基于稀疏数据的网格变形
本文提出了一种基于网格自编码器的架构，利用稀疏正则化与卷积运算在处理嘈杂数据和大规模形变的网格时提取局部形变成分，此框架提供了一种以非线性的方式进行基础网格重建的方法，实验表明该方法优于目前的线性组合方法
Sep, 2017
使用传统计算机图形技术新方法，通过稀疏极端姿势混合并本地再现其表面细节，为不公开接触数据的研究团体提供一个可泛化应用的生成人脸可视化的方法。
May, 2023
本文提出了一种基于稀疏性和基于图形的正则化项的矩阵分解问题的方法，用于获得具有局部支持的变形因子，该方法在医学图像处理中具有较好的适用性和实用性。
Oct, 2015
本文提出了一种基于稀疏表示的 3D 形状重构方法，通过解决优化问题中的非凸性，利用单个图像恢复了物体形状，并且提出了一个鲁棒的方法来处理二维对应关系中的大量误差。实验证明该方法可用于从单个图像中恢复 3D 人体姿势和汽车模型，相较于非凸基线方法，能够获得更好的效果。
Sep, 2015
通过设计一种新颖的稀疏潜点扩散模型，将点云作为中间表示建模并控制生成的网格的整体结构和局部细节，以提高效率和可控性，实现了在生成质量和可控性方面与现有方法相比优越的网格生成。
Mar, 2023
本文提出了一种从中性 3D 人脸和表情标签生成动态 3D 面部表情的解决方案，解决了表情动态建模和面部变形两个子问题，并展示了该方案在动态表情生成和网格重建方面的显著改进。
May, 2021
通过直接操作少量顶点，结合几何 ARAP 正则化器和基于大规模扩散模型的 2D 先验，我们提出了一种名为 DragD3D 的局部网格编辑方法，实现全局上下文感知的逼真变形。我们的研究表明，我们的变形方法比仅使用几何正则化器获得更好的结果，且能够意识到对象的全局上下文。
Oct, 2023
我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。
Oct, 2023
在 3D 计算机视觉领域，参数化模型已成为创造逼真和富有表现力的 3D 头像的突破性方法论。本文利用扩散模型，在完全保留未编辑区域的同时，实现了对 3D 网格的多样化和完全局部化的编辑操作。与现有技术相比，我们的方法在形状操作方面更具可解释性，具有更大的局部化和生成多样性，并且推理速度更快。
Mar, 2024