-
Patent Agency Ranking
公开(公告)号：CN110544297A
公开(公告)日：2019-12-06
申请号：CN201910722716.5
申请日：2019-08-06
Applicant: 北京工业大学
Abstract: 公开一种单幅图像的三维模型重建方法，其不需要人工设计复杂的特征算法，避免了复杂的相机校准及精细的流程设计，并具备了通过学习所见拓展所知，重建所未知的能力；改进了预测不完整、噪声多，训练时间长的问题；不仅能够准确地重建图像，同时还能避免噪声的引入。该方法包括：(1)输入深度图像；(2)转换为2.5D体素网格；(3)在生成器部分，首先将输入的单幅深度图像编码为一个潜在向量，然后利用注意力机制学习一个基于注意力的潜在向量，再将注意力的潜在变量解码生成3D重建形状；(4)在判别器部分，在3D重建形状上实施重构判别器，在可见部分形状上实施掩模判别器。
-
公开(公告)号：CN109993825A
公开(公告)日：2019-07-09
申请号：CN201910179121.X
申请日：2019-03-11
Applicant: 北京工业大学
Abstract: 公开一种基于深度学习的三维重建方法，该方法包括：(1)将输入图像被约束的潜在向量重建出目标完整三维形状，学习部分和完整三维形状之间的映射，然后实现单幅深度图像的三维重建；(2)学习三维真实对象与重建对象之间的中间特征表示，从而获得步骤(1)中的目标潜在变量；(3)利用极限学习机将步骤(1)中预测的体素浮动值变换为二进制值，完成高精度重建。
-
公开(公告)号：CN112634438A
公开(公告)日：2021-04-09
申请号：CN202011555713.6
申请日：2020-12-24
Applicant: 北京工业大学
Abstract: 基于对抗网络的单帧深度图像三维模型重建方法及装置，不需要人工设计复杂的特征算法，避免了复杂的相机校准及精细的流程设计，并具备了重建对象被遮挡区域的能力，不仅提高了重建精度，而且能够在提升对象细节质量的同时，抑制冗余形状的增生。方法包括：(1)在生成器部分，利用胶囊编码器将输入的单帧深度图像编码为多个潜在胶囊，然后利用注意力解码器将这些潜在胶囊解码并融合生成一个3D初始形状；(2)在判别器部分，通过与生成器的整体对抗学习，优化所述3D初始形状；(3)在优化器部分，对所述3D初始形状进行局部结构优化，生成3D细化形状。
-
公开(公告)号：CN110544297B
公开(公告)日：2023-06-20
申请号：CN201910722716.5
申请日：2019-08-06
Applicant: 北京工业大学
IPC: G06T17/00 , G06V10/44 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 公开一种单幅图像的三维模型重建方法，其不需要人工设计复杂的特征算法，避免了复杂的相机校准及精细的流程设计，并具备了通过学习所见拓展所知，重建所未知的能力；改进了预测不完整、噪声多，训练时间长的问题；不仅能够准确地重建图像，同时还能避免噪声的引入。该方法包括：(1)输入深度图像；(2)转换为2.5D体素网格；(3)在生成器部分，首先将输入的单幅深度图像编码为一个潜在向量，然后利用注意力机制学习一个基于注意力的潜在向量，再将注意力的潜在变量解码生成3D重建形状；(4)在判别器部分，在3D重建形状上实施重构判别器，在可见部分形状上实施掩模判别器。
-
公开(公告)号：CN109993825B
公开(公告)日：2023-06-20
申请号：CN201910179121.X
申请日：2019-03-11
Applicant: 北京工业大学
IPC: G06T17/00 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/0455
Abstract: 公开一种基于深度学习的三维重建方法，该方法包括：(1)将输入图像被约束的潜在向量重建出目标完整三维形状，学习部分和完整三维形状之间的映射，然后实现单幅深度图像的三维重建；(2)学习三维真实对象与重建对象之间的中间特征表示，从而获得步骤(1)中的目标潜在变量；(3)利用极限学习机将步骤(1)中预测的体素浮动值变换为二进制值，完成高精度重建。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
