ICCVSep, 2017

使用深度神经网络进行高分辨率形状补全，进行全局结构和局部几何推断

PDF
TL;DR本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。
发现论文，激发创造
  • 从单个视角深度学习的全 3D 物体补全

    通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

    Aug, 2018

  • 使用 3D 编码器 - 预测器 CNN 和形状合成进行形状补全

    本篇论文提出一种数据驱动的方法，结合使用体积深度神经网络和 3D 形状合成来完成部分扫描的 3D 形状。该方法使用 3D 卷积层来对填充缺失数据进行预测，旨在在未知区域精确地预测全局结构，并使用来自形状数据库的 3D 几何图形进行中间结果的相关处理。最后，通过基于补丁的 3D 形状合成方法，根据 3D-EPN 获取的全局网格结构作为约束，生成高分辨率的输出，重建精细的细节。

    Dec, 2016

  • 类别不可知形状补全的去噪和对比度

    本文介绍了一种深度学习模型，利用自我监督的力量来进行三维点云补足，估算缺失的部分和周围的上下文区域。

    Mar, 2021

  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • 深度局部形状：学习本地 SDF 先验用于详细三维重建

    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

  • 使用多视卷积网络从部分对应学习本地形状描述符

    本文提出了一个新的适用于 3D 形状的本地描述符，通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节，该技术可用于点对应，语义分割和形状匹配等形状分析领域。

    Jun, 2017

  • 使用 3D 生成对抗网络和循环卷积网络进行形状修复

    本文介绍了一种结合了 3D 编码器 - 解码器生成对抗网络（3D-ED-GAN）和长期循环卷积网络（LRCN）的混合框架，以 inpaint 具有语义真实性和上下文细节的 3D 模型，实验结果表明，其能够从损坏的模型中重构出完整且高分辨率的 3D 对象。

    Nov, 2017

  • 多视卷积网络通过简笔画实现三维形状重建

    一种从 2D 线描图中重建三维形状的方法，采用深度编码器 - 解码器网络将线描图转换为点云，通过多视角深度图和法线图的融合优化得到点云，在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。

    Jul, 2017