期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于邻域点聚合和全连接残差特征的分片隐式曲面学习网络
1
作者 缪永伟 张跃耀 +3 位作者 王海鹏 刘复昌 范然 张旭东 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2024年第10期1625-1635,共11页
针对形状全局表面隐式场学习的点云曲面重建中通常缺乏形状表面局部细节的问题,采用基于面片的分片表示并训练三维形状的局部符号距离场,提出一种基于邻域点聚合和全连接残差特征的分片隐式曲面学习网络.以离散点云数据为输入,首先采用... 针对形状全局表面隐式场学习的点云曲面重建中通常缺乏形状表面局部细节的问题,采用基于面片的分片表示并训练三维形状的局部符号距离场,提出一种基于邻域点聚合和全连接残差特征的分片隐式曲面学习网络.以离散点云数据为输入,首先采用最远点采样策略得到表征形状球形面片的初始中心位置和半径;然后分别计算每个面片内各采样点相对面片中心的偏移值,并将其作为采样点的相对位置,其中,处于重叠区域内的面片采样点具有多个相对位置;在神经网络编码器中,利用邻域点聚合模块将各相对坐标编码为256维隐向量,以提取相邻采样点的特征信息,并对每个形状面片中的采样点隐向量进行最大化操作,以表征该面片的隐特征;在神经网络解码器中,利用多层全连接残差特征解码模块进行解码,得到各采样点相对位置的形状符号距离值,而对位于不同面片重叠区域内采样点的符号距离值进行加权求和,得到其相应的符号距离值;最后利用Marching Cube算法提取采样点符号距离值的零等值面,得到三维形状网格模型.在ShapeNet,ABC和Famous这3个数据集上的实验结果表明,所提网络在有效地重建形状整体结构的同时,能很好地保持其形状表面细节;在ShapeNet数据集上,IoU指标为83.9,CD指标为0.032,取得了比DeepSDF、占用网络和卷积占用网络更好的重建结果. 展开更多
关键词 三维重建 符号距离场 邻域点聚合 残差学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部