Nov, 2017

使用 3D 生成对抗网络和循环卷积网络进行形状修复

PDF
TL;DR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。
3d shape completionconvolutional neural networksgenerative adversarial networklong-term recurrent convolutional networkhigh-resolution reconstructions
发现论文，激发创造
  • 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

  • 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

    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。

    Sep, 2017

  • 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

  • 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

  • 使用生成对抗网络进行交互式 3D 建模

    本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

    Jun, 2017

  • Fast-GANFIT: 高保真度三维人脸重建的生成对抗网络

    本文提出了一种使用深度卷积神经网络和生成对抗网络重建人脸纹理和形状的新方法，以及一种自监督回归方法用于较快的拟合过程，展示了可生成高频细节的写实和身份保留的 3D 面部重建。

    May, 2021

  • DECOR-GAN：通过条件精化实现 3D 形态细节化

    介绍了一种称为 DECOR-GAN 的生成对抗网络，用于三维形状细节增强，通过几何细节的样式实现类似样式化。使用深度学习的方法，将低分辨率的形状增强为富有几何细节的高分辨率形状，从而保留了输入形状的总体结构，同时保证了样式代码的准确输入。

    Dec, 2020

  • 用于因果关系 3D CNN 的递归卷积

    本文提出了一种新的 3D CNN 架构，即循环卷积网络，它通过递归来在每个网络层捕获帧之间的时间上下文，可以产生因果性输出，提供灵活的时间推理，同时保留时间分辨率，适用于在线和视频序列到序列建模等任务。

    Nov, 2018

  • LR-GAN: 图像生成的分层递归生成对抗网络

    我们提出了 LR-GAN，这是一种考虑场景结构和上下文的对抗性图像生成模型，使用前景和背景分别和递归地生成，并以相关上下文方式将前景缝合在背景上，以产生完整自然图像。

    Mar, 2017

  • 提升几何建模能力的自监督学习在三维感知生成对抗网络中的应用

    通过自监督学习技术，我们提出了一种适用于任何 3D-GAN 的辅助损失，旨在改进其 3D 几何建模能力，并通过综合实验证实了该方法的有效性。

    Dec, 2023