陶瓷文化是华夏优秀传统文化的组成部分,陶瓷艺术品是陶瓷文化与我国千年制瓷冶陶技艺的结晶,是融艺术性与实用性一体的体现,极具欣赏的价值。但由于陶瓷的易碎性,阻碍了陶瓷文化的传播。随着5G技术以及VR/AR展示技术的发展,科技和艺术融于一体的陶瓷艺术品鉴赏也日益渗透进入人们的生活之中。但是陶瓷艺术品数字化模型资源的欠缺也严重制约了以陶瓷艺术品为载体的陶瓷文化的宣传与推广进程。针对陶瓷艺术品的三维重建开展研究可以解决陶瓷艺术品数字模型资源欠缺的问题,在降低成本、时间、节约资源的前提下,打造以3D模型的形式在5G平台中虚拟展示陶瓷艺术品,是推动陶瓷艺术品鉴赏进入寻常百姓生活中有益举措。本论文通过研究基于深度学习的陶瓷艺术品三维重建算法,提出一种深度学习与传统算法相结合的APMNet三维重建算法,开展基于深度学习的陶瓷艺术品三维重建研究与实践,主要研究内容及工作如下:1.陶瓷艺术品数据集的研究:本文通过分析陶瓷艺术品在传统三维重建中存在的反光、重复纹理、无纹理等问题,利用双摄像机和结构光扫描采集首个多种多样的陶瓷艺术品的数据集,将120个各异陶瓷以7种不同光照,从49个精确的摄像机位置拍摄,同时进行精确的结构光扫描。共采集32340张图片,形成30870张图片训练、1470张图片测试的数据集,为本文实验提供数据支撑。2.基于DLPMNet的三维重建算法:本文提出将深度学习与传统三维重建算法结合,在继承传统算法准确率的同时,利用深度学习克服传统算法的缺陷。将分层独立预测和多层融合预测相结合,形成多尺度特征提取作为主体框架,融合3DPMNet算法,构建从粗到细的DLPMNet三维重建算法。实验结果表明DLPMNet在点云重建的完整性上优于Colmap、Open MVS,在整体质量上优于Colmap,DLPMNet重建的纹理细节（腿部、尾部、牛角）更完整,一定程度上解决了传统算法无纹理、反光等问题。3.基于APMNet的陶瓷艺术品三维重建算法:本文提出运用自适应Patch Match优化DLPMNet算法。针对基于深度学习的三维重建算法所产生的问题,在DLPMNet基础上保留其从粗到细的多尺度主框架、Patch Match传播方式,去除内存占用高、运行时间长的Patch Match法向量操作,将低分辨率层运用三角化初始深度图,以局部扰动、自适应传播、自适应空间代价聚合及损失函数优化基于DLPMNet的三维重建算法,构建动态的APMNet三维重建算法。结果表明,在内存占用和运行时间上,APMNet与Cas MVSNet相比减少70.313%和82.857%,与UCSNet相比减少55.017%和81.053%,与CVP-MVSNet相比减少70.513%和85.484%,与DLPMNet相比减少10.925%和40%;同时,APMNet在精度差和总体误差上与MVSNet相比减少19.059%和40.714%,与RMVSNet相比减少14.844%和21.513%,与DLPMNet相比减少7.887%和17.207%,在整体误差上与CVP-MVSNet相比减少5.143%。APMNet不仅实现大幅度减低和减少深度学习产生的内存占用和时间消耗,并进一步缩减模型重建的精度差和总体误差。