摘要：为了解决基于深度学习的三维反演方法中存在的内存占用大、训练耗时久的问题,提出基于多特征重构的三维目标反演算法.通过特征分解提取目标的水平区域、中心深度、垂直厚度和剩余密度4类特征,实现对三维模型的压缩,降低内存占用.设计多特征重构反演网络(MRNet),通过不同的Decoder实现对目标4类特征的预测,利用4类特征重构三维模型,实现对三维目标的反演.在网络输入端引入梯度联合实现对目标边界信息的增强.在跨层连接处引入CA注意力机制,实现对Decoder预测功能的分化,优化反演效果.模拟实验结果显示,MRNet的局部相对准确度相对于3D U-Net提升了30%以上,达到88.91%,每轮训练时间仅为3D U-Net的1/13.将MRNet应用于Vinton盐丘地区,较准确地得到了盖岩的分布情况,验证了MRNet具备一定的泛化性.