《表3 不同方法以平均IoU值作为评价标准的重建精度对比》
随着深度学习的不断发展和三维数据集的不断完善,基于单幅图像的三维重建取得了较大的进展,表2展示了目前代表性传统方法[20]和3D-R2N2在PASCAL 3D+数据集上以IoU值作为重建评价标准的重建效果对比.可以看出与传统手工设计的方法相比,基于深度学习的端到端的训练方法能够直接以单幅图像作为输入,并以重建的三维模型作为输出,提取特征效率更高,重建效果更好.同时深度学习使用诸如dropout等稀疏化网络参数的方法来防止过拟合,以此来利用大规模的数据,具有更好的泛化性.正如人看到二维图像即可联想到它的三维表示,基于深度学习的单幅图像重建也越来越趋向于与人类认知三维物体方法相同的无监督学习[1,79,84],也有越来越多的网络融合了单幅图像和多幅图像两种方式,使得重建能够更加灵活.同时基于深度学习的方法也不断地在各种三维表示形式上进行着尝试,表3对比了目前基于体素、点云、网格的主流方法在ShapeNetCore[77]数据集上以平均IoU值作为重建评价准则的重建精度.
图表编号 | XD0037981700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 陈加、张玉麒、宋鹏、魏艳涛、王煜 |
绘制单位 | 华中师范大学教育信息技术学院、英国萨里大学视觉语音和信号处理中心、华中师范大学教育信息技术学院、瑞士联邦理工学院(洛桑)计算机图形学与几何实验室、华中师范大学教育信息技术学院、香港科技大学机器人研究院 |
更多格式 | 高清、无水印(增值服务) |