稀疏几何表示通过局部形状探测
本文提出了一种基于扩展局部形状二次表示和局部形状分布的区分度量方法,可以用于表征物体表面形状和表面照明,实验表明该方法能够实现高效和稳健的物体表面重建,同时其对于光照和噪声的鲁棒性较强。
Oct, 2013
利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建,将场景分解成局部形状以降低模型的复杂度和提高推导效率。
Mar, 2020
本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用,它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移,实现了高低频信号的分解,提高了表达能力、训练稳定性及泛化性。
Jun, 2021
提出了一种基于学习的方法,用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络,结合一种基于功能映射表示的正则化地图提取层和损失函数,能够从比现有的监督方法少的训练数据中学习,并且比当前基于描述符学习的方法更加普适。
Mar, 2020
我们提出了一种用于建模和重构不同自然场景中的光场的新方法 NeLF-Pro,与之前的快速重构方法不同的是,我们将场景的光场建模为一组局部光场特征探针,并使用位置和多通道 2D 特征图进行参数化。我们的核心思想是将场景的光场以空间变化的可学习表示融合,并通过接近相机的探针的加权融合查询点特征,从而实现多级贴图表示和渲染。我们引入了一种新颖的向量矩阵矩阵(VMM)分解技术,将光场特征探针有效地表示为局部特征探针共享的核心因子(即 VM)与基础因子(即 M)的乘积,高效地编码了场景内部关系和模式。实验证明,NeLF-Pro 显著提升了基于特征网格的表示性能,并在保持紧凑建模的同时,实现了更好的渲染质量和快速重构。
Dec, 2023
我们提出了一种基于新的可变形基元场(DPF)表示的名为 DPF-Net 的新型无监督结构重建方法,该方法能够使用参数化的几何基元进行高质量的形状重建。我们设计了一个包含原始生成模块和原始变形模块的两阶段形状重建流程,逐步逼近每个部分的目标形状。实验结果表明,我们的 DPF-Net 在结构重建和形状分割方面具有有效性和广泛适用性。
Aug, 2023
基于混合整数规划的稀疏对应关系生成方法,结合投影拉普拉斯 - 贝尔特拉米算子、旋转感知正则化器,实现全局最优解,适用于非刚性形状匹配,并具有高效性能。
Aug, 2023
本研究提供了 Laplace-Beltrami 算子的本征函数在表征曲面光滑函数方面的最优性证明,并将其应用到应用形状和数据分析领域。该算子可以用于定义曲面上的尺度不变本征空间。此外,研究还包括用于计算几何距离的数值加速技术以及与 LBO 相对应的 PCA 定义。
Sep, 2014
本文提出一种基于图信号处理的快速点云修复方法,利用点云的局部平滑性和非局部自相似性,将修复过程转换为优化问题,该方法相对于其他四种方法在客观和主观质量上表现明显更优。
Sep, 2018
本文介绍了一种新颖的局部几何感知神经表面表示方法 CoFie,该方法通过对局部 SDF 的二次逼近进行理论分析得到。CoFie 将局部形状在由法线和切线方向定义的对齐坐标框架中进行压缩表示,通过优化可变的坐标场将局部形状从世界坐标系转换到对齐形状坐标系,从而显著降低了局部形状的复杂性,提高了基于 MLP 的隐式表示的学习效果。此外,本文还引入了二次层以增强对局部形状几何特征的表达能力。CoFie 是一种通用的表面表示方法,在经过精心筛选的 3D 形状集上进行训练,可在测试时适用于新的形状实例。与先前的方法使用相同数量的参数相比,CoFie 在训练和未见过的形状类别的新实例上将形状误差降低了 48% 和 56%。此外,仅使用 70% 更少的参数,CoFie 表现出与先前方法相媲美的性能。
Jun, 2024