论文部分内容阅读
三维数据模型,作为最接近现实世界的数字化表示正逐渐的应用于模型生产、机器人学、城市构建、自动驾驶、虚拟现实等领域。随着这些领域的发展,人们对三维数据模型的完整性、真实性、可靠性的需求也越来越大。在物体的建模过程中,不可避免的存在遮挡、抖动等情况,这造成了三维数据模型信息丢失、模型结构残缺不全的现象,需要对模型的缺失部分进行预测填充。传统的模型优化方法多基于几何结构对小的孔洞填充,而无法对大的模型缺失区域进行修复。为了对具有大量数据缺失的模型进行补全,本文讨论了两种处理残缺三维模型的方法,一种是基于生成对抗网络的模型补全,侧重于预测模型的完整结构以及预测模型与输入模型之间的相似性;另一种是基于八叉树的高分辨率模型补全网络,侧重于对模型结构和细节的预测填充,进而使得输出模型具有更丰富的信息。对于第一种方法,考虑残缺模型的结构修复,本文采用生成对抗机制结合自编码器实现生成能力更强的网络。具体体现在两个方面:一方面,网络的编码-解码结构用于计算重建误差,从而保证输入输出的一致性,同时生成-对抗机制使得输出的模型更加的真实自然;另一方面,网络在提高稳定性的基础上,能够预测得到残缺模型的完整结构,从而使得输出的模型具有更好的视觉效果。对于第二种方法,考虑残缺模型的细节补全,本文不但需要修复残缺模型的结构还需要对模型进行更为精准的细节信息预测。基于这一考虑,本文使用八叉树结构来高效储存三维模型的特征信息,从而降低模型的内存需求,减少计算量。此外,八叉树预测网络可以通过加深树的层数来预测出更多的未知结构信息,有利于三维模型局部细节的补全和修复。与其他实验方法的对比结果表明,本文方法能够得到补全程度更高的输出模型。对于生成对抗网络的方法来说,本文的方法提高了网络的稳定性和生成能力,使得预测模型更加的真实完整。基于八叉树的模型补全网络可以通过预测八叉树的完整结构,来不断推测出模型的细节信息,得到更加精致准确的补全模型。