3D object reconstruction from images
Abstract
I denne oppgaven utforsker vi dyplæringsbaserte rekonstruksjonsmetoder som brukes til å rekonstruere 3D objekter fra 2D bilder. 3D-modeller er mye brukt i videospill, simulatorer og animerte filmer. Det er imidlertid en tidkrevende prossess å lage disse 3D modellene. Derfor er automatisk generering av 3D-modeller fra 2D-bilder svært interesant.
Vi presenterer en ny single-view- rekonstruksjonsmodell som kan rekonsturere objekt fra enkeltbilder. Den er basert på nye oppdagelser innen konvertering av implisitte represantasjoner til eksplisitte 3D represenatasjoner. Denne nye modellen har blitt sammenlignet med andre modeller og vi viser at vår modell er på nivå med disse rekonstruksjons modellene. Videre viser vi at vår single-view-modell kan brukes til å veilede en multi-view-rekonstruksjonsmodell. This thesis explores deep-learning-based single- and multi-view object reconstruction methods used to reconstruct objects in 3D from 2D images. 3D assets are widely used in video games, simulators, and animated movies. However, creating them is a time-consuming effort. Hence, automatic creation of 3D assets from 2D images is an intriguing prospect.
We propose a new single-view object reconstruction model based on recent revelations in implicit to explicit 3D representation conversion. The model has been evaluated against current models in single-view object reconstruction. We show that our model achieves state-of-the-art results, while outputting a 3D representation that is convenient for use in modern 3D applications. Furthermore, we show that our single-view model can be used to guide a multi-view object reconstruction model.