Para resolver o problema da imprecisão nos resultados da reconstrução 3D de objetos a partir de uma única vista devido a estruturas topológicas complexas e perda de detalhes em superfícies irregulares, este artigo propõe um método de reconstrução 3D que integra a deformação livre com splines racionais não uniformes (NFFD) e redes neurais convolucionais gráficas. Primeiramente, por meio da introdução de uma estratégia de pesos de conexão na rede geradora de pontos de controle, realiza-se o aprendizado de características da vista 2D para obter a estrutura topológica dos pontos de controle. Em seguida, utiliza-se a função base NURBS para estabelecer a relação de deformação entre os vértices do contorno do modelo de nuvem de pontos, baseado nas características adaptativas das coordenadas dos pontos de controle. Finalmente, para reforçar as informações de detalhes, é incorporado um módulo de atenção híbrida na rede convolucional gráfica para ajustar as posições deformadas da nuvem de pontos, alcançando assim uma reconstrução eficiente de estruturas topológicas complexas e superfícies irregulares. Os experimentos no conjunto de dados ShapeNet mostraram que o valor médio do índice CD foi 3,79, o do índice EMD foi 3,94, e foram obtidos bons resultados de reconstrução no conjunto de dados real Pix3D. Comparado aos métodos existentes de reconstrução 3D de nuvem de pontos a partir de vista única, o método proposto melhora efetivamente a precisão da reconstrução e possui forte robustez.

Deformação livre NURBS;reconstrução 3D;rede convolucional gráfica;atenção híbrida;rede geradora de pontos de controle