论文部分内容阅读
人造物体三维建模是三维建模技术中的一个重要部分。对于复杂的组装模型，传统的三维建模技术，在没有用户交互的情况下大都只能重建这类模型的低级几何。要恢复组装模型本身具有的结构甚至功能，通常需要专业人员借助专业的软件并且花费大量时间才能完成建模，对普通用户很不友好。本文研究了从少量三维扫描甚至单张RGB图片输入进行人造物体三维建模的技术。本文开展的研究通过借助输入模型的结构关系、人造物体的先验知识、以及深度学习技术，为恢复模型的结构和功能提供了有力的保障。该技术只需要少量甚至不需要用户操作，就能得到一个具有正确结构和功能的人造物体模型，极大地方便了普通用户使用这些技术。 这项工作主要由三个部分组成: 研究了从三维扫描数据中恢复具有结构信息的人造组装物体的三维建模技术。利用目标组装模型及其子部件的多个扫描，以及各个部件之间的拆解关系，我们首先建立了一棵有向的模型装配树并基于该装配树对模型进行两两匹配，然后利用模型的配准置信度对模型配准进行全局优化。接着，利用顶点置信度过滤掉不可靠的顶点后对剩余顶点进行分类。最后，我们利用泊松重建对各个类别的顶点分别进行重建。我们在多种不同的人造组装物体上进行了测试，实验结果表明利用该方法仅需要少量的人工参与就能构建高质量的三维人造组装模型。 研究了从三维扫描数据中恢复具有功能性的机械装配模型的三维建模技术。利用目标装配模型的几个扫描数据，我们首先使用运动引导的，基于面块的分层对齐和标记算法来提取功能性机械部件。所提取的功能部件随后分别被参数化，并用交互关系图记录它们的机械关系。然后，使用联合优化来求解每个部件的最优几何形状、位置和方向，以获得最终有效的机械装配的同时与输入扫描数据尽可能相似。我们在各种类型的机构装置模型上进行了测试，并使用三维打印的结果验证了输出的正确性。 研究了利用深度学习从单张RGB图片中对机械装配模型的三维几何和功能进行全自动建模的三维建模技术。建模得到的三维机构模型与输入图像中的目标模型十分相似，同时具有所有机械部件的几何形状，机械属性，连接性和功能性。我们通过组合各种深度卷积神经网络为各个部件的自动检测、分割、相机姿态以及机械属性等提供了高质量的初始估计，然后用交互关系图来抽象目标机械装配系统中的部件间的相互关系。当关系图中发现不连通的组件时，通过枚举所有可能的解决方案以恢复关系图的连通性，并输出具有最小残差的那个。我们在各种经典机构装置模型的图片上进行了广泛的测试。实验结果表明，该方法能够在没有用户指导的情况下构建高质量的三维机构模型。