Feb, 2017

一种基于数据驱动的家具和室内场景着色方法

PDF
TL;DR该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色，并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分，以提高着色效果，并以马尔可夫随机场模型实现一致的着色方案。实验结果表明，该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。
colorization3d furniture modelsimage-guided mesh segmentationmarkov random field modelindoor scenes
发现论文，激发创造
  • 三维室内场景语言引导的语义风格转移

    本文介绍了一种语言引导的 3D 室内场景语义风格转移的方法，基于多层感知机，视觉语言模型，采用渲染和修正的方式实现创新，通过 ScanNet 数据集测试表明，语义信息的引入显著提高了风格转移的品质和用户评分。

    Aug, 2022

  • 室内场景的完整三维模型预测

    本文提出了一种基于数据驱动的方法解释室内场景，并利用 CAD 3D 模型表示场景中的物体和墙壁布局，最终在 NYU 数据集上呈现了令人鼓舞的结果。

    Apr, 2015

  • 室内三维场景的简单有效合成

    研究如何从 1 或多张图像中合成逼真的室内 3D 场景，采用了基于图像的 GAN 来直接映射成高分辨率的 RGB-D 图像，及在 VLN 训练中进行空间干扰以提高成功率。

    Apr, 2022

  • 带有个性化偏好的室内场景结构规划

    本文提出了一种支持专业室内设计师制作产业室内装饰解决方案并满足业主个性化偏好的辅助模型，其由抽象图提取、条件图生成和条件场景实例化组成，同时提供一个包含来自专业设计师的 11000 个实例设计的室内布局数据集，实验结果表明该模型相对于最先进的方法的效果。

    Aug, 2020

  • FurniScene：一个包含复杂室内家具场景的大规模 3D 房间数据集

    提出了 FurniScene，该数据集包含 11698 个房间和 39691 个唯一的家具 CAD 模型，用于室内场景生成的评估基准，同时介绍了一种新的 Two-Stage Diffusion Scene Model（TSDSM）用于细粒度的室内场景布局生成，定量和定性评估表明了我们方法在生成高度逼真的室内场景方面的能力。

    Jan, 2024

  • IM2CAD

    通过使用深度卷积神经网络对场景渲染进行图像比较，我们提出了一种完全自动的系统来解决 IM2CAD 问题，该系统在家居设计和翻新网站的具有挑战性的图像上产生高质量的结果，并通过同时处理整个场景来解决物体间的遮挡问题。

    Aug, 2016

  • 基于学习的深度先验的实时用户引导图像着色

    本研究提出了一种基于深度学习的图像上色系统，在输入灰度图像和用户指定信息的情况下，利用卷积神经网络将其映射至彩色图像，并对其进行上色。该系统利用大规模数据集对低级和高级语义信息进行学习，根据现有输入向用户推荐可能的颜色，通过单次前馈传递实现实时操作。实验证明，即使使用随机模拟的用户输入，该系统也能够有效地帮助用户快速创建逼真的彩色图像。

    May, 2017

  • 概率图像着色

    该研究提出了一种基于概率的技术，用于为灰度自然图像着色，具有多个可能的着色方案和适当的随机采样方案，并通过严格的理论框架支持训练过程，达到了强大的实验结果。

    May, 2017

  • 室内场景实时渐进式 3D 语义分割

    本文提出了一种高效而健壮的技术，实现了 3D 室内场景的即时密集语义分割和重建，该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场，无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估，证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。

    Apr, 2018

  • 彩色图像上色

    本文提出了一种基于分类任务的自动化方法，使用卷积神经网络在测试时前向传递来处理图像的着色问题，并且提高了其结果的颜色多样性，相比之前的方法机器生成的着色更加逼真，并且证明了这种自动着色可以作为一项有效的预训练任务，提供了在特征学习领域上最好的性能。

    Mar, 2016