基于自编码器的自适应三维重建技术研究

作     者：邱吉雨 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：任爽

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：三维重建 重建点云 密连接网络 注意力机制 卷积神经网络 

摘      要：三维重建是计算机视觉研究领域的重要任务之一,随着多个大型三维模型标准数据集的出现,越来越多的学者尝试将二维图像任务中的成熟方法迁移至三维重建的研究范畴中。相较于需要使用价格高昂的图像信息采集设备来标定图像信息的传统重建方法,基于深度学习的重建方法无需使用高精度三维信息采集设备,只需将二维图片输入至训练好的神经网络模型中便可重建出物体的三维数据。当前已有的利用单张二维图像重建物体三维数据的研究方法中,重建效果较好的方法存在网络参数量大、训练速度慢的问题,网络较为轻量的方法存在重建效果差的问题。本文归纳并总结了重建点云领域标杆方法PSGN的优势与不足,研究了自编码器、密连接网络以及注意力机制等技术的工作原理,针对含有单层自编码器的PSGN网络重建点云精度不足、含有双层自编码器的PSGN网络计算量大且训练速度慢的问题,基于含有单层自编码器的PSGN的网络结构提出了一种具有自适应性且重建点云精度更高的点云重建网络,使网络保持轻量特性的情况下大幅度提升了重建点云的精度。本文具体的研究内容如下:(1)提出了一种基于密连接思想的点云重建网络(Dense Connection-PSGN,DC-PSGN)。针对含有两层自编码器的PSGN网络参数量大、训练速度慢等问题,本文对含有单层自编码器的PSGN网络的结构进行了改进。首先,我们将编码器部分单个卷积模块卷积层间的连接方式替换为密连接方式,在提高重建点云精度的同时让网络拥有更好的性能。其次,我们将由经单个密连接模块所得特征作为网络深层特征的正则项,提升了特征信息的完整性。然后,我们为上述改进方法设计了多种不同的网络结构并通过实验结果选择对重建点云任务适配性最好的网络结构。最后,我们通过观测与对比DC-PSGN与原始PSGN方法的参数量、计算量、收敛速度与重建点云精度来证明DC-PSGN方法的有效性。(2)针对DC-PSGN对部分类别物体重建点云精度不足的问题,本文引入多种代表不同特征重构方式的注意力机制对DC-PSGN进行改进。该方法通过使用注意力机制获取密连接模块输入特征的权重并以上述权重对密连接模块的输出特征进行重构,使得网络模型在特征提取过程中能够自适应地强化重要信息、弱化非重要信息。其次,我们通过衡量引入不同注意力机制对网络重建点云精度的提升幅度以及对网络参数量与计算量的增幅确定与本文所研究内容最适配的注意力机制。最后,我们通过实验结果证明本文方法相较于含有两层自编码器的PSGN在参数量减少49%的情况下,网络重建点云的精度在CD(Chamfer Distance)与EMD(Earth Mover’s Distance)度量上分别提升了28%与30%。