神经网络研究新进展：可将平面图像转制为高精度3D模型

   <p>伯克利人工智能研究院的一支团队，刚刚详细介绍了一项将平面图像转制为 3D 模型的新技术。虽然听起来并不新鲜，但最新进展已能通过单张图产出极高分辨率的 3D 模型。随着后续研究与进步，其有望将任何一张图片，转制为细节丰富和超级实用的三维模型。研究人员解释到：通常情况下，3D 重建需要用到卷积神经网络（简称 CNN）来预测任意给定对象在三维空间中的形状，因此需要通过 CAD 模型对神经网络进行训练。</p>    <p style="text-align:center"><img alt="神经网络研究新进展：可将平面图像转制为高精度3D模型" src="https://simg.open-open.com/show/349234fc4e63e3755868d090d6d83ef4.png" /></p>    <p>神经网络可以学习各种类型的对象，但由于预测量方面的局限性，其通常输出得相当粗糙。于是研究人员们从低分辨率模型开始着手，借之产出更高分辨率的模型，但其最初还是源于一张平面图像。</p>    <p style="text-align:center"><img alt="神经网络研究新进展：可将平面图像转制为高精度3D模型" src="https://simg.open-open.com/show/a30cb04986aaac188c8912a1621905ec.png" /></p>    <p>论文中写到：“我们利用了对象表面的二维本质，从低分辨率中预判一个表面，然后分层预测高分辨率”。该团队将他们的方法称作‘分层表面预测’（简称 HSP），从预测一个给定物体的低分辨率体积像素（voxels）开始这个流程。</p>    <p style="text-align:center"><img alt="神经网络研究新进展：可将平面图像转制为高精度3D模型" src="https://simg.open-open.com/show/18011a6fe0692c76d65b945fed33214f.png" /></p>    <p>分层表面预测（HSP）偏离了传统的卷积神经网络（CNN）方法，基于自由空间、边界、以及占用空间 3 个方面对每个立体像素进行分类。如此这般，系统就能够预测更高分辨率的元素，最终产出高分辨率的体积像素网格。</p>    <p style="text-align:center"><img alt="神经网络研究新进展：可将平面图像转制为高精度3D模型" src="https://simg.open-open.com/show/59fa2d689db7225936351cf86db64dc2.png" /></p>    <p>上图所示的图像，展示了该 3D 模型生成和细化分析过程。比如从一架飞机的平面图像开始，将之逐渐精炼到一个更加详细的成品。</p>    <p style="text-align:center"><img alt="神经网络研究新进展：可将平面图像转制为高精度3D模型" src="https://simg.open-open.com/show/6f553b8ea26d981d3d9274ff5fb2db66.png" /></p>    <p>最终我们看到的，不仅仅是一个基本的三维飞机形状，而是连引擎和机翼都能清晰呈现出来。</p>    <p>来自: <a href="/misc/goto?guid=4959010489570544079" id="link_source2">cnBeta</a></p>