美瑞3D打印
T: 400-882-0090
当前位置:
通过AI补洞?3D扫描迎来了人工智能的**道曙光
来源: | 作者:3D打印资源库 | 发布时间: 36天前 | 39 次浏览 | 分享到:

导读:随着3D数字化技术的广泛应用,各个领域越来越依赖3D模型进行可视化、几何计算和3D打印等任务。然而,3D扫描结果中常见的不完整或缺失数据,往往会导致错误或有缺陷的渲染,限制了其实际应用。
2024年8月21日,据资源库了解,为了应对这一挑战,来自西班牙格拉纳达大学的研究人员开发了一种强大的新方法,利用人工智能技术来填补3D扫描中的孔洞,显著提升了扫描结果的质量。



如果您曾经使用过3D扫描仪,可能会发现,几乎每次扫描的结果都会出现不完整的情况。这通常是由于硬件的局限性、物体表面颜色的影响,甚至是扫描仪无法“到达”物体某些区域所致。尽管后期处理软件试图通过填补孔洞和缺失区域来改善结果,但效果往往不尽如人意。特别是在处理复杂几何形状时,现有算法的能力通常难以胜任。
一个典型的案例是3D扫描人类头部时,扫描结果中可能缺少头顶部分。尝试“填补空缺”通常会导致头部表面变得非常平坦,就像有人锯掉了部分大脑一样。这种修复不仅无用,反而可能需要手动进行繁琐的3D编辑来重建缺失的表面。另一种常见的修复尝试是使用“使模型坚固”功能,但这往往会导致大量扫描细节的丢失,影响*终模型的精度和实用性。
新方法的核心:神经网络驱动的2D修复
研究人员意识到,3D扫描的表面或许可以通过类似于图像修复的方式进行处理。修复功能在现代图像编辑软件中已广泛应用,能够根据图像的整体情况自动填充缺失区域。研究团队由此启发,开发出一种结合基于神经网络的2D修复技术来有效地重建3D表面。



为了训练这一系统,研究人员创建了一个庞大的“破损”3D模型库。他们从各种公共来源收集了完整的3D模型,并使用脚本故意破坏这些模型,引入不同大小和几何形状的孔洞。随后,他们使用这两组模型对神经网络进行了从“有洞”到“完整”转换的训练。通过在超过100万张曲率图像的数据集上训练定制的神经网络,这一系统能够学习并概括模式,从而开发出**而全面的三维表面。



这一方法的核心在于使用2D曲率图像来表示3D表面的复杂几何信息,并结合由粗到细的表面变形技术,确保重建的准确性和表面适应性。图像修复技术的引入使得神经网络能够接受随机的3D扫描,并在不丢失重要细节的情况下将其稳定重建,尤其是在处理复杂孔洞时,展现出卓越的保真度和精度。
实验结果与潜在影响
研究团队通过一系列实验验证了新方法的有效性。与现有的修复方法相比,他们的方法在减少重大错误和提高整体稳定性方面表现尤为出色。通过量化分析,他们发现新方法在各种测试场景中表现出显著减少的*大距离和更优的平均距离度量。这表明,该方法能够在保持原始形状的同时,准确地重建缺失的表面,解决了现有算法在复杂情况下的诸多局限性。



这些成果为3D扫描技术带来了极大的利好。如果这项技术能够成功商业化并集成到现有的3D扫描软件中,将大大改善扫描结果的完整性和精度。然而,这项技术也存在一定的挑战。例如,由于训练数据集的质量和多样性直接影响了神经网络的表现,数据不足或偏差可能会导致修复效果不佳。此外,尽管新技术在修复过程中注重保留细节,但在处理严重损坏或几何复杂的模型时,可能仍然面临挑战。
未来的研究方向将包括优化模型的计算效率,以适应资源受限的环境,以及探索与其他3D重建技术的结合,进一步提升模型的修复能力。随着技术的不断进步,这一创新方法有望在更广泛的应用中发挥作用,进一步推动3D数字化技术的发展。