ECCVJul, 2018

使用 2D 卷积神经网络学习多层高度图的 3D 形状

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 卷积网络的单张图像多视角 3D 模型

    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

  • 深入探究 3D 形状分类器

    本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

    Sep, 2018

  • 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

  • H-CNN：基于空间哈希的 3D 形状分析卷积神经网络

    本文介绍了一种基于空间哈希的数据结构，该结构可以方便使用卷积神经网络进行三维形状分析。相比现有的基于边界的方法，使用该数据结构可以极大地降低内存消耗，提高 CNN 的运行速度，同时保证了分析结果的准确性。

    Mar, 2018

  • 学习局部邻域结构以实现鲁棒的三维形状表示

    本文提出了一种局部结构感知的各向异性卷积操作（LSA-Conv），利用自适应加权矩阵和共享各向异性滤波器来学习三维形状数据的表示，从而实现了比现有方法更好的三维形状重构。

    Apr, 2020

  • 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

  • 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