ICCVApr, 2017

基于数据驱动的视角集选择：学习注视点的方法用于 3D 场景

PDF
TL;DR本文提出了一种基于数据驱动方法的视图集合选择算法，通过建模图像视图体积内每个语义对象类别的空间分布，生成可能候选视图样本的采样和选择视图集合的算法，通过 SUNCG 上的实验表明，该算法能够根据示例分布生成与 NYUDv2 的相似视图分布，选定的视图与替代视图选择算法相比，能够提高语义分割性能。
rendered imagesview set selectionsemantic segmentationexample distributionperformance improvement
发现论文，激发创造
  • NeRF Director：神经体积渲染中的视角选择再审视

    论文通过演示在最广泛的 NeRF 数据集中对测试视图进行简单旋转可以导致现有先进技术的性能排名发生重大偏移，阐明了视图选择的重要性。为了解决这一挑战，作者提出了一个统一的视图选择方法框架，并设计了全面的评估标准来评估其影响。通过集中关注重建对象的均匀视图覆盖，无需利用误差或不确定性估计，可以实现显著的改进，从而实现快速获得高质量的渲染效果。通过在合成数据集和现实数据上进行广泛实验，与随机选择、传统基于误差的选择和基于不确定性引导的选择相比，证明了所提方法的有效性。

    Jun, 2024

  • ViewNet: 无监督条件生成的视角估计

    介绍了一种基于自监督学习的方法，使用透视空间变换器来实现高效的无监督视角学习，从而实现在三维世界中理解物体的探索。

    Dec, 2022

  • 使用使用渲染的 3D 模型视图训练的 CNN 进行图像视角估计

    本研究提出了一种基于渲染图像合成和 CNN 的三维模型视点估计框架，通过构建可扩展且抗过拟合的图像合成流水线和针对视点估计任务的新型 CNN，实现了对 PASCAL 3D + 基准测试的最先进方法的显着优化

    May, 2015

  • 3D-NVS：一种用于下一个视角选择的 3D 监督方法

    通过分类的方法，提出了一种下一个最佳视角选择的方案，着重于通过一对被动获取的 2D 视图获得最佳可能的 3D 重建质量，并通过地面真实体素的间接 3D 监督来联合训练分类器和重构网络。

    Dec, 2020

  • 少样本学习：计算机视觉统一数据子集选择与主动学习框架

    本文介绍一种使用多样性模型的训练数据子集选择方法，该方法可提高计算机视觉任务的准确性并减少标注成本。

    Jan, 2019

  • 照片般逼真的渲染对视觉学习有多大帮助？

    研究利用合成数据半自动化创建数据集并将其应用于对象视角估计这一重要任务，使用最先进的渲染软件在视点空间中密集地呈现图像，研究渲染参数对估计性能的影响，并表明合成数据的泛化不比两个真实图像数据集之间的领域适应更困难，并且将合成图像与少量真实数据结合使用可以提高估计准确性。

    Mar, 2016

  • 具有几何感知的条件生成半监督视角估计

    本文研究了基于图像对的半监督视角估计方法，该方法可以从未标注的图像对中推断视角信息，并将其应用于视角预测任务。实验表明，该方法在低标注数据情况下表现出色，在半监督视角估计方法中也取得了最佳效果。

    Apr, 2021

  • 3D 物体重建中下一最佳视角的监督学习

    本文提出了一种基于监督深度学习的最佳视角规划方案，该方案包括自动生成数据集的算法和原始三维卷积神经网络 (3D-CNN)，用于学习下一个最佳视角，并与类似网络进行了比较，并进行了多个实验验证了该方案的有效性，以实现对不知名对象的重建。

    May, 2019

  • 通过观察学习 3D 物体类别

    本篇论文旨在通过两种创新，基于从运动视角观察物体的方式，不需要手动注释，实现学习 3D 物体类别的传统方法。我们的系统基于两种创新：一种是具有鲁棒性的 Siamese 视点因子分解网络，可以对不同的视频进行对齐；另一种是可以从部分观测中提取对象的完整形状的 3D 形状完成网络。我们还演示了配置网络以执行概率预测和几何感知数据增强方案的好处。在公开可用的基准测试中，我们获得了最先进的结果。

    May, 2017

  • 语义视图合成

    本文介绍了一种新的语义视图综合问题，通过使用语义标签图作为输入生成合成场景的自由视角渲染，在现有图像 / 视图综合方法的基础上，提出了一个两步方法，第一步合成可见表面的颜色和深度，第二步将它们用于在多平面图像 (MPI) 中减轻部分影像的影响，该方法在室内外场景中得到了良好的效果。

    Aug, 2020