JP7129529B2 - 人工知能の使用による３ｄオブジェクトへのｕｖマッピング - Google Patents

Description

本発明の実施形態は概して、コンピュータグラフィックに関し、特に、人工知能の使用による３ＤオブジェクトへのＵＶマッピングに関する。

三次元（３Ｄ）グラフィック用途は、ユーザが、３Ｄモデルに基づいた、ビデオゲーム、特殊効果、設計可視化、及び物理的物品の印刷を含む、様々な用途に対して３Ｄモデルを設計及び生成することを可能にする。３Ｄモデルは、ＵＶマッピング工程を介して、１つ以上の２Ｄ画像を使用してテクスチャ加工されることが多い。ＵＶマッピング工程は典型的には、３Ｄモデルが１つ以上の部位に分けられるべき、または分割されるべき、シームのセットを定義することを伴う。１つ以上の部位は、単一の２Ｄ画像（二次元ＵＶ空間）にアンラップまたは平坦化され、その結果、２Ｄ画像上にテクスチャを描くことができる。そのようにして、２Ｄ画像上のテクスチャが３Ｄモデルに適用または「マッピング」される。

ＵＶマッピングでは、３Ｄモデル上のシームの不適切な配置は、いくつかの問題を引き起こすことがある。特に、非常に多くのシーム、非常に少ないシーム、または不正確に配置されたシームが所与の３Ｄモデルに対して定義される場合、結果として生じる２Ｄテクスチャ画像は、いくつかの問題を含むことがある。以下で詳細に説明されるように、それらの問題は、レイアウトの非効率性、歪み、視覚的アーチファクト、及びセマンティック境界に位置しないシームを含む。

レイアウトの非効率性に関して、３Ｄモデルが平坦化されるとき、平坦化されたピースは、単一の２Ｄ画像に配列される。各々の平坦化されたピースのサイズ及び形状は、平坦化されたピースが２Ｄ画像上でどのようにレイアウトされるかに影響を与える。配列に応じて、２Ｄ画像上に配列された平坦化されたピースの周りにいくらかの量のブランク空間が残る。しかしながら、大容量のブランク空間、よって、２Ｄ画像上の空間の最適でない使用は望ましくない。特に、２Ｄ画像がより大きいほど、２Ｄ画像を記憶するためにより多くのコンピュータ記憶空間が利用され、２Ｄ画像を送信するためにより多くのネットワーク帯域幅が利用され、コンピューティングデバイスがテクスチャを有する３Ｄモデルをレンダリングしているときにより多くのメモリが利用される。よって、２Ｄ画像内でブランク空間を最小化する効率的なレイアウトがより望ましい。

歪みに関して、２Ｄ画像上のテクスチャが３Ｄモデルに適用されるとき、２Ｄ画像は、拡張または圧縮されることがある。例えば、世界地図の画像を球体上に配置する場合、単一の矩形ピースは、赤道に沿って拡張し、極に沿って圧縮する画像を結果としてもたらす。より多くのシームを追加することが、より多くのピースを結果としてもたらし、２Ｄ画像を適用するときの歪みの量を減少させる。しかしながら、多くの追加のピースを使用することが、２Ｄ画像のレイアウトの効率性に影響を及ぼし、したがって、歪みを減少させる最適な解決策ではないことが多い。球体の例を参照して、３Ｄモデルを単一の矩形ピースに分割することは、３Ｄモデルをいくつかの非矩形ピースに分割することと比較して、２Ｄ画像内でのより少ないブランク空間を結果としてもたらす。

視覚的アーチファクトに関して、２Ｄ画像上のテクスチャが３Ｄモデルに適用されるとき、シームが位置する場所の周りで視覚的アーチファクトまたは視覚的不一致が存在することがある。したがって、視覚的に顕著な領域にシームを配置することは望ましくない。例えば、世界地図の画像が球体上に配置されるとき、２Ｄ画像のエッジが共に背後で接合されるライン、歪み、または他の視覚的アーチファクトが存在することがある。歪みを減少させるために追加のシームを追加することは、そのような視覚的アーチファクトが顕著である場所の数を増大させる。

加えて、シームは、３Ｄモデルを１つ以上の平坦化されたピースに分割する。３Ｄモデルを論理的部位に、すなわち、セマンティック境界に沿って分割するようにシームを配置することは、アーチストが、モデルの異なる部位のためのテクスチャを識別及び編集することを可能にする。例えば、人間のモデルについて、モデルを腕部、脚部、頭部、及び胴部に対応するピースに分割することは、アーチストが、体の部位ごとのテクスチャを識別及び編集することを可能にする。しかしながら、不正確または望ましくないシーム配置は、３Ｄモデルが非常に多くのピースに、３Ｄモデルとの１つよりも多い論理的セマンティック対応を有するピースに、または３Ｄモデルとの論理的セマンティック対応を有さないピースに分割されることを結果としてもたらすことがある。人間モデルの例を参照して、モデルを追加のピースに分割することが、歪みを少なくすることを結果としてもたらすことがあるが、追加のピースは、人間の体の根本的な３Ｄモデルに意味的に対応しないことがある。結果として、アーチストは、体のどの部位がどのピースに及ぶべきか、または体のどの部位が各ピース上のどの位置に及ぶべきか、及び体の部位がどの方位に描かれるべきかを判定することに困難を有する。

上述したことが示すように、本分野において必要とされるのは、３ＤモデルのためのＵＶマッピングシームを生成するより効果的且つロバストな技術である。

本出願の１つの実施形態は、三次元（３Ｄ）モデルのためのシーム予測のセットを生成するコンピュータ実施方法を示す。方法は、３Ｄモデルに基づいて、３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、３Ｄモデルの１つ以上の表現に１つ以上の訓練済み機械学習モデルを適用することによって、３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、シーム予測のセットに含まれる各シーム予測は、それに沿って３Ｄモデルを切断することができる異なるシームを識別する、生成することと、シーム予測のセットに基づいて、３Ｄモデル上に１つ以上のシームを配置することと、を含む。

前のアプローチと比較した開示された技術の少なくとも１つの利点は、前のアプローチとは異なり、コンピュータシステムが、セマンティック境界及びシーム位置を説明する３Ｄモデルのためのシームを自動で生成すると共に、歪みを最小化し、セマンティック境界を保存するために必要とされるピースの数を減少させることである。加えて、訓練済み機械学習モデルの使用は、コンピュータシステムが、学習されたベストプラクティスに基づいて、すなわち、機械学習モデル訓練工程の間に抽出された観察可能でない基準に基づいて、シームを生成することを可能にする。

上述したことが様々な実施形態の特徴を記載した方式を詳細に理解することができるように、上記簡易的に要約された発明的概念のより特定の説明は、様々な実施形態を参照することによって得ることができ、様々な実施形態のいくつかは、添付図面において示される。しかしながら、添付図面は、発明的概念の典型的な実施形態を示しているにすぎず、したがって、範囲を何ら限定することと考えられず、他の等しく効果的な実施形態が存在することに留意されよう。
本発明は、例えば、以下を提供する。
（項目１）
三次元（３Ｄ）モデルのためのシームを自動で生成する方法であって、
前記３Ｄモデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
を備える、前記方法。
（項目２）
前記３Ｄモデルを複数のグループに分割することと、
前記複数のグループのグループごとに、前記３Ｄモデルのそれぞれの１つ以上の表現を前記１つ以上の訓練済み機械学習モデルのための入力として生成することと、
を更に備える、上記項目に記載の方法。
（項目３）
前記３Ｄモデルの前記１つ以上の表現は、１つ以上の２Ｄ画像を含み、前記シーム予測のセットは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像におけるそれぞれの１つ以上のシーム予測を示す、上記項目のいずれかに記載の方法。
（項目４）
前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像における前記それぞれの１つ以上のシーム予測を前記３Ｄモデル上に投影することを含む、上記項目のいずれかに記載の方法。
（項目５）
前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上のエッジを示す、上記項目のいずれかに記載の方法。
（項目６）
前記３Ｄモデル上に前記１つ以上のシームを配置することは、
シームの部位であると予測された前記グラフ表現の前記１つ以上のエッジのエッジごとに、前記３Ｄモデルの対応するエッジを判定することと、
前記３Ｄモデルの前記対応するエッジにシームのエッジを配置することと、
を含む、上記項目のいずれかに記載の方法。
（項目７）
前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上の頂点を示す、上記項目のいずれかに記載の方法。
（項目８）
前記３Ｄモデル上に前記１つ以上のシームを配置することは、
シームの部位であると予測された前記グラフ表現の前記１つ以上の頂点の頂点ごとに、前記３Ｄモデルの対応する頂点を判定することと、
前記３Ｄモデルの前記対応する頂点にシームの頂点を配置することと、
を含む、上記項目のいずれかに記載の方法。
（項目９）
前記３Ｄモデルは、複数のエッジを含み、各エッジは、前記エッジがシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
前記１つ以上のシームと関連付けられた前記複数のエッジの１つ以上のエッジを判定することと、
前記１つ以上のエッジのエッジごとに、前記エッジと関連付けられた前記それぞれのシーム確率値を更新することと、
を含む、上記項目のいずれかに記載の方法。
（項目１０）
前記３Ｄモデルは、複数の頂点を含み、各頂点は、前記頂点がシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
前記１つ以上のシームと関連付けられた前記複数の頂点の１つ以上の頂点を判定することと、
前記１つ以上の頂点の頂点ごとに、前記頂点と関連付けられた前記それぞれのシーム確率値を更新することと、
を含む、上記項目のいずれかに記載の方法。
（項目１１）
前記シーム予測のセットのシーム予測の少なくともサブセットを評価することによって、前記シーム予測のセットと関連付けられた検証値を生成することを更に備える、上記項目のいずれかに記載の方法。
（項目１２）
前記１つ以上のシームを精緻化することを更に備え、前記１つ以上のシームを精緻化することは、前記１つ以上のシームの１つ以上の特定のシームを除去すること、前記１つ以上のシームの１つ以上の特定のシームの厚みを減少させること、前記１つ以上のシームの２つ以上の特定のシームを接続すること、前記１つ以上のシームの１つ以上の特定のシームを平滑化すること、１つ以上のシーム頂点を除去すること、前記３Ｄモデルの対称性に基づいて前記１つ以上のシームの１つ以上の特定のシームを調節すること、のうちの１つ以上を含む、上記項目のいずれかに記載の方法。
（項目１３）
前記１つ以上のシームを精緻化することを更に備え、前記１つ以上のシームを精緻化することは、
前記１つ以上のシームに基づいて、前記３Ｄモデルのグラフ表現を生成することと、
前記３Ｄモデルの前記グラフ表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられた精緻化されたシーム予測のセットを生成することと、
前記精緻化されたシーム予測のセットに基づいて、前記１つ以上のシームを更新することと、
を含む、上記項目のいずれかに記載の方法。
（項目１４）
命令を含む非一時的コンピュータ可読媒体であって、前記命令は、１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、
三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
のステップを実行させる、前記非一時的コンピュータ可読媒体。
（項目１５）
前記１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、
前記３Ｄモデルを複数のグループに分割することと、
前記複数のグループのグループごとに、前記３Ｄモデルのそれぞれの１つ以上の表現を前記１つ以上の訓練済み機械学習モデルのための入力として生成することと、
のステップを実行させる命令を更に含む、上記項目のいずれかに記載の非一時的コンピュータ可読媒体。
（項目１６）
前記３Ｄモデルの前記１つ以上の表現は、１つ以上の２Ｄ画像を含み、前記シーム予測のセットは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像におけるそれぞれの１つ以上のシーム予測を示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記３Ｄモデル上に前記２Ｄ画像における前記それぞれの１つ以上のシーム予測を投影することを含む、上記項目のいずれかに記載の非一時的コンピュータ可読媒体。
（項目１７）
前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上のエッジを示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
シームの部位であると予測された前記グラフ表現の前記１つ以上のエッジのエッジごとに、前記３Ｄモデルの対応するエッジを判定することと、
前記３Ｄモデルの前記対応するエッジにシームのエッジを配置することと、
を含む、上記項目のいずれかに記載の非一時的コンピュータ可読媒体。
（項目１８）
前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上の頂点を示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
シームの部位であると予測された前記グラフ表現の前記１つ以上の頂点の頂点ごとに、前記３Ｄモデルの対応する頂点を判定することと、
前記３Ｄモデルの前記対応する頂点にシームの頂点を配置することと、
を含む、上記項目のいずれかに記載の非一時的コンピュータ可読媒体。
（項目１９）
前記１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、
前記１つ以上のシームに基づいて、前記３Ｄモデルのグラフ表現を生成することと、
前記３Ｄモデルの前記グラフ表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられた精緻化されたシーム予測のセットを生成することと、
前記精緻化されたシーム予測のセットに基づいて、前記１つ以上のシームを更新することと、
のステップを実行させる命令を更に含む、上記項目のいずれかに記載の非一時的コンピュータ可読媒体。
（項目２０）
１つ以上のソフトウェアアプリケーションを記憶したメモリと、
プロセッサと、を備え、前記プロセッサは、前記１つ以上のソフトウェアアプリケーションを実行するとき、
三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
のステップを実行するように構成される、システム。
（摘要）
様々な実施形態は、３Ｄモデルのためのシームを生成するシステム及び技術を示す。技術は、３Ｄモデルに基づいて、１つ以上の訓練済み機械学習モデルのための１つ以上の入力を生成することと、１つ以上の訓練済み機械学習モデルに１つ以上の入力を提供することと、１つ以上の訓練済み機械学習モデルから、１つ以上の入力に基づいて生成されたシーム予測データを受信することと、シーム予測データに基づいて、３Ｄモデル上に１つ以上の予測済みシームを配置することと、を含む。

本開示の１つ以上の態様を実装するように構成されたコンピューティングシステムを示す概略図である。 本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーション及び機械学習モデルをより詳細に示す。 本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーションによって実行される予測済みシーム生成のための方法ステップのフローチャートである。 本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーションによって実行される、２Ｄ画像を使用した予測済みシーム生成のための方法ステップのフローチャートである。 本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーションによって実行される、グラフ表現を使用した予測済みシーム生成のための方法ステップのフローチャートである。 本開示の様々な実施形態による、２Ｄ画像を使用した予測済みシーム生成手順の例示である。 本開示の様々な実施形態による、グラフ表現を使用した予測済みシーム生成手順の例示である。

以下の説明では、様々な実施形態のより完全な理解を提供するために多数の特定の詳細が示される。しかしながら、それらの特定の詳細のうちの１つ以上なしに、発明的概念が実施されてもよいことが当業者にとって明らかである。

図１は、本開示の１つ以上の態様を実装するように構成されたコンピューティングデバイス１００を示す。示されるように、コンピューティングデバイス１００は、１つ以上のプロセシングユニット１０２、１つ以上の入力／出力（Ｉ／Ｏ）デバイス１０８に結合された入力／出力（Ｉ／Ｏ）デバイスインタフェース１０４、メモリ１１６、記憶装置１１４、及びネットワーク１１０に接続されたネットワークインタフェース１０６を接続する、相互接続（バス）１１２を含む。

コンピューティングデバイス１００は、サーバコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、スマートフォン、携帯情報端末（ＰＤＡ）、タブレットコンピュータ、または入力を受信し、データを処理し、任意選択で画像を出力するように構成され、１つ以上の実施形態を実施するために適切ないずれかの他のタイプのコンピューティングデバイスを含む。本明細書で説明されるコンピューティングデバイス１００は例示であり、いずれかの他の技術的に実現可能な構成が、本開示の範囲内にある。

プロセシングユニット（複数可）１０２は、中央処理装置（ＣＰＵ）、グラフィックプロセシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、テンソルプロセシングユニット（ＴＰＵ）などの人工知能（ＡＩ）アクセラレータ、いずれかの他のタイプのプロセシングユニット、またはＧＰＵと連動して動作するように構成されたＣＰＵなどの異なるプロセシングユニットの組み合わせとして実装された、いずれかの適切なプロセッサを含む。概して、プロセシングユニット（複数可）１０２は、データを処理し、及び／またはソフトウェアアプリケーションを実行することが可能ないずれかの技術的に実現可能なハードウェアユニットであってもよい。更に、本開示のコンテキストでは、コンピューティングデバイス１００において示されるコンピューティング要素は、物理コンピューティングシステム（例えば、データセンタにおけるシステム）に対応してもよく、またはコンピューティングクラウド内で実行する仮想コンピューティングの具体化であってもよい。

１つの実施形態では、Ｉ／Ｏデバイス１０８は、キーボード、マウス、及びタッチ感知スクリーンなど、入力を提供することが可能なデバイスと共に、ディスプレイデバイスなど、出力を提供することが可能なデバイスを含む。加えて、Ｉ／Ｏデバイス１０８は、タッチスクリーン及びユニバーサルシリアルバス（ＵＳＢ）ポートなど、入力を受信すること、及び出力を提供することの両方が可能なデバイスを含んでもよい。Ｉ／Ｏデバイス１０８は、コンピューティングデバイス１００のエンドユーザ（例えば、設計者）から様々なタイプの入力を受信し、また、コンピューティングデバイス１００のエンドユーザに、表示されたデジタル画像またはデジタルビデオもしくはテキストなどの様々なタイプの出力を提供するように構成されてもよい。いくつかの実施形態では、Ｉ／Ｏデバイス１０８のうちの１つ以上は、コンピューティングデバイス１００をネットワーク１１０に結合するように構成される。

ネットワーク１１０は、コンピューティングデバイス１００と、ウェブサーバまたは別のネットワーク化されたコンピューティングデバイスなどの外部エンティティまたはデバイスとの間でデータが交換されることを可能にする、いずれかの技術的に実現可能なタイプの通信ネットワークを含む。例えば、ネットワーク１１０は、とりわけ、ワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、無線（ＷｉＦｉ）ネットワーク、及び／またはインターネットを含んでもよい。

記憶装置１１４は、アプリケーション及びデータ用の不揮発性記憶装置を含み、固定または着脱可能ディスクドライブ、フラッシュメモリデバイス、及びＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－Ｒａｙ、ＨＤ－ＤＶＤ、または他の磁気記憶装置、光学記憶装置、もしくはソリッドステート記憶装置を含んでもよい。３Ｄモデル化アプリケーション１１８及び機械学習モデル１２０は、記憶装置１１４に記憶されてもよく、実行されるときにメモリ１１６にロードされてもよい。

メモリ１１６は、ランダムアクセスメモリ（ＲＡＭ）モジュール、フラッシュメモリユニット、もしくはいずれかの他のタイプのメモリユニット、またはそれらの組み合わせを含む。プロセシングユニット（複数可）１０２、Ｉ／Ｏデバイスインタフェース１０４、及びネットワークインタフェース１０６は、メモリ１１６からデータを読み込み、メモリ１１６にデータを書き込むように構成されている。メモリ１１６は、３Ｄモデル化アプリケーション１１８及び機械学習モデル１２０を含む、プロセシングユニット（複数可）１０２によって実行することができる様々なソフトウェアプログラム、及び当該ソフトウェアプログラムと関連付けられたアプリケーションデータを含む。３Ｄモデル化アプリケーション１１８及び機械学習モデル１２０は、図２に関して以下で更に詳細に説明される。

図２は、本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーション１１８及び機械学習モデル１２０をより詳細に示す。示されるように、３Ｄモデル化アプリケーション１１８は、限定することなく、３Ｄモデル２２０、前処理エンジン２２２、シーム視覚化エンジン２２４、後処理エンジン２２６、及びグラフィカルユーザインタフェース２２８を含む。

３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０の１つ以上のモデルを使用して、３Ｄモデル２２０のための１つ以上の予測済みシームのセットを自動で生成する。各予測済みシームは、とり得るシームを示し、とり得るシームに沿って、３Ｄモデル２２０を切断及び平坦化することができる。いくつかの実施形態では、３Ｄモデル化アプリケーション１１８は、３Ｄモデル２２０などの３Ｄモデルを生成または修正するためのツール及び機構をも含む。他の実施形態では、３Ｄモデル化アプリケーション１１８は、３Ｄモデル２２０を生成または修正するために使用されるアプリケーションとは別個のアプリケーションまたはツールであってもよく、予測済みシームを生成するための３Ｄモデル２２０を受信してもよい。

動作中、前処理エンジン２２２は、３Ｄモデル２２０に基づいて３Ｄモデルデータ２３０を生成し、入力データとして機械学習モデル１２０に３Ｄモデルデータ２３０を提供する。いくつかの実施形態では、３Ｄモデルデータ２３０は、３Ｄモデル２２０の１つ以上の表現を含む。

１つ以上の実施形態では、前処理エンジン２２２は、３Ｄモデル２２０に基づいて２Ｄ画像のセットをレンダリングすることによって、３Ｄモデルデータ２３０を生成する。２Ｄ画像のセットの各２Ｄ画像は、３Ｄモデル２２０の異なる視点を描写する。３Ｄモデルの異なる視点は、異なるズームレベル、視野角、視野位置、３Ｄモデル姿勢、及び／または３Ｄモデルの空間的変形のいずれかの組み合わせであってもよい。加えて、各２Ｄ画像は、描写された視点において視認可能な３Ｄモデル２２０の部分のための３Ｄモデル２２０に関連する異なるタイプの情報に対応してもよい。異なるタイプの３Ｄモデル情報は、例えば、法線ベクトル、３Ｄ位置、ワイヤフレーム、ガウス曲率、形状インデックス、湾曲、真球度比、またはいずれかの他のタイプのモデルジオメトリの内在的測定であってもよい。

法線ベクトル情報に対応する２Ｄ画像は、赤－緑－青（ＲＧＢ）値において、２Ｄ画像の視点から視認可能な３Ｄモデル２２０の各頂点の法線ベクトルを表す。頂点の間にある３Ｄモデル上の位置は、２Ｄ画像において補間される。３Ｄ位置情報に対応する２Ｄ画像は、ＲＧＢ値において、２Ｄ画像の視点からの３Ｄモデルのレンダリングされた各画素の３Ｄ位置を表す。ワイヤフレーム情報に対応する２Ｄ画像は、グレースケール値において、２Ｄ画像の視点から視認可能な３Ｄモデル２２０のエッジに対応するラインを表す。主曲率に対応する２Ｄ画像は、色相－彩度－明度（ＨＳＶ）値において、各点における３Ｄモデルの表面の極値（すなわち、局所的最小及び最大）屈曲を表す。加えて、ガウス曲率、形状インデックス、湾曲、及び真球度比は、主曲率値から導出されてもよい。ガウス曲率情報に対応する２Ｄ画像は、色相－彩度－明度（ＨＳＶ）値において、歪みを最小化しながら平面にマッピングされる尤度を表す。形状インデックス情報に対応する２Ｄ画像は、ＨＳＶ値において、局所的曲率の５つの一意な群を表す。湾曲情報に対応する２Ｄ画像は、ＨＳＶ値において、重み付けされた近傍に基づいた純粋な局所的曲率を表す。真球度比情報に対応する２Ｄ画像は、ＨＳＶ値において、球体から局所的曲率がどの程度近いかを表す。

１つ以上の実施形態では、前処理エンジン２２２は、３Ｄモデル２２０のグラフ表現を生成することによって、３Ｄモデルデータ２３０を生成する。グラフ表現は、３Ｄモデル２２０の頂点に対応する頂点のセット及び３Ｄモデル２２０のエッジに対応するエッジのセットを含む。いくつかの実施形態では、グラフ表現の各頂点は、対応する頂点の法線ベクトル、対応する頂点の３Ｄ位置情報、及び対応する頂点が歪みを最小化しながら平面にマッピングされる尤度など、３Ｄモデル２２０の対応する頂点に関連する追加の情報を含む。

いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０を複数のグループに分割する。各グループは、複数のグループにおける他のグループを塞がず、または他のグループと交差しない。例えば、自動車の３Ｄモデルは、自動車のホイールを含む第１のグループ及び自動車の筐体を含む第２のグループに分離されてもよい。前処理エンジン２２２は、上記議論された技術のいずれかを使用して、複数のグループのグループごとのそれぞれの３Ｄモデルデータ２３０を生成する。

実施形態では、前処理エンジン２２２は、３Ｄモデル２２０を連結成分のセットｃに分離することによって、３Ｄモデル２２０を複数のグループに分割する。連結成分は、相互に連結された３Ｄモデル２２０の頂点及びエッジのセットを含んでもよい。例えば、自動車の３Ｄモデルについて、自動車の右前ホイールを形成するエッジ及び頂点は、相互に連結されるが、自動車の左前ホイールを形成するエッジ及び頂点、または自動車の筐体を形成するエッジ及び頂点には連結されない。前処理エンジン２２２は、自動車の３Ｄモデルを５つの連結成分：自動車の右前ホイール、左前ホイール、右後ホイール、左後ホイール、及び筐体、に分割してもよい。

セットｃにおける連結成分ｃ［ｉ］ごとに、前処理エンジン２２２は、成分を新たなグループＧに追加する。セットｃにおける残りの成分ｃ［ｊ］ごとに、前処理エンジン２２２は、ｃ［ｉ］及びｃ［ｊ］が互いに交差するかどうか、並びにｃ［ｉ］及びｃ［ｊ］が互いを塞ぐかどうかを判定する。ｃ［ｉ］及びｃ［ｊ］が相互に交差せず、互いを塞がない場合、前処理エンジン２２２は、成分ｃ［ｊ］をグループＧに追加し、セットｃから成分ｃ［ｊ］を除去する。この処理は、セットが空になるまで、セットｃにおける残りの成分ごとに繰り返される。

機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８から３Ｄモデルデータ２３０を受信し、３Ｄモデルデータ２３０に基づいて、３Ｄモデル２２０のための１つ以上の予測済みシームを示す予測済みシームデータ２４０を生成する。３Ｄモデルデータ２３０が３Ｄモデル２２０の特定の部分に、及び／または３Ｄモデル２２０の特定の視点に対応する場合、機械学習モデル１２０によって生成された予測済みシームは、３Ｄモデル２２０の特定の部分に、及び／または３Ｄモデル２２０の特定の視点に対応する。

機械学習モデル１２０は、モデル２１０（１）及びモデル２１０（２）などの１つ以上の訓練済み機械学習モデルを含む。２つの機械学習モデルが図２に示されるが、機械学習モデル１２０は、任意の数の機械学習モデルを含んでもよい。機械学習モデル１２０の各機械学習モデルは、任意の技術的に実現可能な機械学習モデルであってもよい。いくつかの実施形態では、機械学習モデル１２０は、リカレントニューラルネットワーク（ＲＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、ディープニューラルネットワーク（ＤＮＮ）、ディープ畳み込みネットワーク（ＤＣＮ）、ディープビリーフネットワーク（ＤＢＮ）、制限付きボルツマンマシン（ＲＢＭ）、長・短期記憶（ＬＳＴＭ）ユニット、ゲート付き回帰型ユニット（ＧＲＵ）、敵対的生成ネットワーク（ＧＡＮ）、自己組織化マップ（ＳＯＭ）、及び／または他のタイプの人工ニューラルネットワークもしくは人工ニューラルネットワークのコンポーネントを含む。他の実施形態では、機械学習モデル１２０は、クラスタリング、主成分分析（ＰＣＡ）、潜在意味解析（ＬＳＡ）、Ｗｏｒｄ２ｖｅｃ、及び／または別の教師なし学習技術、半教師あり学習技術、強化学習技術、もしくは自己教師あり学習技術を実行するための機能性を含む。いくつかの実施形態では、機械学習モデル１２０は、ニューラルネットワーク（シャローまたはディープ）、回帰モデル、サポートベクトルマシン、決定木、ランダムフォレスト、勾配ブースティング木、単純ベイズ分類器、ベイジアンネットワーク、階層モデル、及び／またはアンサンブルモデルを含む。

いくつかの実施形態では、機械学習モデル１２０は、３Ｄモデルの２Ｄ画像を受信し、２Ｄ画像上の予測済みシームを示すデータを生成するよう訓練された、訓練済み機械学習モデルを含む。例えば、データは、２Ｄ画像のどの画素が予測済みシームに対応するかを示すことができる。

いくつかの実施形態では、機械学習モデル１２０は、３Ｄモデルに対応するグラフ表現を受信し、グラフ表現のどの頂点及び／またはエッジが予測済みシームに対応するかを示すデータを生成するよう訓練された、訓練済み機械学習モデルを含む。

いくつかの実施形態では、機械学習モデル１２０は、３Ｄモデルに対応する立体表現を受信し、立体表現のどのボクセルが予測済みシームに対応するかを示すデータを生成するよう訓練された、訓練済み機械学習モデルを含む。

いくつかの実施形態では、機械学習モデル１２０は、３Ｄモデルのポイントクラウドデータを受信し、ポイントクラウド表現におけるどのポイントが予測済みシームに対応するかを示すデータを生成するよう訓練された、訓練済み機械学習モデルを含む。

いくつかの実施形態では、機械学習モデル１２０は、３Ｄモデルに対応するパラメトリック表現を受信し、パラメトリック表現におけるどのパラメータ値が予測済みシームに対応するかを示すデータを生成するよう訓練された、訓練済み機械学習モデルを含む。

加えて、いくつかの実施形態では、機械学習モデル１２０は、予測済みシームの初期セットを含むモデルデータを受信し、例えば、閾値確率値を満たさない予測済みシームを除去すること、予測済みシームを指定された厚みに減少させること、隙間を埋めるよう２つ以上の予測済みシームを接続すること、予測済みシームを平滑化すること、隔離した頂点を除去すること、またはモデル対称性に基づいて予測済みシームを調節すること、によって予測済みシームの精緻化されたセットまたは調節されたセットを生成する、１つ以上の訓練済み機械学習モデルを含む。

いくつかの実施形態では、機械学習モデル１２０によって生成された出力データは、予測済みシームと関連付けられた確率値を含む。確率値は、画素、頂点、エッジ、ボクセル、またはポイントが３Ｄモデル２２０のためのシームに対応する尤度を示すことができる。例えば、０の確率値は、画素、頂点、エッジ、ボクセル、またはポイントがシームに対応する可能性が低いことを示すよう、画素、頂点、またはエッジと関連付けられてもよく、１の確率値は、画素、頂点、エッジ、ボクセル、またはポイントがシームに対応する可能性が高いことを示すよう、画素、頂点、エッジ、ボクセル、またはポイントと関連付けられてもよい。いくつかの実施形態では、確率値は、例えば、シームありまたはシームなしを示すよう、２つの二値のうちの１つであってもよい。いくつかの実施形態では、確率値は、例えば、確率尤度を示すよう、値の範囲であってもよい。

機械学習モデル１２０のモデルは、異なるタイプの入力データを受信し、異なるタイプの出力データを生成するよう訓練されてもよく、並びに／または異なるモデル及び訓練ハイパーパラメータ及び重みにより訓練されてもよい。例として、モデル２１０（１）は、３Ｄモデルのビューを描写する２Ｄ画像を受信し、２Ｄ画像において描写された３Ｄモデルのビューのための予測済みシームを示す出力を生成するように訓練されてもよい。モデル２１０（２）は、３Ｄモデルに対応するグラフデータを受信し、グラフのどのエッジがシームにすると予測されるかを示す出力を生成するように訓練されてもよい。別の例として、モデル２１０（１）は、３Ｄモデルに対応するモデルデータを受信し、予測済みシームを示す出力を生成するように訓練されてもよく、一方、モデル２１０（２）は、３Ｄモデルのための１つ以上の予測済みシームに対応する予測済みシームデータを受信し、３Ｄモデルのための１つ以上の精緻化された予測済みシームを示す出力を生成するように訓練されてもよい。いくつかの実施形態では、機械学習モデル１２０の１つ以上のモデルは、３Ｄモデル化アプリケーション１１８から受信された入力のタイプに基づいて選択される。

いくつかの実施形態では、機械学習モデル１２０のモデルは、訓練データの異なるセットを使用して訓練される。訓練データの各セットは、有機体、人造、人間、自動車、動物、または他のカテゴリもしくはモデルタイプなど、異なる様式の３Ｄモデルに対応してもよい。機械学習モデル１２０の１つ以上のモデルは、３Ｄモデル２２０の様式に基づいて選択されてもよい。

いくつかの実施形態では、機械学習モデル１２０の１つ以上のモデルは、ユーザによって提供される訓練データを使用して訓練される。例えば、ユーザは、ユーザが前に生成しており、それについてシームを定義した３Ｄモデルの訓練セットを提供してもよい。したがって、１つ以上のモデルは、選好及びユーザの前の作業から学習された他の基準に基づいて、予測済みシームを生成するよう訓練される。機械学習モデル１２０の１つ以上のモデルは、３Ｄモデル化アプリケーション１１８を使用して、ユーザに基づいて選択されてもよい。

いくつかの実施形態では、機械学習モデル１２０の複数のモデルは、３Ｄモデル化アプリケーション１１８によって提供される同一の入力を受信する。したがって、機械学習モデル１２０は、単一の入力に基づいて、予測済みシームの複数のセットを生成してもよい。

シーム視覚化エンジン２２４は、機械学習モデル１２０によって生成された予測済みシームデータ２４０を受信し、予測済みシームデータ２４０を処理する。いくつかの実施形態では、予測済みシームデータ２４０を処理することは、予測済みシームデータの複数のセットを集約または組み合わせることを含む。いくつかの実施形態では、予測済みシームデータの複数のセットは、３Ｄモデル２２０の同一の部分に、または３Ｄモデル２２０の同一の視点に対応する。例えば、機械学習モデル１２０に提供される複数の入力は、３Ｄモデル２２０の同一の視点に対応してもよいが、３Ｄモデル２２０に関連する異なる情報を含む。予測済みシームデータのそれぞれのセットは、各入力に基づいて生成されてもよい。別の例として、機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８によって提供される入力ごとの予測済みシームデータの複数のセットを生成してもよい。シーム視覚化エンジン２２４は、その視点における３Ｄモデル２２０の部分のための、または３Ｄモデル２２０のための予測済みシームの単一のセットを生成するよう、予測済みシームデータの複数のセットを集約する。１つ以上の実施形態では、シーム視覚化エンジン２２４は、予測済みシームデータの複数のセットの間で互いに同一でありもしくは互いの閾値距離内にある予測済みシームを識別すること、または予測済みシームデータの閾値数のセットにない予測済みシームを除去すること、によって予測済みシームデータの複数のセットを集約する。

いくつかの実施形態では、予測済みシームデータの複数のセットは、３Ｄモデル２２０の異なる部分に、または３Ｄモデル２２０の異なる視点に対応する。シーム視覚化エンジン２２４は、予測済みシームデータの複数のセットを組み合わせる。１つ以上の実施形態では、予測済みシームデータの複数のセットを組み合わせることは、３Ｄモデル２２０のための予測済みシームの単一のセットを生成するよう、予測済みシームデータの複数のセットの間で重なるまたは接続する予測済みシームを識別及びマージすることを含む。予測済みシームの単一のセットを生成した後、予測済みシームは、３Ｄモデル２２０上に配置される。１つ以上の実施形態では、予測済みシームデータの複数のセットを組み合わせることは、予測済みシームデータのセットごとに、予測済みシームデータのセットに基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置することを含む。シーム視覚化エンジン２２４は、以下で議論されるのと同様の方式において３Ｄモデル２２０上に予測済みシームを配置してもよい。予測済みシームデータの複数のセットからの予測済みシームが３Ｄモデル２２０上に配置された後、３Ｄモデル２２０は、予測済みシームの単一のセットを含む。

いくつかの実施形態では、予測済みシームデータ２４０を処理することは、予測済みシームデータ２４０に基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置することを含む。いくつかの実施形態では、予測済みシームデータ２４０は、シームを配置することができる３Ｄモデル２２０上の位置を示す。シーム視覚化エンジン２２４は、予測済みシームデータ２４０によって示された位置に基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置する。いくつかの実施形態では、予測済みシームデータ２４０は、シームに対応すると予測された３Ｄモデル２２０の１つ以上のエッジ及び／または１つ以上の頂点を示す。シーム視覚化エンジン２２４は、１つ以上のエッジ及び／または１つ以上の頂点に基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置する。

いくつかの実施形態では、３Ｄモデル２２０の各々のエッジ及び／または頂点は、エッジまたは頂点がシームに対応する尤度を示す確率値と関連付けられている。３Ｄモデル２２０上に１つ以上の予測済みシームを配置することは、予測済みシームデータ２４０に基づいて、３Ｄモデル２２０の１つ以上のエッジ及び／または１つ以上の頂点の確率値を更新することを含む。

いくつかの実施形態では、予測済みシームデータ２４０は、３Ｄモデル２２０のグラフ表現の各頂点と関連付けられたそれぞれの確率値を含む。３Ｄモデル２２０上に１つ以上の予測済みシームを配置することは、グラフ表現の頂点ごとに、３Ｄモデル２２０の対応する頂点を判定すること、及びグラフ表現の頂点と関連付けられた確率値に基づいて、３Ｄモデル２２０の対応する頂点の確率値を更新することを含む。

いくつかの実施形態では、予測済みシームデータ２４０は、３Ｄモデル２２０のグラフ表現の各エッジと関連付けられたそれぞれの確率値を含む。３Ｄモデル２２０上に１つ以上の予測済みシームを配置することは、グラフ表現のエッジごとに、３Ｄモデル２２０の対応するエッジを判定すること、及びグラフ表現のエッジと関連付けられた確率値に基づいて、３Ｄモデル２２０の対応するエッジの確率値を更新することを含む。

いくつかの実施形態では、予測済みシームデータ２４０は、３Ｄモデル２２０を描写する複数の２Ｄ画像を含み、複数の２Ｄ画像の２Ｄ画像ごとに、２Ｄ画像上の予測済みシームを示す。シーム視覚化エンジン２２４は、複数の２Ｄ画像において示された予測済みシームに基づいて、３Ｄモデル２２０に予測済みシームを投影する。

いくつかの実施形態では、３Ｄモデル２２０に予測済みシームを投影するために、シーム視覚化エンジン２２４は、３Ｄモデル２２０の各頂点ｗにｑ［ｗ］＝０の確率値を割り当てる。いくつかの実施形態では、各２Ｄ画像は、カメラ位置ｋ［ｖ］によって捕捉された、３Ｄモデル２２０の視点ｖに対応し、画像の各画素［ｉ，ｊ］は、画素が３Ｄモデル２２０上のシームに対応する確率を表す（例えば、確率ｐ［ｉ，ｊ］＝＝０は、シームに対応せず、ｐ［ｉ，ｊ］＝＝１は、シームに対応する）。

画素［ｉ，ｊ］ごとに、シーム視覚化エンジン２２４は、カメラ位置ｋ［ｖ］において発生し、画素を通過するベクトルを計算する。シーム視覚化エンジン２２４は次いで、存在する場合、ベクトルと３Ｄモデル２２０との間の交差ｔ，ｎを計算し、ｔは、交差の位置を表し、ｎは、交差の法線を表す。

ベクトルと３Ｄモデル２２０との間で交差が存在する場合、シーム視覚化エンジン２２４は、３Ｄモデル２２０の交差に最も近い頂点ｗを判定し、頂点の確率値ｑ［ｗ］を確率ｐ［ｉ，ｊ］及びｑ［ｗ］の平均に更新する。いくつかの実施形態では、シーム視覚化エンジン２２４は、交差法線ｎ及び交差距離｜ｔ－ｋ［ｖ］｜だけ確率値ｑ［ｗ］を重み付けする。３Ｄモデル２２０の頂点の確率値が複数の２Ｄ画像に基づいて更新された後、シーム視覚化エンジン２２４は、３Ｄモデルの各エッジ［ｗｉ，ｗｊ］に、エッジの頂点と関連付けられた確率値、例えば、ｐ［ｗｉ］及びｐ［ｗｊ］に基づいた確率値を割り当てる。１つの実施形態では、エッジに割り当てられた確率値は、エッジの頂点に割り当てられた確率値よりも大きい。

予測済みシームが３Ｄモデル上に配置されると、後処理エンジン２２６は、閾値確率値を満たさない予測済みシームを除去すること、予測済みシームを指定された厚みに減少させること、隙間を埋めるよう２つ以上の予測済みシームを接続すること、予測済みシームを平滑化すること、隔離した頂点を除去すること、及びモデル対称性に基づいて予測済みシームを調節すること、などによって予測済みシームを精緻化または調節する。

いくつかの実施形態では、閾値確率値を満たさない予測済みシームを除去するために、後処理エンジン２２６は、３Ｄモデル２２０の頂点またはエッジが、閾値確率値を下回る確率値と関連付けられているかどうかを判定する。頂点またはエッジが閾値確率値を下回る確率値と関連付けられている場合、後処理エンジン２２６は、エッジまたは頂点がシームに対応しないことを示す値、例えば、ゼロの確率値に確率値を更新する。

いくつかの実施形態では、モデル対称性に基づいて予測済みシームを調節するために、後処理エンジン２２６は、左右対称性において一致する、例えば、左側及び右側が対称である頂点を識別するよう、３Ｄモデル２２０を分析する。対称の頂点のいずれかのペアについて、後処理エンジン２２６は、各頂点と関連付けられた確率値を２つの確率値の平均と置き換える。

いくつかの実施形態では、予測済みシーム内の隙間を埋め、または隙間を減少させるために、後処理エンジン２２６は、予測済みシームの部分内の頂点と関連付けられた確率値が閾値確率値を下回る、予測済みシームの部分を識別する。後処理エンジン２２６は、予測済みシームの部分内の頂点の確率値を閾値確率値に調節する。

いくつかの実施形態では、予測済みシームは、複数のエッジの厚さであり、例えば、３Ｄモデル２２０の複数の並列なエッジを含む。後処理エンジン２２６は、それが単一のエッジのみの厚さであるように予測済みシームを調節する。例えば、予測済みシームが３つの並列なエッジを含む場合、後処理エンジン２２６は、予測済みシームからエッジを除去するよう、エッジの２つと関連付けられた確率値をゼロに調節する。加えて、後処理エンジン２２６はまた、予測済みシームから、残りのエッジを除去されたエッジに接続されたいずれかのエッジを除去してもよい。いくつかの実施形態では、後処理エンジン２２６は、並列なエッジのセットの中間にあるエッジを残りのエッジとして選択する。他の実施形態では、後処理エンジン２２６は、最高確率値と関連付けられたエッジを残りのエッジとして選択する。

いくつかの実施形態では、後処理エンジン２２６は、予測済みシームのセットから、漂遊した頂点または隔離した頂点を除去する。後処理エンジン２２６は、その確率値が閾値確率値よりも大きい頂点を識別するが、除去された場合、接続されたシームのトポロジに影響を与えない。後処理エンジン２２６は、予測済みシームのセットからそれらを除去するよう、隔離した頂点と関連付けられた確率値をゼロに調節する。

いくつかの実施形態では、予測済みシームを平滑化するために、後処理エンジン２２６は、予測済みシーム内の１つ以上の頂点を隣接する頂点に移動させる。いくつかの実施形態では、後処理エンジン２２６は、移動が予測済みシーム内で連続したエッジの間の角度を減少させる場合、頂点を隣接する頂点に移動させる。予測済みシーム内でエッジの間の角度を減少させることは、予測済みシームの元の経路に近くでなおも辿る、より平滑なバージョンにシームを変更させる。

いくつかの実施形態では、後処理エンジン２２６は、予測済みシームを調節または精緻化するために、機械学習モデル１２０を使用する。後処理エンジン２２６は、予測済みシームに基づいて３Ｄモデルデータ２３０を生成し、機械学習モデル１２０に３Ｄモデルデータ２３０を提供する。１つの実施形態では、後処理エンジン２２６は、予測済みシームのセットを含む、３Ｄモデル２２０のグラフ表現を生成する。後処理エンジン２２６は、機械学習モデル１２０にグラフ表現を提供する。機械学習モデル１２０は、グラフ表現における予測済みシームのセットを調節及び精緻化する。例えば、グラフ表現の各エッジは、エッジがシームである尤度を示す確率値と関連付けられてもよい。機械学習モデル１２０は、グラフ表現のエッジと関連付けられた確率値を調節することによって、予測済みシームのセットを調節または精緻化する。

グラフィカルユーザインタフェース２２８は、３Ｄモデル２２０を表示する。いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、異なる視点からの３Ｄモデル２２０を回転させ、拡大及び縮小し、そうでなければ閲覧するための制御を含む。１つ以上の予測済みシームが３Ｄモデル２２０上に配置された後、グラフィカルユーザインタフェース２２８は、その予測済みシームを有する３Ｄモデル２２０を表示するよう更新される。

いくつかの実施形態では、各予測済みシームは、確率値と関連付けられている。グラフィカルユーザインタフェース２２８は、各予測済みシームと関連付けられた確率値の視覚的インジケーションを表示する。例えば、グラフィカルユーザインタフェース２２８は、確率値の範囲に対応する色の範囲を使用してもよく、予測済みシームと関連付けられた確率値に対応する色を使用して、各予測済みシームを表示してもよい。別の例として、グラフィカルユーザインタフェース２２８は、ユーザが予測済みシーム上にカーソルを配置し、予測済みシームを選択するとき、予測済みシームと関連付けられた確率値を表示してもよい。

いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、ユーザが、１つ以上の予測済みシームを調節することを可能にするグラフィカル制御を含む。いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、ユーザが、３Ｄモデル２２０にシームを追加し、予測済みシームを修正し、予測済みシームを除去し、または２つ以上の予測済みシームをマージすることを可能にする、ツール及び制御を含む。いくつかの実施形態では、ユーザが１つ以上の予測済みシームを調節した後、調節されたシームを有する３Ｄモデル２２０は、追加の機械学習モデルを訓練し、または訓練済み機械学習モデルを精緻化するために、機械学習モデル１２０に記憶され、またはそうでなければ機械学習モデル１２０に提供される。

いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、ユーザが、前処理エンジン２２２、機械学習モデル１２０、シーム視覚化エンジン２２４、及び／または後処理エンジン２２６と関連付けられた構成設定を変更することを可能にするツール及び制御を含む。例として、グラフィカルユーザインタフェース２２８は、入力の数、入力のタイプ、入力を生成するときに使用される３Ｄモデル２２０に関連する情報、または３Ｄモデル２２０を複数のグループに分割するかどうかなど、前処理エンジン２２２によって生成された入力を調節するためのグラフィカル制御を含んでもよい。別の例として、グラフィカルユーザインタフェース２２８は、複数の３Ｄモデル様式から３Ｄモデル様式を選択するためのグラフィカル制御を含んでもよい。各々の３Ｄモデル様式は、有機体、人造、人間、自動車、動物、または異なる機械学習モデルを訓練するために使用される３Ｄモデルの他の様式など、異なる機械学習モデルに対応してもよい。

いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、変更された構成設定が予測済みシームにどのように影響を与えるかに基づいて、３Ｄモデル２２０上で表示された予測済みシームを更新する。例えば、グラフィカルユーザインタフェース２２８は、閾値確率値を指定または調節するための制御を含んでもよい。後処理エンジン２２６は、閾値確率値よりも高い確率値と関連付けられていない予測済みシームを隠す、破棄、または除去してもよい。閾値確率値がグラフィカルユーザインタフェース２２８を使用して調節された後、後処理エンジン２２６は、調節された閾値確率値に基づいて、３Ｄモデル２２０のための予測済みシームを更新する。グラフィカルユーザインタフェース２２８は、予測済みシームの更新されたセットにより３Ｄモデル２２０の表示を更新する。

図３は、本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーション１１８によって実行される予測済みシーム生成のための方法ステップのフローチャートである。方法ステップが図１及び２のシステムと併せて説明されるが、当業者は、いずれかの順序において方法ステップを実行するように構成されたいずれかのシステムが本開示の範囲内にあることを理解するであろう。

ステップ３０２では、前処理エンジン２２２は、機械学習モデル１２０のための１つ以上の入力を生成するよう、３Ｄモデル２２０を処理する。１つ以上の入力を生成することは、前処理エンジン２２２に関して上記開示され、図４及び５に関して以下で更に説明されるのと同様の方式において実行される。

いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０に基づいて２Ｄ画像のセットをレンダリングすることによって、１つ以上の入力を生成する。２Ｄ画像のセットの各２Ｄ画像は、３Ｄモデル２２０の異なる視点を描写する。３Ｄモデルの異なる視点は、異なるズームレベル、視野角、視野位置、及び／または３Ｄモデル姿勢のいずれかの組み合わせであってもよい。加えて、各２Ｄ画像は、描写された視点において視認可能な３Ｄモデル２２０の部分の３Ｄモデル２２０に関連する異なるタイプの情報に対応してもよい。

いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０のグラフ表現を生成することによって、１つ以上の入力を生成する。グラフ表現は、３Ｄモデル２２０の頂点に対応するノードのセット及び３Ｄモデル２２０のエッジに対応するエッジのセットを含む。いくつかの実施形態では、グラフ表現の各ノードは、対応する頂点の法線ベクトル、対応する頂点の３Ｄ位置情報、及び対応する頂点が歪みを最小化しながら平面にマッピングされる尤度など、３Ｄモデル２２０の対応する頂点に関連する追加の情報を含む。

いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０を複数のグループに分割する。各グループは、複数のグループにおける他のグループを塞がず、または他のグループと交差しない。例えば、自動車の３Ｄモデルは、自動車のホイールを含む第１のグループ及び自動車の筐体を含む第２のグループに分離されてもよい。別の例として、人間の３Ｄモデルは、頭部を含むグループ、肢部を含むグループ、及び胴部を含むグループに分離されてもよい。前処理エンジン２２２は、上記議論された技術のいずれかを使用して、複数のグループのグループごとのそれぞれの３Ｄモデルデータ２３０を生成する。

ステップ３０４では、３Ｄモデル化アプリケーション１１８は、１つ以上の入力に機械学習モデル１２０を適用する。いくつかの実施形態では、機械学習モデル１２０を適用することは、機械学習モデル１２０の１つ以上のモデルに１つ以上の入力を提供することを含む。機械学習モデル１２０は、１つ以上の入力を受信し、１つ以上の入力に基づいて、３Ｄモデル２２０のための１つ以上の予測済みシームを示す出力データを生成する。３Ｄモデルデータ２３０が３Ｄモデル２２０の特定の部分に、及び／または３Ｄモデル２２０の特定の視点に対応する場合、予測済みシームは、３Ｄモデル２２０の特定の部分に、及び／または３Ｄモデル２２０の特定の視点に対応する。

ステップ３０６では、３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０から出力データを受信する。出力データは、ステップ３０４において機械学習モデル１２０に提供された１つ以上の入力に基づいて、３Ｄモデル２２０のための１つ以上の予測済みシームを示す。いくつかの実施形態では、１つ以上の入力は、３Ｄモデル２２０の２Ｄ画像を含み、機械学習モデル１２０から受信された出力データは、２Ｄ画像上の予測済みシームを示す。いくつかの実施形態では、１つ以上の入力は、３Ｄモデル２２０に対応するグラフ表現を含み、機械学習モデル１２０から受信された出力データは、グラフ表現のどのエッジが予測済みシームに対応するかを示す。

ステップ３０８では、シーム視覚化エンジン２２４は、３Ｄモデル２２０のための予測済みシームのセットを生成するよう、出力データを処理する。出力データを処理することは、シーム視覚化エンジン２２４に関して上記開示され、図４及び５に関して以下で更に説明されるのと同様の方式において実行される。いくつかの実施形態では、出力データを処理することは、３Ｄモデル２２０のための予測済みシームの組み合わされたセットを生成するよう、出力データの複数のセットを集約または組み合わせることを含む。いくつかの実施形態では、出力データを処理することは、出力データに基づいて、３Ｄモデル２２０上に１つ以上のシームを配置することを含む。

いくつかの実施形態では、出力データは、シームに対応すると予測された３Ｄモデル２２０上の位置を示す。シーム視覚化エンジン２２４は、出力データによって示された位置に基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置する。例えば、出力データは、３Ｄモデル２２０を描写する２Ｄ画像上の予測済みシームを示すことができ、シーム視覚化エンジン２２４は、２Ｄ画像に基づいて、３Ｄモデル２２０に予測済みシームを投影する。別の例として、出力データは、シームの部位であると予測された３Ｄモデル２２０の１つ以上のエッジ及び／または１つ以上の頂点を示すことができ、シーム視覚化エンジン２２４は、１つ以上のエッジ及び／または１つ以上の頂点に基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置する。

ステップ３１０では、後処理エンジン２２６は、予測済みシームのセットを精緻化する。予測済みシームのセットを精緻化することは、後処理エンジン２２６に関して上記開示され、図４及び５に関して以下で更に説明されるのと同様の方式において実行される。いくつかの実施形態では、後処理エンジン２２６は、閾値確率値を満たさない予測済みシームを除去すること、予測済みシームを指定された厚みに減少させること、隙間を埋めるよう２つ以上の予測済みシームを接続すること、予測済みシームを平滑化すること、隔離した頂点を除去すること、またはモデル対称性に基づいて予測済みシームを調節すること、によって予測済みシームのセットを精緻化する。

いくつかの実施形態では、後処理エンジン２２６は、機械学習モデル１２０を使用することによって、予測済みシームのセットを精緻化する。後処理エンジン２２６は、予測済みシームに基づいて入力データを生成し、機械学習モデル１２０に入力データを提供する。例として、後処理エンジン２２６は、予測済みシームのセットを含む、３Ｄモデル２２０のグラフ表現を生成してもよい。後処理エンジン２２６は、機械学習モデルにグラフ表現を提供する。機械学習モデル１２０は、グラフ表現における予測済みシームのセットを調節及び精緻化する。

ステップ３１２では、３Ｄモデル化アプリケーション１１８は、３Ｄモデル２２０に予測済みシームを適用する。いくつかの実施形態では、３Ｄモデル化アプリケーション１１８は、予測済みシームを受け入れるグラフィカルユーザインタフェース２２８を介してユーザ入力を受信したことに応答して、予測済みシームを適用する。

いくつかの実施形態では、３Ｄモデル２２０に予測済みシームを適用することは、予測済みシームに沿って３Ｄモデルを分けること、及び３Ｄモデル２２０の結果として生じたピースを２Ｄテクスチャ画像に平坦化することを含む。他の実施形態では、３Ｄモデル２２０に予測済みシームを適用することは、予測済みシームを有する３Ｄモデル２２０を記憶すること、及び／または２Ｄテクスチャ画像生成を実行する異なるアプリケーションもしくはツールに、予測済みシームを有する３Ｄモデル２２０を提供することを含む。

図４は、本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーションによって実行される、２Ｄ画像を使用した予測済みシーム生成のための方法ステップのフローチャートである。方法ステップが図１及び２のシステムと併せて説明されるが、当業者は、いずれかの順序において方法ステップを実行するように構成されたいずれかのシステムが本開示の範囲内にあることを理解するであろう。

ステップ４０２では、前処理エンジン２２２は、３Ｄモデル２２０を２Ｄ画像のセットにレンダリングする。３Ｄモデル２２０を２Ｄ画像のセットにレンダリングすることは、前処理エンジン２２２に関して上記開示されたものと同様の方式において実行される。いくつかの実施形態では、２Ｄ画像のセットの各２Ｄ画像は、３Ｄモデル２２０の異なる視点を描写する。３Ｄモデルの異なる視点は、異なるズームレベル、視野角、視野位置、及び／または３Ｄモデル姿勢のいずれかの組み合わせであってもよい。加えて、各２Ｄ画像は、描写された視点において視認可能な３Ｄモデル２２０の部分のための３Ｄモデル２２０に関連する異なるタイプの情報に対応してもよい。いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０を複数の塞がないグループ及び交差しないグループに分割する。前処理エンジン２２２は、複数のグループのグループごとの２Ｄ画像のそれぞれのセットを生成する。

ステップ４０４では、３Ｄモデル化アプリケーション１１８は、２Ｄ画像のセットの２Ｄ画像に機械学習モデル１２０を適用する。いくつかの実施形態では、２Ｄ画像に機械学習モデル１２０を適用することは、機械学習モデル１２０の１つ以上のモデルに２Ｄ画像を提供することを含む。機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８から２Ｄ画像を受信し、２Ｄ画像に基づいて、２Ｄ画像上の３Ｄモデル２２０のための予測済みシームを示す出力データを生成する。

ステップ４０６では、３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０から、２Ｄ画像上の予測済みシームを示す出力データを受信する。例えば、出力データは、２Ｄ画像における画素ごとに、画素が３Ｄモデル２２０上のシームに対応すると予測されるかどうかを示すことができる。

ステップ４０８では、シーム視覚化エンジン２２４は、２Ｄ画像に基づいて、３Ｄモデル２２０上に予測済みシームを配置する。２Ｄ画像に基づいて３Ｄモデル２２０上に予測済みシームを配置することは、シーム視覚化エンジン２２４に関して上記開示されたものと同様の方式において実行される。実施形態では、シーム視覚化エンジン２２４は、２Ｄ画像において示された予測済みシームを３Ｄモデル２２０上に投影することによって、３Ｄモデル上に予測済みシームを配置する。例えば、３Ｄモデル２２０の各頂点は、頂点がシームの部位である確率を示す確率値と関連付けられてもよい。２Ｄ画像の画素ごとに、シーム視覚化エンジン２２４は、画素に対応する３Ｄモデル２２０の頂点を判定し、画素と関連付けられた確率値に基づいて、頂点と関連付けられた確率値を更新する。

上記ステップ４０４～４０８は、２Ｄ画像のセットの２Ｄ画像ごとに繰り返される。ステップ４０４～４０８が２Ｄ画像のセットに対して実行された後、３Ｄモデル２２０は、２Ｄ画像のセットに対応する予測済みシームを含む。

ステップ４１０では、後処理エンジン２２６は、３Ｄモデル２２０上に配置された予測済みシームを精緻化する。予測済みシームを精緻化することは、後処理エンジン２２６に関して上記開示されたものと同様の方式において実行される。いくつかの実施形態では、後処理エンジン２２６は、例えば、閾値確率値を満たさない予測済みシームを除去すること、予測済みシームを指定された厚みに減少させること、隙間を埋めるよう２つ以上の予測済みシームを接続すること、予測済みシームを平滑化すること、隔離した頂点を除去すること、及びモデル対称性に基づいて予測済みシームを調節すること、によって３Ｄモデル２２０上の予測済みシームを精緻化する。

いくつかの実施形態では、後処理エンジン２２６は、予測済みシームを調節または精緻化するために、機械学習モデル１２０を使用する。後処理エンジン２２６は、予測済みシームに基づいて３Ｄモデルデータ２３０を生成し、機械学習モデル１２０に３Ｄモデルデータ２３０を提供する。１つの実施形態では、後処理エンジン２２６は、予測済みシームのセットを含む、３Ｄモデル２２０のグラフ表現を生成する。後処理エンジン２２６は、機械学習モデル１２０にグラフ表現を提供する。機械学習モデル１２０は、グラフ表現における予測済みシームのセットを調節及び精緻化する。例えば、グラフ表現の各エッジは、エッジがシームである尤度を示す確率値と関連付けられてもよい。機械学習モデル１２０は、グラフ表現のエッジと関連付けられた確率値を調節することによって、予測済みシームのセットを調節または精緻化する。

図５は、本開示の様々な実施形態による、図１の３Ｄモデル化アプリケーションによって実行される、グラフ表現を使用した予測済みシーム生成のための方法ステップのフローチャートである。方法ステップが図１及び２のシステムと併せて説明されるが、当業者は、いずれかの順序において方法ステップを実行するように構成されたいずれかのシステムが本開示の範囲内にあることを理解するであろう。

ステップ５０２では、前処理エンジン２２２は、３Ｄモデル２２０のグラフ表現を生成するよう、３Ｄモデル２２０を処理する。３Ｄモデル２２０のグラフ表現を生成することは、前処理エンジン２２２に関して上記開示されたものと同様の方式において実行される。いくつかの実施形態では、グラフ表現は、３Ｄモデル２２０の頂点に対応する頂点のセット及び３Ｄモデル２２０のエッジに対応するエッジのセットを含む。加えて、いくつかの実施形態では、グラフ表現の各頂点は、対応する頂点の法線ベクトル、対応する頂点の３Ｄ位置情報、及び対応する頂点が歪みを最小化しながら平面にマッピングされる尤度など、３Ｄモデル２２０の対応する頂点に関連する追加の情報を含む。

いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデル２２０を複数の塞がないグループ及び交差しないグループに分割する。前処理エンジン２２２は、複数のグループのグループごとのそれぞれのグラフ表現を生成する。

ステップ５０４では、３Ｄモデル化アプリケーション１１８は、グラフ表現に機械学習モデル１２０を適用する。いくつかの実施形態では、グラフ表現に機械学習モデル１２０を適用することは、機械学習モデル１２０の１つ以上のモデルにグラフ表現を提供することを含む。機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８からグラフ表現を受信し、グラフ表現に基づいて、グラフ表現に対応する予測済みシームを示す出力データを生成する。例えば、出力データは、グラフ表現の１つ以上の頂点及び／または１つ以上のエッジが３Ｄモデル２２０上のシームの部位であると予測されるかどうかを示すことができる。

ステップ５０６では、３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０から、グラフ表現のどのエッジ及び／または頂点が３Ｄモデル２２０上のシームまたはシームの部位に対応するかを示す出力データを受信する。例えば、出力データは、グラフ表現のエッジまたは頂点ごとに、エッジまたは頂点が３Ｄモデル２２０上のシームに対応すると予測されるかどうかを示すことができる。

ステップ５０８では、シーム視覚化エンジン２２４は、出力データに基づいて、３Ｄモデル２２０上に１つ以上の予測済みシームを配置する。出力データに基づいて３Ｄモデル２２０上に予測済みシームを配置することは、シーム視覚化エンジン２２４に関して上記開示されたものと同様の方式において実行される。実施形態では、シーム視覚化エンジン２２４は、シームに対応するとして出力データによって示されたグラフ表現のエッジ及び／または頂点に基づいて、１つ以上の予測済みシームを配置する。いくつかの実施形態では、３Ｄモデル２２０の各頂点またはエッジは、エッジまたは頂点がシームの部位である確率を示す確率値と関連付けられてもよい。シーム視覚化エンジン２２４は、グラフ表現における対応するエッジまたは頂点と関連付けられた確率値に基づいて、各エッジまたは頂点の確率値を更新する。

ステップ５１０では、後処理エンジン２２６は、３Ｄモデル２２０上に配置された予測済みシームを精緻化する。予測済みシームを精緻化することは、後処理エンジン２２６に関して上記開示されたものと同様の方式において実行される。いくつかの実施形態では、後処理エンジン２２６は、例えば、閾値確率値を満たさない予測済みシームを除去すること、予測済みシームを指定された厚みに減少させること、隙間を埋めるよう２つ以上の予測済みシームを接続すること、予測済みシームを平滑化すること、隔離した頂点を除去すること、及びモデル対称性に基づいて予測済みシームを調節すること、によって３Ｄモデル２２０上の予測済みシームを精緻化する。

いくつかの実施形態では、後処理エンジン２２６は、予測済みシームを調節または精緻化するために、機械学習モデル１２０を使用する。後処理エンジン２２６は、予測済みシームに基づいて３Ｄモデルデータ２３０を生成し、機械学習モデル１２０に３Ｄモデルデータ２３０を提供する。１つの実施形態では、後処理エンジン２２６は、予測済みシームのセットを含む、３Ｄモデル２２０のグラフ表現を生成する。後処理エンジン２２６は、機械学習モデル１２０にグラフ表現を提供する。機械学習モデル１２０は、グラフ表現における予測済みシームのセットを調節及び精緻化する。例えば、グラフ表現の各エッジは、エッジがシームである尤度を示す確率値と関連付けられてもよい。機械学習モデル１２０は、グラフ表現のエッジと関連付けられた確率値を調節することによって、予測済みシームのセットを調節または精緻化する。

図６は、本開示の様々な実施形態による、予測済みシーム生成手順の例示である。図６では、３Ｄモデルは、３Ｄモデル化アプリケーション１１８を使用して生成される、または３Ｄモデル化アプリケーション１１８に提供される例示的な３Ｄモデル２２０を示す。

ステップ６１０では、前処理エンジン２２２は、３Ｄモデルに基づいて、２Ｄ画像のセットを生成する。２Ｄ画像（１）、２Ｄ画像（２）、及び２Ｄ画像（３）は、前処理エンジン２２２によって３Ｄモデルからレンダリングされた例示的な２Ｄ画像を示す。図６に示されるように、各２Ｄ画像は、３Ｄモデルの異なる視点を描写する。図には示されないが、各２Ｄ画像は、３Ｄモデルに関連する異なる情報にも基づいてもよい。３つの２Ｄ画像が図６に示されるが、任意の数の２Ｄ画像が３Ｄモデルからレンダリングされてもよい。いくつかの実施形態では、前処理エンジン２２２は、３Ｄモデルの各々の部分が少なくとも１つの２Ｄ画像において描写されるように、いくつかの２Ｄ画像をレンダリングする。

ステップ６２０では、３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０に２Ｄ画像のセットを提供する。機械学習モデル１２０は、２Ｄ画像のセットを受信し、２Ｄ画像のセットの２Ｄ画像ごとに、３Ｄモデルのための１つ以上の予測済みシームを生成する。予測済みシーム（１）、予測済みシーム（２）、及び予測済みシーム（３）は、２Ｄ画像（１）、２Ｄ画像（２）、及び２Ｄ画像（３）のそれぞれに基づいて、機械学習モデル１２０によって生成された予測済みシームの例を示す。例えば、機械学習モデル１２０は、２Ｄ画像（１）を受信し、２Ｄ画像（１）に基づいて、２Ｄ画像（１）において描写された３Ｄモデルのビューのための１つ以上の予測済みシームを示す予測済みシーム（１）を生成する。図６は、各２Ｄ画像に対応する単一の予測済みシームを示すが、機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８によって提供される２Ｄ画像ごとの複数の予測済みシームを生成してもよい。

ステップ６３０では、機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８に、予測済みシームのセット、予測済みシーム（１）、予測済みシーム（２）、及び予測済みシーム（３）を提供する。

ステップ６４０では、シーム視覚化エンジン２２４は、３Ｄモデル上に予測済みシームのセットを配置する。更新された３Ｄモデルは、シーム視覚化エンジン２２４によって３Ｄモデル上に配置された予測済みシームの例を示す。

図７は、本開示の様々な実施形態による、予測済みシーム生成手順の例示である。図７では、３Ｄモデルは、３Ｄモデル化アプリケーション１１８を使用して生成され、または３Ｄモデル化アプリケーション１１８に提供される例示的な３Ｄモデル２２０を示す。

ステップ７１０では、前処理エンジン２２２は、３Ｄモデルに基づいて、グラフ表現を生成する。

ステップ７２０では、３Ｄモデル化アプリケーション１１８は、機械学習モデル１２０にグラフ表現を提供する。機械学習モデル１２０は、グラフ表現を受信し、３Ｄモデルのための１つ以上の予測済みシームを示す注釈付きグラフ表現を生成する。注釈付きグラフ表現は、グラフ表現における頂点及び／またはエッジごとに、頂点及び／またはエッジが３Ｄモデルのためのシームの部位であると予測されるかどうかを示すデータを含む。

ステップ７３０では、機械学習モデル１２０は、３Ｄモデル化アプリケーション１１８に注釈付きグラフ表現を提供する。

ステップ７４０では、シーム視覚化エンジン２２４は、注釈付きグラフ表現に基づいて、３Ｄモデル上に１つ以上の予測済みシームを配置する。更新された３Ｄモデルは、シーム視覚化エンジン２２４によって３Ｄモデル上に配置された予測済みシームの例を示す。

グラフィカルユーザインタフェース２２８に関して上記議論されたように、グラフィカルユーザインタフェースは、３Ｄモデル及び更新された３Ｄモデルを表示する。いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、ユーザが、３Ｄモデル上に配置された予測済みシームを閲覧するよう、更新された３Ｄモデルを回転させ、ズームし、及びパンすることを可能にするグラフィカル制御を含む。いくつかの実施形態では、グラフィカルユーザインタフェース２２８は、ユーザが、更新された３Ｄモデルにシームを追加し、更新された３Ｄモデル上に配置された予測済みシームを修正し、予測済みシームを除去し、または２つ以上の予測済みシームをマージすることを可能にするツール及び制御を含む。

いくつかの実施形態では、３Ｄモデル化アプリケーション１１８は、３Ｄモデルのための予測済みシーム、及び／または３Ｄモデルに予測済みシームを適用したことから結果として生じたＵＶマッピングを評価する。

いくつかの実施形態では、予測済みシームを検証または評価することは、例えば、３ＤモデルにＵＶマッピングを適用することが最小の視認可能な歪みを結果としてもたらすかどうか、ＵＶマッピングがＵＶ空間内の最小数のシェル内に包含されるかどうか、予測済みシームが３Ｄモデル上の隠された位置もしくはより視認可能でない位置に配置されるかどうか、またはＵＶマッピングが最適化されたＵＶ空間内で定義されるかどうかを判定することを含む。

歪みの量を最小化することは、２Ｄ画像からのテクスチャを３Ｄモデルにマッピングするときに生じる圧縮および拡張の量を最小化する。いくつかの実施形態では、３ＤモデルにＵＶマッピングを適用することが最小の視認可能な歪みを結果としてもたらすかどうかを判定することは、テクスチャを３Ｄモデルにマッピングするときに圧縮または拡張がどの程度生じるかを判定することを含んでもよい。３ＤモデルにＵＶマッピングを適用することが最小の視認可能な歪みを結果としてもたらすかどうかを判定することは、圧縮または拡張の量が閾値量内にあるかどうかを判定することも含んでもよい。

シェルの数を最小化することで、３Ｄモデルのセマンティック境界を保存することができる。いくつかの実施形態では、ＵＶマッピングがＵＶ空間内の最小数のシェル内に包含されるかどうかを判定することは、何個のシェルがシームが適用されるときのＵＶマッピングを結果としてもたらすかどうかを判定することを含む。ＵＶマッピングがＵＶ空間内の最小数のシェル内に包含されるかどうかを判定することは、例えば、３Ｄモデルにおけるオブジェクトのタイプ、３Ｄモデルに基づいて機械学習モデルによって示された量、またはユーザによって示された最大数のシェルに基づいて、シェルの数が閾値量内にあるかどうかを判定することも含んでもよい。

いくつかの実施形態では、予測済みシームが３Ｄモデル上の隠された位置またはより視認可能でない位置に配置されるかどうかを判定することは、予測済みシームが１つ以上のカメラ位置から視認可能であるかどうかを判定することを含む。１つ以上のカメラ位置は、３Ｄモデルがどのように視覚化されるかに基づいてもよい。例えば、３Ｄモデルが上向観点から閲覧されるとき、１つ以上のカメラ位置は、１つ以上の上向カメラ位置を含む。

最適化されたＵＶ空間内でＵＶマッピングを定義することは、ＵＶマッピングを記憶及び処理するために必要なリソースの量、例えば、コンピュータ記憶空間、コンピュータメモリ使用量、及びネットワーク帯域幅を減少させる。いくつかの実施形態では、ＵＶマッピングが最適化されたＵＶ空間内で定義されるかどうかを判定することは、ＵＶマッピングのサイズを判定することを含む。ＵＶマッピングが最適化されたＵＶ空間内で定義されるかどうかを判定することは、サイズが閾値面積内にあるかどうかを判定することも含んでもよい。いくつかの実施形態では、ＵＶマッピングが最適化されたＵＶ空間内で定義されるかどうかを判定することは、３Ｄモデルに対応する空間の量と比較して、ＵＶマッピングにおける空の空間の量を判定することを含む。

いくつかの実施形態では、予測済みシームを評価することは、予測済みシームと関連付けられた１つ以上の検証値を生成することを含んでもよい。検証値は、例えば、予測済みシームのセットが正確である信頼度のレベル、予測済みシームのセットが上記議論された基準のうちの１つ以上を満たすかどうか、予測済みシームが３Ｄモデルのための妥当なシームである尤度、予測済みシームのセットが３Ｄモデルのための提供されたシームのセット（例えば、ユーザによって前に生成された）とどの程度厳密に一致するか、を示すことができる。１つ以上の検証値は、グラフィカルユーザインタフェース２２８においてユーザに表示されてもよい。例えば、３Ｄモデル化アプリケーション１１８は、１つ以上の検証値を示す分析報告を生成及び表示してもよい。

いくつかの実施形態では、１つ以上の検証値を生成することは、予測済みシームと関連付けられた信頼区間を生成することを含む。機械学習モデル１２０の精度は、検証サンプルのセットに基づいて評価される。信頼区間は、予測済みシームを生成するために使用された機械学習モデル１２０の特定の機械学習モデルの精度に基づいて生成されてもよい。信頼区間は、機械学習モデルが予測済みシームのサブセットに関してどの程度信頼できるかを示す。

いくつかの実施形態では、１つ以上の検証値を生成することは、予測済みシームを、３Ｄモデルに対して提供されたシームのセットと比較することを含む。提供されたシームのセットは、例えば、３Ｄモデルに対してユーザまたは他の機械学習モデルによって前に生成されたシームであってもよい。１つ以上の検証値は、歪みにおける差、シェルの数における差、真陽性率、偽陽性率、または偽陰性率などの比較に基づいて生成される。

いくつかの実施形態では、１つ以上の検証値を生成することは、予測済みシームのセットを示す入力を受信し、予測済みシームのセットの精度を示す出力を生成するよう訓練された１つ以上の訓練済み機械学習モデルに、予測済みシームを提供することを含む。１つ以上の訓練済み機械学習モデルは、予測済みシームを生成した対応する機械学習モデルによって生成された結果を評価するための識別的モデルであってもよい。

いくつかの実施形態では、予測済みシームを評価することに基づいて、予測済みシームを有する３Ｄモデルは、追加の機械学習モデルを訓練し、または訓練済み機械学習モデルを精緻化するために、機械学習モデル１２０に記憶され、またはそうでなければ機械学習モデル１２０に提供される。例えば、予測済みシームが上記議論された基準を満たさないことを評価が示す場合、予測済みシームが精緻化されてもよく、またはシームのセットを手動で定義するために、３Ｄモデルが１つ以上のユーザに提供されてもよい。精緻化されたシームまたは手動で定義されたシームを有する３Ｄモデルは、機械学習モデル１２０への訓練入力として提供される。機械学習モデルを保持するために評価結果を使用することの１つの利点は、通常でない形状を有し、または新たなオブジェクトタイプを描写する３Ｄモデルなど、機械学習モデルを訓練するために前に使用された３Ｄモデルに準拠しない３Ｄモデルから機械学習モデルが学習することができることである。

要するに、コンピュータシステムは、テクスチャを適用するために３Ｄモデルを２Ｄ画像にどのようにアンラップ及び平坦化することができるかを示す、３Ｄモデルのためのシームのセットを生成する。コンピュータシステムは、訓練されたニューラルネットワークに提供される１つ以上の入力を生成するよう、３Ｄモデルを処理する。

訓練されたニューラルネットワークは、１つ以上の入力を受信し、３Ｄモデルのための１つ以上の予測済みシームを示す出力を生成するように構成されている。コンピュータシステムは更に、例えば、対称性を改善し、シームラインを真っすぐにし、歪みを減少させるよう、１つ以上の予測済みシームを精緻化する。加えて、コンピュータシステムは、ユーザが、ＧＵＩを介して、３Ｄモデル上の１つ以上の予測済みシームを閲覧し、予測済みシームを精緻化するためのパラメータを修正し、どの予測済みシームを受け入れるかを示す確率閾値を選択することを可能にする。

１つのアプローチでは、訓練されたニューラルネットワークのための１つ以上の入力を生成するために、コンピュータシステムは、３Ｄモデルを２Ｄ画像のセットにレンダリングし、各２Ｄ画像は、異なる視点からの３Ｄモデルを描写する。訓練されたニューラルネットワークは、各２Ｄ画像を受信し、２Ｄ画像に基づいて、各２Ｄ画像上の予測済みシームのインジケーションを生成する。２Ｄ画像上の予測済みシームの位置及び２Ｄ画像によって描写された視点に基づいて、コンピュータシステムは、対応する位置において３Ｄモデル上に予測済みシームを配置する。

別のアプローチでは、訓練されたニューラルネットワークのための１つ以上の入力を生成するために、コンピュータシステムは、３Ｄモデルのグラフ表現を生成する。グラフ表現は、訓練されたニューラルネットワークに入力として提供され、訓練されたニューラルネットワークは、グラフ表現の各エッジまたは頂点がシームまたはシームの部位であると予測されるかどうかを示す出力を生成する。シームまたはシームの部位であると予測された３Ｄモデルのエッジに基づいて、コンピュータシステムは、対応するエッジにおいて３Ｄモデル上に予測済みシームを配置する。

別のアプローチでは、第１の訓練されたニューラルネットワークは、予測済みシームの第１のセットを生成するために使用される。コンピュータシステムは、第２の訓練されたニューラルネットワークのための入力を生成するよう、予測済みシームの第１のセットを処理する。第２の訓練されたニューラルネットワークは、予測済みシームの第１のセットを受信し、例えば、対称性を改善すること、シームラインを真っすぐにすること、及び歪みを減少させること、によって予測済みシームの第２のセットを生成するよう、予測済みシームの第１のセットを精緻化するように構成されている。第１の訓練されたニューラルネットワーク及び第２の訓練されたニューラルネットワークに提供される入力は、上記議論されたアプローチのいずれかを使用して生成されてもよい。例えば、予測済みシームの第１のセットは、第１の訓練されたニューラルネットワークに３Ｄモデルの２Ｄ画像のセットを提供することによって生成されてもよい。コンピュータシステムが３Ｄモデル上に予測済みシームの第１のセットを配置した後、コンピュータシステムは、予測済みシームの第１のセットを含む３Ｄモデルのグラフ表現を生成する。グラフ表現は、第２の訓練されたニューラルネットワークに入力として提供される。

前のアプローチと比較した開示された技術の少なくとも１つの利点は、前のアプローチとは異なり、コンピュータシステムが、セマンティック境界及びシーム位置を明らかにする３Ｄモデルのためのシームを自動で生成する一方、歪み及びレイアウトの非効率性を最小化することである。それらの技術的な利点は、従来技術アプローチよりも１つ以上の技術的利点をもたらす。

条項１．いくつかの実施形態では、三次元（３Ｄ）モデルのためのシームを自動で生成する方法であって、前記３Ｄモデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、を含む、前記方法。

条項２．前記３Ｄモデルを複数のグループに分割することと、前記複数のグループのグループごとに、前記３Ｄモデルのそれぞれの１つ以上の表現を前記１つ以上の訓練済み機械学習モデルのための入力として生成することと、を更に備える、条項１に記載の方法。

条項３．前記３Ｄモデルの前記１つ以上の表現は、１つ以上の２Ｄ画像を含み、前記シーム予測のセットは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像におけるそれぞれの１つ以上のシーム予測を示す、条項１及び２のいずれかに記載の方法。

条項４．前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像における前記それぞれの１つ以上のシーム予測を前記３Ｄモデルに投影することを含む、条項１～３のいずれかに記載の方法。

条項５．前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上のエッジを示す、条項１～４のいずれかに記載の方法。

条項６．前記３Ｄモデル上に前記１つ以上のシームを配置することは、シームの部位であると予測された前記グラフ表現の前記１つ以上のエッジのエッジごとに、前記３Ｄモデルの対応するエッジを判定することと、前記３Ｄモデルの前記対応するエッジにシームのエッジを配置することと、を含む、条項１～５のいずれかに記載の方法。

条項７．前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上の頂点を示す、条項１～６のいずれかに記載の方法。

条項８．前記３Ｄモデル上に前記１つ以上のシームを配置することは、シームの部位であると予測された前記グラフ表現の前記１つ以上の頂点の頂点ごとに、前記３Ｄモデルの対応する頂点を判定することと、前記３Ｄモデルの前記対応する頂点にシームの頂点を配置することと、を含む、条項１～７のいずれかに記載の方法。

条項９．前記３Ｄモデルは、複数のエッジを含み、各エッジは、前記エッジがシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上のシームと関連付けられた前記複数のエッジの１つ以上のエッジを判定することと、前記１つ以上のエッジのエッジごとに、前記エッジと関連付けられた前記それぞれのシーム確率値を更新することと、を含む、条項１～８のいずれかに記載の方法。

条項１０．前記３Ｄモデルは、複数の頂点を含み、各頂点は、前記頂点がシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上のシームと関連付けられた前記複数の頂点の１つ以上の頂点を判定することと、前記１つ以上の頂点の頂点ごとに、前記頂点と関連付けられた前記それぞれのシーム確率値を更新することと、を含む、条項１～９のいずれかに記載の方法。

条項１１．前記シーム予測のセットのシーム予測の少なくともサブセットを評価することによって、前記シーム予測のセットと関連付けられた検証値を生成することを更に含む、条項１～１０のいずれかに記載の方法。

条項１２．前記１つ以上のシームを精緻化することを更に含み、前記１つ以上のシームを精緻化することは、前記１つ以上のシームの１つ以上の特定のシームを除去すること、前記１つ以上のシームの１つ以上の特定のシームの厚みを減少させること、前記１つ以上のシームの２つ以上の特定のシームを接続すること、前記１つ以上のシームの１つ以上の特定のシームを平滑化すること、１つ以上のシーム頂点を除去すること、前記３Ｄモデルの対称性に基づいて前記１つ以上のシームの１つ以上の特定のシームを調節すること、のうちの１つ以上を含む、条項１～１１のいずれかに記載の方法。

条項１３．前記１つ以上のシームを精緻化することを更に含み、前記１つ以上のシームを精緻化することは、前記１つ以上のシームに基づいて、前記３Ｄモデルのグラフ表現を生成することと、前記３Ｄモデルの前記グラフ表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられた精緻化されたシーム予測のセットを生成することと、前記精緻化されたシーム予測のセットに基づいて、前記１つ以上のシームを更新することと、を含む、条項１～１２のいずれかに記載の方法。

条項１４．いくつかの実施形態では、プログラム命令を記憶した非一時的コンピュータ可読媒体であって、前記プログラム命令は、１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、のステップを実行させる、前記非一時的コンピュータ可読媒体。

条項１５．前記１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、前記３Ｄモデルを複数のグループに分割することと、前記複数のグループのグループごとに、前記３Ｄモデルのそれぞれの１つ以上の表現を前記１つ以上の訓練済み機械学習モデルのための入力として生成することと、のステップを実行させる命令を更に含む、条項１４に記載の非一時的コンピュータ可読媒体。

条項１６．前記３Ｄモデルの前記１つ以上の表現は、１つ以上の２Ｄ画像を含み、前記シーム予測のセットは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像におけるそれぞれの１つ以上のシーム予測を示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像における前記それぞれの１つ以上のシーム予測を前記３Ｄモデル上に投影することを含む、条項１４及び１５のいずれかに記載の非一時的コンピュータ可読媒体。

条項１７．前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上のエッジを示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、シームの部位であると予測された前記グラフ表現の前記１つ以上のエッジのエッジごとに、前記３Ｄモデルの対応するエッジを判定することと、前記３Ｄモデルの前記対応するエッジにシームのエッジを配置することと、を含む、条項１４～１６のいずれかに記載の非一時的コンピュータ可読媒体。

条項１８．前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上の頂点を示し、前記３Ｄモデル上に前記１つ以上のシームを配置することは、シームの部位であると予測された前記グラフ表現の前記１つ以上の頂点の頂点ごとに、前記３Ｄモデルの対応する頂点を判定することと、前記３Ｄモデルの前記対応する頂点にシームの頂点を配置することと、を含む、条項１４～１７のいずれかに記載の非一時的コンピュータ可読媒体。

条項１９．前記１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、前記１つ以上のシームに基づいて、前記３Ｄモデルのグラフ表現を生成することと、前記３Ｄモデルの前記グラフ表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられた精緻化されたシーム予測のセットを生成することと、前記精緻化されたシーム予測のセットに基づいて、前記１つ以上のシームを更新することと、のステップを実行させる命令を更に含む、条項１４～１８のいずれかに記載の非一時的コンピュータ可読媒体。

条項２０．いくつかの実施形態では、１つ以上のソフトウェアアプリケーションを記憶したメモリと、プロセッサと、を含み、前記プロセッサは、前記１つ以上のソフトウェアアプリケーションを実行するとき、三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、のステップを実行するように構成される、システム。

請求項のいずれかに記載された特許請求される要素及び／または本出願において説明されたいずれかの要素のいずれか及びいずれかの全ての組み合わせは、いずれかの形式において、本発明の考慮される範囲及び保護内にある。

様々な実施形態の説明が例示を目的として提示されてきたが、包括的であること、または開示される実施形態に限定されることを意図していない。説明された実施形態の範囲及び趣旨から逸脱することなく、多くの修正及び変形が当業者にとって明らかである。

本実施形態の態様は、システム、方法、またはコンピュータプログラム製品として具体化されてもよい。したがって、本開示の態様は、全体的にハードウェア実施形態、全体的にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、または全てが本明細書で「モジュール」、「システム」、もしくは「コンピュータ」と全体的に称されてもよい、ソフトウェアの態様及びハードウェアの態様を組み合わせた実施形態の形式を取ってもよい。加えて、本開示において説明されたいずれかのハードウェア技術及び／またはソフトウェア技術、プロセス、関数、コンポーネント、エンジン、モジュール、またはシステムは、回路または回路のセットとして実装されてもよい。更に、本開示の態様は、コンピュータ可読プログラムコードを具体化した１つ以上のコンピュータ可読媒体（複数可）において具体化されたコンピュータプログラム製品の形式を取ってもよい。

１つ以上のコンピュータ可読媒体（複数可）のいずれかの組み合わせが利用されてもよい。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であってもよい。コンピュータ可読記憶媒体は、例えば、それらに限定されないが、電気、磁気、光学、電磁気、赤外線、もしくは半導体システム、装置、もしくはデバイス、または上述したもののいずれかの適切な組み合わせであってもよい。コンピュータ可読記憶媒体のより多くの特定の例（非包括的なリスト）は、１つ以上のワイヤを有する電気接続、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭもしくはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、光学記憶装置、磁気記憶装置、または上述したもののいずれかの適切な組み合わせを含む。本明細書のコンテキストでは、コンピュータ可読記憶媒体は、命令実行システム、装置、もしくはデバイスによって使用するための、または命令実行システム、装置、もしくはデバイスと関連して使用するためのプログラムを包含または記憶することができるいずれかの有形媒体であってもよい。

本開示の態様は、開示の実施形態による方法、装置（システム）、及びコンピュータプログラム製品のフローチャートの例示及び／またはブロック図を参照して上記説明されてきた。フローチャートの例示及び／またはブロック図の各ブロック、並びにフローチャートの例示及び／またはブロック図におけるブロックの組み合わせは、コンピュータプログラム命令によって実装されてもよいことが理解されよう。それらのコンピュータプログラム命令は、汎用コンピュータ、特殊目的コンピュータ、または機械を生成する他のプログラム可能データ処理装置のプロセッサに提供されてもよい。命令は、コンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行されるとき、フローチャート及び／またはブロック図のブロックもしくは複数のブロックにおいて指定された機能／動作の実施を可能にする。そのようなプロセッサは、限定することなく、汎用プロセッサ、特殊目的プロセッサ、特定用途プロセッサ、またはフィールドプログラマブルゲートアレイであってもよい。

図におけるフローチャート及びブロック図は、本開示の様々な実施形態によるシステム、方法、及びコンピュータプログラム製品のとり得る実装態様のアーキテクチャ、機能性、及び演算を示す。この点に関して、フローチャートまたはブロック図における各ブロックは、指定された論理機能（複数可）を実施するための１つ以上の実行可能命令を含む、モジュール、セグメント、またはコードの部分を表すことができる。いくつかの代替的な実装態様では、ブロックにおいて注記された関数は、図において注記された順序以外で行われてもよいことに留意されるべきである。例えば、関与する機能性に応じて、連続して示された２つのブロックは、実際には、実質的に同時に実行されてもよく、またはブロックは時に、逆の順序において実行されてもよい。ブロック図及び／またはフローチャートの例示の各ブロック、並びにブロック図及び／またはフローチャートの例示におけるブロックの組み合わせは、指定された関数もしくは動作を実行する特殊目的ハードウェア方式システム、または特殊目的ハードウェア及びコンピュータ命令の組み合わせによって実施されてもよいことにも留意されよう。

先述したことは、本開示の実施形態に向けられるが、その基本的な範囲から逸脱することなく、開示の他の実施形態及び更なる実施形態が考案されてもよく、その範囲は、以下の特許請求の範囲によって決定される。

Claims (15)

1. 三次元（３Ｄ）モデルのためのシームを自動で生成する方法であって、
   前記３Ｄモデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
   前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
   前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
   を備える、前記方法。
2. 前記３Ｄモデルを複数のグループに分割することと、
   前記複数のグループのグループごとに、前記３Ｄモデルのそれぞれの１つ以上の表現を前記１つ以上の訓練済み機械学習モデルのための入力として生成することと、
   を更に備える、請求項１に記載の方法。
3. 前記３Ｄモデルの前記１つ以上の表現は、１つ以上の２Ｄ画像を含み、前記シーム予測のセットは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像におけるそれぞれの１つ以上のシーム予測を示す、請求項１に記載の方法。
4. 前記３Ｄモデル上に前記１つ以上のシームを配置することは、前記１つ以上の２Ｄ画像の２Ｄ画像ごとに、前記２Ｄ画像における前記それぞれの１つ以上のシーム予測を前記３Ｄモデル上に投影することを含む、請求項３に記載の方法。
5. 前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上のエッジを示す、請求項１に記載の方法。
6. 前記３Ｄモデル上に前記１つ以上のシームを配置することは、
   シームの部位であると予測された前記グラフ表現の前記１つ以上のエッジのエッジごとに、前記３Ｄモデルの対応するエッジを判定することと、
   前記３Ｄモデルの前記対応するエッジにシームのエッジを配置することと、
   を含む、請求項５に記載の方法。
7. 前記３Ｄモデルの前記１つ以上の表現は、前記３Ｄモデルのグラフ表現を含み、前記シーム予測のセットは、シームの部位であると予測された前記グラフ表現の１つ以上の頂点を示す、請求項１に記載の方法。
8. 前記３Ｄモデル上に前記１つ以上のシームを配置することは、
   シームの部位であると予測された前記グラフ表現の前記１つ以上の頂点の頂点ごとに、前記３Ｄモデルの対応する頂点を判定することと、
   前記３Ｄモデルの前記対応する頂点にシームの頂点を配置することと、
   を含む、請求項７に記載の方法。
9. 前記３Ｄモデルは、複数のエッジを含み、各エッジは、前記エッジがシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
   前記１つ以上のシームと関連付けられた前記複数のエッジの１つ以上のエッジを判定することと、
   前記１つ以上のエッジのエッジごとに、前記エッジと関連付けられた前記それぞれのシーム確率値を更新することと、
   を含む、請求項１に記載の方法。
10. 前記３Ｄモデルは、複数の頂点を含み、各頂点は、前記頂点がシームに対応する尤度を示すそれぞれのシーム確率値と関連付けられ、前記３Ｄモデル上に前記１つ以上のシームを配置することは、
    前記１つ以上のシームと関連付けられた前記複数の頂点の１つ以上の頂点を判定することと、
    前記１つ以上の頂点の頂点ごとに、前記頂点と関連付けられた前記それぞれのシーム確率値を更新することと、
    を含む、請求項１に記載の方法。
11. 前記シーム予測のセットのシーム予測の少なくともサブセットを評価することによって、前記シーム予測のセットと関連付けられた検証値を生成することを更に備える、請求項１に記載の方法。
12. 前記１つ以上のシームを精緻化することを更に備え、前記１つ以上のシームを精緻化することは、前記１つ以上のシームの１つ以上の特定のシームを除去すること、前記１つ以上のシームの１つ以上の特定のシームの厚みを減少させること、前記１つ以上のシームの２つ以上の特定のシームを接続すること、前記１つ以上のシームの１つ以上の特定のシームを平滑化すること、１つ以上のシーム頂点を除去すること、前記３Ｄモデルの対称性に基づいて前記１つ以上のシームの１つ以上の特定のシームを調節すること、のうちの１つ以上を含む、請求項１に記載の方法。
13. 前記１つ以上のシームを精緻化することを更に備え、前記１つ以上のシームを精緻化することは、
    前記１つ以上のシームに基づいて、前記３Ｄモデルのグラフ表現を生成することと、
    前記３Ｄモデルの前記グラフ表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられた精緻化されたシーム予測のセットを生成することと、
    前記精緻化されたシーム予測のセットに基づいて、前記１つ以上のシームを更新することと、
    を含む、請求項１に記載の方法。
14. 命令を含む非一時的コンピュータ可読媒体であって、前記命令は、１つ以上のプロセッサによって実行されるとき、前記１つ以上のプロセッサに、
    三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
    前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
    前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
    のステップを実行させる、前記非一時的コンピュータ可読媒体。
15. １つ以上のソフトウェアアプリケーションを記憶したメモリと、
    プロセッサと、を備え、前記プロセッサは、前記１つ以上のソフトウェアアプリケーションを実行するとき、
    三次元（３Ｄ）モデルに基づいて、前記３Ｄモデルの１つ以上の表現を１つ以上の訓練済み機械学習モデルのための入力として生成することと、
    前記３Ｄモデルの前記１つ以上の表現に前記１つ以上の訓練済み機械学習モデルを適用することによって、前記３Ｄモデルと関連付けられたシーム予測のセットを生成することであって、前記シーム予測のセットに含まれる各シーム予測は、それに沿って前記３Ｄモデルを切断することができる異なるシームを識別する、前記生成することと、
    前記シーム予測のセットに基づいて、前記３Ｄモデル上に１つ以上のシームを配置することと、
    のステップを実行するように構成される、システム。

Images