通过组装体积图元学习形状抽象

Dec, 2016

Learning Shape Abstractions by Assembling Volumetric Primitives

Shubham Tulsiani, Hao Su, Leonidas J. Guibas, Alexei A. Efros, Jitendra Malik

TL;DR提出一种利用三维成体基元组装物品的学习框架，可以生成简单且几何可解释的三维物品解释，利用该方法可以获得形状表征形式、构建可解释的形状相似性测量，以及进行基于图像的预测和形状操作。

Abstract

We present a learning framework for abstracting complex shapes by learning to assemble objects using 3d volumetric primitives. In addition to generating simple and geometrically interpretable explanations of 3D objects, our framework also allows us to automatically discover and exploit

3d volumetric primitives shape representations interpretable shape similarity measure shape collection shape manipulation

发现论文，激发创造

超椭球形体再探：学习超立方体外的三维形状解析

本文提出了一种基于学习的解决方案，将超椭球作为原子元素来代替传统的 3D 长方体表示方法，从而在不需要监督的情况下将三维对象分解成一致的超椭球表示，并能够更易于学习地表达更多细节和复杂姿态。

Apr, 2019

ShapeAssembly: 学习生成三维形状结构合成程序

本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly，并训练一个层次顺序 VAE，以从现有形状结构中提取 ShapeAssembly 程序，从而生成可解释和可编辑的 3D 形状。

Sep, 2020

基于非参数贝叶斯推断的基元形状抽象

本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

Mar, 2022

学习三维形状生成和匹配的基本结构

本文提出将形状表示为可学习的三维基本结构的变形和组合，并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进，通过区块变形学习和点翻译学习两种方法，在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。

Aug, 2019

学习推断和执行三维形状程序

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

通过部件检索和组装实现非监督式三维形状重建

通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

Mar, 2023

学习组装几何形状

这篇研究论文提出了一种基于学习的方法，用于解决组装任意形状的无纹理碎片的问题，并展示了该方法在不同情境下的有效性。

May, 2022

3D 场景抽象的鲁棒形状拟合

通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

使用结构隐式函数学习形状模板

该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

Apr, 2019

基于无监督原始发现的改进三维生成建模

本文提出了一种基于分解的生成模型，通过引入无监督的原始发现算法和基于高阶条件随机场模型的生成模型，可以从粗到细先后进行三维形状的生成，从而实现了对新形状生成表示能力的提高和更好的样本质量。

Jun, 2019