近年来,随着三维模型设计资源库的迅猛增长,数据驱动的室内场景自动设计已经成为计算机图形学的一个热门研究问题。论文研究室内场景自动设计中的三维模型风格提取问题,其研究目的是从设计资源库中检索得到风格类似的三维模型,用以驱动高质量室内场景的自动生成。论文主要工作如下:1.对三维模型风格特征提取相关研究进行了总结和分析。三维模型风格特征提取问题涉及局部形状特征描述、风格特征提取和室内场景自动生成等多个研究领域。论文对相关研究进行分析和总结,说明了已有风格特征提取研究的局限性以及应用前景。2.提出了一个局部形状描述符已知的三维模型风格特征稀疏表示机制。针对已有算法无法度量三维局部特征对风格特征的重要性问题,论文提出了三维模型风格特征的稀疏表示机制。首先,算法通过共享权重卷积神经网络得到三维模型局部特征。其次,算法采用拉普拉斯矩阵得到局部特征的稀疏表示。最后,通过字空间直方图度量局部特征的重要性,得到三维模型的全局风格特征。这种风格特征表示机制,不仅通过稀疏学习保持了特征的可判别性,而且解决了特征的维数灾难问题。在实验部分,论文针对两个基准数据进行实验分析,算法能够得到更好的检索性能。3.提出了渐进式室内场景生成方法,用于帮助用户快速完成室内场景家具设计。用户输入为一个不完全的场景和已知的布局。算法首先根据类别和风格特征从数据库中检索得到具有兼容性的三维元素,并插入到当前场景中,重复上述过程直到完成场景设计。在上述流程基础上,论文首先改进了稀疏表示下的风格特征提取三角网络,提高风格特征的可判别性。该网络采用稀疏表示形成输入矩阵,通过卷积层和池化层对稀疏特征进行优化,并采用边际阈值约束的三角函数计算损失误差。然后论文针对三维元素朝向自动摆放问题定义相关性知识约束,提高场景生成的交互设计效率。在实验部分,论文对改进的网络结构进行检索准确率比较,可以发现风格特征提取三角网络要优于第三章的拟牛顿求解策略。最后论文通过风格特征匹配和三维元素朝向自动摆放算法生成部分室内场景。