随着深度学习技术的快速发展,大量基于深度学习的单视图三维重建方法不断涌现,这些方法在3D打印、自动驾驶、虚拟现实和增强现实等各个领域获得了广泛的应用,实现高质量重建的单视图三维物体重建算法对于图像理解和计算机视觉领域来说有其重要的研究价值和广阔的发展前景。已有的大部分方法难以有效地重建具有复杂拓扑结构的物体形状,导致重建的结果拓扑结构不完整和局部细节缺失。此外,这些方法较多的关注目标物体的整体形状,往往忽略了包含小尺度物体的细节区域,导致重建性能不理想。因此,如何从单视图2D图像中较为精确地重建出具有完整的拓扑结构以及丰富的局部细节的高质量三维形状一直是三维物体重建任务中的挑战性问题。本文针对上述问题研究了基于深度学习框架的单视图三维重建算法,并提出了基于回放注意力和层次特征提取的三维物体重建算法。本文方法可以很好地平衡全局形状和局部细节之间的关系,使重建后的物体在保持完整的全局形状的同时尽可能多地拥有局部细节,从而实现高质量和细节丰富的三维物体重建。本文的主要工作如下:1.复杂的拓扑结构难以重建往往是因为模型的拟合程度不够或者是网络的学习能力不够强。为了提升网络的学习能力并进一步强化网络捕获全局鉴别性特征的能力,本文提出了一种回放注意力机制。与传统注意力机制不同,本文的注意力机制目标是通过自适应地重新校准注意力机制中的权重响应来增加网络对富含信息的特征的敏感性,这增强了学习到的特征表示的可区分性。这样,网络能够进一步提高对具有复杂拓扑结构物体的重建精度。2.为了补充细节区域信息并提高网络对于局部细节的重建能力,本文提出了一种层次特征提取网络,整个网络分为全局特征推理模块和层次特征推理模块两部分。其中,全局特征推理模块保留了原始骨干网络的学习流程,使网络主要关注目标物体的全局鉴别性特征;层次特征推理模块将骨干网络不同层次的特征图拼接起来形成层次特征并进行进一步学习,其主要关注局部细节特征。最后,将全局特征和局部特征进行信息互补,使得网络在学习到全局形状的同时尽可能多地捕获局部细节。3.为了使本文算法能够在网络平台上得到实际应用,本文设计了一个三维物体重建可视化系统,该系统可以实现自适应地满足用户需求,用户可以从系统中任意选择较为合适的三维物体重建算法进行体验。