-
公开(公告)号：CN113808275B
公开(公告)日：2023-10-13
申请号：CN202111120772.5
申请日：2021-09-24
Applicant: 南京信息工程大学
IPC: G06T17/20 , G06T19/20 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于GCN与拓扑修改的单图像三维重建方法，该方法具体包括如下步骤：输入图像至VGG‑16编码网络，提取特定层的特征图与图像特征向量；预设初始球体网格；根据VGG‑16编码网络提取的特定层的特征图，为初始球体每个顶点赋予图像感知特征，得到附带图像感知特征的球体网格；将该球体网格输入网格形变网络中，变更网格顶点位置，并得到初始三维模型；拓扑修改网络对初始三维模型表面进行修剪，从而更新网格拓扑结构；得到最终三维网格模型；本发明提高重建模型的质量，同时减小变形计算。
-
公开(公告)号：CN113808006B
公开(公告)日：2023-05-23
申请号：CN202111019790.4
申请日：2021-09-01
Applicant: 南京信息工程大学
IPC: G06T3/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于二维图像重建三维网格模型的方法及装置，所述方法包括：输入二维图像到ResNet50中，通过ResNet50的Stage1，Stage2和Stage3提取图像二维信息，对这些信息进行特征连接；通过相机参数计算输入图像平面的2D投影，然后通过双线性插值法得到感知特征；通过隐式曲面算法生成初始椭球，从输入二维图像中汇集图像特征，结合图像特征和感知特征进行网格变形；通过上采样细化网格模型；利用损失函数促使系统生成粗略的三维模型；进行二次变换、三次变换生成较精细三维模型和精细的三维模型。本发明通过初始椭球进行三次变换，能够学习网格的多尺度和上下文信息，生成更加精细的三维模型。
-
Patent Agency Ranking
公开(公告)号：CN113610711B
公开(公告)日：2023-05-23
申请号：CN202110879676.2
申请日：2021-08-02
Applicant: 南京信息工程大学
IPC: G06T3/40 , G06T17/00 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种单图像引导的三维表面重建方法及装置，首先，建立一个预定义的顶点分布均匀的椭球体网格；其次，采用轻量级网络AlexNet的主体架构提取输入图像特征：将AlexNet后三个卷积池化层生成的特征图像拼接，采用双线性插值法，寻找到原图像投影点在各个特征图像上的特征点；提取特征点邻近四个像素的图像特征向量并串联；然后，构建基于三维图卷积神经网络的网格变形模块，将预定义的椭球体网格变形为与二维图像对应的三维模型；最后，增加网格顶点数量，优化表面细节，并通过最小化三维损失函数调整参数矩阵，生成三维网格模型。本发明生成了高精度的三维网格表面模型，能够预测出更丰富的三维表面细节。
-
公开(公告)号：CN113808006A
公开(公告)日：2021-12-17
申请号：CN202111019790.4
申请日：2021-09-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于二维图像重建三维网格模型的方法及装置，所述方法包括：输入二维图像到ResNet50中，通过ResNet50的Stage1，Stage2和Stage3提取图像二维信息，对这些信息进行特征连接；通过相机参数计算输入图像平面的2D投影，然后通过双线性插值法得到感知特征；通过隐式曲面算法生成初始椭球，从输入二维图像中汇集图像特征，结合图像特征和感知特征进行网格变形；通过上采样细化网格模型；利用损失函数促使系统生成粗略的三维模型；进行二次变换、三次变换生成较精细三维模型和精细的三维模型。本发明通过初始椭球进行三次变换，能够学习网格的多尺度和上下文信息，生成更加精细的三维模型。
-
公开(公告)号：CN113610711A
公开(公告)日：2021-11-05
申请号：CN202110879676.2
申请日：2021-08-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种单图像引导的三维表面重建方法及装置，首先，建立一个预定义的顶点分布均匀的椭球体网格；其次，采用轻量级网络AlexNet的主体架构提取输入图像特征：将AlexNet后三个卷积池化层生成的特征图像拼接，采用双线性插值法，寻找到原图像投影点在各个特征图像上的特征点；提取特征点邻近四个像素的图像特征向量并串联；然后，构建基于三维图卷积神经网络的网格变形模块，将预定义的椭球体网格变形为与二维图像对应的三维模型；最后，增加网格顶点数量，优化表面细节，并通过最小化三维损失函数调整参数矩阵，生成三维网格模型。本发明生成了高精度的三维网格表面模型，能够预测出更丰富的三维表面细节。
-
公开(公告)号：CN113808275A
公开(公告)日：2021-12-17
申请号：CN202111120772.5
申请日：2021-09-24
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于GCN与拓扑修改的单图像三维重建方法，该方法具体包括如下步骤：输入图像至VGG‑16编码网络，提取特定层的特征图与图像特征向量；预设初始球体网格；根据VGG‑16编码网络提取的特定层的特征图，为初始球体每个顶点赋予图像感知特征，得到附带图像感知特征的球体网格；将该球体网格输入网格形变网络中，变更网格顶点位置，并得到初始三维模型；拓扑修改网络对初始三维模型表面进行修剪，从而更新网格拓扑结构；得到最终三维网格模型；本发明提高重建模型的质量，同时减小变形计算。
-
公开(公告)号：CN115512073A
公开(公告)日：2022-12-23
申请号：CN202211138108.8
申请日：2022-09-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于可微分渲染下多阶段训练的三维纹理网格重建方法，包括以下步骤：S1.初始设置一个球体网格，球体网格的各个顶点均附加了特征向量,特征向量包含顶点坐标、顶点颜色与纹理、顶点与周围其他顶点的拓扑连接关系；S2.搭建三维纹理网格重建网络，三维纹理网格重建网络包括图像特征提取模块、形状重建模块和纹理重建模块；S3.对步骤S2中搭建的三维纹理网格重建网络执行基于可微分渲染的多阶段训练；S4.初始设置一个与步骤S1相同的球体网格，读取待重建物体的二维图像，提取并处理二维图像的形状特征图像和纹理特征图像，输出附带纹理细节的三维网格模型。本发明可精准地还原物体表面信息，且脱离3D数据集进行训练，进一步提高训练速度。
-
-
-
-
-
-
Search Results
7
records
(took 0.031 seconds)
