数据驱动的形状分析与处理
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
几何深度学习在计算机辅助设计领域具有革命性的能力,通过利用基于机器学习的方法,CAD 设计师能够优化其工作流程,节省时间和精力,做出更明智的决策,并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述,包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外,它还提供了完整的基准数据集及其特征,以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战,以及未来潜在的研究方向。
Feb, 2024
通过学习干净的人脸数据库和不同的统计形状模型,本文比较了全局和局部的几何形状变化分析,实验结果可以帮助我们在从降噪和遮挡的数据中可靠地提取特定形状时选择更好的模型。
Sep, 2012
提出了一个 3D 形状感知的框架,它在分析综合或图像形成的生成模型中解释了典型和非典型情况下的感知,分析和计算研究表明这种方法最符合人类观察者的准确性和响应时间,在困难判别方面与人类表现相关性显著,并提示深度神经网络等机器视觉系统如何实现更具有人类特色的稳健性。
Jan, 2023
该综述论文重点介绍了最先进的数据驱动技术,用于发现、编码、替代或仿真描述固体无路径依赖响应的本构法则。我们旨在提供一个有组织的分类体系,介绍过去几十年中开发的各种方法的优点和缺点,并讨论在不同尺度上解释和预测力学行为的不同技术。我们将方法分为基于机器学习和无模型方法,并根据解释能力和所需数据学习过程 / 类型进一步分类,同时讨论了一般化和可信性的关键问题。我们试图提供一个数据可用性感知背景下如何解决这些问题的路线图,并涉及数据采样技术、实验设计、验证和验证等相关方面。
May, 2024
综述了近期基于深度学习的三维物体分割,涵盖了 150 多篇文章,总结了最常用的算法流程、讨论了它们的优缺点,并分析了这些分割方法的竞争结果,最后提出了未来的研究方向。
Mar, 2021
该研究提出了一种基于自下而上的识别系统和结构符号化程序的 3D 形状程序,通过自监督方式对 3D 形状程序进行学习,具有在不同领域中高精度的 3D 形状重建能力,结合图像到 3D 形状模块,能够实现从 RGB 图像直接推断出 3D 形状程序并重建出更加准确和真实的 3D 形状。
Jan, 2019
电脑视觉和 3D 打印在过去 10 年内迅速发展,但两者之间的相互作用迄今为止非常有限,尽管它们共享几种数学技术。我们试图弥补这一差距,提出了一种关于形状来自阴影问题的技术概览,以及基于非线性偏微分方程和优化的 3D 打印方法。我们还勾勒了从物体的一个或多个图像开始并以其最终的 3D 打印结束的物体制造过程的可能耦合方式。我们将给出一些实际示例。
Sep, 2023