从单 RGB 图像生成 3D 网格模型的 Pixel2Mesh
使用图卷积网络从多角度图像中预测一系列形状变形,以进一步提高 3D 网格表征的形状质量,从而获得高精确度、高可靠性且具有普适性的 3D 模型。
Aug, 2019
本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架,它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体,相比之前的工作,我们不依赖于轮廓和标记来进行三维重建,并在合成和真实数据集上进行了很有前途的实验结果验证。
Nov, 2017
本文提出了一种卷积网络,可以仅仅基于单张图像预测出物体的 RGB 图和深度图,并将多幅深度图融合成完整点云后可转换成表面网格来对任意视野下的三维物体进行识别。网络通过合成的三维车和椅子模型进行训练,在有杂乱背景并搭配真实车辆图像的情况下,仍可生成合理的推测。
Nov, 2015
使用深度神经网络从单一图像中重建 3D 点云坐标,设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法,包括条件形状采样器,能够预测多个可能的 3D 点云。在实验中表现优异,不仅在单图像 based 3D 重建基准测试中胜过现有技术,也在形状补全方面表现出强大性能,有望在多个可能性预测方面表现出色。
Dec, 2016
该论文提出了一种基于卷积神经网络的直接预测方法,将参数化的统计全身形状模型与 2D 关键点和掩膜相结合,实现从单张彩色图像中估计全身的 3D 姿态和形状,得到了比先前基准更好的结果。
May, 2018
本文介绍了一种基于神经网络的多边形网格渲染方法,该方法使用了一种近似梯度来克服离散化操作的限制,从而实现了单幅图像的 3D 网格重建。同时,该方法还实现了基于 2D 监督的 3D 渲染编辑操作。实验结果表明,所提出的渲染器有效性强。
Nov, 2017
该论文提出了一种基于深度学习的单视图网格重建框架,能够从单个 0 维模板网格生成具有复杂拓扑结构的高质量网格,其关键在于交替使用网格变形和拓扑修改两个网络。
Sep, 2019
该研究提出了一种从单个 RGB 图像中恢复三维形状结构的方法,包括由立方体表示的形状部件和涵盖连通性和对称性的部件关系,并通过卷积递归自编码器实现编码解码过程,最终通过对立体多边形层次结构的恢复实现了对单个视角二维图像的恢复。
Apr, 2018
该研究提出了一种新的方法,使用单个图像进行 3D 重建,生成了一个完整的 360 度 3D 纹理网格,改进于现有方法,具有更好的几何形状和一致性。
Jun, 2023
本文提出使用卷积神经网络和编码器 - 解码器神经网络从单张彩色图像中直接回归 3D 人体网格,利用高效的 3D 人体形状和姿势表示方法,在 Human3.6M、SURREAL 和 UP-3D 等多个 3D 人体数据集上实现了最新性能。
Mar, 2019