10.3778/j.issn.1673-9418.2010008
由形状结构和位姿特征学习的稠密点云重建
作为高分辨率三维重建的方法之一,从单张图像生成稠密三维点云在计算机视觉领域中一直有着较高的关注度.针对以往这个方法中大多关注目标单一特征信息和使用样本数据量大的问题,提出一个基于特征多样性的多阶段重建稠密点云网络.该网络模型是由第一阶段的3D重建网络和第二阶段的点云处理网络两部分两阶段组成.第一阶段的3D重建网络在融合2D图像目标形状特征与3D点云位姿特征基础上,实现从单张图像重建稀疏点云操作.第二阶段的点云处理网络在稀疏点云基础上提取全局特征和局部特征,通过融合全局和局部点特征增加点的稠密度,得到高分辨率稠密点云.运用深度学习微调技术组合两阶段网络形成一个能从单张图像生成稠密点云的端到端网络.该方法在合成和真实世界数据集上通过大量实验定量和定性分析,结果表明,该方法平均CD值为0.00698,EMD值为2823.53,结果优于一些现有方法,且点云重建效果较好.
三维重建、稠密点云、特征多样性、多阶段重建、微调技术
16
TP391(计算技术、计算机技术)
上海市自然科学基金;上海市科委重点项目
2022-05-20(万方平台首次上网日期,不代表论文的发表时间)
共11页
1117-1127