从多视角图像曲线到 3D 绘图
我们提出了一种数据驱动方法,利用卷积神经网络 (CNN) 从一个或多个涂鸦中学习重建 3D 形状,为用户提供最初的 3D 重建并可以通过应用更新器 CNN 来迭代更新和融合多视角信息,从而实现自由的位图创作和多视角草图建模之间的连续转换。
Jul, 2017
一种从 2D 线描图中重建三维形状的方法,采用深度编码器 - 解码器网络将线描图转换为点云,通过多视角深度图和法线图的融合优化得到点云,在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。
Jul, 2017
我们提出了 3Dooole,能够生成描述性和视角一致的草图图像,基于一组 3D 笔画能够有效地表示 3D 结构信息并渲染视角一致的 2D 草图。
Feb, 2024
通过提取内外部几何特征,DeepBranchTracer 方法实现了对含有复杂拓扑和模糊图像证据的曲线结构的重建,具有优越的准确性和连续性。
Feb, 2024
本文介绍了一种新颖的 3D 重建方法,利用视觉转换器从单一线框图中预测 “场景描述符”,该描述符包含了关键信息,如物体类型、位置、旋转和大小参数,通过使用类似 Blender 或 Rhino Grasshopper 的可编程界面的 3D 建模软件,可以用预测的参数重建 3D 场景,得到易于编辑的精细 3D 模型。实验结果表明,该模型能够准确地重建简单场景,但在复杂场景中存在挑战。
Sep, 2023
本文的研究目的是从单个图像中推断出物体的三维形状,为了实现这一目标,本文使用雕塑作为实验数据集,并基于多视角几何(MVG)的成功经验,提出了一种新的损失函数,利用图像与图像之间的对应关系训练深度网络,完成端到端的单张图像深度估计任务。同时,为了自动地生成大规模的多视图对应数据集,本文提出了一种数据处理方法。在多种雕塑的数据集上的实验表明,本方法可以从单张图像中推断出新物体的三维形状,并且在测试时可以泛化到新的领域(如合成图像)中。
Sep, 2018
本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面,同时保持准确的图像像素到 3D 表面点的对应关系,能够重建具有丰富几何和外观的纹理信息形状,并在公共数据集上获得优于先前工作的定量和定性结果。
Aug, 2020