典型文献
基于平面补丁的自适应八叉树三维图像重建
文献摘要：
提出了一种基于平面补丁的自适应八叉树卷积神经网络(Octree Convolutional Neural Networks,O-CNN),用于进行有效的三维形状编码和解码.不同于基于体素或基于八叉树的卷积神经网络(Convolutional Neural Networks,CNN),以相同的分辨率表示具有体素的三维形状,O-CNN可自适应地表示具有不同层次的八叉树节点的三维形状,并使用平面补丁对每个八叉树节点内的三维形状进行建模.依据这种自适应表示设计了一种用于编码和解码三维形状的自适应O-CNN编码器和解码器.自适应O-CNN编码器将平面补丁法线和位移作为输入,仅在每个级别的八叉树节点上执行三维卷积操作,而自适应O-CNN解码器则推断每个层次的八叉树节点的形状占有率和细分状态,并估计每个最佳叶八叉树节点的平面法线和位移.通过对单个图像的形状预测验证了自适应O-CNN的生成任务的效率和有效性,倒角距离误差为0.274,低于OctGen的倒角距离误差0.294,取得了更好的重建效果.作为3D形状分析和生成的通用框架,基于平面补丁的自适应O-CNN不仅减少了内存和计算成本,而且比现有的3D-CNN方法具有更好的形状生成能力.
文献关键词：
计算机视觉;三维重建;卷积神经网络;神经网络
中图分类号：
作者姓名：
姚程;马彩文
作者机构：
中国科学院西安光学精密机械研究所,陕西西安710119;中国科学院大学,北京100049
文献出处：
引用格式：
[1]姚程;马彩文-.基于平面补丁的自适应八叉树三维图像重建)[J].光学精密工程,2022(09):1113-1122
A类：
OctGen
B类：
补丁,八叉树,三维图像重建,树卷积神经网络,Octree,Convolutional,Neural,Networks,形状编码,不同层次,树节,编码器,解码器,法线,移作,三维卷积,卷积操作,占有率,测验,倒角距离,距离误差,形状分析,通用框架,计算成本,生成能力,计算机视觉,三维重建
AB值：
0.267893
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
