲率卷积核后，将空间映射特征图分别输入这些多曲率卷积核，以进行特征计算，得到三组不同曲率视角的特征数据。每个卷积核的作用范围不同，其中 主要用于低曲率区域的特征提取，适用于接近平面的部分，而 适用于中等曲率区域，能够在一定程度上捕捉屏幕的弯曲特性，而 主要用于高曲率区域，使得特征表达能够更好地适应屏幕边缘或者弯曲程度较大的区域。通过这种方式，在不同曲率范围内进行特征计算，从而确保最终渲染时，不同曲率区域的特征能够以最优的方式进行提取和表达，避免传统卷积在处理弧形屏时出现的畸变和模糊问题。在获得三组不同曲率视角的特征数据后，对弧形屏进行空间结构的划分，以便更精准地匹配特征表达。将整个弧形屏进行n等分弧段划分，并为每个弧段分配独立的特征增强参数，形成弧段参数集。在不同曲率区域设定不同的参数，使得特征增强过程能够自适应地调整特征表达，以减少全局参数化方法带来的误差。为了构建不同弧段之间的关系，将n个弧段构建为一个图结构，其中每个弧段视为一个图节点，而相邻弧段之间的关系视为图边，得到弧段关系图。对三组不同曲率视角的特征数据和弧段关系图进行图卷积运算，以建立特征之间的空间依赖关系。由于传统的CNN方法在处理非欧几里得空间数据时存在局限，而弧形屏上的数据分布具有非均匀性，图卷积能够更好地学习不同弧段之间的特征交互，使得相邻区域的特征信息能够共享，并强化全局特征表达。图卷积运算通过邻接矩阵和归一化拉普拉斯矩阵对不同区域的特征进行聚合，使得最终的空间依赖特征能够准确反映不同弧段之间的相互影响，提高渲染的空间一致性，得到空间依赖特征。根据空间依赖特征和弧段参数集进行特征增强运算，得到曲面增强特征图。特征增强过程基于不同弧段的特征参数，通过权重调整的方式对特征数据进行加权求和，使得每个区域的特征能够更加符合其曲率特性。 [0016] S5，将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合；其中，对初始渲染参数进行分类，区分受弧形屏影响较大的参数和相对独立于曲面形态的参数。将初始渲染参数集合划分为曲面敏感型参数集合和曲面不敏感型参数集合。其中，曲面敏感型参数集合包括几何变换参数和视角投影参数，这些参数决定3D场景在弧形屏上的投影方式，受到屏幕曲率的直接影响。而曲面不敏感型参数集合主要包含光照参数和材质参数，这些参数虽然影响场景的视觉风格和渲染效果，但不会直接因屏幕的几何形态发生变化。在参数分类完成后，分别针对这两类参数构建优化函数，以确保不同类型的参数能够得到最优调整。对于曲面敏感型参数集合，其优化函数同时考虑曲面失真和特征保持，因此包含了两个关键项，一个是曲面失真度量项，用于衡量3D场景在弧形屏上的投影误差，例如计算原始几何信息在曲面投影后的偏差，确保优化后的参数能够最大程度减少畸变；另一个是特征保持项，用于保证场景的重要几何特征不会因优化而丢失，以避免3D模型在弧形屏上的结构性扭曲。通过这两部分的共同作用，确保优化后的参数既能减少失真，又能保持空间特征的完整性。而对于曲面不敏感型参数集合，则采用均方误差作为优化目标，以确保优化后的光照和材质参数能够最大程度地接近最佳视觉效果，并在不同的渲染环境下保持稳定性。在构建了优化目标后，接下来执行优化计算，对曲面敏感型参数集合进行梯度下降运算。由于弧形屏的曲率在不同区域有所变化，在优化过程中，根据屏幕的曲率动态调整优化的步长，在高曲率区域减少步长，以确保参数变化不会过于剧烈，而在低曲率区域则适当增加步长，以加快优化速度。有效防止在曲率变化剧烈的地方出现过度优化的情况，从而提高最终渲染结果的稳定性。经过多轮迭代优化后，曲面敏感型参数集合能够逐步收敛，使得3D场景的投影变得更加准确，并减少因屏幕曲率导致的视觉畸变。同时，对于曲面不敏感型参数集合，则采用自适应优化方法进行优化处理，以确保光照和材质参数的调整能够更加高效和精准。在优化过程中，对不同的光照条件和材质反射特性进行动态调整，使得优化后的参数能够在不同场景中保持较好的视觉表现，同时避免由于优化导致光照失真或者材质细节丢失。通过该步骤，确保最终的渲染效果更加稳定，使得无论屏幕的曲率如何变化，光照和材质仍然能够保持自然一致的表现。在曲面敏感型参数集合和曲面不敏感型参数集合分别完成优化后，对两者进行合并运算，以形成最终的目标渲染参数集合。在合并过程中，确保几何变换参数与光照和材质参数的匹配性，以保证渲染过程中不会出现不协调的现象。例如，在优化后的几何参数调整后，影响光照的投影方式，因此在合并过程中进行相应的补偿，以确保最终的渲染效果能够在弧形屏上保持最佳的视觉表现。 [0017] S6，通过目标渲染参数集合和曲面增强特征图进行3D场景渲染，得到弧形屏显示图像。 [0018] 具体的，利用目标渲染参数集合中的几何变换参数对3D场景的顶点数据进行顶点变换运算，这一过程涉及坐标变换、旋转、缩放等操作，将原始3D场景的顶点位置调整到适应弧形屏的空间坐标系中。由于弧形屏具有特定的曲率分布，在执行顶点变换时，考虑不同区域的曲率对顶点位置的影响，确保变换后的顶点坐标能够准确地映射到弧形屏的显示区域，使得整个场景的空间结构保持一致。在完成顶点变换后，对变换后的顶点坐标执行投影矩阵变换，以确保3D场景能够正确地投影到弧形屏上。在这一过程中，利用目标渲染参数集合中的视角投影参数，将变换后的顶点坐标转换到屏幕坐标系，使得3D模型能够正确地投影到弧形屏表面。由于传统的透视投影方法适用于平面屏幕，而弧形屏的投影关系更加复杂，在投影变换过程中，引入曲面投影校正方法，以补偿因屏幕曲率导致的透视畸变，使得最终的投影顶点数据能够精确地匹配弧形屏的几何特性。在获得投影顶点数据后，对其进行三角面片划分，并在此基础上进行曲率自适应采样，以确保渲染过程中能够针对不同曲率区域进行优化处理。三角面片划分的目的是将整个3D场景离散化，使得渲染计算能够以多边形片元为单位进行处理，而在划分过程中，根据屏幕的曲率特性动态调整三角面片的密度，以确保在高曲率区域能够获得更精细的几何细节，而在低曲率区域保持较低的采样密度，以提高计算效率。在曲率自适应采样过程中，采样密度与曲率值成正比，即在曲率较大的区域增加采样点数量，以增强细节表达能力，而在曲率较小的区域减少采样点数量，以避免计算资源的浪费，获得优化后的采样点数据。在得到采样点数据后，基于目标渲染参数集合中的光照参数和材质参数，对采样点数据进行光照着色计算，生成初始像素数据。在光照计算过程中，结合光源位置、材质的反射特性、法线信息等因素，以计算每个采样点的光照强度和颜色分布。由于弧形屏的光照效果受到曲面特性的影响，在计算过程中，考虑屏幕曲率对光照的影响，例如在高曲率区域出现光线聚焦效应，从而导致局部亮度增加，而在低曲率区域光线分布较均匀，因此需要进行相应的光照补偿，以确保最终的光照效果能够在整个屏幕范围内保持平衡。在获得初始像素数据后，结合曲面增强特征图，以执行特征注入运算，从而增强像素数据的表现力。曲面增强特征图包含在前期计算过程中提取的曲面特征信息，例如曲率特征、空间依赖特征、纹理增强信息等，因此在特征注入过程中，将这些特征与初始像素数据进行融合，以增强最终渲染结果的空间一致性。例如，利用曲面增强特征对光照计算进行优化，使得高曲率区域的阴影和高光表现更加自然，或者利用特征图中的纹理增强信息，使得场景的材质细节能够更清晰地展现，提高最终渲染结果的质量。对增强像素数据执行基于曲率的抗锯齿处理，以减少由于像素化导致的边缘锯齿效应。采用基于曲率的自适应抗锯齿方法，以根据局部曲率调整插值计算方式，从而减少高曲率区域出现的边缘锯齿，并确保最终的渲染结果能够在整个弧形屏上保持平滑、自然的视觉效果。经过计算后，生成适用于弧形屏的显示图像，使得3D场景能够以高质量的形式呈现在弧形屏幕上，并在不同曲率条件下均能够保持最佳的视觉表现。 [0019] 在一个示例中，对3D场景数据进行频域分解，得到场景频域特征数据，包括：对3D场景数据进行5层拉普拉斯金字塔分解，得到多层级场景数据； 对多层级场景数据进行小波变换处理，得到每层级的水平分量数据、垂直分量数据和对角分量数据； 将水平分量数据、垂直分量数据和对角分量数据输入第一特征提取分支，通过第一特征提取分支的3×3卷积核和ReLU激活函数进行连续3次特征提取操作，得到高频特征数据； 将水平分量数据、垂直分量数据和对角分量数据输入第二特征提取分支，通过第二特征提取分支的7×7卷积核和线性激活函数进行特征提取操作，得到低频特征数据； 将高频特征数据和低频特征数据作为场景频域特征数据。 [0020] 在这个示例中，对3D场景数据进行5层拉普拉斯金字塔分解。拉普拉斯金字塔分解通过逐层滤波和下采样，逐步将图像或数据的细节信息分解到多个尺度上，得到每一层的低频和高频信息。拉普拉斯金字塔的每一层包含不同尺度的场景数据，其中低频部分包含场景的整体轮廓信息，而高频部分则包含更细致的纹理和细节。拉普拉斯金字塔分解的每一层表示为：； 其中，表示第层的拉普拉斯金字塔数据，表示第层的高斯模糊图像， 表示下一级别的金字塔层，通常是通过高斯模糊和下采样得到的。通过这种方式，拉普拉斯金字塔有效地提取场景在不同尺度下的特征信息。针对每一层的拉普拉斯金字塔数据，进行小波变换处理，以提取频域特征。小波变换有效地在多尺度上分析信号的局部特征，将信号分解为多个频率子带。对每一层的拉普拉斯金字塔数据进行二维小波变换，得到水平分量数据、垂直分量数据和对角分量数据。二维小波变换表示为： ； 其中， 表示输入的场景数据， 和 是小波变换的滤波器系数， 是位置 坐标。小波变换后的输出包含多个分量，其中水平分量数据捕捉水平方向的细节信息，垂直分量数据捕捉垂直方向的细节信息，而对角分量数据则捕捉图像中的斜对角特征。这些频域分量有效地描述场景的不同方向和不同尺度上的纹理信息。将每一层的水平、垂直和对角分量数据输入到两个不同的特征提取分支进行特征处理。第一个特征提取分支使用一个 3×3的卷积核，并结合ReLU激活函数进行连续三次特征提取操作，提取场景数据中的高频特征，表示细节和纹理信息。在卷积操作中，每一次卷积提取特定的局部特征，并通过ReLU激活函数引入非线性因素，增强网络的表达能力。具体的卷积操作表示为： ； 其中，表示卷积结果，是卷积核，是输入数据，是偏置项， 表示卷积操作，ReLU表示激活函数。通过三次连续的卷积操作，逐步提取输入数据中的高频特征。第二个特征提取分支则采用一个7×7的卷积核，并使用线性激活函数进行特征提取。这一分支的主要任务是提取低频特征，这些特征代表场景的整体结构和大尺度信息。与第一分支不同，线性激活函数保持了特征数据的原始数值，使得低频信息能够以原始形式进行提取。这一过程的卷积操作与前述相似，不过激活函数不同，公式为： ； 表示卷积结果，是卷积核，是输入数据，是偏置项，但没有引入ReLU激活函数，因为系统关注的是低频特征的线性表达。通过第一分支和第二分支的处理，分别得到高频特征数据和低频特征数据。高频特征数据捕捉细节信息，而低频特征数据则保留场景的整体结构。将这两种特征数据结合起来，得到完整的场景频域特征数据。 [0021] 本实施例中，场景频域特征数据经过特征对齐处理后再用于构建曲面映射矩阵，特征对齐处理包括：将场景频域特征数据输入并行的卷积神经网络分支和Transformer分支，通过卷积神经网络分支提取局部细粒度特征，通过Transformer分支提取长距离上下文特征，得到双分支特征数据；对双分支特征数据构建多尺度特征金字塔，在不同尺度层级分别进行特征提取，得到多尺度特征序列；将多尺度特征序列输入特征交互模块，对不同分支间的特征进行跨分支注意力计算，得到交互注意力权重；根据交互注意力权重对双分支特征进行加权融合，并引入残差连接，得到初级语义对齐特征；对初级语义对齐特征进行自注意力计算，建立特征内部的长距离依赖关系，得到自注意力特征图；将自注意力特征图输入多层感知机进行非线性变换，得到高级语义对齐特征；对高级语义对齐特征进行残差自交互运算，融合全局信息和局部信息，得到最终语义对齐特征；将最终语义对齐特征作为优化后的场景频域特征数据。 [0022] 在一个示例中，根据弧形屏的曲率参数和弧度参数构建曲面映射矩阵，包括：根据弧形屏的曲率参数和弧度参数构建弧形屏参数化曲面方程； 对弧形屏参数化曲面方程进行变换分析，得到包含平移分量、旋转分量和缩放分量的4×4基础变换矩阵； 根据弧形屏参数化曲面方程构建非线性映射函数，将曲面变形修正项引入非线性映射函数，得到非线性修正矩阵； 对基础变换矩阵和非线性修正矩阵执行矩阵乘法运算，得到初始映射矩阵； 根据场景频域特征数据计算映射参数修正量，得到参数调整矩阵，并对初始映射矩阵和参数调整矩阵进行组合运算，得到曲面映射矩阵。 [0023] 在这个示例中，根据弧形屏的曲率参数和弧度参数构建弧形屏的参数化曲面方程。弧形屏的曲率参数表示弧形屏表面弯曲的程度，而弧度参数则定义弧形屏的弯曲角度。采用参数化的方式，表示为一个二维坐标系中的函数，使用极坐标系来表示其中的曲面特性。假设弧形屏的中心位于原点，参数化曲面方程写作： ； ； ； 其中，是弧形屏的半径，和 分别是角度参数， 表示水平方向上的角度 变化， 表示竖直方向上的角度变化。通过这种方式，描述弧形屏表面上每个点的空间位置。对弧形屏参数化曲面方程进行变换分析，得到包含平移分量、旋转分量和缩放分量的4 换矩阵。弧形屏的安装位置和角度会有所偏移，因此对曲面方程进行空间变换。变换过程包括平移、旋转和缩放操作。将这些变换操作统一表示为一个4x4的变换矩阵。 假设平移分量为 ，旋转分量为 (围绕某一轴的旋转角度)，缩放分量为 ，则变换矩阵表示为： ； 其中， 分别为缩放因子， 为平移量。通过该矩阵对曲面方程进行矩 阵变换，得到变换后的曲面坐标。根据弧形屏参数化曲面方程构建非线性映射函数，将曲面变形修正项引入非线性映射函数，得到非线性修正矩阵。在弧形屏显示时，由于显示设备的弯曲性质，渲染的场景会发生几何畸变，特别是在屏幕的边缘区域。为了修正这些变形，引入非线性映射函数，该函数对场景的几何形状进行必要的变形调整。非线性修正矩阵是通过引入曲面变形修正项来实现的，修正项根据曲率和弯曲度来动态调整。非线性映射矩阵表示为： ； 其中， 是曲率修正函数，表示曲率值。该函数根据场景的局部曲率调整相应的变形程度，通常会随着曲率的增大而增强变形，从而修正边缘区域的失真。对基础变换矩阵和非线性修正矩阵执行矩阵乘法运算，得到初始映射矩阵。通过将基础变换矩阵和非线性修正矩阵相乘，得到一个包含了所有变换(平移、旋转、缩放、修正)的初始映射矩阵： ； 初始映射矩阵包含弧形屏的几何变换和曲面修正信息，是整个渲染过程中用于映射场景数据的基础矩阵。根据场景频域特征数据计算映射参数修正量，得到参数调整矩阵。 由于场景的频域特征(如纹理、光照等)在不同的弯曲区域表现不同，根据场景的具体频域特征进行额外的修正。这一过程通过分析场景的频域特征数据(如通过拉普拉斯金字塔分解或小波变换得到的特征)获得映射参数的修正量。假设映射参数修正量为 ，则参数调整矩阵表示为： ； 其中， 为调整后的缩放因子， 为调整后的平移量。根据场景 的具体频域特征，动态计算这些参数。将初始映射矩阵和参数调整矩阵进行组合运算，得到最终的曲面映射矩阵： ； 该映射矩阵用于将3D场景中的所有几何体映射到弧形屏的显示区域，确保渲染结果能够准确地反映弧形屏的曲率特性和场景的空间变换。通过映射过程，弧形屏显示的3D场景得到正确的几何映射，从而避免由屏幕曲率引起的畸变。 [0024] 本实施例中，在得到曲面映射矩阵之后、对3D场景进行空间特征映射之前，还包括：对曲面映射矩阵构建非线性仿射模型，将曲面映射矩阵分解为线性映射部分和非线性扰动部分，得到初始仿射模型；基于初始仿射模型设计非线性扰动观测器，对非线性扰动部分进行状态估计，得到扰动状态估计值；根据扰动状态估计值构建积分滑模动态切换面，通过切换面的动态变化建立扰动补偿函数，得到补偿参数；基于补偿参数对曲面映射矩阵进行齐次二阶准连续优化，消除非线性扰动影响，得到优化后的曲面映射矩阵；对优化后的曲面映射矩阵进行Lyapunov稳定性分析，构建稳定性约束条件，得到稳定性参数；根据稳定性参数对优化后的曲面映射矩阵的曲率参数进行自适应调整，得到调整后的曲率参数；利用调整后的曲率参数更新优化后的曲面映射矩阵的非线性映射函数，得到补偿后的曲面映射矩阵；对补偿后的曲面映射矩阵进行曲率自适应验证，确保映射精度满足预设阈值要求，得到最终的曲面映射矩阵，并将最终的曲面映射矩阵作为后续空间特征映射的输入。 [0025] 在一个示例中，基于场景频域特征数据和曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图，包括：将场景频域特征数据输入注意力机制单元，通过注意力机制单元中的3×3可变形卷积和1×1卷积分别进行空间注意力特征和通道注意力特征提取，得到双注意力特征图； 对双注意力特征图进行跳跃连接处理，建立不同层级特征之间的关联，得到多层级关联特征，并基于场景深度信息对多层级关联特征进行深度重要性计算，得到深度权重系数； 根据深度权重系数对多层级关联特征进行加权计算，得到加权特征图； 将曲面映射矩阵分解为几何变换部分和非线性修正部分，对加权特征图进行分步映射，得到映射特征数据； 对映射特征数据执行基于曲率的自适应双线性插值运算，得到空间映射特征图。 [0026] 在这个示例中，将场景频域特征数据输入注意力机制单元。场景频域特征数据是通过对3D场景进行频域分解得到的，包含场景的不同频率分量，反映不同的空间信息。注意力机制自动地根据输入数据的特征动态地调整其权重，从而加强重要特征的表达并抑制无关特征。注意力机制单元内使用两种卷积操作：3×3可变形卷积和1×1卷积。3×3可变形卷积用于提取空间注意力特征。通过卷积操作，网络在不同的位置和空间尺度上自适应地调整卷积核的形状，以便更好地捕捉场景的空间信息。公式如下：； 其中， 表示提取的空间注意力特征， 表示3×3可变形卷积操作， 是输入的频域特征数据。1×1卷积用于提取通道注意力特征。与空间注意力特征不同，通道注意力特征侧重于在不同特征通道之间进行加权，根据不同通道对渲染结果的重要性进行动态调整。公式如下： ； 其中， 表示提取的通道注意力特征， 是 卷积操作。通过这两种 卷积操作，得到空间和通道的双重注意力特征图。对双注意力特征图进行跳跃连接处理。跳跃连接是一种在深度学习中的技巧，能够将不同层级的特征图进行有效地连接，使得网络能够利用低层和高层特征的关联信息。将空间注意力特征图和通道注意力特征图进行跳跃连接，得到多层级的关联特征。跳跃连接处理通过简单的加法或拼接操作实现，公式如下： ； 通过这种操作，低层次和高层次的特征得到有效的融合，增强了特征表达的能力。 基于场景的深度信息对多层级关联特征进行加权。场景的深度信息提供不同深度位置的权重，有助于确定不同层级特征的重要性。深度信息通过对每个像素的深度值进行归一化，得到深度权重系数。设深度值为 ，其归一化后的深度权重系数表示为： ； 其中， 表示深度权重系数，是第 个像素的深度值， 是场景中的最大深度值。通过该步骤，为每个像素根据其深度赋予不同的权重，实现深度的重要性计算。基于深度权重系数，对多层级关联特征进行加权计算，得到加权特征图。加权计算通过将深度权重系数应用于每个像素的特征值来实现，公式如下： ； 其中， 是加权后的特征图， 是跳跃连接后的多层级特征图，是深度 权重系数。基于曲面映射矩阵的几何变换和非线性修正部分，对加权特征图进行分步映射。 曲面映射矩阵的几何变换部分包含缩放、旋转和平移操作，而非线性修正部分则通过引入曲率修正项对特征进行精细调整。映射操作通过矩阵乘法或者其他变换技术来实现，以将加权特征图从3D空间映射到弧形屏的显示空间。映射公式表示为： ； 其中， 是映射后的特征数据， 是几何变换矩阵。针对映射后的特征数 据，执行基于曲率的自适应双线性插值运算，以优化映射结果。曲率值通过计算曲面上每个点的曲率获得，反映了表面在该点的弯曲程度。为了应对弧形屏的曲率变化，使用自适应双线性插值方法，根据不同位置的曲率值动态调整插值策略。双线性插值公式表示为： ； 其中， 是插值后的特征值， 和 是插值所用的两个像素点坐标， 是插值权重，它依赖于曲率值。通过以上步骤，最终得到的空间映射特征图能够准确地反映场景的频域特征，并通过对弧形屏的几何和非线性修正进行了优化，确保场景的真实感和视觉效果。 [0027] 其中，在空间映射特征图输入多曲率卷积核之前，还包括对空间映射特征图进行特征误差修正，具体包括：对空间映射特征图进行均匀网格划分，在每个网格内设置特征采样点，构建特征采样网络，得到特征采样点分布图；从不同视角对空间映射特征图进行特征提取，得到多组视角特征数据；对特征采样点分布图中的每个采样点计算特征映射误差，得到特征误差分布图；根据特征误差分布图对多组视角特征数据进行权重分配，得到加权视角特征数据；基于加权视角特征数据构建特征误差修正模型，得到特征修正参数；利用特征修正参数对特征误差分布图进行迭代优化运算，得到优化后的特征误差数据；根据优化后的特征误差数据对空间映射特征图进行误差补偿，得到误差修正特征图；对误差修正特征图进行特征一致性评估，生成修正后的空间映射特征图。 [0028] 在一个示例中，将空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图，包括：根据弧形屏的几何特性构建曲率值分别为k1、k2和k3的多曲率卷积核，多曲率卷积核中的每组曲率卷积核包含两个卷积层和一个批归一化层； 将空间映射特征图分别输入多曲率卷积核进行特征计算，得到三组不同曲率视角的特征数据； 对弧形屏进行n等分弧段划分，并对每个弧段分配独立的特征增强参数，得到弧段参数集； 将n个弧段构建为图结构，其中每个弧段为图节点，相邻弧段间的关系为图边，得到弧段关系图； 对三组不同曲率视角的特征数据和弧段关系图进行图卷积运算，建立特征间的空间依赖关系，得到空间依赖特征； 根据空间依赖特征和弧段参数集进行特征增强运算，得到曲面增强特征图。 [0029] 在这个示例中，根据弧形屏的几何特性构建曲率值分别为 、 和 的多曲率卷积核。弧形屏的曲率是影响显示效果的关键因素，决定了屏幕上每个区域的弯曲程度。为了适应不同曲率的区域，设计三种不同曲率值的卷积核，分别对应于屏幕上不同的区域。例如， 表示屏幕的中心区域曲率， 表示接近边缘的区域曲率， 代表极端的曲率区域(例如屏幕的两端)。每个卷积核由两个卷积层和一个批归一化层组成，从而更好地提取局部特征并提高模型的训练稳定性。卷积核的每个卷积层使用不同的核大小和步幅，通过局部特征提取来捕捉不同尺度的空间信息。批归一化层用于对输出进行归一化，减少训练过程中的过拟合现象。 [0030] Conv2D(Conv2D with BatchNorm；其中， 是通过多曲率卷积核计算得到的特征，Conv2D表示卷积操作， 是输入的特征图。每个曲率值对应的卷积核通过分别对空间映射特征图进行卷积运算，得到三组不同曲率视角的特征数据，即 ，分别对应不同曲率区域的特征。对弧形屏进行 等分弧段划分，将屏幕划分为多个区域，每个区域对应一个独立的特征增强参数，确保不同区域的显示效果能够根据其曲率特征进行独立优化。每个弧段的参数集包含特征增强所需要的所有参数，例如特定区域的亮度、对比度、颜色增强等。通过这种划分，更加灵活地调整渲染效果，使得不同区域的细节能够得到更好的呈现。 [0031] ；其中，表示第个弧段，是划分的弧段总数。每个弧段对应一组特征增强参数集合 ，即 ，这些参数是针对每个弧段独立优化的。在完成弧段划分后，将 个弧段构建为图结构，其中每个弧段作为一个图节点，相邻的弧段之间建立图边连接，从而得到一个弧段关系图，其中每个节点表示一个弧段，边表示相邻弧段之间的关系。该图结构使得系统能够通过图卷积网络(GCN)捕捉不同弧段之间的空间依赖关系，并在不同曲率视角下处理各个弧段的特征。 [0032] ；其中，是弧段关系图， 是图中的节点集，表示每个弧段，是图中 的边集，表示相邻弧段之间的关系。通过图卷积网络，计算每个弧段的空间依赖特征，建立各个弧段之间的关系。对三组不同曲率视角的特征数据 和弧段关系图 进行图卷积运算。图卷积是一种处理非欧几里得数据(如图数据)的神经网络方法。通过图卷积，在弧段关系图的结构下计算每个弧段的特征，进而学习不同弧段之间的空间依赖关系。图卷积的计算公式为： ； 其中， 是图卷积后的输出特征， 是第个节点的邻居节点集合， 是图的邻接矩阵，表示节点和节点之间的连接强度， 是卷积核权重，是激活函数。通过图卷积操作，捕捉到不同弧段之间的空间关系，并将这些关系融入到每个弧段的特征中，得到空间依赖特征 ，包含空间上不同弧段之间的交互信息。根据空间依赖特征 和弧段参数集进行特征增强运算，得到曲面增强特征图。通过特征增强，调整每个弧段的视觉效果，以实现更精细的渲染。特征增强通过加权计算、非线性变换等方式进行，最终得到的曲面增强特征图 包含经过空间依赖关系和特征增强处理后的最终特征： ； 其中， 是曲面增强特征图，是弧段参数集。通过该步骤，得到根据弧形屏的曲率特性和空间依赖关系优化后的特征图。 [0033] 在一个示例中，将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合，包括：对初始渲染参数集合进行参数类型划分，得到曲面敏感型参数集合和曲面不敏感型参数集合，曲面敏感型参数集合包含几何变换参数和视角投影参数，曲面不敏感型参数集合包含光照参数和材质参数； 对曲面敏感型参数集合构建包含曲面失真度量项和特征保持项的曲面敏感优化函数，同时，对曲面不敏感型参数集合构建基于均方误差的优化目标函数，得到曲面不敏感优化函数； 根据曲面敏感优化函数对曲面敏感型参数集合执行梯度下降运算，并通过曲率值动态调整更新步长，得到优化后的曲面敏感型参数集合； 根据曲面不敏感优化函数对曲面不敏感型参数集合执行Adam优化器运算，得到优化后的曲面不敏感型参数集合； 将优化后的曲面敏感型参数集合和优化后的曲面不敏感型参数集合进行合并运算，得到目标渲染参数集合。 [0034] 在这个示例中，对初始渲染参数集合进行参数类型划分，以将渲染参数分为曲面敏感型参数集合和曲面不敏感型参数集合。曲面敏感型参数集合包含与屏幕曲率相关的几何变换参数和视角投影参数，这些参数对于曲面的呈现效果具有较强的影响。几何变换参数包括旋转矩阵、平移矩阵和缩放矩阵等，用于描述场景或物体在曲面上的变换。视角投影参数包括视距、视角等，它们直接影响场景的空间透视效果。曲面不敏感型参数集合包含光照参数和材质参数，光照参数用于控制光源的位置、亮度和类型，而材质参数则影响物体表面的反射、折射、纹理等特征。通过这种划分，识别出哪些参数对曲面变化敏感，哪些参数则对曲面变化的影响较小。在完成参数类型划分分别为曲面敏感型参数集合和曲面不敏感型参数集合构建优化函数。对于曲面敏感型参数集合，构建一个包含曲面失真度量项和特征保持项的优化函数。在优化过程中，曲面失真度量项用于衡量由于曲面变换引起的几何失真，而特征保持项则确保在渲染过程中保留原始场景或物体的特征。例如，曲面失真度量项使用以下公式表示：； 其中， 是曲面失真度量项， 是第个点的变换矩阵， 是理想的变换 矩阵。通过最小化这个度量项，减少曲面变换过程中的几何失真。特征保持项则用于确保场景中各个物体的几何特征(如边缘、纹理等)在变换过程中得到较好的保留。特征保持项通过某种相似度度量(如结构相似度指数)来实现。对于曲面不敏感型参数集合，构建一个基于均方误差的优化目标函数。均方误差是最常用的优化目标函数之一，能够有效地衡量渲染图像与目标图像之间的差异。在优化过程中，目标是最小化渲染结果与真实效果之间的误差，以达到更好的光照和材质效果。均方误差的公式为： ； 其中， 是均方误差， 是第个像素的渲染图像值， 是第个像 素的目标图像值，是图像中像素的总数。最小化该损失函数能够优化光照和材质效果，减少渲染过程中产生的误差。对曲面敏感型参数集合进行优化。采用梯度下降算法对这些参数进行优化。梯度下降算法通过计算损失函数相对于参数的梯度，沿着梯度方向更新参数，以最小化损失函数。在优化过程中，引入曲率值动态调整更新步长，以避免在曲率较大区域的参数更新过于剧烈，导致渲染效果不稳定。例如，假设有一个曲面敏感型参数集合 ，对应的优化函数为 ，则更新规则为： ； 其中，是学习率(步长)， 是损失函数的梯度。在此基础上，根 据曲率值对学习率进行调整，曲率较大的区域使用较小的学习率，以保证参数更新的稳定性。对于曲面不敏感型参数集合，采用Adam优化器进行优化。Adam优化器是一种结合了动量法和自适应学习率的优化算法，能够在较短的时间内收敛到较优解。通过使用Adam优化器，高效地调整光照和材质参数，确保渲染效果的细节更加真实。Adam优化器的更新规则为： ； ； ； 其中， 和 分别是梯度的一阶矩估计和二阶矩估计， 和 是动量参数，是学习率，是为了防止除零错误的常数。经过梯度下降和Adam优化器的迭代优化，分别得到优化后的曲面敏感型参数集合和曲面不敏感型参数集合。将这两个优化后的参数集合进行合并，得到最终的目标渲染参数集合。 [0035] 在一个示例中，通过目标渲染参数集合和曲面增强特征图进行3D场景渲染，得到弧形屏显示图像，包括：根据目标渲染参数集合中的几何变换参数对3D场景的顶点数据进行顶点变换运算，得到变换后的顶点坐标； 根据目标渲染参数集合中的视角投影参数对变换后的顶点坐标进行投影矩阵变换，得到投影顶点数据； 对投影顶点数据进行三角面片划分，并对三角面片进行曲率自适应采样，其中采样密度与曲率值成正比，得到采样点数据； 根据目标渲染参数集合中的光照参数和材质参数，对采样点数据进行光照着色计算，得到初始像素数据； 将曲面增强特征图与初始像素数据进行特征注入运算，得到增强像素数据，并对增强像素数据执行基于曲率的抗锯齿处理，得到弧形屏显示图像。 [0036] 在这个示例中，目标渲染参数集合中的几何变换参数包括旋转、平移和缩放操作，通过变换矩阵实现对3D场景顶点的空间位置调整。假设有一个3D场景中的顶点数据集，其中每个顶点 都是场景中物体的空间坐标。根据目标渲染参数集合中的几何变换参数，使用一个4×4的变换矩阵 来进行顶点变换，得到新的顶点坐标，其中变换后的坐标是通过矩阵运算得到的： ； 其中，是变换矩阵，包含旋转、平移和缩放等操作，是原始顶点坐标，是变换后的顶点坐标。通过该步骤，整个3D场景的物体按照目标渲染参数中的几何变换要求被转换到了新的空间位置。使用目标渲染参数集合中的视角投影参数对变换后的顶点坐标进行投影矩阵变换。投影矩阵是将3D空间中的点转换为2D图像平面上的点，包括透视投影和正交投影两种方式。假设变换后的顶点坐标为 ，投影矩阵 用来将这些坐标映射到视角投影平面上，得到投影后的顶点数据 ： ； 其中，是视角投影矩阵，根据相机的位置、视野角度等参数进行调整，是变换后的顶点坐标，是投影后的顶点坐标。投影过程通过透视投影矩阵实现，根据视距、焦距等参数计算视角畸变，得到最终的2D图像坐标。基于投影顶点数据进行三角面片划分。在3D图形处理中，三角面片是最基本的几何单元，由三个顶点定义。对于一个复杂的3D场景，将多个顶点按照一定的规则划分成多个三角面片，并且每个面片上都可能有不同的采样密度。 为了应对弧形屏的曲率带来的影响，采用曲率自适应采样。曲率自适应采样是指根据每个三角面片的曲率值动态调整采样密度。假设一个三角面片的曲率值为 ，采样点的密度 与曲率值成正比： ； 其中，是常数系数，是面片的曲率，是采样密度。曲率越大，采样密度越高，反之则较低。通过这种方式，更精确地控制那些曲率变化较大的区域，以便提高渲染精度，特别是在复杂的弯曲区域。将光照参数和材质参数应用于这些采样点数据，以计算每个采样点的光照着色值。光照着色计算的基本目标是根据光源、材质属性、视角等因素来确定每个采样点的颜色值。假设采样点的法向量为 ，光源的强度为 ，观察视角为 ，材质反射系数为 ，则根据Phong反射模型，光照着色值 通过如下公式计算： ； 其中，是光源方向向量，是反射方向向量，是高光指数， 是环境光反射 系数， 是漫反射反射系数， 是镜面反射反射系数，和 分别是采样点的法线向量和视角方向向量。通过上述计算，为每个采样点生成初始的像素数据。将曲面增强特征图与初始像素数据进行特征注入运算。将先前通过深度学习或其他方法提取的曲面特征图与渲染过程中计算得到的初始像素数据结合，以增强渲染效果。假设曲面增强特征图为，初始像素数据为 ，通过加权运算将这两者结合： ； 其中，是加权系数，控制初始像素数据与增强特征图的融合程度， 是增 强后的像素数据。通过特征注入，有效地提高渲染效果的质量，使得物体的表面细节和光照效果更加真实。对增强像素数据执行基于曲率的抗锯齿处理，减少图像中由于像素分辨率不足而产生的锯齿现象。在基于曲率的抗锯齿处理过程中，依据每个像素所在位置的曲率值动态调整抗锯齿的强度。假设每个像素的曲率值为 ，则抗锯齿处理的强度 与曲率值成正比： ； 其中，是常数系数， 是抗锯齿强度，是曲率值。曲率较大的区域，抗锯齿处理强度较大，从而有效减少在这些区域产生的锯齿现象。通过以上步骤，最终得到平滑且清晰的弧形屏显示图像。 [0037] 参照图2，本实施例提供了一种基于弧形屏的3D场景渲染装置，包括：频域分解模块1，用于对3D场景数据进行频域分解，得到场景频域特征数据； 构建模块2，用于根据弧形屏的曲率参数和弧度参数构建曲面映射矩阵； 特征映射模块3，用于基于场景频域特征数据和曲面映射矩阵进行3D场景空间特征映射，得到空间映射特征图； 特征处理模块4，用于将空间映射特征图输入多曲率卷积核进行曲面特征处理，得到曲面增强特征图； 渲染参数优化模块5，用于将初始渲染参数集合分为曲面敏感型参数集合和曲面不敏感型参数集合，并执行渲染参数优化，得到目标渲染参数集合； 3D场景渲染模块6，用于通过目标渲染参数集合和曲面增强特征图进行3D场景渲染，得到弧形屏显示图像。 [0038] 在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。 [0039] 参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。 [0040] 本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。 [0041] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。 |
||
QQ群二维码
意见反馈
意见反馈