pytorch 三维点分类_深度学习新应用：在PyTorch中用单个2D图像创建3D模型

选自Medium

作者：Phúc Lê

机器之心编译

参与：李诗萌、王淑婷

《AI先锋周刊》是—家关注人工智能学术研究、产业生态链、技术落地、边缘应用等维度的先锋电子新媒体。欢迎广大热爱AI的同道中人阅读、评论、转发、投稿，记得点击“关注”，随时获取全球AI最新讯息。

深度学习在诸多 2D 图像任务中表现出色，毋庸置疑。但如何将它应用于 3D 图像问题中呢？文本通过探索，将深度学习扩展到了单个 2D 图像的 3D 重建任务中，并成功实现了这一应用。

近年来，深度学习在解决图像分类、目标识别、语义分割等 2D 图像任务方面的表现都很出色。不仅如此，深度学习在 3D 图像问题中的应用也取得了很大的进展。本文试着将深度学习扩展到单个 2D 图像的 3D 重建任务中，这是 3D 计算机图形学领域中最重要也是最有意义的挑战之一。

任务

单个图像只是 3D 对象在 2D 平面的投影，所以一些高维空间的数据一定会在低维表征中丢失。因此，单视角 2D 图像中并没有足够的数据来构建其 3D 组件。

要根据单个 2D 图像创建 3D 感知，首先需要关于 3D 形状本身的先验知识。

在 2D 深度学习中，卷积自编码器是一种学习输入图像压缩表征的有效方法。将该架构拓展到学习紧凑形状知识是将深度学习应用于 3D 数据的最有前景方法。

CNN 编码深度形状先验知识

3D 数据表征