针对物体的三维重建是计算机视觉中的重要课题之一,一直以来都备受研究人员的关注。随着深度学习技术的不断发展,研究者们开始从多视图几何的三维重建方法转向了基于深度学习的三维重建方法。特别是是隐式函数表示在三维重建方法中取得的成果,更是表现出了巨大的发展潜力。隐式函数表示的三维重建方法学习物体表面隐式表示的连续场,通过预测三维空间中的任意点是否位于物体的内侧。因此,复杂的重建问题得以转换为简单的分类问题。在生成阶段通过等值面提取算法获取物体的重建结果表面。大多数基于隐式函数表示的三维重建方法都局限于仅使用二维数据或三维数据作为观测,而割裂了二维数据与三维数据之间的联系,从而导致重建结果要么在结构上不够准确,要么在表面上缺失纹理。针对上述问题,本文提出了一种基于图像和低分辨率体素的隐式函数表示重建方法以结合两种数据的特点。该方法利用隐式函数能够简化三维重建问题的特性,创新性地将图像和体素结合在一起进行重建,从而改善了重建结果。该方法通过图像分支和体素分支分别预测查询点的分类结果,并将预测结果进行结合得到查询点的分类情况。在Shape Net数据集上的实验结果表明,本文的方法在Io U和Chamfer评价指标上比原有方法要好,在法向一致性上和原有方法接近。因此证明本文方法能够在保持三维结构准确的同时,提高物体表面纹理的准确性。随着三维数据采集设备的普及,点云数据变得更加容易获取。但是,相比体素数据,要在点云数据上构建编码了空间位置信息与物体表面相对位置关系的局部特征就显得更加困难。相比于过去基于隐式函数表示的方法直接将点云转换成体素后再构造特征,本文提出了一种基于隐式函数表示的两阶段点云重建方法。该方法不直接将点云转换成体素,而是通过神经网络生成点云的中间体素表示,随后在中间体素表示上构造查询点的特征并进行预测分类。在Shape Net数据集上的实验结果表明,本文方法相比于直接体素化的方法,在Io U和法向一致性评价指标上比原有方法好,并且能够避免物体表面不完整问题。