Jul, 2017

3D 物体生成和重建的改进对抗性系统

PDF
TL;DR本研究提出了一种新方法，用于通过生成式对抗网络（GAN）训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标，从而从联合对象形状分布中获得更好的生成效果，并在与现有基线比较中取得了明显的数量级改进。
generative adversarial networks3d shapeobject recognitionwasserstein distanceshape completion
发现论文，激发创造
  • 通过三维生成对抗建模学习物体形状概率潜空间

    本文提出了一种新颖的框架，即 3D 生成对抗网络（3D-GAN），通过利用体积卷积网络和生成对抗网络的最新进展，从概率空间生成 3D 对象，并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点，在 3D 对象生成及识别等方面取得了令人印象深刻的性能。

    Oct, 2016

  • 使用对抗网络从图像集合推断三维形状

    通过 projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

    Jun, 2019

  • 从多个物体的 2D 视图中识别 3D 形状

    本文提出了一种称之为 “PrGANs” 的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。

    Dec, 2016

  • 使用对抗学习从单深度视图中重建 3D 物体

    本文提出了一种新颖的 3D-RecGAN 方法，使用生成对抗网络从单个任意深度视角重建给定对象的完整三维结构，在高维体素空间中通过结合自动编码器和条件生成对抗网络框架的生成能力恢复物体的准确和细粒度的三维结构。广泛的实验表明，该方法在单视角 3D 物体重建方面明显优于现有技术，且能够重建未被见过的物体类型。

    Aug, 2017

  • 带条件生成对抗网络的成对三维模型生成

    本文研究了在生成条件之下如何进行三维模型的生成，并提出了一种新的方法来使得在不同旋转角度下生成的同一模型相同。实验结果表明该方法可以成功地生成不同条件下的模型对。

    Aug, 2018

  • 从 2D GAN 数据中渐进式学习 3D 重建网络

    本文介绍了一种使用生成式对抗网络（GAN）生成的多视角图像数据集重建高质量纹理三维模型的方法，其具有可忽略的注释成本，并通过多阶段学习和在线伪标签生成的新颖对抗学习流水线实现了精细的细节并显著改善了之前的方法。

    May, 2023

  • GAGAN: 几何感知生成对抗网络

    该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

    Dec, 2017

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 使用 3D 生成对抗网络学习有效的 NeRFs 和 SDFs 表示，用于 3D 物体生成：ICCV 2023 OmniObject3D 挑战的技术报告

    使用 3D 生成对抗网络（GANs）来学习有效的 NeRFs 和 SDFs 表示，以生成复杂、纹理和高保真度的 3D 物体。该方法结合标签嵌入和颜色映射，并借助快速几何感知的 3D GANs 作为骨干模型，能够同时在不同分类任务上训练模型，优化生成高保真度合成图像所需的神经辐射场（NeRFs）的表示，并通过优化有符号距离函数（SDFs）来有效表示 3D 物体网格。此解决方案在 ICCV 2023 OmniObject3D Challenge 中获得前 3 名。

    Sep, 2023

  • 从单个深度视图密集重建 3D 物体

    通过 3D-RecGAN ++，使用生成对抗网络从单个任意深度视图重建给定对象的完整三维结构，诸如多视图的对象或类标签，仅使用深度视图的体素网格表示作为输入，充分利用了自动编码器和条件生成式对抗网络框架的生成能力，在高维体素空间中推断对象的准确和细粒度的三维结构，并在合成和真实数据集上得到了验证。

    Feb, 2018