雷懂 宋俊锋 叶振

摘 要：

隐式神经网络用于三维表面重建时，存在重建物体的结构不准确、表面缺乏局部细节等问题，针对此问题，文章提出了一种基于PRPNet（点云残差编码网络）的三维表面重建方法。首先采用更深的网络结构且加入残差模块挖掘点云潜在的结构信息，加入PointMateBase模块，以增强局部细节表示能力；其次使用特征权重网络获取查询点的占用概率；最后通过区域增长的Marching Cubes算法提取三维表面。实验结果表明，PRPNet模型在ShapetNet和Synthetic Rooms数据集上的精度较DpConvONet模型相应数据集上的精度分别提升了2.5百分点和2.6百分点，能够有效提升三维表面重建性能。

关键词：三维表面重建；隐式神经网络；点云；残差模块；PointMateBase模块；特征权重网络；Marching Cubes算法

中图分类号：TP391.41  文献标志码：A

0 引言（Introduction）

三维重建是指从物体的二维图像序列或三维点云，通过视觉算法恢复真实世界的三维场景结构，在医学成像［1］、自动驾驶［2］和虚拟现实［3］等领域都有着广泛的应用。近年来，基于隐式神经网络的三维表面重建方法因具有计算简单、内存消耗少等优点而受到了广泛关注。韩煌达等［4］提出了一种纹理推断模型，该方法能够重建接近真实纹理的三维表面，但是采样方式复杂。CHABRA等［5］将点云划分为多个局部体积块后进行编码，可以提高重建精度，但是该方法无法提供全局特征约束。ERLER等［6］分别采样局部点和全局点进行特征提取以提高重建质量，但是该方法重建三维表面的速度较慢。GROPP等［7］提出了一种隐式几何正则化方法，让重建的三维表面更加平滑，但是丢失了局部细节。……