RGB图像的三维重建深度学习方法研究
发布时间：2023-04-02 06:04
近年来,基于单张单视角RGB图像的三维重建研究得到了广泛关注。由于基于RGB图像的深度神经网络获得了巨大成功,三维重建的质量也得到大幅提升。目前的深度学习模型大都是重建体素信息来表示三维模型,换言之,这些深度模型是将RGB图像映射到三维图像(体素类似于像素)。即使体素重建质量很高,但是却丢失了三维物体一些重要的信息,例如形状拓扑和部件之间的关系等。为了重建出三维物体的结构信息,从RGB图像中还原出更完整更细节性的三维信息,本文提出一种基于RGB图像三维重建的深度学习模型,是一个卷积递归自编码器,由结构掩膜网络和结构重建网络两个子网络组成。首先,给定一张具有目标对象的RGB图像作为输入,由结构掩膜网络进行RGB图像轮廓特征和结构特征提取。然后利用结构重建网络将特征解码,并利用长方体和树状层次结构分别表示三维物体的每一个部件和部件之间的相互关系,包括连接关系和对称关系(即旋转对称关系、平行对称关系以及镜面对称关系),从而实现自动重建RGB图像中目标对象的三维结构信息。其中,结构掩膜子网络的目的是对RGB图像进行解析,它是一个多尺度卷积神经网络,通过学习在各种尺度和环境下目标物体的特征,以识...
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景
1.1.1 三维物体的表示方式
1.1.2 三维重建方法概述
1.1.3 基于RGB图像的深度学习方法
1.2 国内外研究现状
1.2.1 基于深度估计的三维重建
1.2.2 生成对抗式三维重建
1.2.3 几何结构信息的恢复重建
1.3 本文工作
1.3.1 研究内容
1.3.2 本文贡献
1.4 论文组织结构
1.5 小结
第二章 RGB图像特征提取相关方法
2.1 RGB图像特征的定义和属性
2.1.1 RGB图像特征的定义
2.1.2 RGB图像特征的属性
2.2 RGB图像特征提取方法
2.2.1 尺度不变特征变换
2.2.2 加速稳健特征
2.2.3 梯度位置方向直方图
2.2.4 方向梯度直方图
2.3 RGB图像特征提取深度模型分析
2.3.1 Alex Net
2.3.2 VGGNet
2.4 小结
第三章 RGB图像目标对象掩膜提取
3.1 目标物体提取相关方法
3.1.1 图像预处理
3.1.2 边缘检测
3.1.3 图像分割
3.1.4 种子点选择
3.1.5 区域增长和融合
3.1.6 目标提取
3.2 深度学习模型分析
3.2.1 神经网络概述
3.2.2 卷积神经网络
3.2.3 递归神经网络
3.3 结构掩膜网络的搭建
3.3.1 数据准备
3.3.2 目标提取网络搭建
3.3.3 神经网络训练
3.3.4 实验结果分析
3.4 小结
第四章 三维结构的表示与重建方法
4.1 RGB图像三维重建的相关方法
4.1.1 基于部件检索的图像三维重建
4.1.2 基于体元组装的图像三维重建
4.1.3 基于体素表示的图像三维重建
4.2 三维物体结构表示法
4.2.1 有向包围盒
4.2.2 树状结构表示法
4.3 结构重建网络的搭建
4.3.1 递归神经网络解码
4.3.2 三维结构重建网络
4.4 小结
第五章 基于RGB图像的三维结构重建方法
5.1 三维重建网络框架
5.1.1 RGB图像三维重建深度模型
5.1.2 结构掩膜网络
5.1.3 结构重建网络
5.2 三维重建网络实验细节
5.2.1 训练数据对生成
5.2.2 数据处理和增强
5.2.3 训练细节
5.3 三维重建网络实验效果
5.3.1 实验结果展示
5.3.2 实验结果评估
5.3.3 实验结果对比
5.4 小结
第六章 结束语
6.1 工作总结
6.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号：3778694
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景
1.1.1 三维物体的表示方式
1.1.2 三维重建方法概述
1.1.3 基于RGB图像的深度学习方法
1.2 国内外研究现状
1.2.1 基于深度估计的三维重建
1.2.2 生成对抗式三维重建
1.2.3 几何结构信息的恢复重建
1.3 本文工作
1.3.1 研究内容
1.3.2 本文贡献
1.4 论文组织结构
1.5 小结
第二章 RGB图像特征提取相关方法
2.1 RGB图像特征的定义和属性
2.1.1 RGB图像特征的定义
2.1.2 RGB图像特征的属性
2.2 RGB图像特征提取方法
2.2.1 尺度不变特征变换
2.2.2 加速稳健特征
2.2.3 梯度位置方向直方图
2.2.4 方向梯度直方图
2.3 RGB图像特征提取深度模型分析
2.3.1 Alex Net
2.3.2 VGGNet
2.4 小结
第三章 RGB图像目标对象掩膜提取
3.1 目标物体提取相关方法
3.1.1 图像预处理
3.1.2 边缘检测
3.1.3 图像分割
3.1.4 种子点选择
3.1.5 区域增长和融合
3.1.6 目标提取
3.2 深度学习模型分析
3.2.1 神经网络概述
3.2.2 卷积神经网络
3.2.3 递归神经网络
3.3 结构掩膜网络的搭建
3.3.1 数据准备
3.3.2 目标提取网络搭建
3.3.3 神经网络训练
3.3.4 实验结果分析
3.4 小结
第四章 三维结构的表示与重建方法
4.1 RGB图像三维重建的相关方法
4.1.1 基于部件检索的图像三维重建
4.1.2 基于体元组装的图像三维重建
4.1.3 基于体素表示的图像三维重建
4.2 三维物体结构表示法
4.2.1 有向包围盒
4.2.2 树状结构表示法
4.3 结构重建网络的搭建
4.3.1 递归神经网络解码
4.3.2 三维结构重建网络
4.4 小结
第五章 基于RGB图像的三维结构重建方法
5.1 三维重建网络框架
5.1.1 RGB图像三维重建深度模型
5.1.2 结构掩膜网络
5.1.3 结构重建网络
5.2 三维重建网络实验细节
5.2.1 训练数据对生成
5.2.2 数据处理和增强
5.2.3 训练细节
5.3 三维重建网络实验效果
5.3.1 实验结果展示
5.3.2 实验结果评估
5.3.3 实验结果对比
5.4 小结
第六章 结束语
6.1 工作总结
6.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号：3778694
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3778694.html
