3D punktu mākoņu bojājumu sintēze un rekonstruēšana

Abstract

Darba mērķis ir izstrādāt un novērtēt metodoloģiju 3D punktu mākoņu bojājumu sintētiskai radīšanai un to rekonstruēšanai, izmantojot dziļo mašīnmācīšanos. Darbā izveidotas un apmācītas divas neironu tīklu arhitektūras un novērtēta to veiktspēja, izmantojot trīs dažādas zaudējumu funkcijas gan sintētiskos, gan reālos datos. Eksperimentu rezultāti parāda, ka ir iespējams rekonstruēt objektu ģeometriju pat trokšņainos apstākļos, kā arī rekonstruēšanu ir iespējams veikt reāliem uzdevumiem, piemēram, koku stumbru atjaunošanai no LiDAR datiem.

The scope of this thesis is to develop and evaluate methodology for synthetic damage generation and reconstruction of damage in 3D point clouds using deep machine learning. Two neural network architectures are implemented and trained, they are evaluated using three different loss functions on synthetic and also real data. It can be concluded that it is possible to reconstruct object geometry even under noisy conditions. Reconstruction can be applied to real world tasks, such as restoring tree trunks from LiDAR data.