-
公开(公告)号：CN109389671B
公开(公告)日：2020-09-22
申请号：CN201811119216.4
申请日：2018-09-25
Applicant: 南京大学
Abstract: 本发明公开了一种基于多阶段神经网络的单图像三维重建方法，对现有三维形状集中的三维形状进行多视角渲染获得训练图像集，在其表面采点获得训练点云集；构建点云生成网络，使用深度残差网络构建图像编码器提取图像信息，使用反卷积网络和全连接网络构建双分支初级解码器生成初始点云；构建点云精化网络，使用姿态变换网络、多层感知机和最大池化函数构建点云编码器，使用深度残差网络构建图像编码器，使用全连接层构建图像‑点云耦合器与高级解码器，生成精细点云；对点云生成网络进行训练及对点云精化网络先后进行预训练和精调训练；对输入图像使用已训练的模型进行三维重建获得三维点云，对其进行表面网格重建生成多边形网格表示的三维形状。
-
公开(公告)号：CN110163974A
公开(公告)日：2019-08-23
申请号：CN201910428208.6
申请日：2019-05-22
Applicant: 南京大学
Abstract: 本发明公开了一种基于无向图学习模型的单图像面片重建方法，包括：对现有的三维模型集中的三维模型进行多视角渲染获得训练图像集；使用无向图学习模型表示面片，建立由图像编码和相机视角估计构成的无向图初始化网络，获得该图像对应的相机视角参数，并对初始面片按照估计所得的相机视角参数进行投影，获得无向图初始特征；建立无向图LSTM网络结构和无向图CNN网络结构，对无向图模型进行特征更新，并将无向图每个节点映射到三维空间内的坐标，获得三角面片每个顶点位置；建立无向图初始化网络和无向图更新网络损失，并对神经网络进行多阶段训练；对输入图像使用已训练的网络进行三维重建获得最终面片模型。
-
公开(公告)号：CN109389671A
公开(公告)日：2019-02-26
申请号：CN201811119216.4
申请日：2018-09-25
Applicant: 南京大学
CPC classification number: G06T17/00 , G06T15/506 , G06T19/20 , G06T2219/2004 , G06T2219/2016
Abstract: 本发明公开了一种基于多阶段神经网络的单图像三维重建方法，对现有三维形状集中的三维形状进行多视角渲染获得训练图像集，在其表面采点获得训练点云集；构建点云生成网络，使用深度残差网络构建图像编码器提取图像信息，使用反卷积网络和全连接网络构建双分支初级解码器生成初始点云；构建点云精化网络，使用姿态变换网络、多层感知机和最大池化函数构建点云编码器，使用深度残差网络构建图像编码器，使用全连接层构建图像-点云耦合器与高级解码器，生成精细点云；对点云生成网络进行训练及对点云精化网络先后进行预训练和精调训练；对输入图像使用已训练的模型进行三维重建获得三维点云，对其进行表面网格重建生成多边形网格表示的三维形状。
-
公开(公告)号：CN110163974B
公开(公告)日：2020-09-04
申请号：CN201910428208.6
申请日：2019-05-22
Applicant: 南京大学
Abstract: 本发明公开了一种基于无向图学习模型的单图像面片重建方法，包括：对现有的三维模型集中的三维模型进行多视角渲染获得训练图像集；使用无向图学习模型表示面片，建立由图像编码和相机视角估计构成的无向图初始化网络，获得该图像对应的相机视角参数，并对初始面片按照估计所得的相机视角参数进行投影，获得无向图初始特征；建立无向图LSTM网络结构和无向图CNN网络结构，对无向图模型进行特征更新，并将无向图每个节点映射到三维空间内的坐标，获得三角面片每个顶点位置；建立无向图初始化网络和无向图更新网络损失，并对神经网络进行多阶段训练；对输入图像使用已训练的网络进行三维重建获得最终面片模型。
-
-
-
Search Results
4
records
(took 0.018 seconds)
