张 豪，张 强，李勇祥，邵思羽

(1.空军工程大学 研究生院，西安 710038；2.空军工程大学 防空反导学院，西安 710038；3.中国人民解放军95261部队，广西 柳州 545000)

0 引 言

通过单一图像建立其三维模型一直是研究领域的一个热点。由于一个视图可能对应多种可能的形状，大多数情况对应的形状都是不合实际的，单视图的3D形状建模具有很高的挑战性。目前主流的三维模型重建方法有2种，一种是使用第3方三维模型库，例如OpenGL,VTK(visualization toolkit),这些第3方库内部封装了大量的三维图形处理函数，可以很方便地绘制三维图像，但缺点是需要人为绘制三维图像，费时费力；第2种方法是基于深度学习的三维模型重构，通过神经网络提取出其深度图像[1-4]，再通过这些图像还原三维模型。

在2016年的NIPS会议上，3D-GAN[5]的概念被首次提出，其原理是使用深度卷积网络的表征能力来解决形状不符合实际的问题，生成对抗网络(generative adversarial network,GAN)学习2D图像到3D模型的映射。生成网络负责生成3D模型，对抗网络判断这些模型的真假。但是由于3D模型库的训练样本不足，且整个模型不具有很好的泛化能力，3D-GAN并没有在单视图三维模型重建方面取得很好的效果。2018年，文献[6]提出把ShapeHD三维重构模型运用到3D-GAN的思想，通过将深度生成模型与对抗学习的形状先验相结合，超越单视图形状补全和重建的极限，它将学习到的先验知识作为正则化惩罚项，并在其输出脱离现实而非简单的偏离实际形状时对模型进行惩罚，通过这种思想，解决了前面提到的三维建模存在的问题。……