多视图三维物体重建一直是计算机视觉的研究热点和难点之一,特别在机器人视觉导航、无人驾驶汽车等领域中有着大量的实际使用场合。最近基于深度学习的多视图三维物体重建方法取得了可喜的成果。基于学习的三维重建方法中,如何让深度网络学习到物体结构信息及三维深度信息是三维物体重建的关键。然而,已有的多视图方法更多关注深度图的准确度、而缺乏对深度图完整度的表达。因此重建出的三维点云较稀疏,尤其对于大型室外场景的恢复仅局限于核心区域,目前对于大规模场景的恢复仍然是一个具有挑战性的问题。因此本文从多视图三维重建结果完整性信息缺失的问题出发,旨在重建出完整度更高且具有丰富细节的高分辨率三维物体或者场景,通过本文提出的注意力融合机制有效提升深度图完整性的质量。本文的主要工作内容如下:1.在基于学习的多视图三维物体重建网络中,大多数网路在三维代价体回归阶段使用U型网络结构。然而U型网络架构自身的局限性不利于三维深度信息的完整保留。为了解决这种局限性,本文提出了一种分层解耦互补网络,实现了语义特征和空间信息的互补。具体来说,特征融合模块融合了不同尺度的特征;空间注意力模块有利于充分提取高层空间语义特征信息;交叉聚合模块通过聚合不同分辨率的尺度特征,充分保留图像中的高低频过渡信息。2.虽然基于学习的重建方法表现得相当好,但是卷积神经网路的局部特征提取能力限制了最终深度图完整度的表达。这个过程需要丰富的特征信息和深度信息以达到期望的完整度,因此,很难进行高分辨率的三维场景重建。本文设计了一种基于自注意力的融合网络,实现高完整度的深度图。本融合方法可以首先通过对所提取到的二维图像特征进行自注意力学习,从而捕获二维图像推理中的相互依赖关联,最大限度地保留重要的全局信息。同时在三维代价体回归阶段,为了得到更丰富的三维深度信息,本文采用自注意力融合的方式实现不同深度特征代价体特征的互补学习。另外,本文引入残差连接能有效防止网络退化。3.设计并实现多视图三维物体重建系统,对本文的方法模型进行了展示,使得普通用户能够登录此可视化系统进行多视图三维物体重建。