论文阅读——3D Shape Reconstruction from Images in the Frequency Domain

本文链接：https://blog.csdn.net/weixin_41550329/article/details/111316140

本文介绍了CVPR 2019年的一篇论文，研究者提出了一种新的3D形状重建方法，通过在频域中预测切片以降低计算成本。他们利用深度神经网络生成厚度图，结合傅立叶变换在2D空间重建3D形状，提高了重建精度并减少了计算资源消耗。实验基于ShapNet数据集，利用Fourier切片定理，以IoU作为精度评价指标。

摘要由CSDN通过智能技术生成

从频域中的图像进行 3D 形状重建

来源：CVPR 2019.6

作者：Weichao Shen, Yunde Jia, and Yuwei Wu （北京理工大学计算机科学学院北京智能信息技术实验室）

⚡️ 初步阅读笔记

📑作者为什么研究这个课题？

深度神经网络虽然在3D重建方面有良好的进展和结果，但是在空间领域内使用高效的数据结构，计算成本会立方增长。

📑文献解决的问题？

We propose a Fourier-based method for 3D shape reconstruction to reconstruct the 3D shape in the 2D space by predicting slices in the frequency domain, which can significantly reduce the computational cost.

We introduce the thickness map to bridge the domain gap between the image in the spatial domain and the slice in the frequency domain. A deep neural network is built to generate the thickness map from the input images. Our network separately learns the global and local information by predicting the silhouette and edge of the thickness map, which can improve the reconstruction accuracy.

提出了一种基于傅立叶的3D形状重构方法，通过在频域中预测切片来重构2D空间中的3D形状，这可以显着降低计算成本。

介绍了厚度图，以弥合空间域中的图像和频域中的切片之间的域间隙。建立了一个深度神经网络以从输入图像生成厚度图。我们的网络通过预测厚度图的轮廓和边缘来分别学习全局信息和局部信息，从而可以提高重建精度。

作者的方法其实就是想降低在高分辨率三维重建中的计算成本，所以提出了用二维卷积神经网络在二维空间中重构三维形状的方法。

📑实验的数据和采集？

ShapNet数据集

📑实验用到的理论或模型？