基于深度学习的颅面点云生成模型

针对实际应用中对初始头骨数据完整性要求高、重建复原时间长、扩展性和实用性不强等问题,论文设计提出一种基于深度学习的形状修补以及形状学习颅面点云复原模型。模型通过使用补全自编码器(Repair AutoEncoder,rAE)从缺失的头骨点云数据中复原完整头骨点云,并通过形状生成自编码器(Generation AutoEncoder,gAE)来生成初始头骨所对应的头面部点云。实验表明该模型补全生成的头骨点云和学习生成的头部点云的复原精度能很好地支撑对头部模型的三维重建。论文提出的深度学习方法与传统方法相比较能够由不完整的头骨数据,快速、逼真和准确地重构三维头部形状,在经典颅面复原任务如:出土残缺古人类头骨补全、面貌复原、刑事案件侦破等任务中展现出良好的稳定性与可扩展性。

基于期望首达时间的形状距离学习算法

由于逐对形状匹配不能很好地反映形状间相似度,因此需要引入后期处理步骤提升检索精度.为了得到上下文敏感的形状相似度,本文提出了一种基于期望首达时间(Mean first-passage time,MFPT)的形状距离学习方法.在利用标准形状匹配方法得到距离矩阵的基础上,建立离散时间马尔可夫链对形状流形结构进行分析.将形状样本视作状态,利用不同状态之间完成一次状态转移的平均时间步长,即期望首达时间,表示形状间的距离.期望首达时间能够结合测地距离发掘空间流形结构,并可以通过线性方程进行有效求解.分别对不同数据进行实验分析,本文所提出的方法在相同条件下能够达到更高的形状检索精度.

一种基于广义期望首达时间的形状距离学习算法

形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。