基于深度学习的单视图三维点云重建方法研究

发布时间：2021-10-25 09:17

　　三维重建是计算机图形学领域的经典任务,近年来深度学习在二维图像处理中被广泛应用并且取得显著成果,越来越多的研究者尝试将深度学习在二维图像处理任务上的成功复制到三维重建任务中,因此基于深度学习的三维重建相关研究也逐渐成为研究热点。相比需要精密采集设备和严格标定图像信息的传统三维重建方法,基于深度学习的三维重建方法通过深度神经网络完成二维图像到三维模型的匹配,能够大量地、快速地从普通采集设备获取的RGB图像重建多种类别物体的三维模型。从单一图像重建高质量的三维模型则更具有挑战性,如何提取图像特征,恢复三维模型信息,生成高质量的三维模型成为三维重建研究的重点。本文主要研究工作归纳如下:（1）对已有的基于深度学习的多种表现形式的三维重建方法进行分析和总结:按照基于深度学习的三维重建的发展梳理了三维体素重建、三维点云重建和三维网格重建的国内外相关研究,通过对比和分析三种三维模型表现形式的优劣,并根据研究需要确定将三维点云作为研究对象,另外详细分析了目前普遍使用的三维模型数据集、数据处理方式、评估方法以及应用于三维重建的神经网络中的基础操作等。（2）提出了基于注意力机制的高密度点云重建方法:针对过... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

Choy等人[8]3d-r2n2网络架构

合肥工业大学学术硕士研究生学位论文4能将用于二维图像处理的神经网络架构与基础操作扩展到三维体素的处理中。但三维体素重建的劣势在于这种简单的扩展会导致卷积等计算资源出现维度上的增长，因此在有限的计算资源和存储资源下，重建出的三维体素通常是323这样的较低分辨率，也就是说重建出的三维体素很难表示较为细节的形状信息。图1.2Lu等人[13]3D-FHNet网络架构Fig1.2Networkstructureof3D-FHNetofLuetal.[13]Lu等人[13]提出融合分层重建网络，认为三维循环神经网络在三维体素重建中对多视图信息的融合随视图顺序的不同是不稳定、不可靠的，因此采用了选取基于视点的最大特征的多视图特征融合方法以及分层预测的策略使得神经网络能够通过单视图或者任意多张视图进行三维体素重建，实验结果说明当视图数量增加时，重建结果也会越来越好。图1.3Wang等人[14]O-CNN概览Fig1.3OverviewofO-CNNofWangetal.[14]上述研究受限于三维体素内存占用过大以及计算资源消耗过大等原因，大多只重建低分辨率的三维体素，而Wang等人[14]提出基于八叉树的卷积神经网络，即将三维体素数据组织存储在八叉树内，同时卷积神经网络的特征也相应的能够存储于八叉树的结构中，而基于八叉树的卷积神经网络的内存和计算成本随着八叉树的深度增加呈平方增长，相对于原始三维体素结构随体素单位增加呈立方增长

Wang等人[14]O-CNN概览

【参考文献】：
期刊论文
[1]深度学习在基于单幅图像的物体三维重建中的应用[J]. 陈加,张玉麒,宋鹏,魏艳涛,王煜.  自动化学报. 2019(04)



本文编号：3457100