Dec, 2016

使用 3D 编码器 - 预测器 CNN 和形状合成进行形状补全

PDF
TL;DR本篇论文提出一种数据驱动的方法，结合使用体积深度神经网络和 3D 形状合成来完成部分扫描的 3D 形状。该方法使用 3D 卷积层来对填充缺失数据进行预测，旨在在未知区域精确地预测全局结构，并使用来自形状数据库的 3D 几何图形进行中间结果的相关处理。最后，通过基于补丁的 3D 形状合成方法，根据 3D-EPN 获取的全局网格结构作为约束，生成高分辨率的输出，重建精细的细节。
3d shape completionvolumetric deep neural networks3d-encoder-predictor networkimplicit surface representation3d shape synthesis
发现论文，激发创造
  • 学习描述符网络用于三维形状合成和分析

    本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。

    Apr, 2018

  • 使用深度神经网络进行高分辨率形状补全，进行全局结构和局部几何推断

    本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

    Sep, 2017

  • 基于图卷积自编码器的可变形形状补全

    本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

    Dec, 2017

  • 使用 3D 生成对抗网络和循环卷积网络进行形状修复

    本文介绍了一种结合了 3D 编码器 - 解码器生成对抗网络（3D-ED-GAN）和长期循环卷积网络（LRCN）的混合框架，以 inpaint 具有语义真实性和上下文细节的 3D 模型，实验结果表明，其能够从损坏的模型中重构出完整且高分辨率的 3D 对象。

    Nov, 2017

  • 从单个视角深度学习的全 3D 物体补全

    通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

    Aug, 2018

  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020

  • 多视卷积网络通过简笔画实现三维形状重建

    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

  • 形状补全启用的机器人抓取

    通过使用 3D 卷积神经网络结构，本研究为机器人抓取规划提供形状补全，同时在实时运行时进行形状补全以规划和执行抓取动作。研究还探讨了形状补全的质量因素，如物体是否存在于训练数据中，使用几个物体模型用于训练网络，以及网络推广到新颖物体的能力等，同时对机器人抓取的效用和补全质量进行了实验验证。

    Sep, 2016

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 使用深度形状先验和轮廓的单视图物体形状重建

    本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

    Nov, 2018