PAPRec:基于先导自适应概率网络的3D点云重建
Caixia Liu1, Minhong Zhu1, Yali Chen1
1Beijing Key Laboratory of Big Data Technology for Food Safety, School of Computer and Artificial Intelligence, Beijing Technology and Business University, No.33, Fucheng Road, Haidian District, Beijing 100048, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了PAPRec,这是一个用于从单个图像中重建3D形状的新型网络. 通过整合3D预先指导和自适应概率网络,PAPRec显著提高了准确性.
科学领域:
- 计算机视觉 计算机视觉
- 三维重建的3D重建
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 单视图3D形状重建是具有挑战性的,因为其固有的模糊性和错误的性质.
- 现有的方法在特征表达,训练稳定性和有限的约束方面扎,导致不准确和模两可的结果.
研究的目的:
- 从单视图图像中推断出完整的3D形状的强大而准确的方法.
- 通过结合3D预先的知识和概率模型来克服当前方法的局限性.
主要方法:
- 建议PAPRec (先导自适应概率网络) 用于单视图3D重建.
- 采用隐性规范化流来适应图像和3D先前的特征分布.
- 利用了一个具有形状规范化流量的自适应概率网络和解码的扩散模型.
主要成果:
- 在ShapeNet数据集上,PAPRec表现出卓越的性能.
- 在Chamfer距离 (CD) 中获得了2.62%的平均改善,在Earth Mover距离 (EMD) 中获得了5.99%的平均改善,在F1得分中获得了4.41%的平均改善.
- 在3D重建准确度方面超过了几种最先进的方法.
结论:
- 通过整合3D预先指导和自适应概率网络,PAPRec有效地学习全球和本地对象特征.
- 拟议的方法在单视图3D形状重建的准确性和稳定性方面取得了重大进展.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.3K
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
1.7K