基于深度学习的三维模型补全技术研究

发布时间：2021-01-31 03:32

　　三维数据模型,作为最接近现实世界的数字化表示正逐渐的应用于模型生产、机器人学、城市构建、自动驾驶、虚拟现实等领域。随着这些领域的发展,人们对三维数据模型的完整性、真实性、可靠性的需求也越来越大。在物体的建模过程中,不可避免的存在遮挡、抖动等情况,这造成了三维数据模型信息丢失、模型结构残缺不全的现象,需要对模型的缺失部分进行预测填充。传统的模型优化方法多基于几何结构对小的孔洞填充,而无法对大的模型缺失区域进行修复。为了对具有大量数据缺失的模型进行补全,本文讨论了两种处理残缺三维模型的方法,一种是基于生成对抗网络的模型补全,侧重于预测模型的完整结构以及预测模型与输入模型之间的相似性;另一种是基于八叉树的高分辨率模型补全网络,侧重于对模型结构和细节的预测填充,进而使得输出模型具有更丰富的信息。对于第一种方法,考虑残缺模型的结构修复,本文采用生成对抗机制结合自编码器实现生成能力更强的网络。具体体现在两个方面:一方面,网络的编码-解码结构用于计算重建误差,从而保证输入输出的一致性,同时生成-对抗机制使得输出的模型更加的真实自然;另一方面,网络在提高稳定性的基础上,能够预测得到残缺模型的完整结构,... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状分析
        1.2.1 三维模型优化
        1.2.2 深度学习在三维模型中的应用
    1.3 论文研究内容及结构
        1.3.1 论文研究内容
        1.3.2 论文组织框架
2 深度学习概述
    2.1 深度学习
        2.1.1 自动编码器
        2.1.2 卷积神经网络
        2.1.3 生成对抗网络
        2.1.4 生成对抗网络的改进
    2.2 深度学习环境
        2.2.1 TensorFlow
        2.2.2 Caffe
        2.2.3 CUDA和cuDNN
    2.3 本章小结
3 基于生成对抗网络的三维模型补全
    3.1 生成对抗方法描述
    3.2 网络结构设计
        3.2.1 编码网络
        3.2.2 生成对抗网络
    3.3 实验数据及实验环境
    3.4 实验结果及对比
    3.5 本章小结
4 基于八叉树的高分辨率三维模型补全
    4.1 八叉树结构及实现
    4.2 基于八叉树的模型补全网络
        4.2.1 基于八叉树的模型结构表示
        4.2.2 模型预测方法
        4.2.3 数据融合
    4.3 网络配置及实验环境
        4.3.1 网络配置
        4.3.2 实验数据及环境
    4.4 实验结果及对比
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文与研究成果
致谢



本文编号：3010137