《表2 现有的传统方法与3D-R2N2重建结果的对比[8]》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习在基于单幅图像的物体三维重建中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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.