Técnicas Deep Learning para la Reparación de Mallas 3D

Abstract

La presente tesis doctoral aborda el problema de la reparación de mallas 3D mediante técnicas de deep learning, con el objetivo de mejorar la reconstrucción de modelos tridimensionales incompletos. La digitalización 3D, a través de escáneres o fotogrametría, es ampliamente utilizada en diversas aplicaciones como la conservación del patrimonio, la impresión 3D y la realidad aumentada. Sin embargo, estos métodos suelen generar modelos con imperfecciones y zonas faltantes, lo que compromete su calidad y usabilidad. Para enfrentar este desafío, a lo largo de este trabajo se proponen varias soluciones incrementales consistentes en representar la geometría del modelo como una imagen bidimensional y aplicar una metodología basada en redes neuronales para inferir la forma faltante. Posteriormente, la superficie reconstruida es proyectada en el espacio tridimensional, generando un modelo corregido y fiel al objeto original. La primera aproximación permite la representación de la superficie del modelo como una imagen que codifica su curvatura y aprovecha la creatividad de las redes neuronales genéricas para predecir los píxeles ausentes. Mediante intervención manual, se selecciona una restauración y se realiza un proceso de deformación para adaptar la curvatura inferenciada sobre la superficie del modelo tridimensional y recuperar la región perdida. A partir de esta primera aproximación, el núcleo de esta propuesta es el desarrollo de SR-CurvANN, un método completamente automático que integra técnicas de inpainting de imágenes junto con técnicas geométricas avanzadas para la reconstrucción de superficies complejas. Los experimentos realizados han demostrado que SR-CurvANN supera a los métodos tradicionales en términos de precisión y coherencia geométrica, lo que proporciona reproducciones más detalladas y visualmente naturales. Esta memoria concluye, mediante el análisis los resultados obtenidos, que la combinación de inteligencia artificial y modelado geométrico es posible y supone un avance en el campo de la reparación de modelos 3D.