Foi proposta uma Rede Neural Convolucional Octree Adaptativa baseada em patches planos (Octree Convolutional Neural Networks, O-CNN) para realizar a codificação e decodificação eficazes de formas tridimensionais. Ao contrário das Redes Neurais Convolucionais (CNN) baseadas em voxels ou em octree, que representam formas 3D com a mesma resolução dos voxels, a O-CNN pode representar adaptativamente formas 3D com nós de octree em diferentes níveis, utilizando patches planos para modelar a forma 3D dentro de cada nó do octree. Com base nessa representação adaptativa, foram projetados um codificador e um decodificador O-CNN adaptativos para codificar e decodificar formas 3D. O codificador O-CNN adaptativo usa normais e deslocamentos dos patches planos como entrada, executando operações de convolução 3D apenas nos nós do octree em cada nível, enquanto o decodificador O-CNN adaptativo infere a ocupação da forma e o estado de subdivisão dos nós do octree de cada nível, estimando as normais e deslocamentos dos patches planos para cada nó folha ótimo do octree. A eficiência e eficácia da tarefa de geração do O-CNN adaptativo foram verificadas através da predição da forma de uma única imagem, com erro de distância chanfrada de 0,274, inferior ao erro de 0,294 do OctGen, alcançando melhores resultados de reconstrução. Como um framework genérico para análise e geração de formas 3D, a O-CNN adaptativa baseada em patches planos não apenas reduz o custo de memória e computação, mas também possui melhor capacidade de geração de formas em comparação com os métodos 3D-CNN existentes.

visão computacional;reconstrução 3D;rede neural convolucional;rede neural