本文探讨基于生成对抗网络的多尺度模型,在仅有单个参考 3D 模型的情况下进行学习,而不需要使用大规模的 3D 数据集或人工标注,从而生成多样化和高质量的 3D 模型。
Aug, 2022
本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展,并探讨了面临的困难和挑战。
Oct, 2022
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法,其中利用 GAN 等深度学习技术实现,从而生成出真实的三维图像,实现了从二维图像向三维图像的转换。
Oct, 2019
基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析,验证了其适用于以真实 3D 网格形状为基础的合成解剖形状,并且可以进一步增加变异性并保留更多生成形状的细节。
Mar, 2024
采用神经网络合成三维形状的方法中引入了基于部件表示的方法,在过去几年中已经出现。然而,当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术,特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术,我们提供了一种比较研究。我们的贡献是定性和定量评估表明,哪种新的多模态部件生成技术表现最佳,并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件,同时保持高形状保真度。
Jan, 2024
GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型,通过神经骨架为基础的表示编码形状拓扑和几何信息,生成更准确的拓扑和几何信息的表面,并应用于形状综合和点云重建任务,取得了显著的表面重建和多样化形状生成结果。
Feb, 2024
提出了基于 Transformer 的 CAD 生成模型,能够自动编码和随机生成 3D 形状,为此创建了一个包含 178,238 个模型的 CAD 数据集,并公开该数据集以促进未来的研究。
May, 2021
本研究提出了一种基于有符号距离表示的生成对抗神经网络架构,能够生成高保真度的三维模型,并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法,从 ShapeNet 基准数据集中验证了其有效性。
Feb, 2020
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