CN110390638A - 一种高分辨率三维体素模型重建方法 - Google Patents
一种高分辨率三维体素模型重建方法 Download PDFInfo
- Publication number
- CN110390638A CN110390638A CN201910658615.6A CN201910658615A CN110390638A CN 110390638 A CN110390638 A CN 110390638A CN 201910658615 A CN201910658615 A CN 201910658615A CN 110390638 A CN110390638 A CN 110390638A
- Authority
- CN
- China
- Prior art keywords
- resolution
- dimensional
- voxel model
- dimension
- depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004438 eyesight Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Generation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种高分辨率三维体素模型重建方法，使用深度卷积变分编码器学习输入图像的特征，编码成一个固定长度的向量；构建生成式对抗网络将编码结果解码出对应的低分辨率的三维体素模型，并进行插值得到一个具有粗糙轮廓的高分辨率三维体素模型；将低分辨率的三维体素模型通过正交投影获取六张低分辨率的二维正交深度图，利用图像超分辨率技术将六张二维正交深度图超分到目标高分辨率，并将其输入到图像判别器中判别真假，通过最小化重建高分辨率二维正交深度图与数据集中高分辨率二维正交深度图的差异，得到最优图像结果；对具有粗糙轮廓的高分辨率三维体素模型进行细节雕刻，得到具有精细轮廓的高分辨率三维模型。
Description
技术领域
本发明涉及计算机视觉和计算机图形学领域，特别是涉及一种高分辨率的三维体素模型重建方法。
背景技术
随着数据获取技术、计算机处理能力以及计算机存储空间的迅速发展，三维模型作为一种新兴的数字媒体数据，以其强烈的真实感、更符合人类立体视觉感知和对自然世界的直观认识等特点，被广泛应用于城市规划、文物保护、影视娱乐和工业产品设计等领域。传统设计和构建三维模型的过程十分繁琐，阻碍了普通用户创造性设计的积极性和得到符合自己要求的三维模型的满意度，不利于三维模型的普及和进一步应用。近几年，人们可以使用3DS Max、MAYA等建模软件或三维扫描仪扫描真实物体等方法获取数字三维模型，但需要投入大量时间和精力，且耗费的成本较高。因此，研究有效的三维模型重建方法是计算机图形学和计算机视觉领域的重要方向和热门话题。
数据驱动的三维模型生成方法将形状知识和几何处理相结合，利用现有数据集中的样本数据自动求解模型参数，理解三维模型的结构和语义，提取数据潜在特征，借助高效的知识表示方法，实现自动生成符合语义约束的三维模型，使没有相关背景知识的普通用户也能获取所需三维模型。
与基于网格的表示简单且规则的图像不同，由于来自实际应用的不同需求，三维具有各种表达方式。对于基于学习的三维模型重建任务，三维模型的表达方式起着至关重要的作用，其影响学习架构的设计和生成的形状的质量。当前的方法主要使用点云、网格和体素这三种表达方式。
基于点云表示的方法使用离散点来表示三维模型，由于不用编码点之间的连接关系，使用点云表示的三维模型具有简单，统一的结构，且在几何变换和变形时只需进行简单操作。然而，点云表示的三维模型缺乏点之间的关联性，所以需要后处理转换成连续表达。
基于网格表示的方法使用一片或多片三角形网格表达三维模型，通常是通过预测示例网格的变形映射以构成新的模型。基于网格表示的方法重建的三维模型输出质量较高，方法也较为简单，但是网格映射扭曲程度没有对应的约束控制。故单片网格往往受限于给定拓扑关系，而由多片网格构造完整曲面还存在困难。
基于体素的表示是一种由二维到三维的直接推广，具有简单易操作的优点。然而由于规则体素的内存与计算开销很大，基于体素的神经网络对于高分辨率的支持受限于GPU内存大小与训练时间，使得体素表达的三维模型常局限于323、643这类低分辨率上。根据三维模型在空间的表现特性，已有方法设计稀疏体素的表示方式，可以极大地减少内存与计算开销，使得高分辨率体素输出成为可能。但其中效果最好的OctGen也只能达到2563的分辨率，且这类方法的计算复杂度高，通常要求三维空间的分区是先验已知的。
发明内容
本发明主要解决的技术问题：克服现有技术的不足，提供一种高分辨率三维体素模型重建方法，能够结合规则体素表示和多视图方法，重建更接近真实物体的2563和5123分辨率的高分辨率三维体素模型。
为解决上述技术问题，本发明采用的一个技术方案是：对物体的单张RGB图像进行处理，通过构建三维体素模型重建方法和超分辨率框架，便可得到高分辨率的三维体素模型，其具体包括以下步骤：
(1)使用深度卷积变分编码器学习输入图像的特征，将到的输入图像特征编码成一个固定长度的向量；
(2)构建生成式对抗网络(GAN)将编码结果解码出一个对应的低分辨率(323)的三维体素模型，对到的低分辨率(323)三维体素模型进行插值，得到一个具有粗糙轮廓的高分辨率(2563或5123)三维体素模型；
(3)将低分辨率(323)的三维体素模型通过正交投影获取六张低分辨率(32×32)的二维正交深度图，利用图像超分辨率技术将六张二维正交深度图进行超分辨率，得到高分辨率(256×256或512×512)二维正交深度图，并将高分辨率的二维正交深度图输入到图像判别器中判别真假，计算得到的高分辨率(256×256或512×512)二维正交深度图与数据集中已有的高分辨率(256×256或512×512)二维正交深度图之间的距离，通过最小化该距离来得到最优图像结果；
(4)以得到的最优高分辨率(256×256或512×512)二维正交深度图为参考，对步骤2所得到的具有粗糙轮廓的高分辨率(2563或5123)三维体素模型进行模型雕刻，得到具有精细轮廓的高分辨率(2563或5123)三维体素模型。
在步骤1中使用的深度卷积变分编码器包含五个二维卷积层，这五个二维卷积层的卷积核大小依次分别为11、5、5、5、8，这五个二维卷积层的步长依次分别为4、4、2、2、1，每个二维卷积层以一个批规范化层分隔开，且都跟随着一个激活层，激活函数为LeakyReLu，深度卷积变分编码器的最后一层为全连接层，其输出向量的固定长度为200。
在步骤2中的生成式对抗网络需预先进行训练，具体实施方法如下：生成器由四层三维解卷积层组成，将一组固定长度的向量作为输入，通过调整三维解卷积层的参数，预测三维空间中的每一小块的体素信号，生成与输入图像对应的三维体素模型；判别器由四层三维卷积和一层具有一个神经元的全连接层组成，生成的三维体素模型作为判别器的输入，并将图像对应的数据集中的真实三维体素模型输入判别器，判别器执行二分类任务，通过调整三维卷积层和全连接层的参数输出判别器的输入三维体素模型来自数据集的概率；应用Adam梯度下降算法，优化生成器和判别器中的所有参数，最小化判别器的判别损失和生成器的分布函数损失，使得生成式对抗网络(GAN)损失函数最小化；重复执行前三步直到GAN的损失函数收敛或循环达到最大迭代次数，得到最终的GAN的参数，能生成准确的低分辨率三维体素模型。
在步骤3中，六张二维正交深度图为从低分辨率(323)三维体素模型的前面、后面、上面、下面、左面、右面进行正交投影获取的深度图。使用的图像超分辨率技术为经典图像超分辨率算法SRGAN的生成器，该生成器由16个残差模块组成，每个残差模块由两个卷积层，两个批标准化层，一个残差连接层组成。超分辨率又被分解成深度预测和轮廓预测两个子任务，轮廓预测通过输出像素点被占用的概率获得高分辨率的粗略轮廓图，深度预测通过输出固定距离内的深度变化获得高分辨率的细节图，两者合并成高分辨率的正交投影深度图。
本发明的有益效果是：本发明在三维体素模型重建过程中引入图像超分辨率技术，使得重建结果能达到2563、5123的高分辨率。
附图说明
图1是高分辨率三维体素模型重建具体实现过程示意图；
图2是三维体素模型六张正交投影深度图示意图；
图3是低分辨率(323)三维体素模型与高分辨率(2563、5123)三维体素模型对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行描述。其中附图1描述了高分辨率三维体素模型重建具体实现过程。附图2描述了按照正交投影方法将三维体素模型映射成六张深度图的过程。附图3展示了低分辨率(323)三维体素模型与高分辨率(2563、5123)三维体素模型的对比。
如图1所示，本发明高分辨率三维体素模型重建方法如下：
(1)本发明中的输入图像首先使用深度卷积变分编码器学习其输入图像潜在的数据分布特征，并限定特征编码的长度，使编码器能抽取图像中最紧凑和最具代表性的特征，将其编码成一组固定长度为200维的向量E(x)。其中，深度卷积变分编码器包含五个二维卷积层，卷积核大小依次分别为11、5、5、5、8，步长依次分别为4、4、2、2、1，每个二维卷积层以一个批规范化层分隔开，且都跟随着一个激活层，激活函数为LeakyReLu，深度卷积变分编码器的最后一层为有200个神经元的全连接层。编码器的目标是最小化特征编码所在分布于真实图像所在分布的距离，即使损失函数最小，定义如下：
LE＝DKL(q(z|i),p(z))
其中i是输入图像，z是200维的图像特征编码，LE表示编码器的损失函数，q(z|i)为i对应的z所在的变分分布，p(z)为先验分布，DKL为KL散度，用于量化两种概率分布之间的差异。
(2)将步骤(1)获得的图像特征编码作为生成器的输入，生成器由四层三维解卷积层组成，通过预测三维空间中的每一小块的体素信号，生成与输入图像对应的三维体素模型，将其输出的三维体素模型设定为323的低分辨率。将323分辨率的三维体素模型和数据库中的真实323分辨率的三维体素模型一同输入判别器中，由判别器判断真假，即判断生成分布是否接近真实分布。生成器根据判别器的反馈结果不断调整参数从而生成更好的三维体素模型，判别器不断增大生成分布pg于真实分布pr的距离，生成器与判别器在训练过程中互相对抗，满足最大最小博弈，损失函数定义如下：
L＝logD(x)+log(1-D(G(E(i))))
其中D(x)表示判别器的输出，i为输入三维体素模型对应的图像，E(i)表示图像特征编码，G(·)表示生成器的输出结果，即323分辨率的三维体素模型。
(3)通过使用简单插值法对从步骤(2)获得的323分辨率的三维体素模型进行处理，获得粗糙的2563或5123分辨率的三维体素模型。使用正交投影方法，323分辨率的三维体素模型的前面、后面、上面、下面、左面、右面进行正交投影获取六张正交投影深度图ODMl，每张深度图的大小为32×32，如图2所示。使用经典图像超分辨率算法SRGAN，将模型的六张正交投影深度图超分辨率，得到高分辨率正交投影深度图ODMp，每张深度图的大小为256×256或512×512。其中，图像超分辨率又被分解成深度预测和轮廓预测两个子任务。轮廓预测通过输出像素点被占用的概率获得高分辨率的粗略轮廓图，轮廓预测网络最小化预测值与真实值ODMh的最小均方误差来训练，其中gs(·)为轮廓预测网络的输出结果。深度预测通过预测固定距离内的深度变化获得高分辨率的细节图，深度预测网络输出正交深度图在固定距离r内的深度变化预测gd(ODMl)，与将低分辨率深度图用最近邻插值法得到的f(ODMl)合并得到最终预测的深度图Dh＝r*sigmoid(gd(ODMl))+f(ODMl)，当目标分辨率为256×256时，r值为70，当目标分辨率为512×512时，r值为90。于是，最终预测的高分辨率正交深度图为ODMp＝Dh⊙gs(ODMl)，⊙为矩阵乘法。SRGAN的生成器由16个残差模块堆积组成，每个残差模块由两个卷积层，两个批标准化层，一个残差连接层组成。残差模块中卷积层都包含128个3×3的卷积核，步长为1，批标准化层之后使用ReLU作为激活函数，之后有三个(当目标分辨率为256×256时)或四个(当目标分辨率为512×512时)二维解卷积层用来增大特征尺寸。
(4)从步骤(3)获得的高分辨率正交投影深度图将作为图像判别器的输入，判断真假，通过训练不断减小其与数据集中真实高分辨率正交投影深度图的差异，以得到更好的高分辨率正交投影深度图。以高分辨率二维正交深度图为参考，对具有粗糙轮廓的高分辨率三维体素模型进行型雕刻，得到具有精细轮廓的高分辨率三维模型。如图3所示，高分辨率三维体素模型相比于低分辨率三维体素模型具有更精细的轮廓，更加接近真实物体。雕刻过程分为结构雕刻和细节雕刻，对应于步骤(3)中的轮廓预测和深度预测。结构雕刻时，对于每个预测的高分辨率正交投影深度图，如果预测其中某像素坐标未被占用，则标记垂直于该像素坐标的所有体素。若一个体素被至少两个高分辨率正交投影深度图标记，则移除。细节雕刻时，对于每个预测的高分辨率正交投影深度图，如果预测其中某像素坐标未被占用，则标记垂直于该像素坐标的所有体素，直到预测的深度。而在细节雕刻时，若一个体素被一个高分辨率正交投影深度图标记，则移除，这是因为深度图可以表示模型表面中的凹陷，而这些凹陷有可能只出现在其中一个面。
Claims (6)
1.一种高分辨率三维体素模型重建方法，其特征在于，包括以下步骤：
步骤1：使用深度卷积变分编码器学习输入图像的特征，将得到的输入图像特征编码成一个固定长度的向量，得到编码结果；
步骤2：构建生成式对抗网络(GAN)将编码结果解码出一个对应323低分辨率三维体素模型，对得到的低分辨率三维体素模型进行插值，得到一个具有粗糙轮廓的2563或5123高分辨率三维体素模型；
步骤3：将低分辨率三维体素模型通过正交投影获取六张32×32低分辨率二维正交深度图，利用图像超分辨率技术将六张二维正交深度图进行超分辨率，得到256×256或512×512高分辨率二维正交深度图，并将高分辨率的二维正交深度图输入到图像判别器中判别真假，计算得到的高分辨率二维正交深度图与数据集中已有的高分辨率二维正交深度图之间的距离，通过最小化该距离来得到最优图像结果；
步骤4：以得到的最优高分辨率二维正交深度图为参考，对步骤2所得到的具有粗糙轮廓的2563或5123高分辨率三维体素模型进行模型雕刻，得到具有精细轮廓的高分辨率三维体素模型。
2.根据权利要求1所述的一种高分辨率三维体素模型重建方法，其特征在于：所述步骤1中，所述深度卷积变分编码器包括五个二维卷积层，这五个二维卷积层的卷积核大小依次分别为11、5、5、5、8，这五个二维卷积层的步长依次分别为4、4、2、2、1；每个二维卷积层以一个批规范化层分隔开，且都跟随着一个激活层，激活函数为LeakyReLu；深度卷积变分编码器的最后一层为全连接层，全连接层输出向量的固定长度为200。
3.根据权利要求1所述的一种高分辨率三维体素模型重建方法，其特征在于：所述步骤2中，生成式对抗网络需预先进行训练，具体训练方法如下：
(1)生成器由四层三维解卷积层组成，将一组固定长度的向量作为输入，通过调整三维解卷积层的参数，预测三维空间中的每一小块的体素信号，生成与输入图像对应的三维体素模型；
(2)判别器由四层三维卷积和一层具有一个神经元的全连接层组成，生成的三维体素模型作为判别器的输入，并将图像对应的数据集中的真实三维体素模型输入判别器，判别器执行二分类任务，通过调整三维卷积层和全连接层的参数输出判别器的输入三维体素模型来自数据集的概率；
(3)应用Adam梯度下降算法，优化生成器和判别器中的所有参数，最小化判别器的判别损失和生成器的分布函数损失，使得生成式对抗网络(GAN)的损失函数最小化；
(4)重复执行(1)-(3)直到步骤(3)中的损失函数收敛或循环达到最大迭代次数，得到最终GAN的参数，以能生成准确的低分辨率三维体素模型。
4.根据权利要求1所述的一种高分辨率三维体素模型重建方法，其特征在于：所述步骤3中，六张二维正交深度图为从低分辨率三维体素模型的前面、后面、上面、下面、左面、右面进行正交投影获取的深度图。
5.根据权利要求1所述的一种高分辨率三维体素模型重建方法，其特征在于：所述步骤3中，使用的图像超分辨率技术为经典图像超分辨率算法SRGAN的生成器，该生成器由16个残差模块组成，每个残差模块由两个卷积层，两个批标准化层，一个残差连接层组成。
6.根据权利要求1所述的一种高分辨率三维体素模型重建方法，其特征在于：所述步骤3中，超分辨率又被分解成深度预测和轮廓预测两个子任务，轮廓预测通过输出像素点被占用的概率获得高分辨率的粗略轮廓图，深度预测通过输出固定距离内的深度变化获得高分辨率的细节图，两者合并成高分辨率256×256或512×512的二维正交深度图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910658615.6A CN110390638B (zh) | 2019-07-22 | 2019-07-22 | 一种高分辨率三维体素模型重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910658615.6A CN110390638B (zh) | 2019-07-22 | 2019-07-22 | 一种高分辨率三维体素模型重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110390638A true CN110390638A (zh) | 2019-10-29 |
| CN110390638B CN110390638B (zh) | 2023-07-28 |
Family
ID=68286841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910658615.6A Active CN110390638B (zh) | 2019-07-22 | 2019-07-22 | 一种高分辨率三维体素模型重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390638B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866971A (zh) * | 2019-10-29 | 2020-03-06 | 桂林理工大学 | 真平方正射影像制作方法 |
| CN111161381A (zh) * | 2019-12-31 | 2020-05-15 | 广东博智林机器人有限公司 | 海报模板的生成方法、装置、电子设备及存储介质 |
| CN111260775A (zh) * | 2020-01-23 | 2020-06-09 | 清华大学 | 基于遮挡信息多尺度感知的三维重建方法及装置 |
| CN111415295A (zh) * | 2020-03-17 | 2020-07-14 | 东南数字经济发展研究院 | 一种倾斜摄影三维模型的拍摄分辨率正射图生成方法 |
| CN112396703A (zh) * | 2020-11-18 | 2021-02-23 | 北京工商大学 | 一种单图像三维点云模型重建方法 |
| CN112907733A (zh) * | 2021-02-23 | 2021-06-04 | 北京华清易通科技有限公司 | 重建三维模型的方法及装置和三维模型采集及重建系统 |
| CN112967379A (zh) * | 2021-03-03 | 2021-06-15 | 西北工业大学深圳研究院 | 一种基于感知一致生成对抗网络的三维医学图像重建方法 |
| CN113112585A (zh) * | 2021-03-26 | 2021-07-13 | 西北工业大学 | 一种从单幅图像中重建高质量目标三维形状的方法 |
| CN113393582A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于深度学习的三维物体重建算法 |
| CN113434918A (zh) * | 2021-06-28 | 2021-09-24 | 北京理工大学 | 一种基于文本的三维体素模型生成方法 |
| CN113808229A (zh) * | 2021-08-24 | 2021-12-17 | 中国人民解放军军事科学院军事医学研究院 | 基于双分辨率断层图像的体素模型建立方法 |
| CN115294284A (zh) * | 2022-10-09 | 2022-11-04 | 南京纯白矩阵科技有限公司 | 一种保障生成模型唯一性的高分辨率三维模型生成方法 |
| WO2022257315A1 (zh) * | 2021-06-09 | 2022-12-15 | 万维数码智能有限公司 | 基于人工智能的艺术品鉴定方法与系统和艺术品交易的方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016019484A1 (en) * | 2014-08-08 | 2016-02-11 | Xiaoou Tang | An apparatus and a method for providing super-resolution of a low-resolution image |
| CN107730503A (zh) * | 2017-09-12 | 2018-02-23 | 北京航空航天大学 | 三维特征嵌入的图像对象部件级语义分割方法与装置 |
| CN108986210A (zh) * | 2018-08-27 | 2018-12-11 | 清华大学 | 三维场景重建的方法和设备 |
| CN109063291A (zh) * | 2018-07-20 | 2018-12-21 | 西安交通大学 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
| US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
-
2019
- 2019-07-22 CN CN201910658615.6A patent/CN110390638B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016019484A1 (en) * | 2014-08-08 | 2016-02-11 | Xiaoou Tang | An apparatus and a method for providing super-resolution of a low-resolution image |
| CN107730503A (zh) * | 2017-09-12 | 2018-02-23 | 北京航空航天大学 | 三维特征嵌入的图像对象部件级语义分割方法与装置 |
| US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
| CN109063291A (zh) * | 2018-07-20 | 2018-12-21 | 西安交通大学 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
| CN108986210A (zh) * | 2018-08-27 | 2018-12-11 | 清华大学 | 三维场景重建的方法和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李海生等，: "基于深度学习的三维数据分析理解方法研究综述", 《计算机学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866971B (zh) * | 2019-10-29 | 2023-08-11 | 桂林理工大学 | 真平方正射影像制作方法 |
| CN110866971A (zh) * | 2019-10-29 | 2020-03-06 | 桂林理工大学 | 真平方正射影像制作方法 |
| CN111161381A (zh) * | 2019-12-31 | 2020-05-15 | 广东博智林机器人有限公司 | 海报模板的生成方法、装置、电子设备及存储介质 |
| CN111260775A (zh) * | 2020-01-23 | 2020-06-09 | 清华大学 | 基于遮挡信息多尺度感知的三维重建方法及装置 |
| CN111415295A (zh) * | 2020-03-17 | 2020-07-14 | 东南数字经济发展研究院 | 一种倾斜摄影三维模型的拍摄分辨率正射图生成方法 |
| CN111415295B (zh) * | 2020-03-17 | 2024-01-12 | 东南数字经济发展研究院 | 一种倾斜摄影三维模型的拍摄分辨率正射图生成方法 |
| CN112396703A (zh) * | 2020-11-18 | 2021-02-23 | 北京工商大学 | 一种单图像三维点云模型重建方法 |
| CN112396703B (zh) * | 2020-11-18 | 2024-01-12 | 北京工商大学 | 一种单图像三维点云模型重建方法 |
| CN112907733A (zh) * | 2021-02-23 | 2021-06-04 | 北京华清易通科技有限公司 | 重建三维模型的方法及装置和三维模型采集及重建系统 |
| CN112967379A (zh) * | 2021-03-03 | 2021-06-15 | 西北工业大学深圳研究院 | 一种基于感知一致生成对抗网络的三维医学图像重建方法 |
| CN113112585A (zh) * | 2021-03-26 | 2021-07-13 | 西北工业大学 | 一种从单幅图像中重建高质量目标三维形状的方法 |
| CN113112585B (zh) * | 2021-03-26 | 2024-05-14 | 西北工业大学 | 一种从单幅图像中重建高质量目标三维形状的方法 |
| CN113393582A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于深度学习的三维物体重建算法 |
| WO2022257315A1 (zh) * | 2021-06-09 | 2022-12-15 | 万维数码智能有限公司 | 基于人工智能的艺术品鉴定方法与系统和艺术品交易的方法和系统 |
| CN113434918B (zh) * | 2021-06-28 | 2022-12-02 | 北京理工大学 | 一种基于文本的三维体素模型生成方法 |
| CN113434918A (zh) * | 2021-06-28 | 2021-09-24 | 北京理工大学 | 一种基于文本的三维体素模型生成方法 |
| CN113808229A (zh) * | 2021-08-24 | 2021-12-17 | 中国人民解放军军事科学院军事医学研究院 | 基于双分辨率断层图像的体素模型建立方法 |
| CN115294284A (zh) * | 2022-10-09 | 2022-11-04 | 南京纯白矩阵科技有限公司 | 一种保障生成模型唯一性的高分辨率三维模型生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110390638B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390638A (zh) | 一种高分辨率三维体素模型重建方法 | |
| CN112396703B (zh) | 一种单图像三维点云模型重建方法 | |
| CN108921926B (zh) | 一种基于单张图像的端到端三维人脸重建方法 | |
| CN109255831A (zh) | 基于多任务学习的单视图人脸三维重建及纹理生成的方法 | |
| CN108932536A (zh) | 基于深度神经网络的人脸姿态重建方法 | |
| CN106683182A (zh) | 一种权衡立体匹配和视觉外形的三维重建方法 | |
| CN114782634B (zh) | 基于表面隐函数的单目图像着装人体重建方法与系统 | |
| US20230044644A1 (en) | Large-scale generation of photorealistic 3d models | |
| CN113066171B (zh) | 一种基于三维人脸形变模型的人脸图像生成方法 | |
| EP3736776B1 (en) | Apparatus, system and method for the generation of polygonal meshes | |
| CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
| CN110335344A (zh) | 基于2d-3d注意机制神经网络模型的三维重建方法 | |
| CN110517352A (zh) | 一种物体的三维重建方法、存储介质、终端及系统 | |
| CN114998515A (zh) | 一种基于多视角图像的3d人体自监督重建方法 | |
| CN113052976A (zh) | 基于uv位置图与cgan的单图像大姿态三维彩色人脸重建方法 | |
| CN116416376A (zh) | 一种三维头发的重建方法、系统、电子设备及存储介质 | |
| CN113313828A (zh) | 基于单图片本征图像分解的三维重建方法与系统 | |
| CN115115805A (zh) | 三维重建模型的训练方法、装置、设备及存储介质 | |
| CN111583408A (zh) | 基于手绘草图的人体三维建模系统 | |
| Rabby et al. | Beyondpixels: A comprehensive review of the evolution of neural radiance fields | |
| CN110379003A (zh) | 基于单张图像的三维头部重建方法 | |
| CN113989441A (zh) | 基于单张人脸图像的三维漫画模型自动生成方法及系统 | |
| CN110322548B (zh) | 一种基于几何图像参数化的三维网格模型生成方法 | |
| CN117315153A (zh) | 一种协同光场与占用场的人体重建与渲染方法及装置 | |
| CN113808006B (zh) | 一种基于二维图像重建三维网格模型的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |