基于生成网络的创意生成物求解器及其应用

1.本发明属于机器学习及智能技术领域，涉及一种基于生成网络的创意生成物求解器及其应用。


背景技术：

2.仿生学是模仿生物系统的原理来建造技术系统，或者使人造技术系统具有或类似于生物系统特征的科学。仿生学的主要研究方法主要是提出理论模型，通过数学仿真实现仿生原理到功能的实现。仿生设计(bionics design)就是模拟大自然及生物系统的结构、功能、形态、色彩等特征，进行创造性的设计。仿生设计从人的心理需求出发，以设计师个人的仿生理念为寄托，创造出充满生物情趣和自然形态的设计产品，又反过来服务于人类，从而完成了一个自然状态的从人到人的循环。创意仿生产品设计以模仿自然或受自然和生物的启发而进行。设计师在对自然物特征的观察和提炼的基础上，通过联想、夸张和简化等创意形态设计手法，结合设计对象、产品使用场景等因素形成设计方案，再经过适合生产制造技术需求的深化设计，才能完成产品设计过程。依据仿生学应用的方式的不同，仿生设计主要分为产品的形态仿生、功能仿生、结构仿生色彩仿生、肌理仿生等。形态仿生在现代产品造型设计中被广泛应用，如生活日用品、小家电、家具、交通工具等。当今设计师已经把产品造型创新方向投向仿生设计领域。
3.杰出而富有创意的仿生产品设计和设计师自身才华有关，具有偶然性和不确定性，如柯拉尼的仿生产品设计。为了更多地产生优秀的创意仿生设计，多年来学界和业界一直在尝试借助计算机技术探索仿生形态创意设计的规律。在将深度生成模型应用在产品形态仿生设计之前，学界有通过进化设计，建立造型数据库与抽取规则，运用进化算法定义适应度和产品特征模型，通过对仿生对象轮廓特征要素的提取，产生产品轮廓上的多样化设计方案。最近的研究尝试运用深度学习技术来自动合成仿生产品的造型轮廓。特别是simiao yu等首次将生成对抗网络等深度生成模型应用于产品外形的仿生设计，他们从深度学习的角度将仿生设计问题进行了数学定义，从而设计出一套深度生成模型来形成产品外形轮廓的仿生设计。
4.自编码器和生成对抗网络(gan)组合的深度生成模型，在平面图像生成、修复以及风格迁移等领域已经展现出了独特优势和巨大潜力。在三维设计方面，2016年麻省理工大学wu等人提出了将生成对抗网络应用在三维形状生成方面的具体方法，训练完成的模型可以将一张椅子的照片进行还原重建为一个椅子的三维模型。使用的是基于体素化的3d数据模型，首次提出三维形状表示中的隐向量空间的概念。panos等人应用自编码器以及中间的隐生成对抗网络(latentgan)完成了三维点云数据的嵌入与表示。利用自编码器直接基于三维数据集训练出一个隐向量空间，然后利用欧式空间与三维形状之间的双射，完成一系列三维生成任务，而中间latentgan的存在保证了生成结果的多样性。chen等人用隐式的方法优化深度生成模型latentgan的3d模型拟合的效果，使得基于插值生成的三维模型的效果更加连续平滑[11],并且重新使用体素的三维数据，并通过marchingcube算法来将体素
[0016]
潜在生成对抗网络
[0017]
生成器
[0018]
层激活函数输出形状输入隐向量 (128)全连接lrelu(2048)全连接lrelu(2048)全连接sigmoid(128)
[0019]
判别器
[0020]
层激活函数输出形状输入隐向量 (128)全连接lrelu(2048)全连接lrelu(2048)全连接 (1)
[0021]
基于以上系统，本发明还提出了一种基于生成网络的创意生成物求解器在三维仿生生成物生成中的应用，包括以下步骤：
[0022]
步骤1：建立训练集；
[0023]
步骤2：建立深度生成模型，并通过所述训练集对所述深度生成模型进行训练；所述深度生成模型包括隐式自动编码器和隐向量生成模型；所述隐式自动编码器包括编码器3dcnn和解码器im-decoder；所述隐向量生成模型采用创意生成物求解器；
[0024]
步骤3：使用所述深度生成模型生成三维仿生生成物。
[0025]
步骤4：将所述三维仿生生成物经过与设计师协同的后处理，得到三维仿生设计。
[0026]
本发明所述步骤1包括：构建3d文件格式到体素模型格式的识别转换路径，具体包括如下步骤：
[0027]
步骤1.1：三维网格的.obj文件用binvox体素化，转化为.binvox文件；
[0028]
步骤1.2：体素化后的文件用泛洪填充得到点值对，相当于等值面的离散采样；
[0029]
步骤1.3：用隐式自动编码器中的编码器学习三维体素到128维隐向量的映射，并且解码器学习128维隐向量加上三维体素位置到该体素的符号距离场的映射；符号距离场通过marching cube算法得到三维网格数据；符号距离场通过阈值化得到体素数据。
[0030]
本发明步骤1中进一步包括：训练集增强步骤，其包括基于设计目标数据增强与基于性能数据增强，将训练集总量从113+6000提升到20k多。
[0031]
所述基于设计目标数据增强包括：以设计为导向的数据增强侧重于将设计知识转移到数据集的准备中，以满足设计要求。例如，在设计师的设计过程中，方向的因素也算在内。在评估了现有的仿生产品和头脑风暴之后，考虑了多个方向的生成性设计使本发明能够探索更多的可能性。考虑到目标产品的对称性以及多样性和效率之间的权衡，本发明选择了将仿生对象数据集施加七个方向的旋转变换来实现多样化的混合结果。
[0032]
所述基于性能数据增强包括：面向性能的数据增强旨在提高深度生成模型的性能。生成器受到不平衡的训练数据的影响，特别是只有数百个动物数据集。非刚性变形，如拉伸变换，是缓解这一问题的有效方法。本发明在三个正交轴上拉伸训练数据集，其程度从0.25到2。
[0033]
本发明步骤1中进一步包括：提高生成的体素文件分辨率从16^3到32^3到64^3。
[0034]
其包括：模型生成符号距离场(sdf)，通过对sdf采样密度控制，允许生成任意分辨率的体素。但是网络拟合的细节程度取决于用到的体素文件分辨率大小。
[0035]
训练的时候采用渐进式训练，先在16^3的分辨率体素文件训练100轮，然后在32^3的分辨率体素文件训练200轮，最后在64^3的分辨率的体素文件训练1000轮。可以在训练过程中终止训练来控制生成多尺度细节的三维模型。
[0036]
本发明中，所述深度生成模型包括隐式自动编码器和隐向量生成模型；所述隐式自动编码器包括编码器3dcnn和解码器im-decoder；所述隐向量生成模型采用创意生成物求解器。
[0037]
所述im-decoder相比传统的基于卷积神经网络的解码器相比，能够使得隐向量空间与生成的三维体素更加连续，从而得到更连续的插值效果。
[0038]
im-decoder模型的损失函数依赖于采样方式，其中w
p
为加权采样方式的权重，依赖于采样点的稀疏程度。损失函数是每个点的真实值标签和预测标签之间的加权平均平方误差。令s为目标形状的点集，损失函数l(θ)为：
[0039][0040]
其中θ为网络权重，f
θ
为网络映射，为实际的符号距离场在p点采样的真值。
[0041]
本发明中，创意生成物求解器包括：启发式目标函数，所述启发式目标函数包括启发式采样算法和隐空间优化算法；所述启发式采样算法对隐空间进行采样；通过加权重训练手法训练生成模型，减少推理完成黑盒优化，得到隐向量生成器。
[0042]
本发明中建立创意生成物求解器包括以下步骤：
[0043]
步骤2.1：训练自动编码器学习低维表示；
[0044]
步骤2.2：在自动编码器的编码器和解码器之间的隐向量空间中部署创意生成物求解器；
[0045]
步骤2.3：训练集准备完成后，对自动编码器和创意生成求解器分别进行两阶段训练。
[0046]
所述两阶段训练是指：第一阶段采用渐进式训练训练自编码器，使生成的模型具备更多的细节；第二阶段训练创意生成物求解器，先通过启发式的采样方法对隐空间进行采样，后通过启发式目标函数计算得到采样点的分数，将高分的采样点集合用于训练非参数估计的核密度估计。同时高分的采样点集合作为后续评估的集合。
[0047]
考虑到上一步方法计算开销较大，因此把高分采样点作为训练集的一部分，训练文献sample-efficient optimization in the latent space of deep generative models viaweighted retraining的生成模型，由于加权重训练手法的有效性，最终可以用较少的推理完成黑盒优化，得到隐向量生成器。隐向量生成器可以自动输入32维服从标准多元高斯分布的训练输出在启发式目标函数中分数较高的样本点，这些样本点经过隐式解码器im-decoder后可以生成被认为高质量的创意生成物。
[0048]
混合启发式目标函数f(x)由连通分支计数函数和用于区分设计目标和仿生对象的二元分类器组成。连通分支计数函数使目标函数f(x)黑盒，即对一般的封闭形式或差分
信息未知。
[0049][0050]
其中，δ是用于离散化连续符号距离场的阈值，nr是体素的分辨率。f
θ
(z,p)是在z解码得到的符号距离场中点p处的网络预测值，表示整数全体。
[0051]
分别给定仿生对象与设计目标的嵌入表示和n为仿生对象和设计目标训练集样本的数目。zd和zb仅仅是命名的符号，k就是序号从1取到m或者n，ijk基本上都是这样用的。
[0052]
训练各个感知分类器fc(z)＝argmaxip(y＝i|z)。
[0053]
损失函数为：
[0054][0055]
其中：是隐向量，y表示二分类的随机变量，理想上fc(z)∈{0,1}，实际可微的网络取值是连续的fc(z)∈[0,1]。本发明的目标是鼓励生成物作为仿生对象和设计目标类别之间的一种权衡。当分类器不确定性达到最大值时，percept()应达到最优值，因此有如下定义：
[0056]
percept(z)＝h(z)＝-fc(z)logfc(z)-(1-fc(z))log(1-fc(z))
[0057]
混合启发式目标函数最终表示为：
[0058]
s(z)＝percept(z)+α1n
cg
(z)
[0059]
其中α1为系数。
[0060]
隐空间优化算法(lso)将隐向量点集映射到目标函数s(z)高值区域。其中目标函数f被评估的次数尽可能少，并最终得到评估点列目前采用(austin tripp,erik daxberger,and jos
é
miguel hern
á
ndez-lobato.2020.sampleefficient optimization in the latent space of deep generative models via weighted retraining.advances in neural information processing systems 33(2020).)的算法。该方法最终得到一个隐向量生成器，通过简单先验分布采样，输出处于目标函数s(z)高值区域的隐向量。
[0061]
为了评估隐空间优化算法的效果，在贝叶斯优化的基础上，采用启发式抽样方法和核密度估计形成真值点集。
[0062]
启发式抽样方法为素数间隔采样器。首先将高质量样本隐向量点集所在范围，缩小为训练数据集隐向量的凸包。从插值中选取中间几个点是一种可接受的创造性探索方法，适合于凸包s的即用评估。如果本发明对每一对和中的z1和z2进行插值采样n次，并在每对中选取中间m个点，样本集如下所示：
[0063][0064]
其中，n表示插值采样次数；λ取值从1到m。
[0065]
通过这种方式得到采样量是十分庞大的，为n
interpolation
＝m
×
|db||dd|。为了降低
采样量，本发明发现间隔素数个进行采样可以保持样本集的代数结构。样本集是一个阶为m的循环群，这种采样得到的的子集依旧是阶为m的循环群，而类似于均匀采样等方法得到子集是依概率收敛于这一结构的。
[0066]
最终得到的样本集合通过核密度估计，其中bandwidth为0.1。之后采样可以通过核密度估计采样得到创意生成物。
[0067]
本发明中，所述隐向量生成模型还可以采用潜在对抗生成网络。
[0068]
在隐式生成对抗网络(latent-gans)框架中，生成器与判别器都包含三层全连接层，其中前两层激活函数为leaky-relu最后一层为sigmoid函数。网络用于通过对抗训练拟合训练集经过编码器得到的隐向量点集，最终生成器可以通过输入标准正态分布，输出服从训练集隐空间中训练点集分布的隐向量。
[0069]
所述潜在生成对抗网络包括生成器和判别器，所述潜在生成对抗网络用于拟合训练集在隐空间的嵌入点的分布。
[0070]
本发明建立潜在对抗生成网络包括以下步骤：
[0071]
步骤2.1：训练自动编码器学习低维表示；
[0072]
步骤2.2：在自动编码器的编码器和解码器之间的隐向量空间中训练一个包括生成器和判别器的生成对抗网络；
[0073]
步骤2.3：训练集准备完成后，对自动编码器和对抗生成网络分别进行两阶段训练。
[0074]
所述两阶段训练是指：第一阶段采用渐进式训练训练自动编码器，使生成的模型具备更多的细节；第二阶段通过生成器和判别器训练隐向量空间中的对抗生成网络，使生成器生成的结果更具真实感和多样性。
[0075]
自动编码器和对抗生成网络训练完毕之后，得到嵌入映射aes→z,其包括自动编码器的编码器，以及生成映射gz→s,其包含生成对抗网络的生成器与自编码器的解码器。
[0076]
本发明中，所述隐向量生成模型还可以采用插值运算器。所述插值运算器的结构：给定仿生对象隐向量x1和设计目标隐向量x2，则插值向量表示为x＝γx1+(1-γ)x2其中γ∈0,1]通过均匀采样γ来得到对应的插值隐向量，最后通过解码器得到对应的生成物。插值隐向量通过生成器映射得到的隐式场为创意生成物，通过marchingcube算法得到三角网格文件。
[0077]
本发明中建立深度生成模型包括以下步骤：
[0078]
步骤2.1：训练自动编码器学习低维表示；
[0079]
步骤2.2：在自动编码器的编码器和解码器之间的隐向量空间中训练插值运算器；
[0080]
步骤2.3：训练集准备完成后，对自动编码器进行训练。采用渐进式训练训练自动编码器，使生成的模型具备更多的细节。
[0081]
插值运算器可以通过训练集数据直接得到封闭解，无需训练。
[0082]
本发明提出的基于深度生成模型的三维仿生生成物生成方法，深度生成模型可以单独采用潜在生成对抗网络、创意生成物求解器、插值运算器中的一个，也可以同时采用多个的组合。
[0083]
本发明还提供了上述方法在三维表示中的应用，所述应用具体包括如下流程：
[0084]
步骤1、通过编码器学习三维形状的嵌入，所述嵌入是指转化为低维空间中的元
素；
[0085]
步骤2、在低维空间按照特定规则进行搜索，找到一系列融合不同三维形状语义特征的低维空间中的元素；所述特定规则包括插值、潜在生成对抗网络生成隐向量、创意生成物求解器；
[0086]
步骤3、利用隐式编码器解码器学习映射，将低维空间中的元素重新映射回三维形状，得到对象的三维形状。
[0087]
本发明中，三维仿生设计中的设计指的是将生成物经过优化后得到的设计。“生成物”与“合成物”都对应于英文术语synthetic，特指经过生成器生成的产物。
[0088]
生成器。生成器是一种用于生成任务的神经网络模型。在模型训练阶段，需要对于给定训练集中多媒体内容所在空间x，学习一个隐表示空间z，且z空间是一个低维的欧式空间。在模型推理阶段，本发明有x＝f
θ
(z)，即给定一个隐空间采样点z，生成器可以生成一个对应模态的数据。
[0089]
隐式自编码器包含3dcnn编码器与隐式解码器用于拟合三维模型的符号距离场，对符号距离场进行重建，第一阶段训练完成后，作为三维形状数据集表示。损失函数为隐式场采样点的重构误差。具体网络结构见表。
[0090]
本发明中自动编码器的中间隐层是一个低维的欧式空间，并通过深度学习的方法抽取其中的语义。具体方法：假设低维空间为rn的子集，定义为隐向量空间z，给定设计目标域的样本与仿生对象域的样本假设设计目标域d的分布为p(d)，仿生对象域b的分布为p(b)。第一步训练编码器aes→z，来从样本中学习将分布p(d)与p(b)嵌入到低维隐向量空间z中的子集zb与zd中,假设他们的分布为p(zb)与p(zd)。第二步,按照特定规则在分布p(zb)与p(zd)的中间地带进行搜索,通过搜索得到创意生成域的潜在表示空间zi，假设其的分布为p(zi)，在p(zi)中采样得到一系列样本第三步，用训练好的生成模型的生成器gz→s将样本映射为三维形状域中，从而得到一系列具有仿生创意启发价值的三维形状。
[0091]
本发明采用隐空间中插值的方法来合成新颖的仿生设计形态。表示性学习的相关工作已经表明可以通过对隐向量的运算来对三维形状进行变换。本发明训练得到的模型同样可以把两个不同的物体通过编码器产生两个隐向量z1和z2,然后将插值后隐向量z'＝γz1+(1-γ)z2(0《γ《1)输入生成器来产生三维形状。这些三维形状随着γ的增大而体现出物体间的平滑过渡。
[0092]
潜在生成对抗网络用于将n(0,1)的正态分布样本映射为贴合训练集隐向量分布的新的样本点。
[0093]
高斯采样用于直接在隐空间中n(0,1)采样样本点。经测试效果不如潜在生成对抗网络。
[0094]
从输入数据集中的体素模型中挑选出合适的仿生对象与设计目标。通过编码器aes→z得到隐向量，对这些隐向量两两之间进行插值，得到大量中间产物，然后交由设计师介入挑选，并在后继生成过程中尝试不同角度组合来得到更加丰富的创意启发模型。
[0095]
在latent-gan模型的隐空间中进行高斯分布也是生成新颖仿生设计形态的方法。采样完成后设计师介入，挑选出模型学习效果较为理想的仿生对象与设计目标，为后续调
用模型，生成仿生产品做准备。为了使得生成结果和设计师更易接受，本发明采用了扩大数据集与方向调整来产生更加形态丰富多样的三维形状和形态细节。
附图说明
[0096]
图1是本发明方法过程中的示意图。
[0097]
图2是本发明基于深度生成模型的三维仿生生成物生成方法示意图。
[0098]
图3是本发明两阶段训练法流程图。
[0099]
图4是本发明四种三维形状的数据表示方法及相互之间转换方式的示意图。
[0100]
图5是本发明模型调用总框架图。
[0101]
图6是本发明实施例中以仿生设计为目标的创意生成问题的假设图。
[0102]
图7是本发明实施例生成结果的数据格式图。
[0103]
图8是本发明实施例典型生成物三维形态和设计启发点及设计方案发展方向示意图。
[0104]
图9是本发明实施例部分在生成物启发下完成的设计方案图。
[0105]
图10是本发明实施例部分生成物形态和国际优秀仿生儿童家居椅设计形态的对比图。
[0106]
图11是本发明实施例部分生成物启发下的设计方案和国际优秀仿生儿童家居椅设计的对比图。
[0107]
图12是本发明实施例部分创意生成物求解器生成结果评分示意图。
[0108]
图13是本发明创意生成物求解器的结构示意图。
具体实施方式
[0109]
结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
[0110]
实施例1
[0111]
如图12所示，从左到右，从上到下创意生成物求解器生成结果评分从高到低，可以看到高分生成物往往能够融合仿生对象与设计目标的形态特征。而处于中间阶段的生成物仅仅能够拟合训练数据的分布，不一定能够得到生成物之间融合的结构。处于低分阶段的生成物往往呈现大量破碎，影响产品功能性。
[0112]
本实施例中，采用创意生成物求解器得到三维仿生设计，具体过程如下：
[0113]
先通过启发式的采样方法对隐空间进行采样，后通过启发式目标函数计算得到采样点的分数，将高分的采样点集合用于训练非参数估计的核密度估计。同时高分的采样点集合作为后续评估的集合。
[0114]
考虑到上一步方法计算开销较大，因此把高分采样点作为训练集的一部分，训练文献sample-efficient optimization in the latent space of deep generative models viaweighted retraining的生成模型，由于加权重训练手法的有效性，最终可以用较少的推理完成黑盒优化，得到隐向量生成器。隐向量生成器可以自动输入32维服从标准多元高斯分布的训练输出在启发式目标函数中分数较高的样本点，这些样本点经过隐式解
码器im-decoder后可以生成被认为高质量的创意生成物。
[0115]
实施例2
[0116]
本发明实施例选择了以3-6岁儿童为设计对象，以仿生家居椅作为设计目标，以人们生活中比较熟悉的狗为仿生对象，以城市家庭室内为应用场景。参与本次设计的设计师包含1位红点产品设计奖获得者，一位曾在幼儿教育机构任职的产品设计师，一位家里有5岁幼儿的产品设计师，计算机工程师为华东师范大学计算机学院的研究生和老师组成的团队。
[0117]
基于工作设计师和计算机工程师共同构建了仿生设计资源库，训练中采用了椅子的开源模型库，以简单无装饰的靠背椅为生成模型的训练做准备；挑选特征明显且姿态一致的狗的模型构建了仿生造型库。
[0118]
本项目按设定的插值计算的三维深度学习模型进行多次训练，每个生成物由三视图和模型文件组成，经过9次训练和调用，共生成了超过1.5万个生成物供调用、评估和筛选。设计师和计算机工程从以下5个方面进行不断修正和推进，使得后继生成物具有更高的仿生设计形态价值。
[0119]
第一阶段是三维深度学习生成物调用和优化措施阶段，如下表所示：
[0120]
表1三维深度学习生成物调用和优化措施
[0121]
[0122]
深度学习生成物包括平面轮廓和三维形态文件，生成物的仿生形态价值评估分为仿生形态创意价值评估以及模型生成质量评估两个方面，设计师的依据生成物是否体现了原仿生对象的重要特征，生成物形态结构和仿生对象结构、产品结构的可对应性等为标准，比较快的挑选出具有较高仿生设计价值的生成物；算法工程师从深度学习的完成效果方面对生成物进行评估，找出生成物中扭曲、断裂、缺省等异常现象及原因，并观察评估每次插值、参数调整和数据集对生成结果的影响。经过多次生成过程的调整、筛选后，得到了大约5种类型的高仿生形态价值的生成物，可进一步优化为设计方案。生成物三维形态和平面轮廓都会对设计师有很大启发。
[0123]
第二阶段是将高仿生形态价值的3d生成物进一步优化为设计方案。这个阶段设计师的工作分为两个部分：1选取较高仿生设计形态价值的生成物，进行形态优化处理形成设计方案；2在单个或多个生成物的启发下，设计师直接二次创意，形成新的设计方案。设计师对仿生形态的敏感度、形态处理技巧和产品设计的经验在这个过程中起到关键作用，计算机工程师则需要对设计师的选取标准充分理解，并协助设计师完成筛选工作，以及进行生成物格式和模型的转换。
[0124]
设计师结合产品结构、功能设计等调整和优化生成物模型，形成多个儿童家居椅的设计方案。
[0125]
为了评估深度生成模型在三维仿生形态创意生成方面的价值，本发明把本次工作中设计师筛选出的生成物形态和知名仿生产品设计的形态进行了对比，如图10所示。
[0126]
对比发现，除去生成物表面粗糙度、局部形态完整度不够等问题，生成物的形态和大部分现有仿生产品设计的形态非常接近，并符合抽象仿生、意向仿生、具象仿生等仿生造型规律；生成物在姿态动态、动物典型特征等方面也比较接近仿生对象。生成物形态丰富，基本涵盖了仿生设计已有的创意形态的变化类型。
[0127]
本发明实施例中共有三位产品设计师在观察了生成物的特征后，短时间内融合自己的创意形成10个设计方案，还有多个设计创意草图，如图11所示。从方案的分布来看，多个生成物对设计师都有启发，并经过形态优化后可以形成设计方案；从方案的创意启发点来看，设计师可以从单个生成物上获得创意启发，也可以融合2个以上的生成物中的创意点，形成新的创意形态。这个过程证明生成物是能够给到设计师有效的创意启发，并辅助设计师形成设计方案的，对比之下国际设计师的设计在形态处理技巧上更胜一筹。设计师从生成物的轮廓中也获得了启发，形成了设计方案。
[0128]
实施例3
[0129]
通过潜在自编码器仅仅能够拟合训练数据的分布，不一定能够得到生成物之间融合的结构。但是有的时候仅仅是重建结构就存在某种程度的设计学抽象。本实施例中，采用潜在生成对抗网络得到三维仿生设计，具体过程如下：
[0130]
潜在生成对抗网络包括生成器和判别器，所述潜在生成对抗网络用于拟合训练集在隐空间的嵌入点的分布。
[0131]
在训练阶段中，生成器输入服从n(0,1)的正态分布的128维高斯噪声，输出的生成的128维向量。判别器输入生成的向量和训练集在隐空间的嵌入点集，进行分类向量类别属于训练集还是生成器生成的。双方进行对抗训练，最终训练完成后生成器可以输入高斯噪声输出贴近训练集在隐空间的嵌入点的分布的隐向量。
[0132]
在调用阶段中，将采样自n(0,1)的正态分布的128维向量映射为贴合训练集隐向量分布的新的样本点。
[0133]
生成器
[0134]
层激活函数输出形状输入隐向量 (128)全连接lrelu(2048)全连接lrelu(2048)全连接sigmoid(128)
[0135]
判别器
[0136]
层激活函数输出形状输入隐向量 (128)全连接lrelu(2048)全连接lrelu(2048)全连接 (1)
[0137]
如图1所示，通过潜在自编码器仅仅能够拟合训练数据的分布，不一定能够得到生成物之间融合的结构。但是有时候仅仅是重建结构就存在某种程度的设计学抽象。
[0138]
实施例4
[0139]
本发明提出的基于深度生成模型的三维仿生生成物生成方法，深度生成模型可以单独采用潜在生成对抗网络、创意生成物求解器、插值运算器中的一个，也可以同时采用多个的组合。当同时采用多个模型时，三维仿生设计的准确度得到提高。
[0140]
本发明的保护内容不局限于以上实施例。在不背离本发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。