3D扫描 基于格雷码-相移技术的结构化3D扫描仪的实现。 该代码是使用开发的，尚未清除，因此仍包含CodeBlocks自动生成的项目文件。 这个项目是我的硕士课程的一部分。 详细介绍了此项目中实现方法的论文可。

Total3DUnderstanding Total3DUnderstanding：从单个图像对室内场景进行联合布局，对象姿势和网格重建聂银雨，韩晓光，郭世辉，郑玉建，张建，张建军在。 安装 此实现使用Python 3.6， 和cudatoolkit 9.0。 我们建议使用部署环境。 使用conda安装： conda env create -f environment.yml conda activate Total3D 用pip安装： pip install -r requirements.txt 演示版 预训练的模型可以在下载。 我们在这里还提供了预训练的网格生成网络。 将预训练的模型放在 out/pretrained_models 下面演示了一个演示，以了解该方法的工作原理。 这里使用vtk可视化3D场景。 输出将保存在“演示/输出”下。 您也可以使用此脚本来玩玩具。

Kernel regression for image processing and reconstruction于2007年文章中的源码

超声CT图像重建matlab代码从多个OCT局部图像重建图像 光学相干断层扫描（ OCT ）是一种光学成像方法。 可以认为它类似于具有更高分辨率但穿透深度较低的超声成像。 但是，OCT无法完全穿透牙齿以观察牙齿之间的蛀牙，因为与X射线不同，该区域无法直接进入。 该项目试图从通常可以访问的从牙齿侧面拍摄的部分2D图像中重建牙齿的3D图像。 在图像捕获和图像配准方面探索了各种技术。 内容： 代码： composePath.m ：用于自动组合路径以加载扫描仪生成的OCT图像堆栈的函数 loadOCT.m ：用于加载图像堆栈的主要功能 preliminary.m：脚本用于操纵由Tomlins博士（玛丽，SMD）提供初步图像 reload_script.m ：用于将图像重新加载到Matlab中的脚本 saveAsPNGstack.m ：将体积保存到PNG堆栈 yStack.m ：用于处理y堆栈图像的脚本 loadRotatingOCT.m ：用于加载z堆栈图像的函数（由Tomlins博士提供的代码进行了修改） 使用的图像： 包含使用其他项目中用于比较的技术捕获的图像： DiagnoCAM res

点云的多边形表面重建 PolyFit重建管道 PolyFit实现了以下所述的基于假设和选择的曲面重建方法： Liangliang Nan and Peter Wonka. PolyFit: Polygonal Surface Reconstruction from Point Clouds. ICCV 2017. 如果使用代码/程序（或其一部分），请考虑引用以上文章。 获取PolyFit 预构建的可执行文件（适用于macOS ， Linux和Windows ）可。 您也可以从源代码构建PolyFit： 下载。 依存关系 （已测试v5.8.0，v5.9.2，v5.10.1） （已测试v4.10，v4.11.1） 建立PolyFit。 有很多构建PolyFit的方法。 选择以下一项（或您熟悉的任何一项）： 选项1：使用可以直接处理CMakeLists文件的任何IDE

这组文件可用于构建具有近乎完美重构的多相滤波器组。 滤波器组使用两个均匀调制的 DFT 滤波器组实现，这些滤波器组频移 1/2 通道宽度。 有效地，使用了两次过采样。 通道数必须是 2 的倍数。 可以自由选择每个通道的抽头数。 提供了用于设计原型过滤器的脚本，该脚本基于“root-raised-error-function”。 原型具有完全线性的相位。 每通道 128 个抽头，可实现 -300 dB 的平均重建误差。 相邻通道的通道分离度优于150 dB，相距较远的通道的通道分离度优于300 dB。 处理速度约为 200 kSamples/秒，对于 32 个抽头/通道，与通道数量无关。 有了足够的内存，大量的通道（例如 64K）是可行的。

已经提出了3D表面重建作为一种技术，通过该技术可以从仅2D数字图像的集合中重建现实世界中的物体。 该标题在许多应用中非常有用，包括机器人导航，地形建模，远程手术，形状分析，计算机交互，科学可视化，电影制作和计算机辅助设计。 在这项工作中，我们研究了光度立体方法作为单视图3D重建技术，并对合成数据进行了实验验证。 Matlab实现可用。 我的同事是Z. Alavi夫人。

3D重建脚模型Pix2Vox-LSTM CSC2547 3D计算机视觉最终项目实现了Pix2Vox-LSTM方法，并在手部脚部数据集上进行了测试。 要下载经过Pix2Vox-LSTM.pth训练的模型文件，请访问： ://drive.google.com/file/d/1RZt_TOf6VSUGo3D_ZpumbTWFahvM7Lu5/view?usp=sharing

Pix2Vox 该存储库包含论文的源代码。 后续工作《 已发表在《国际计算机视觉杂志》（IJCV）上。 引用这项工作 @inproceedings{xie2019pix2vox, title={Pix2Vox: Context-aware 3D Reconstruction from Single and Multi-view Images}, author={Xie, Haozhe and Yao, Hongxun and Sun, Xiaoshuai and Zhou, Shangchen and Zhang, Shengping}, booktitle={ICCV}, year={2019} } 数据集 我们在实验中使用和数据集，如下所示： ShapeNet渲染图像： ://

三维图像建模，论文；电影学院 三维图像建模，论文；电影学院 三维图像建模，论文；电影学院三维图像建模，论文；电影学院