基于胶囊卷积网络的多视图三维重建

摘要：

从深度神经网络对重建效果影响的角度,提出了基于胶囊卷积网络的多视图三维重建模型 Caps-MVSNet,包括特征提取、构建代价体、代价体正则化、回归深度图和细化深度图5 个阶段.提出了FENet-T特征提取网络和 3D-CapsCNN网络,并分别应用于模型的特征提取阶段和代价体正则化阶段.其中,FENet-T利用高效的Block计数比率以及大尺度空洞卷积和分组卷积提高网络的特征提取效率.3D-CapsCNN使用比卷积神经网络更强空间表示能力的 3D胶囊网络来正则化代价体.Caps-MVSNet在DTU数据集上完成了效果测试,结果表明,与先前主流重建方法相比该模型在完整性上达到了最优结果,在准确性、整体性上均取得较大提升.另外,与基准模型MVSNet相比,该模型在准确性、整体性和完整性上分别提高 3.3％、4.9％和 8.2％,参数量减少 3.3％.

关键词：特征提取网络、3D胶囊网络、空洞卷积、分组卷积、多视立体匹配

所属期刊栏目：23

分类号：TP391(计算技术、计算机技术)

资助基金：江苏省研究生实践创新计划项目SJCX22-1676

在线出版日期：2023-04-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：46-55,92