-
题名基于稀疏特征改进的单视图表面重建
被引量：2
- 1
-
-
作者
梁春阳
唐红梅
席建锐
刘鑫
-
机构
河北工业大学电子信息工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第3期925-931,937,共8页
-
基金
河北省自然科学基金资助项目(F2019202387)。
-
文摘
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。
-
关键词
深度学习
单视图重建
符号距离函数
位置编码
超网络
残差学习
-
Keywords
deep learning
single-view reconstruction
signed distance function
positional encoding
hypernetwork
residual learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进隐函数的点云物体重建
被引量：1
- 2
-
-
作者
席建锐
唐红梅
梁春阳
刘鑫
-
机构
河北工业大学电子信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第7期214-222,共9页
-
基金
河北省自然科学基金(F2019202387)。
-
文摘
利用隐函数对非结构化点云进行物体重建,具有不受拓扑结构和分辨率限制的特点,但是存在重建物体结构不准确、缺乏局部细节等问题。为此,提出一种样条编码和长短期记忆(LSTM)网络相结合的改进点云物体重建算法。针对重建物体缺乏局部细节的问题,提出一种增强细节表示能力的样条编码模块,采用均匀二次B样条提取点云的局部位置特征信息。为了提高隐函数的重建准确率,设计LSTM点云预测模块,挖掘点云潜在的空间结构信息,利用包含空间相关性的动态权重自适应地预测靠近物体表面的点云,进一步提高隐式重建的准确率。为提高点云预测的合理性,引入点云变形损失和结构排斥损失,用于优化预测点云的整体结构。在2个公开的三维模型数据集ShapeNet和ABC上进行实验验证,结果表明,该算法的倒角距离分别为0.009%和0.427%,与DeepSDF、CurrSDF和MetaSDF算法相比,所提算法能够重建出更丰富的细节特征,获得更准确的重建结果及良好的视觉效果;在真实世界数据集Pix3D上的实验结果表明,该算法相较对比算法具有更优的泛化性能。
-
关键词
点云重建
隐式重建
深度学习
样条编码
长短期记忆网络
-
Keywords
point cloud reconstruction
implicit reconstruction
deep learning
spline encoding
Long Short-Term Memory(LSTM)network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于退化感知和序列残差的图像盲超分辨率重建
- 3
-
-
作者
刘鑫
唐红梅
席建锐
梁春阳
-
机构
河北工业大学电子信息工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第9期2869-2874,共6页
-
基金
河北省自然科学基金资助项目(F2019202387)。
-
文摘
针对盲超分辨率重建中特征提取不准确且重建图像不够自然的问题,提出了一种基于退化感知和序列残差的图像盲超分辨率重建算法,设计了小残差组融合退化感知和序列残差相结合作为所提算法的主干网络,进一步构建了对称的增强型多尺度残差模块,并且在图像重建部分,将瓶颈注意力模块与像素重组上采样模块级联,强调图像的多维元素,最后进行了全局残差连接。实验表明,与当前代表性算法DASR相比,该算法在Set14×2上的PSNR和SSIM分别提高0.145 dB、0.0014,在Set14×3/4上PSNR分别提高1.898 dB、0.252 dB,且在五个标准测试集上与几种当前流行的图像超分辨率算法相比取得了更好的性能。
-
关键词
盲超分辨率
深度学习
退化感知
序列残差
-
Keywords
blind super-resolution
deep learning
degradation aware
sequence residuals
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
