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！

龍圖騰網獲悉深圳市森歌數據技術有限公司申請的專利一種基于增量式更新的動態三維重建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：CN120510308B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202511000544.2，技術領域涉及：G06T17/00；該發明授權一種基于增量式更新的動態三維重建方法是由周皓然;葉紹澤;黎治華;陸國鋒;陳康;袁杰遵;張舉冠設計研發完成，并于2025-07-21向國家知識產權局提交的專利申請。

本一種基于增量式更新的動態三維重建方法在說明書摘要公布了：本發明公開了一種基于增量式更新的動態三維重建方法，屬于圖像數據處理領域，包括步驟：獲取待重建的林業場景多視角的圖像，構成初始數據集D0；基于D0和3DGS方法構造林業場景的初始三維場景模型；監測林業場景構造第t次變化的增量數據集Dt；每次增量學習時，將上次的增量模型分為變化區域和非變化區域，通過優化變化區域、非變化區域、構造新增場景模型的方式得到第t次增量學習的增量模型并用于圖像渲染。本發明避免全場景重建，顯著提高動態環境下三維重建的效率的同時，能保證三維模型的精準度。且只需少量新增視角圖像即可完成場景的更新，極大降低了數據采集的成本和時間，特別適用于林業等大規模監測及需要長期監測和實時更新的場景。

本發明授權一種基于增量式更新的動態三維重建方法在權利要求書中公布了：1.一種基于增量式更新的動態三維重建方法，其特征在于，包括以下步驟； S1，獲取待重建的林業場景多視角的圖像，構成初始數據集D0； ，其中，N為樣本總數，Ij,Kj,Rj,tj為D0中第j個樣本，Ij為第j張圖像，Kj為相機內參矩陣，Rj為相機的旋轉矩陣，tj為相機的平移向量； S2，基于D0和3DGS方法構造林業場景的初始三維場景模型，所述包括一組高斯球； S3，監測林業場景，若發生變化，獲取變化場景的多視角圖像構成增量數據集，第t次變化對應的增量數據集為Dt，t≥1，Dt與D0樣本格式相同； S4，基于Dt和殘差計算，將第t-1次增量學習得到的增量模型分為變化區域和非變化區域，包括步驟S41~S45； S41，建立一空的集合GSt，將Dt中每個樣本的圖像作為真實圖，用生成對應的渲染圖，Dt共K個樣本，其中第k個樣本的圖像的渲染圖為； S42，計算與中對應像素的殘差值，像素p的殘差值為； S43，選取的像素作為變化像素，構成的變化像素集合，式中、分別為中所有像素殘差的中位數和標準差； S44，根據下式從中篩選高斯球存入GSt； ， 式中，ξ為預設的貢獻度閾值，wip為中第i個高斯球對像素p的貢獻度； S45，按S42~S44依次處理Dt中每個樣本，將每個樣本篩選的高斯球存入GSt，將中GSt的高斯球作為變化區域，其余為非變化區域； S5，設置變化區域的目標函數，根據下式對中變化區域的參數進行調整，得到最優參數，并將調整后的標記為第一增量模型； ， ， 式中，為中參數的增量，argmin?為argmin函數，λloc為局部優化的正則化項； S6，優化非變化區域，包括S61~S62，并將優化后的標記為第二增量模型； S61，計算非變化區域內每個高斯球的置信度，其中第i個高斯球gi的置信度為γi； S62，預設置信度下限γmin，若γi＜γmin，則刪除或淡出gi； S7，構造新增場景模型，包括S71~S72； S71，構造新增場景集合Dzt，Dzt共K個樣本，其中第k個樣本為相對于中與新增場景對應的像素區域； S72，基于Dzt和3DGS方法構造新增場景模型，與融合后得到第t次增量學習的增量模型； S8，用進行圖像渲染。

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深圳市森歌數據技術有限公司，其通訊地址為：518001 廣東省深圳市羅湖區東曉街道東曉社區太白路3008號悅彩城(北地塊)寫字樓1302；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”。