随着人们对交互方式需求的提高,点云作为一种三维模型,相比其他媒介具有更丰富的内容。在教学、娱乐等领域都有广泛应用的场景。随着智能移动设备的普及,拍摄单个图像来生成三维模型的需求在诸如增强现实等应用场景下具有实用价值。受限于单个视图的条件,凭借神经网络强大的表征和学习能力,基于数据驱动学习的方法具有可操作性。本文提出一种基于神经网络的从单幅图像生成三维点云的方法,相比传统的方法成本更低,能够快速大量地生成符合图像语义的点云模型。可以降低繁琐的建模、采集成本,具有一定实用性。Fan等人提出将点云生成作为点的坐标回归任务,为后续大量的工作提供了一个思路和方法。但是这些工作存在生成的点云容易丢失部分精细的结构的问题。首先,仅使用基于点云的坐标度量方法作为网络的误差损失函数。在网络的传播过程中,不考虑各点的语义信息,生成效果不理想。其次,从单幅图像生成点云之间面临着模态差异,不能直接匹配来计算误差,这也导致了特征网络的判别能力有限和对多模态信息的利用不足。本文通过对已有的国内外的三维模型生成方法进行梳理。根据任务特点选取点云作为研究对象。另外基于自动编码器网络的框架结构,从算法流程上介绍了特征提取网络和解码网络以及点云生成效果的评估方法等。从改善相关方法的不足,提高生成点云质量的目的出发,本文提出一种基于深度度量学习和对抗生成网络的点云生成方法。本文的主要工作归纳如下:为了更好地保持输入图像的视觉特征,提出的模型结合生成对抗网络和深度度量学习。本文首先在自编码器网络中引入判别损失,然后基于深度度量学习的中心损失函数,构建图像和点云共同更新的跨模态隐含空间中心编码,对判别器网络设计新的目标函数。该目标函数要求输入样本去最小化同一对象的编码误差,使得异质的属性得到充分利用。通过不同结构的特征提取网络,融合了点云和图像的特征信息,使得生成的模型和输入图像这样的跨模态数据具有语义一致性。在和已有的模型以及本文的基线模型对比,在ShapeNet数据集的多个类别上,所提方法在不同的评估上都有所提高,验证了本文方法的有效性。