DenseReg：野外密集形状回归的全卷积密集网络

CVPRDec, 2016

DenseReg：野外密集形状回归的全卷积密集网络

DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild

Rıza Alp Güler, George Trigeorgis, Epameinondas Antonakos, Patrick Snape, Stefanos Zafeiriou...

TL;DR该研究提出了一种称为 DenseReg 的系统，使用手动标记的面部特征点作为训练网络的基础，实现了从图像到模板之间的密集对应关系，其在面部分析任务及身体对应分析中取得了较好的结果。

Abstract

In this paper we propose to learn a mapping from image pixels into a dense template grid through a fully convolutional network. We formulate this task as a regression problem and train our network by leveraging upon manually annotated facial landmarks "in-the-wild". We use such landmar

facial landmarks regression network correspondence dense image statistical deformable models

发现论文，激发创造

DenseSeg: 使用密集的图像到形状表示进行语义分割和关键点检测的联合学习

采用密集的几何形状表示，通过使用完全卷积的架构，我们提出了一种联合学习标记点和语义分割的方法，并证明其在困难的标记点检测任务中优于热图回归的先进方法，无需对标记点进行显式训练，在不需要重新训练的情况下可以添加新的标记点。

May, 2024

3DRegNet：一种用于三维点云配准的深度神经网络

介绍了 3DRegNet 技术，它是一种用于三维扫描配准的深度学习架构，基于点对应关系分类为内点 / 外点，回归运动参数，提供了两种替代方案，并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法，包含源代码。

Apr, 2019

利用卷积网络实现密集的人体对应

本研究提出了一种深度学习方法，用于在人体的 3D 扫描之间寻找密集的对应关系，深度卷积神经网络用于训练特征描述符，通过区域分类问题解决多种问题，并验证我们的方法在真实数据和合成数据上都表现出了优异的稳定性和准确性。

Nov, 2015

深度功能映射：用于稠密形状对应关系的结构化预测

该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

Apr, 2017

通过稠密对应实现可变形物体的隐式形状表示的自监督学习

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

在非受限图像中学习密集的面部对应关系

本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法，使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集，结合真实照片培训表现在精度和速度上优于现有方法，并可以成功地处理极端姿势变化、遮挡和光照条件。

Sep, 2017

具有密集对应的 3D 人体网格回归

本研究提出了一种无模型的 3D 人体网格估计框架 DecoMR，通过显式建立网格和局部图像特征在 UV 空间中的密集对应关系来重建人体 3D 网格，并设计了一种新的连续 UV 映射，优于现有的基于 3D 网格的方法。

Jun, 2020

学习空间感知回归用于视觉跟踪

本文基于深度特征，提出了两种补充回归方法用于鲁棒视觉跟踪，包括核化岭回归和全卷积神经网络，最终将这两种方法的输出结合起来提高跟踪结果的准确率。

Jun, 2017

基于距离变换回归的空间感知深层语义分割

通过在标签掩码上计算距离变换，训练一个全卷积神经网络来同时学习分类和距离回归，可以有效地应用于视觉场景中的语义分割并有效解决边界模糊和分割失真的问题。

Sep, 2019

通过体积回归从单张图片重建三维人体

本文提出使用卷积神经网络进行端到端直接重建人类三维几何通过体积回归，无需拟合形状模型，能够从多种输入类型训练并处理姿态变化和细节重建。

Sep, 2018