三维重建是计算机图形学领域的经典任务,近年来深度学习在二维图像处理中被广泛应用并且取得显著成果,越来越多的研究者尝试将深度学习在二维图像处理任务上的成功复制到三维重建任务中,因此基于深度学习的三维重建相关研究也逐渐成为研究热点。相比需要精密采集设备和严格标定图像信息的传统三维重建方法,基于深度学习的三维重建方法通过深度神经网络完成二维图像到三维模型的匹配,能够大量地、快速地从普通采集设备获取的RGB图像重建多种类别物体的三维模型。从单一图像重建高质量的三维模型则更具有挑战性,如何提取图像特征,恢复三维模型信息,生成高质量的三维模型成为三维重建研究的重点。本文主要研究工作归纳如下:(1)对已有的基于深度学习的多种表现形式的三维重建方法进行分析和总结:按照基于深度学习的三维重建的发展梳理了三维体素重建、三维点云重建和三维网格重建的国内外相关研究,通过对比和分析三种三维模型表现形式的优劣,并根据研究需要确定将三维点云作为研究对象,另外详细分析了目前普遍使用的三维模型数据集、数据处理方式、评估方法以及应用于三维重建的神经网络中的基础操作等。(2)提出了基于注意力机制的高密度点云重建方法:针对过往大多研究仅仅局限于低密度点云重建的现状,提出了分阶段重建高密度点云的方法。首先通过引入注意力机制的自编码器架构神经网络生成低密度点云作为中间结果,然后将低密度点云输入点云高密度化网络生成高密度点云。与现有的高密度三维点云重建方法的量化评估和可视化结果对比验证了该方法的有效性。(3)提出了基于形变网络的多种密度点云重建方法:针对(2)中方法只能生成特定密度点云且部分类别物体重建效果不理想的问题,提出能够灵活重建多种密度点云的方法。首先通过图像编码阶段提取输入图像特征,然后在点云编码阶段将图像特征与初始随机点云融合并提取点云特征,最后在点云解码阶段用点云特征将初始随机点云形变为最终重建点云。利用初始点云的随机性叠加多次点坐标略微随机偏移的重建结果以生成多种密度的三维点云。在与现有的低密度和高密度的三维点云重建方法的量化评估和可视化结果对比中,该方法都取得了很好的表现。