自动摘要: |时间|对应版本号|修订人|主要修订内容| ||||| ||V1.0.0|@朱远翔|产品部主观验收 ……..

时间	对应版本号	修订人	主要修订内容
	V1.0.0	@朱远翔	产品部主观验收
	V2.0.0	@张新霞	自测

V1.0.0

输入要求

输出

统一使用：迭代457次模型

测试集
公司数据（没有任何联系，相当于测模型泛化性）

特点：

参数：
1. 学习是隐函数
2. 参数网格采样为3000个点
3. 采样偏差抖动标准偏差约 0.1
效率：
1. 在RTX3090显卡上，一次性输入为4w个点，推理时间为9.8s，占用显存23G。

部分代码：

logits_list = []
      time_start=time.time()
      ##############################################
      for points in self.grid_points_split:
          with torch.no_grad():
              logits = self.model(points,inputs)
          logits_list.append(logits.squeeze(0).detach().cpu())
      ################################################

      logits = torch.cat(logits_list, dim=0)
      time_end=time.time()
      print('time cost',time_end-time_start,'s')
      return logits.numpy()
      logits = np.reshape(logits.numpy(), (self.resolution,)*3)

      #填充能够检索靠近边界框边界的对象
      logits = np.pad(logits, ((1, 1), (1, 1), (1, 1)), 'constant', constant_values=0)
      threshold = np.log(self.threshold) - np.log(1. - self.threshold)
      vertices, triangles = mcubes.marching_cubes(logits, threshold)

      #删除由于填充而导致的平移
      vertices -= 1

      #缩小到原来的尺度
      step = (self.max - self.min) / (self.resolution - 1)
      vertices = np.multiply(vertices, step)
      vertices += [self.min, self.min, self.min]

      mesh = trimesh.Trimesh(vertices, triangles)
      return mesh

验收建议：

噪声较多，不够平滑

规划

算法部反馈：

根据目前AI组生成的模型来看，我认为可行性非常大。
目前推理生成的模型的优缺点如下：

优点：近远中、颊舌侧形态自然，与邻牙吻合度很高，咬合面牙沟牙脊形态较好

缺点：近远中、颊舌侧底部形态丢失严重，咬合面噪声较多，非牙沟牙脊区小凸起较多

处理方案：
目前方案有两条：

对推理后的模型后处理，消除噪声，尤其小凸起，对牙沟牙脊特征进行增强处理，这一部分之前没有技术储备，但是对于模型的去噪、特征增强等的研究有较丰富的资料可供参考，这一条实现的把握较大

基于推理后的模型，只取其主轮廓部分：颊舌侧、近远中的轮廓，咬合面只取其边缘轮廓，沟脊部分采用模板牙经变形匹配到推理后模型的沟脊特征，同时利用推理模型的咬合面中的特征点（基于特征提取方法获取）为约束，限制模型咬合面的变形界限；另外近远中、颊舌侧利用模板变形结果进行补齐

技术要点：
（1）模型去噪
（2）模型特征增强（可选）
（3）基于目标模型的变形

AI组反馈：

数据问题：

没有参与我司数据训练，造成一些效果不好

原因：还未从正畸数据进行裁剪修正

措施：计划让算法部提供相应的库，我们尝试使用API进行C++批处理，以促进算法的了解及使用，在批处理完成情况下，让产品部核对数据。

细节问题：

受硬件资源限制，无法提升体素分辨率

在函数设计上，还可以针对牙齿信息进行设计

推理问题：

在高配资源上，推理速度>9s,很不理想

后期可以通过知识蒸馏，迁移等手段提高到一定程度

网格生成问题：

我们以学习是函数，作用是点–>点，网格生成部分我们借助第三方工具，有一定问题和损失，所以建议AI组只提供点–>点部分，以及处理成网格的方法以供参考。

总结：

综合考虑当下现状，数据制作不易，细节不够完善，建议采用算法部提供的《基于目标模型的变形》方法，
在不考虑推理速度情况下，做第一次尝试，当效果符合真正预期时，针对痛点进行下一阶段探讨及改进！

计划：

不考虑推理速度快慢，保证在英特尔CPU上能执行—>通用性

不考虑其他平台，只保证windows下C++并且x64下可运行 —>降低出错几率

保证提供API不大于100MB，不进行加密—>易拓展

保证C++调用库推理时，生成误差与python版小于**5% **—->降低工作难度