期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
结合平面约束与Kolmogorov-Arnold网络的室内场景三维重建方法
1
作者 贾迪 孟晓华 +3 位作者 程硕 徐驰 刘洋 宋慧伦 《计算机应用研究》 北大核心 2025年第10期3167-3173,共7页
为缓解室内三维重建面临弱纹理区域重建较为困难以及复杂场景表达能力有限的问题,提出一种结合平面约束优化模块与KAN颜色分支模块的室内三维重建网络KAN-PlaneNet。该网络基于神经辐射场,在颜色分支中引入KAN模块与颜色属性输入,以增... 为缓解室内三维重建面临弱纹理区域重建较为困难以及复杂场景表达能力有限的问题,提出一种结合平面约束优化模块与KAN颜色分支模块的室内三维重建网络KAN-PlaneNet。该网络基于神经辐射场,在颜色分支中引入KAN模块与颜色属性输入,以增强复杂场景的细节表达能力;此外,通过引入平面约束优化模块,强制墙壁区域与地板区域垂直,针对墙壁区域的多样性,定义一个可学习的墙壁法向量nw,约束墙壁表面点的法线方向与nw平行或正交,同时对室内物体区域施加约束,要求该区域法线方向与地板法线方向的余弦相似度大于0.95时,强制法线平行。实验结果表明,该方法在ScanNet数据集上的性能优于现有的3D监督方法,与VolSDF方法相比,综合评价指标平均提升0.356,验证了其优越性。 展开更多
关键词 室内三维重建 神经辐射场 平面约束优化模块 KAN颜色分支模块
在线阅读 下载PDF
面向室内三维模型重建的神经辐射场网络
2
作者 薛晨霞 孙英锴 +4 位作者 陈占国 王国亮 李金峄 许文洁 于保才 《辽宁工程技术大学学报(自然科学版)》 北大核心 2025年第5期627-633,共7页
针对室内三维重建弱纹理区域鲁棒性不足、重建效果不佳的问题,基于神经辐射场原理,提出一种新型的室内三维重建方法M-HashRecon。该算法采用点云选取模块提取关键点云信息,并引入多分辨率哈希编码实现点云的多尺度特征索引;设计残差模... 针对室内三维重建弱纹理区域鲁棒性不足、重建效果不佳的问题,基于神经辐射场原理,提出一种新型的室内三维重建方法M-HashRecon。该算法采用点云选取模块提取关键点云信息,并引入多分辨率哈希编码实现点云的多尺度特征索引;设计残差模块优化模型性能,提升深层网络的训练效率。在ScanNet数据集的4个典型场景中开展实验,对实验结果和模型的收敛性进行分析。研究结果表明:该算法的F-score综合指标显著优于对比算法,对多个场景重建精度较高,稳定性较好。研究结论可为后续高精度室内三维重建系统的设计提供参考。 展开更多
关键词 室内三维重建 深度引导采样 多分辨率哈希编码 残差模块 ScanNet数据集
在线阅读 下载PDF
基于空洞卷积与多尺度特征融合的室内场景单图像分段平面三维重建 被引量:12
3
作者 孙克强 缪君 +2 位作者 江瑞祥 黄仕中 张桂梅 《传感技术学报》 CAS CSCD 北大核心 2021年第3期370-378,共9页
受光照变化和纹理缺乏等因素的影响,基于单幅室内场景图像的像素级和区域级三维重建算法很难恢复场景结构细节。本文提出了一种基于空洞卷积残差连接和多尺度特征融合网络的分段平面三维重建算法。该算法通过融合利用加入空洞卷积的ResN... 受光照变化和纹理缺乏等因素的影响,基于单幅室内场景图像的像素级和区域级三维重建算法很难恢复场景结构细节。本文提出了一种基于空洞卷积残差连接和多尺度特征融合网络的分段平面三维重建算法。该算法通过融合利用加入空洞卷积的ResNet-101网络产生的浅层高分辨率细节特征,从而减小随着网络结构的层次加深导致空间信息的丢失对三维重建细节的影响,使模型能够学习单幅图像中室内复杂场景的细节特征,并通过将全连接条件随机场优化的定位精度与深度卷积神经网络的识别能力相耦合,更好地处理了边界定位问题。实验结果表明,本文算法对复杂背景的室内场景的平面预测鲁棒性强,平面分割结果准确,且深度预测精度平均可达到92.27%。 展开更多
关键词 室内场景三维重建 深度卷积神经网络 条件随机场 空洞卷积 多尺度特征融合
在线阅读 下载PDF
四元组标靶辅助下的RGB-D室内点云配准 被引量:2
4
作者 杨海舰 徐二帅 +1 位作者 陈文佳 许志华 《测绘通报》 CSCD 北大核心 2020年第12期32-36,共5页
面向室内弱纹理三维重建需求,本文以RGB-D摄影测量技术获取室内点云为基础,提出了四元组标靶辅助的点云配准方法。该方法首先通过阈值筛选大曲率点,自动识别邻接点云中的辅助标靶,然后采用随机采样一致性表达方法,拟合标靶参数及其中心... 面向室内弱纹理三维重建需求,本文以RGB-D摄影测量技术获取室内点云为基础,提出了四元组标靶辅助的点云配准方法。该方法首先通过阈值筛选大曲率点,自动识别邻接点云中的辅助标靶,然后采用随机采样一致性表达方法,拟合标靶参数及其中心坐标,并根据拟合参数匹配同名标靶中心,通过刚性转换完成邻接点云粗配准。在此基础上,迭代估算邻接点云间的重叠区域,优化点云间的配准参数,从而实现点云精配准。利用Kinect相机获取两类室内场景各12站点云对本文方法进行测试,试验结果表明,配准后的多站点云间距最大均方根误差优于一个采样间隔,证明了该方法在弱纹理室内点云配准中的可靠性。 展开更多
关键词 室内三维重建 弱纹理 KINECT 点云配准 四元组标靶
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部