科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度学习的单视图三维重建是当前的研究热点。为重建出更多的高频细节，SDF-SRN算法引入了位置编码，但在缺乏精确监督时，网络容易过拟合而导致凹凸不平的重建结果。针对这个问题，提出一种基于稀疏特征的网络模型，该模型凭借残差学习机制，令容易过拟合的网络预测高频残差。通过特征提取网络得到稀疏特征和全局特征，稀疏特征输入到一个超网络中生成预测浅头，该浅头负责预测符号距离函数的低频部分，而全局特征输入到另一个超网络生成另一个浅头来预测高频残差，这两部分通过权重因子构成最终的符号距离函数。频谱分析表明实验结果达到了相应的设计目的；与不同平滑表面重建方案对比，基于残差学习的平滑重建方案可以实现更平滑的表面重建，克服了SDF-SRN过拟合的问题，同时保留足够的细节；与其他先进的单视图重建方法的定性和定量对比结果证明了该方法的优越性。
-
单位河北工业大学; 电子信息工程学院
