(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111510170.0 (22)申请日 2021.12.10 (71)申请人 重庆邮电大 学 地址 400000 重庆市南岸区南 山街道崇文 路2号 (72)发明人 李红波　叶成庆　杨杰　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 代理人 张杨 (51)Int.Cl. G06T 17/20(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于单视图与深度学习的古文物三维 重建方法 (57)摘要 本发明涉及古文物图片的三维重建技术领 域， 公开了一种基于单视图与 深度学习的古文物 三维重建方法， 包括如下步骤： 步骤1： 输入古文 物及与所述古文物相似工艺品的数据集； 步骤2： 根据“编码器‑解码器”的网络结构， 使用带有3D ‑ ResVGG网络和多路径通道注意力模块的编码器 对所述数据集进行深度信息挖掘和特征提取， 生 成古文物三维 网络模型； 步骤3： 通过智能AI工 具 将需要进行三维重建的古文物图片进行预处理， 生成预设类型图片； 步骤4： 将作为单视图的所述 预设类型图片输入到所述古文物三维网络模型 中， 生成完整的需要进行三维重建的古文物图片 的古文物三维模型。 本发明提出了一种新的3D ‑ ResVGG网络， 通过多分支模型训练， 完善了原有 VGG架构过拟合的问题。 权利要求书2页 说明书6页 附图4页 CN 114255328 A 2022.03.29 CN 114255328 A 1.一种基于单视图与深度学习的古文物三维重建方法， 其特 征在于， 包括如下步骤： 步骤1： 输入古文物及与所述古文物相似工艺品的数据集， 所述数据集包括古文物及与 所述古文物相似工艺品的多角度的多视图 图片以及训练用体素模型； 步骤2： 根据 “编码器‑解码器”的网络结构， 使用带有3D ‑ResVGG网络和多路径通道注意 力模块的编码器对所述数据集进行深度信息挖掘和特 征提取， 生成古文物三维网络模型； 步骤3： 通过智能AI工具将需要进行三维重建的古文物图片进行预处理， 生成预设类型 图片； 步骤4： 将作为单视图的所述预设类型图片输入到所述古文物三维网络模型中， 生成完 整的需要 进行三维重建的古文物图片的古文物三维模型。 2.根据权利要求1所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 步骤2中， 所述古文物三 维网络模型包括编 码器、 迭代卷积模块和解码 器， 所述编码 器 由残差网络结构结合多路径通道注意力模块以及3D ‑ResVGG网络组成， 所述迭代卷积模块 由一组迭代卷积单元组成， 所述迭代卷积单元在空间上分布在三维网格结构 中， 每个所述 迭代卷积单 元负责重建最终输出的体素概 率结果。 3.根据权利要求1所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 所述3D ‑ResVGG网络为在ResNet网络的向前传播部分添加了两组1*1卷积， 并结合 ResNet残差模块和VG G网络架构得到 。 4.根据权利要求3所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 所述多路径通道注意力模块的作用为： 使用所述多路径通道注意力模块， 在3D ‑ ResVGG网络进 行特征提取的过程中进行分组卷积， 以多路径多组卷积核的形式对数据信息 进行深度 挖掘， 获取 数据的深度信息 。 5.根据权利要求4所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 步骤2中的编码器对所述数据集进行深度信息挖掘和特 征提取的具体步骤为： 步骤2.1、 所述3D ‑ResVGG网络接收数据集并对所述数据集进行 特征提取生成特 征图； 步骤2.2、 所述多路径通道注意力模块对由所述3D ‑ResVGG网络生成的特征图进行分组 提取： 根据特征图的特点按卷积核将所述特征图分为多组， 选取适应的若干组卷积核对所 述特征图进行分组卷积； 步骤2.3、 将卷积后的每组所述特征图模拟残差网络结构进行一组1*1卷积， 获取对应 的若干组特 征图； 步骤2.4、 将经过步骤2.3的若干组特征图进行拼接组合， 得到一个高尺度、 高维度、 信 息量更为丰富的特 征图。 6.根据权利要求5所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 步骤2.2中， 信息卷积核选取3组以对所述特 征图进行分组卷积。 7.根据权利要求6所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 所述迭代卷积单元 由长短时卷积网络构成， 所述长短时卷积网络根据输入的特征图 的具体格式选取具体的卷积单元数量， 从三 维的角度对通过编 码器提取出的特征图进 行迭 代卷积， 以分类网络的形式获取特征图中每一处卷积的体素概率结果并收集保留成一组三 维概率信息。 8.根据权利要求7所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征权　利　要　求　书 1/2 页 2 CN 114255328 A 2在于， 步骤2中， 所述迭代卷积单元对输入的多组所述特征图进行卷积运算的具体过程为： 所述迭代卷积单元对多组多角度的所述特征图进行迭代卷积运算以循环提取所述特征图 的信息， 对该迭代卷积单元涉及的体素概率进行动态更新， 并最终结合所有迭代卷积单元 的体素概 率数据合成一组三维体素概 率模型。 9.根据权利要求8所述的一种基于单视图与深度学习的古文物三维重建方法， 其特征 在于， 在所述迭代卷积模块中， 所述迭代卷积单元的具体结构由所述特征图的分辨率决定， X*X*X的迭代卷积单 元用于处 理X分辨率的特征图的数据。 10.根据权利要求1 ‑9任一所述的一种基于单视图与深度 学习的古文物三维重建方法， 其特征在于， 通过损失函数来验证所述古文物三维网络模型是否可靠， 所述损失函数为在 交叉熵函数改进后的特 征正则化softmax函数。权　利　要　求　书 2/2 页 3 CN 114255328 A 3