[发明专利]三维重建方法、装置、计算机设备和存储介质

权利要求书

1.一种三维重建方法，其特征在于，所述方法包括：

获取目标二维图像；所述目标二维图像包括待进行三维重建的目标对象；

将所述目标二维图像输入到预先训练的目标神经网络中，得到所述目标神经网络输出的重建结果；所述重建结果包括所述目标对象的三维点云数据；

其中，所述目标神经网络为基于样本二维图像、样本渲染图像和样本点云数据进行神经网络训练得到的。

2.根据权利要求1所述的方法，其特征在于，在所述将所述目标二维图像输入到预先训练的目标神经网络中，得到所述目标神经网络输出的重建结果之前，所述方法还包括：

获取训练样本集合；所述训练样本集合包括多个样本二维图像、多个样本渲染图像和各所述样本渲染图像对应的样本点云数据；所述样本二维图像中包括训练对象；

将所述样本二维图像、所述样本渲染图像和所述样本渲染图像对应的样本点云数据输入到待训练的神经网络中，得到所述待训练的神经网络输出的训练结果；所述训练结果包括所述训练对象的三维点云数据；

基于所述训练结果进行神经网络的训练，得到所述目标神经网络。

3.根据权利要求2所述的方法，其特征在于，所述待训练的神经网络包括编码子网络、判决子网络和解码子网络；所述将所述样本二维图像、所述样本渲染图像和所述样本渲染图像对应的样本点云数据输入到待训练的神经网络中，得到所述待训练的神经网络输出的训练结果，包括：

将所述样本二维图像、所述样本渲染图像和所述样本渲染图像对应的样本点云数据输入到所述编码子网络中进行维度变换，得到所述编码子网络输出的所述样本二维图像对应的第一隐空间向量、所述样本渲染图像对应的第二隐空间向量和所述样本点云数据对应的第三隐空间向量；

将所述第一隐空间向量、所述第二隐空间向量和所述第三隐空间向量输入到所述判决子网络中进行判断，得到所述判决子网络输出的判决结果；所述判决结果包括所述第一隐空间向量是否来自于所述样本渲染图像和所述第二隐空间向量是否来自于所述样本点云数据；

将所述第二隐空间向量输入到所述解码子网络中，得到所述解码子网络输出的所述训练结果。

4.根据权利要求3所述的方法，其特征在于，所述编码子网络包括第一编码器、第二编码器和第三编码器，所述将所述样本二维图像、所述样本渲染图像和所述样本渲染图像对应的样本点云数据输入到所述编码子网络中进行维度变换，得到所述编码子网络输出的所述样本二维图像对应的第一隐空间向量、所述样本渲染图像对应的第二隐空间向量和所述样本点云数据对应的第三隐空间向量，包括：

将所述样本二维图像输入到所述第一编码器中，得到所述第一编码器输出的所述第一隐空间向量；

将所述样本渲染图像输入到所述第二编码器中，得到所述第二编码器输出的所述第二隐空间向量；

将所述样本点云数据输入到所述第三编码器中，得到所述第三编码器输出的所述第三隐空间向量。

5.根据权利要求3所述的方法，其特征在于，所述判决子网络包括第一判决器和第二判决器；所述将所述第一隐空间向量、所述第二隐空间向量和所述第三隐空间向量输入到所述判决子网络中，得到所述判决子网络输出的判决结果，包括：

将所述第一隐空间向量和所述第二隐空间向量输入到所述第一判决器中，得到所述第一判决器输出的所述第一判决结果；所述第一判决结果包括所述第一隐空间向量是否来自于所述样本渲染图像；

将所述第二隐空间向量和所述第三隐空间向量输入到所述第二判决器中，得到所述第二判决器输出的所述第二判决结果；所述第二判决结果包括所述第二隐空间向量是否来自于所述样本点云数据。

6.根据权利要求5所述的方法，其特征在于，所述基于所述训练结果进行神经网络的训练，得到所述目标神经网络，包括：

根据所述第一判决结果、所述第二判决结果和所述训练结果进行神经网络的训练，得到所述目标神经网络。