Тип работы:
Предмет:
Язык работы:


РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ВИРТУАЛЬНОГО РЕМОНТА

Работа №177842

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы65
Год сдачи2022
Стоимость5500 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
0
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 4
1 Составление требований 6
2 Обзор существующих решений 9
3 Теоретические основы 12
3.1 Закрашивание изображения 12
3.2 Оценка глубины изображения 18
3.3 Сегментация изображения 19
4 Проектирование приложения 21
4.1 Модель предметной области 21
4.2 Выбор архитектуры приложения 23
4.3 Проектирование архитектуры нейронных сетей 28
5 Реализация приложения 31
5.1 Выбор технологий 31
5.2 Подготовка наборов данных 33
5.3 Реализация нейронных сетей 39
5.4 Обучение нейронных сетей 39
5.5 Реализация улучшения результатов нейронных сетей 40
5.6 Реализация приложения 40
5.7 Тестирование приложения 41
6 Анализ работы приложения 43
ЗАКЛЮЧЕНИЕ 60
ЛИТЕРАТУРА 61


Во время ремонта квартиры часто возникают вопросы: «а как будет смотреться новый диван на этом месте?», «а впишется ли этот паркет в текущий дизайн комнаты?»; лучший ответ на эти вопросы - визуализация.
Но визуализировать диван, тем более паркет или обои является трудной задачей для человеческого мозга. Чтобы упростить эту задачу, в наше время существует большое количество программ, позволяющих заниматься «виртуальным ремонтом»: вставлять в дополненную реальность комнаты 3D- объекты (рисунок 1), заменять обои, пол и т.д. Для работы этих программ, зачастую, требуется сложная техника. Существуют также более простые программы, где человек сам может построить модель своей комнаты, но только в обезличенном виде, из-за чего полученная 3D-модель теряет свою ценность, так как по ней сложно представить, как тот или иной объект (например, диван) будет смотреться в реальной квартире (рисунок 2).
Цель данной работы - разработать программу, которая могла бы упростить этот процесс визуализации, с помощью создания 3D-модели реальной комнаты и других процессов «виртуального ремонта». А для того, чтобы процесс не был утомительным, ответы на все вопросы предлагается осуществлять по одной только фотографии, которую легко можно сделать с помощью любой камеры.
Помимо желания пользователя посмотреть, как будет смотреться некий объект в его реальной комнате, может возникнуть необходимость в закрашивании с изображения старого объекта (например, пользователь хочет заменить старый диван на новый). Для этого требуется решить задачу удаления объекта. Также пользователь может захотеть заменить пол или обои.
Таким образом, задачами данной работы являются:
• выявить и составить требования;
• изучить аналоги;
• изучить теоретические основы нейронных сетей;
• спроектировать приложение, нейронные сети;
• разработать приложение и нейронные сети;
• обучить нейронные сети;
• протестировать приложение и нейронные сети.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В результате проделанной работы была выполнена цель - разработано приложение для виртуального ремонта, и все задачи:
• выявлены и составлены требования;
• изучены аналоги;
• изучены теоретические основы нейронных сетей;
• спроектировано приложение, нейронные сети;
• разработано приложение и нейронные сети;
• обучены нейронные сети;
• протестировано приложение и нейронные сети.
Разработанное приложение полностью готово к публичному использованию.



1. Liang-Chieh Chen, Yukun Zhu, George Papandreou, Florian Schroff, and Hartwig Adam. Encoder-decoder with atrous separable convolution for semantic image segmentation. In Proceedings of the European conference on computer vision (ECCV), pages 801-818, 2018.
2. Saumitro Dasgupta, Kuan Fang, Kevin Chen, and Silvio Savarese. Delay: Robust spatial layout estimation for cluttered indoor scenes. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 616-624, 2016.
3. Chen-Yu Lee, Vijay Badrinarayanan, Tomasz Malisiewicz, and Andrew Rabinovich. Roomnet: End-to-end room layout estimation. In Proceedings of the IEEE International Conference on Computer Vision, pages 4865-4874, 2017.
4. Giovanni Pintore, Marco Agus, and Enrico Gobbetti. Atlantanet: Inferring the 3d indoor layout from a single 360 degree image beyond the manhattan world assumption. In European Conference on Computer Vision, pages 432-448. Springer, 2020.
5. Jian Zhang, Chen Kan, Alexander G Schwing, and Raquel Urtasun. Estimating the 3d layout of indoor scenes and its clutter from depth sensors. In Proceedings of the IEEE International Conference on Computer Vision, pages 1273-1280, 2013.
6. Weidong Zhang, Wei Zhang, and Yinda Zhang. Geolayout: Geometry driven room layout estimation based on depth maps of planes. In European Conference on Computer Vision, pages 632-648. Springer, 2020.
7. Chuhang Zou, Alex Colburn, Qi Shan, and Derek Hoiem. Layoutnet: Reconstructing the 3d room layout from a single rgb image. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 2051-2059, 2018.
8. Xiaohu Lu, Jian Yaoy, Haoang Li, Yahui Liu, and Xiaofeng Zhang. 2-line exhaustive searching for real-time vanishing point estimation in manhattan world. In 2017 IEEE Winter Conference on Applications of Computer Vision (WACV), pages 345-353. IEEE, 2017.
9. Arun Mallya and Svetlana Lazebnik. Learning informative edge maps for indoor scene layout prediction. In Proceedings of the IEEE international conference on computer vision, pages 936-944, 2015.
10. Varsha Hedau, Derek Hoiem, and David Forsyth. Recovering the spatial layout of cluttered rooms. In 2009 IEEE 12th international conference on computer vision, pages 1849-1856. IEEE, 2009.
11. Yuqing Ma, Xianglong Liu, Shihao Bai, Lei Wang, Aishan Liu, Dacheng Tao, and Edwin Hancock. Region-wise generative adversarial imageinpainting for large missing areas. arXiv preprint arXiv:1909.12507, 2019.
12. Qi Mao, Hsin-Ying Lee, Hung-Yu Tseng, Siwei Ma, and Ming-Hsuan Yang. Mode seeking generative adversarial networks for diverse image synthesis. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1429-1437, 2019.
13. Lars Mescheder, Andreas Geiger, and Sebastian Nowozin. Which training methods for gans do actually converge? arXiv preprint arXiv:1801.04406, 2018.
14. Kamyar Nazeri, Eric Ng, Tony Joseph, Faisal Qureshi, and Mehran Ebrahimi. Edgeconnect: Generative image inpainting with adversarial edge learning. arXiv preprint arXiv:1901.00212, 2019.
15. Augustus Odena, Jacob Buckman, Catherine Olsson, Tom B Brown, Christopher Olah, Colin Raffel, and Ian Goodfellow. Is generator conditioning causally related to gan performance? arXiv preprint arXiv:1802.08768, 2018...45


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ