基于点云数据输入的三维鲁棒修复技术
发布时间:2024-05-21 06:17
在计算机图形学和三维机器视觉中,离散点云数据由于其数据获取方便、数据结构简单而得到了广泛应用。然而,利用深度相机获取点云数据时,通常由于受到场景中物体的遮挡、深度相机的传感器距离限制等原因会产生缺失的离散点云数据,亟需进行点云数据修复补全。传统的点云修复方法多用于对小型孔洞的修复,无法对点云模型的形状结构缺失进行修复。为了对形状结构缺失的点云进行补全,本文利用深度学习框架,对于两类点云的应用对象构建了直接输入点云数据的深度神经补全网络。其一是基于生成对抗网络的单个点云模型的保结构补全,侧重于修复单个点云物体的形状结构缺失,能够对模型细节精确预测。其二是基于“类别-实例”分割的室内场景修复,侧重于修复位于室内场景中缺失的家具形状,产生较为完整的室内场景点云。本文的主要工作以及取得的研究成果如下:1)针对三维点云形状修复补全中难以保持形状精细结构信息的难点,借助于生成对抗网络框架,本文提出了一种自动修复补全三维点云形状的神经网络结构。该网络由生成器和判别器构成。神经网络的生成器采用自编码器结构,以缺失的三维点云形状作为输入,首先通过输入变换和特征变换对齐输入点云数据的采样点位置与特征信息;...
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
本文编号:3979721
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
图1.1总体框架图??1.4论文组织关系??
数据的场景补全框架,首先通过”类别-实例”分割模块分割出待补全的缺失家具点云,??然后通过自编码器结构的深度祌经网络框架对分割出的家具点云进行补全,最后将补全完??成的家具点云融合入缺失场景中,从而完成场景补全。??研究内容?(?点云模型补全技术??输入对象?缺失的点云物体?缺失....
图2.?1?M-P模型??-
浙江理工大学硕士学位论文?基于点云数据输入的三维鲁棒修复技术??第二章相关技术概述??本章主要介绍了深度学习的发展历史、深度学习中常用于处理三维模型的深度神经网??络结构以及深度学习运用的软件环境。??2.1深度学习发展概述??1943年,逻辑学家Walter?Pitts和神经生....
图2.?2自编码器结构??
盖了生活的方方??面面,手机淘宝的拍照找同款商品功能、火车站安检的刷脸通过功能、自动驾驶中的目标??检测等等都离不开深度学习。大数据也是近年来的热门领域,深度学习功不可没。例如人??们可以通过海量的商品数据为顾客进行产品推荐、通过用户行为习惯生成个性化服务内容、??评估借贷人的信....
图2.?3深度自编码网络结构??经过数十年的发展,人们对于自编码器也提出了许多的变种
浙江理工大学硕士学位论文?基于点云数据输入的三维鲁棒修复技术??_??图2.?3深度自编码网络结构??经过数十年的发展,人们对于自编码器也提出了许多的变种。稀疏自编码器一般用来??学习特征,用于分类的任务。不同于传统自编码器,稀疏自编码器在训练时结合了编码层??的稀疏惩罚项,这使....
本文编号:3979721
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3979721.html
最近更新
教材专著