基于误差容限的可逆量化与分层恢复渲染方法、设备、介质及产品与流程

本发明涉及三维图形数据处理与可视化，具体涉及基于误差容限的可逆量化与分层恢复渲染方法、设备、介质及产品。

背景技术：

1、本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

2、随着数字孪生、工业仿真、游戏与web3d等技术的快速发展，三维模型在网络传输与终端加载过程中普遍面临着数据量庞大、解码耗时长、渲染不流畅等技术瓶颈。为了提升传输与渲染效率，行业内广泛采用对几何与纹理数据进行量化压缩的方法（例如使用draco、open3dgc等主流工具），这些现有技术通常采用统一的策略，将浮点数据量化到固定精度的整数区间后进行编码压缩。

3、然而，在长期的研发与工程实践中发现，现有的三维模型量化与渲染加载技术存在以下明显缺陷：

4、第一，量化误差不可控。现有量化策略多基于全局固定精度，无法针对模型局部复杂的几何特征（如高曲率区域）进行精细化调整，也无法适应不同视觉或工业仿真任务对精度的严苛需求，从而不可避免地造成局部关键细节的损失或平坦区域的资源浪费。

5、第二，解码与渲染管线紧耦合且缺乏灵活性。目前的数据加载解码过程与量化精度紧密绑定，缺乏多精度适配机制；且传统的解压方案通常依赖cpu端完成解压后再将全量数据传递至gpu，这种低效的数据流转方式造成了严重的带宽瓶颈，极不利于各类终端（尤其是算力受限设备）的自适应渲染。

6、第三，压缩过程不可逆。为了追求极限的压缩率，多数现有方法采用了不可逆的有损量化策略，导致模型在轻量化传输后，难以在后续的仿真分析等高精度场景中精准重构原始的高精度几何与属性数据。

技术实现思路

1、本发明的目的在于：提供一种基于误差容限的可逆量化与分层恢复渲染方法、设备、介质及产品，以克服现有技术中量化误差不可控、加载渲染不灵活以及压缩不可逆的问题；在保证视觉感知或工程仿真精度的前提下，最大程度提高三维模型的压缩效率，并支持在不同场景和终端算力下实现底层硬件加速的灵活解码与渲染。

2、本发明的技术方案如下：

3、基于误差容限的可逆量化与分层恢复渲染方法，包括：

4、步骤s1：接收原始三维模型数据，并获取预设的误差容限参数；对所述原始三维模型数据进行空间分析以确定其几何范围；

5、步骤s2：对所述原始三维模型数据对应的三维模型空间进行归一化，基于所述原始三维模型数据中各顶点的局部曲率和局部顶点密度构建复杂度场，并基于所述复杂度场将所述三维模型空间划分为多个子区域；根据各所述子区域的复杂度与所述误差容限参数，分别确定每个子区域对应的独立误差阈值；

6、步骤s3：针对每个子区域，基于对应的所述独立误差阈值计算所述原始三维模型数据的最小量化精度位宽；按照所述最小量化精度位宽，将浮点型的所述原始三维模型数据进行整数化编码，并生成相应的量化元数据，所述量化元数据至少包含量化步长与最小基准值；

7、步骤s4：基于所有子区域的编码结果构建可逆中间表示结构，所述可逆中间表示结构包含多精度层级结构，所述多精度层级结构依次包括：采用最低可接受精度表示的基础层、记录相邻精度层级之间差值的至少一层残差层，以及存储所述量化元数据的元信息区；

8、步骤s5：在渲染阶段，按需加载所述可逆中间表示结构，将加载的所述基础层和残差层存放于图形处理器gpu的显存对象中；调用所述gpu的并行计算内核读取所述基础层，并按需逐层累加所述残差层进行反量化重构，直至得到满足所述误差容限参数的重构三维模型数据，将所述重构三维模型数据传入图形渲染管线进行实时渲染。

9、进一步地，所述基于所述复杂度场将所述三维模型空间划分为多个子区域，包括：

10、采用八叉树或体素划分方法对所述三维模型空间进行空间划分；

11、计算当前划分区域内所述复杂度场的复杂度方差；

12、当所述复杂度方差小于预设的复杂度方差阈值时，停止继续划分，得到多个所述子区域；

13、其中，所述子区域对应的独立误差阈值满足：，其中，为全局的所述误差容限参数，为与所述子区域的复杂度相关的函数；

14、所述顶点的局部曲率是基于相邻三角面的法向量差值或二阶几何矩阵计算得到的。

15、进一步地，基于对应的所述独立误差阈值计算所述原始三维模型数据的最小量化精度位宽，并按照所述最小量化精度位宽，将浮点型的所述原始三维模型数据进行整数化编码，具体包括：

16、针对顶点坐标数据，计算坐标量化步长；

17、根据所述子区域的几何范围和所述坐标量化步长，计算最小量化精度位宽；

18、根据公式或取整函数，将浮点型的坐标转换为整数化编码，其中为所述子区域的最小基准值。

19、进一步地，所述记录相邻精度层级之间差值的至少一层残差层，具体包括：

20、第级残差层记录从第级精度恢复至第级精度所需的差值；

21、当所述差值为稀疏分布时，所述残差层采用压缩稀疏行索引格式进行稀疏存储，或者采用熵编码进行压缩存储，以控制在所述图形处理器gpu端仅对非零的残差值进行解码。

22、进一步地，所述调用所述gpu的并行计算内核读取所述基础层，并按需逐层累加所述残差层进行反量化重构，具体包括：

23、由所述gpu的计算着色器为各顶点分配并行线程；

24、在每个所述并行线程中，基于所述量化元数据中的量化步长和最小基准值，对所述基础层进行解码以获取初始重构值；

25、若需要提高重构精度，则逐层读取所需层级的残差层，将当前层级的残差值乘以对应的量化步长后，累加至上一层级的重构值上，得到当前层级的重构值，满足重构公式：，其中，为第级的重构值，为第级的重构值，为第级的残差值，为第级的量化步长；

26、对重构过程中的量化误差进行修正控制，确保最终重构后的三维模型数据的坐标误差不超过所述误差容限参数。

27、进一步地，所述按需加载所述可逆中间表示结构，包括采用渐进式加载与误差感知细节层次控制策略，具体包括：

28、在初始显示阶段，优先加载所述基础层；

29、在实时渲染过程中，根据相机距离、交互频率和系统算力预算，动态决定需加载的所述残差层的层数；

30、其中，将所述误差容限参数对应的精度层级设为最高加载优先级，并在所述系统算力预算不足时，优先回收视口外部的三维模型空间所对应的残差层的显存。

31、进一步地，所述误差容限参数的获取来源包括：

32、基于可视化的渲染任务设定的视觉感知指标阈值，所述视觉感知指标阈值包括最大视觉偏差；或者，

33、基于有限元仿真的分析任务设定的仿真精度指标阈值，所述仿真精度指标阈值包括网格变形容限或节点位移误差限值。

34、本发明还提出了一种电子设备，包括：

35、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

36、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，使得所述至少一个处理器执行如上述的方法。

37、本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质用于存储指令，当所述指令被执行时，使如上述的方法被实现。

38、本发明还提出了一种计算机程序产品，所述计算机程序被处理器执行时实现上述的方法。

39、与现有的技术相比本发明的有益效果是：

40、1、引入误差感知策略，在保障模型绝对精度的同时极致提升压缩率。本发明通过计算顶点的局部曲率与密度构建复杂度场，并结合全局误差容限为不同子区域动态分配独立误差阈值，实现了“复杂区域高精度、平坦区域低精度”的自适应分段量化。该策略从数学底层保证了量化误差被严密限制在用户设定的容限范围内（如视觉无损或仿真误差下限），相较于传统浮点表示，可在无感损耗下显著减少30%–80%的存储与传输空间。

41、2、构建多精度层级结构，支持渐进式按需加载与流畅渲染。本发明摒弃了传统的单层数据结构，创新性地将模型数据重构为包含“基础层”与“多级残差层”的可逆中间表示结构。该机制使得不同硬件能力或网络环境下的终端，可根据相机距离与算力预算（lod控制策略）灵活决定加载层级，彻底解决了大型模型初始帧率低、加载卡顿的痛点。

42、3、打破cpu解压瓶颈，实现与gpu图形渲染管线的无缝集成。本发明利用图形处理器（gpu）并行计算内核（如compute shader）直接读取显存对象中的基础层与稀疏残差层，在显存内部完成多线程并行的逐层反量化重构，并将结果直接输送至图形渲染管线。该架构实现了数据的“边解码边渲染”，彻底释放了cpu算力并消除了总线带宽瓶颈，特别适配摩尔线程等信创国产gpu的底层并行优化机制。

43、4、具备高度可逆性，兼容多尺度仿真应用场景。本发明的量化及逐层累加重构机制具备完全的数学可逆性。只要累加足够层级的残差，即可实现向原始浮点数据的100%无损还原。同时，误差容限的设定不仅兼容最大视觉偏差，更可无缝对接有限元仿真的网格变形与节点位移限制，真正实现了模型轻量化处理与高精度工业仿真任务的跨界深度融合。