基于统计形状空间的人脸三维数据比较分析综述
本文中,我们从最大可获得的商业扫描数据库中重建了一个广泛使用的统计人体表示,并使得产生的模型对社区可用。我们为了学习模型而预处理了几千次扫描,因此开发了强大的最佳实践解决方案,以排列扫描。我们在广泛的评估中展示出新模型的改进准确性和普遍性,并显示了它对于从稀疏输入数据中恢复人体的改进性能。
Mar, 2015
本研究旨在对非刚性三维人体模型的形状检索算法进行基准测试,并通过添加新的训练集数据,对先前的检索算法基准测试结果进行更新和扩充。共使用了 25 种不同的形状检索方法进行实验,并在 FAUST 人体扫描数据集上进行测试。
Mar, 2020
本文概述了近期关于形状分析的技术,探讨了以高维空间中的点为形状的方法,借助合适的度量计算给定形状的变形范围,进而比较与分类 3D 对象、计算对象间的平滑变形并模拟与探索形状变异。提出该领域的发展方向及应用前景,涉及数学、统计学、计算机视觉与图形学、医学图像分析等领域。
Dec, 2018
利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法,既能捕捉形态的人群统计特征,又能减少推理负担和放松输入要求,这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。
May, 2023
通过采集互联网上的时尚模特图片和一小部分人体测量数据,以及用于各种三维身体网格的语言形状属性,我们训练了一种名为 SHAPY 的神经网络,该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试,SHAPY 在三维人体形状估计任务上表现出色,明显优于现有技术。
Jun, 2022
介绍数据驱动形状分析和处理的主要概念和组件,并通过文献回顾和定性和定量比较,讨论了这些技术在形状分类、分割、匹配、重建、建模以及探索和场景分析和合成中的应用,最后提出了启发未来研究的想法。
Feb, 2015
本研究提出一种无监督方法,利用深度几何特征和功能对应关系,同时学习复杂解剖学中的局部和全局形状结构,从而显著改善统计形状模型的无监督对应估计,并且精度高于基线方法,甚至在高度不规则的表面拓扑上也适用。
Apr, 2023
Mesh2SSM 是一种新的方法,它利用无监督的、置换不变的表示学习来估计如何将模板点云变形为特定主体的网格,并形成一个基于对应关系的形状模型。该方法可以直接对网格进行操作,且计算效率高,是传统的基于深度学习的 SSM 方法的有吸引力的替代方法。
May, 2023