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
![1f5be4c363495c389554faa623537dbc.png](https://img-blog.csdnimg.cn/img_convert/1f5be4c363495c389554faa623537dbc.png)
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。
![cc2b2c992b253f509f14496426b167e9.png](https://img-blog.csdnimg.cn/img_convert/cc2b2c992b253f509f14496426b167e9.png)
CNN 编码深度形状先验知识
3D 数据表征