CVPRApr, 2018

学习描述符网络用于三维形状合成和分析

PDF
TL;DR本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。
3d shape descriptordeep convolutional networkmcmcobject recoveryshape analysis
发现论文，激发创造
  • 生成 VoxelNet：学习基于能量的模型进行 3D 形状合成与分析

    本论文提出了一种基于能量的深度 3D 模型来表示体积形状，可实现高质量 3D 图案生成和数据特征提取，并能应用于对象恢复和超分辨率。

    Dec, 2020

  • 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

  • 多视角卷积神经网络用于 3D 形状识别

    本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。

    May, 2015

  • 3D ShapeNets：一种用于体积形状的深度表示

    使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

    Jun, 2014

  • 描述者与生成器网络的协同训练

    本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。

    Sep, 2016

  • 稠密三维物体重建的高效点云生成学习

    本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

    Jun, 2017

  • SurfNet：使用深度残差网络生成三维形状表面

    利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

    Mar, 2017

  • 使用 2D 卷积神经网络学习多层高度图的 3D 形状

    本文提出一种新颖的 3D 形状的全局表示方法，将其表示为多层高度图 (MLH)，通过使用 2D 卷积神经网络 (CNN)，能够高效地实现在输入分辨率上具有高内存效率，利用 MLH 描述符和多视角融合来实现在 ModelNet 数据集分类方面达到最先进的结果。

    Jul, 2018

  • 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