[发明专利]三维重建方法、系统、机器设备和计算机可读存储介质

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：

对给定图片在深度网络通过网络各层所进行的特征抽取中，通过所集成合并层进行的前馈网络信息向反馈网络映射执行卷积层的特征抽取，获得所述给定图片的二维特征；

对所述二维特征执行稀疏成本控制，并变换所述二维特征为三维特征，得到三维特征所对应的成本量信息；

通过所述三维特征所对应成本量信息的映射提取上下文信息，生成对所述给定图片预测的初始深度图；

进行所述初始深度图的传播和优化，输出高精度深度图；

对所述高精度深度图生成三维点云，由所述三维点云构建生成所述给定图片的三维模型。

2.根据权利要求1所述的方法，其特征在于，所述合并层和卷积层的组合构成所述深度网络中执行特征抽取的网络层，所述对给定图片在深度网络通过网络各层所进行的特征抽取中，通过所集成合并层进行的前馈网络信息向反馈网络映射执行卷积层的特征抽取，获得所述给定图片的二维特征，包括：

在所述深度网络中网络各层的特征抽取中，对合并层中前馈网络向反馈网络的反向传播，将前馈网络所存储信息翻转正向传播计算，恢复所述反向传播所需信息；

将卷积层对给定图片抽取的卷积特征输入到恢复反向传播所需信息的反馈网络，在所述反馈网络输出所述卷积层对应的二维特征。

3.根据权利要求2所述的方法，其特征在于，所述在所述深度网络中网络各层的特征抽取中，对合并层中前馈网络向反馈网络的反向传播，将前馈网络所存储信息翻转正向传播计算，恢复所述反向传播所需信息，包括：

面向所述给定图片在所述深度网络的特征抽取，通过合并层中的前馈网络进行正向传播后输入至卷积层，所述卷积层执行特征抽取；

对正向传播过程计算所得到并经前馈网络存储的信息，进行所述正向传播的翻转计算，通过所述翻转计算恢复得到所述反向传播所需信息。

4.根据权利要求1所述的方法，其特征在于，所述对所述二维特征执行稀疏成本控制，并变换所述二维特征为三维特征，得到三维特征所对应的成本量信息包括：

对所述二维特征通过成本量度量生成成本量并执行稀疏操作，得到稀疏成本量，所述稀疏成本量用于对所述给定图片的上下文信息提取进行容量控制；

通过所述稀疏成本量将所述二维特征转换为三维特征，得到三维特征所对应的成本量信息。

5.根据权利要求1所述的方法，其特征在于，所述通过所述三维特征所对应成本量信息的映射提取上下文信息，生成对所述给定图片预测的初始深度图包括：

在面向上下文信息提取而构建的网络各层，通过所在网络层中设置的卷积门映射输入的所述成本量信息，以提取上下文信息生成对所述给定图片预测的初始深度图。

6.根据权利要求5所述的方法，其特征在于，所述卷积门为第一卷积门，所述在面向上下文信息提取而构建的网络各层，通过所在网络层中设置的卷积门映射输入的所述成本量信息，以提取上下文信息生成对所述给定图片预测的初始深度图包括：

以配置的卷积层为第一卷积门映射所述三维特征所对应成本量信息至可视空间；

对所述成本量信息在可视空间的映射，配合重置门、更新门以及更新门所配置的第二卷积门对上一步的影响控制进行上下文信息提取，生成对所述给定图片预测得到的初始深度图。

7.根据权利要求1所述的方法，其特征在于，所述进行所述初始深度图的传播和优化，输出高精度深度图包括：

通过卷积网络中所述初始深度图的传播，对所述初始深度图执行粗优化操作；

以所述粗优化操作的输出为输入对象，对所述初始深度图细化深度生成高精度深度图。