三維重建是指從單幅或多幅二維圖像中重建出物體的三維模型并對三維模型進行紋理映射的過程。三維重建可獲取從任意視角觀測并具有色彩紋理的三維模型，是計算機視覺領域的一個重要研究方向。傳統的三維重建方法通常需要輸入大量圖像，并進行相機參數估計、密集點云重建、表面重建和紋理映射等多個步驟。近年來，深度學習背景下的圖像三維重建受到了廣泛關注，并表現出了優越的性能和發展前景。本文對深度學習背景下的圖像三維重建的技術方法、評測方法和數據集進行全面綜述。首先對三維重建進行分類，根據三維模型的表示形式可將圖像三維重建方法分類為基于體素的三維重建、基于點云的三維重建和基于網格的三維重建；根據輸入圖像的類型可將圖像三維重建分類為單幅圖像三維重建和多幅圖像三維重建。隨后介紹了不同類別的三維重建方法，從三維重建方法的輸入、三維模型表示形式、模型紋理顏色、重建網絡的基準值類型和特點等方面進行總結，歸納了深度學習背景下的圖像三維重建方法的常用數據集和實驗對比，最后總結了當前圖像三維重建領域的待解決問題以及未來的研究方向。
三維重建的目標是從單幅或多幅二維圖像中重 建出物體和場景的三維模型并對三維模型進行紋理 映射。三維重建是計算機視覺領域的一個重要研究 方向，利用計算機重建出物體的三維模型，已經成為 眾多領域進行深入研究前不可或缺的一部分。在醫 療領域中，利用三維模型診斷身體狀況；在歷史文化 領域中，將文物進行立體重建，供科學研究及游客參 觀。除此之外，在游戲開發、工業設計以及航天航海 等領域，三維重建技術具有重要的應用前景。目前， 研究人員主要利用 3 類方法來重建三維模型，1）直 接操作的人工幾何建模技術；2）利用三維掃描設備 對目標進行掃描，然后重建目標的三維模型；3）圖像 三維重建，采集單幅或多幅圖像，運用計算機視覺技 術來重建三維模型。在上述 3 種方法中，圖像三維 重建成本低、操作簡單，可以對不規則的自然或人工 合成物體進行建模，重建真實物體的三維模型。傳 統的圖像三維重建是從多視圖幾何（Andrew，2001） 的角度進行處理，從幾何上理解和分析從三維到 二維的投影過程，設計從二維到三維的逆問題解決方案進行三維重建。傳統的三維重建通常需要大量 已知相機參數的圖像，并進行相機參數估計、密集點 云重建和表面重建等多個步驟。隨著卷積神經網絡 （convolutional neural network，CNN）的發展，深度學 習廣泛應用于計算機視覺中的各種領域，基于深度 學習的技術方法利用先驗知識來解決各種復雜問 題。人們通常能夠對物體和場景建立豐富的先驗知 識，便于從單一視角重建物體的立體模型，推斷物體 的大小和其他視角的形狀。深度學習背景下的圖像 三維重建方法利用大量數據建立先驗知識，將三維 重建轉變為編碼與解碼問題，從而對物體進行三維 重建。隨著三維數據集的數量不斷增加，計算機的 計算能力不斷提升，深度學習背景下的圖像三維重 建方法能夠在無需復雜的相機校準的情況下從單幅 或多幅二維圖像中重建物體的三維模型。 三維模型的表示形式有3種：體素模型、網格模 型和點云模型。體素是三維空間中的正方體，相當 于三維空間中的像素；網格是由多個三角形組成的 多面體結構，可以表示復雜物體的表面形狀；點云是 坐標系中的點的集合，包含了三維坐標、顏色和分類 值等信息。三維模型的表示形式如圖1所示。 根據三維模型的表示形式可以將圖像三維重建 方法分類為基于體素的三維重建、基于點云的三維 重建和基于網格的三維重建。其中，基于網格的三 維重建方法包含單一顏色的網格三維重建和具有色 彩紋理的網格三維重建。根據輸入圖像的類型可將 圖像三維重建分類為單幅圖像三維重建和多幅圖像 三維重建。圖像三維重建方法分類如圖2所示。典 型的三維重建算法時間順序概述如圖3所示。 盡管目前已有一些三維重建相關綜述文獻（鄭 太 雄 等，2020；吳 博 劍 和 黃 惠，2020；龍 霄 瀟 等， 2021），但已有的綜述文獻主要介紹傳統方法或特殊 物體的三維重建，介紹深度學習背景下的圖像三維 重建技術的文獻相對偏少。本文主要對近年來深度 學習背景下的圖像三維重建的分類和研究現狀進行 總結。
付費5元查看完整內容
相關內容
圖像融合技術旨在將不同源圖像中的互補信息整合到單幅融合圖像中以全面表征成像場景，并促進后續的視覺任務。隨著深度學習的興起，基于深度學習的圖像融合算法如雨后春筍般涌現，特別是自編碼器、生成對抗網絡以及Transformer等技術的出現使圖像融合性能產生了質的飛躍。本文對不同融合任務場景下的前沿深度融合算法進行全面論述和分析。首先，介紹圖像融合的基本概念以及不同融合場景的定義。針對多模圖像融合、數字攝影圖像融合以及遙感影像融合等不同的融合場景，從網絡架構和監督范式等角度全面闡述各類方法的基本思想，并討論各類方法的特點。其次，總結各類算法的局限性，并給出進一步的改進方向。再次，簡要介紹不同融合場景中常用的數據集，并給出各種評估指標的具體定義。對于每一種融合任務，從定性評估、定量評估和運行效率等多角度全面比較其中代表性算法的性能。本文提及的算法、數據集和評估指標已匯總至//github.com/Linfeng-Tang/Image-Fusion。最后，給出了本文結論以及圖像融合研究中存在的一些嚴峻挑戰，并對未來可能的研究方向進行了展望。
付費5元查看完整內容
流場可視化是科學計算可視化中一個重要的分支,主要對計算流體動力學的模擬計算結果進行可視化,給研究人員提 供視覺上直觀可見的圖形圖像,方便研究人員進行分析.流場可視化的已知技術包括基于幾何的方法(如流線和粒子追蹤法) 以及基于紋理的方法(如 LIC、噪聲點、IBFV 等).流線可視化是流場可視化的一個重要且常用的幾何可視化手段.在流線可 視化的研究中,流線的放置是整個流線可視化的重點,流線的數目和位置影響了整個可視化效果.當流線放置過多時,會造成 視覺的雜亂;而流線放置過少會使流場信息表達不完整,無法傳遞完整的信息給領域專家.為了實現對科學數據的精確顯示, 流線可視化產生了兩個重要的研究方向:種子點的放置和流線的約減.文中介紹了種子點放置方法和流線的約減方法的相關 研究,總結了在２D和３D流場上出現的一些問題和采取的解決方案,并針對日益增長的科學數據,提出流線可視化下一步需要 解決的問題。
付費5元查看完整內容
視覺多目標跟蹤是計算機視覺領域的熱點問題，然而，場景中目標數量的不確定、目標之間的相互遮擋、目標特征區分度不高等多種難題導致了視覺多目標跟蹤現實應用進展緩慢。近年來，隨著視覺智能處理研究的不斷深入，涌現出多種多樣的深度學習類視覺多目標跟蹤算法。在分析了視覺多目標跟蹤面臨的挑戰和難點基礎上，將算法分為基于檢測跟蹤（Detection-Based-Tracking，DBT）、聯合檢測跟蹤（Joint-Detection-Tracking，JDT）兩大類及六個子類，研究不同類別算法的優缺點。分析表明，DBT類算法結構簡單，但算法各子環節的關聯度不高，JDT類算法融合多模塊聯合學習，在多項跟蹤評價指標中占優。DBT類算法中特征提取模塊是解決目標遮擋問題的關鍵，但損失了算法速度，JDT類算法對檢測模塊更為依賴。目前，多目標跟蹤跟蹤總體是從DBT類算法向JDT發展，分階段實現算法準確度與速度的均衡。提出多目標跟蹤算法未來在數據集、各子模塊、具體場景應用等方面的發展方向。
付費5元查看完整內容
生成對抗網絡（GAN）是無監督學習領域最近幾年快速發展的一個研究方向，其主要特點是能夠以一種間接的方 式對一個未知分布進行建模。在計算機視覺研究領域中，生成對抗網絡有著廣泛的應用，特別是在圖像生成方面，與其他的 生成模型相比，生成對抗網絡不僅可以避免復雜的計算，而且生成的圖像質量也更好。因此，本文將對生成對抗網絡及其在 圖像生成中的研究進展做一個小結和分析；本文首先從模型的架構、目標函數的設計、生成對抗網絡在訓練中存在的問題， 以及如何處理模式崩潰問題等角度對生成對抗網絡進行一個詳細的總結和歸納；其次介紹生成對抗網絡在圖像生成中的兩 種方法；隨后對一些典型的、用來評估生成圖像質量和多樣性的方法進行小結；并且對基于圖像生成的應用進行詳細分析；最后對生成對抗網絡和圖像生成進行總結，同時對其發展趨勢進行一個展望。
付費5元查看完整內容
在計算機視覺領域中，語義分割是場景解析和行為識別的關鍵任務，基于深度卷積神經網絡的圖像語義分割方法已經取得突破性進展。語義分割的任務是對圖像中的每一個像素分配所屬的類別標簽，屬于像素級的圖像理解。目標檢測僅定位目標的邊界框，而語義分割需要分割出圖像中的目標。本文首先分析和描述了語義分割領域存在的困難和挑戰，介紹了語義分割算法性能評價的常用數據集和客觀評測指標。然后，歸納和總結了現階段主流的基于深度卷積神經網絡的圖像語義分割方法的國內外研究現狀，依據網絡訓練是否需要像素級的標注圖像，將現有方法分為基于監督學習的語義分割和基于弱監督學習的語義分割兩類，詳細闡述并分析這兩類方法各自的優勢和不足。本文在PASCAL VOC（pattern analysis， statistical modelling and computational learning visual object classes）2012數據集上比較了部分監督學習和弱監督學習的語義分割模型，并給出了監督學習模型和弱監督學習模型中的最優方法，以及對應的MIoU（mean intersection-over-union）。最后，指出了圖像語義分割領域未來可能的熱點方向。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20200601&flag=1
付費5元查看完整內容
目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用，目標檢測的精確度和效率都得到了較大提升，但基于深度學習的目標檢測仍面臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰，本文在廣泛文獻調研的基礎上，從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法，從骨干網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法，從訓練方式和網絡結構的角度分析了用于多類別物體檢測的方法，從網絡結構的角度分析了用于輕量化檢測模型的方法。此外，對目標檢測的通用數據集進行了詳細介紹，從4個方面對該領域代表性算法的性能表現進行了對比分析，對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點，仍然有更多高精度和高效的算法相繼提出，未來將朝著更多的研究方向發展。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191