深度学习快速素描分割和标注
AR/VR 发展迅速，对 3D 内容需求巨大。本研究提出一种基于手绘草图的 3D 建模方法，使用单个手绘草图生成高保真内容，无需多个视图或步骤。采用端到端方法，引入轻量级生成网络和结构感知对抗训练，并通过 Stroke Enhancement Module（SEM）捕捉结构信息，提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。
Sep, 2023
本研究提出了一种基于深度学习的素描系统用于 3D 人脸和漫画建模，它具有省力且自由的手绘界面，并支持基于手势的用户交互。
Jun, 2017
本文提出了一种针对手绘图像的分割算法，该算法通过使用个性化的提取部件注释，以及简单的 sketch 进行训练，实现了对手绘图像的分割。该算法通过使用简单的 sketch 训练的多阶段变形网络进行随意手绘的分割，相比基于 few-shot 和 state-of-the-art 方法提高了 10% 准确率
Dec, 2021
我们提出了一种数据驱动方法，利用卷积神经网络 (CNN) 从一个或多个涂鸦中学习重建 3D 形状，为用户提供最初的 3D 重建并可以通过应用更新器 CNN 来迭代更新和融合多视角信息，从而实现自由的位图创作和多视角草图建模之间的连续转换。
Jul, 2017
本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。
Mar, 2021
该论文提出了一种将几何形状转化为分层分割部件的方法，并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状，最终完成对几何和部件之间的可视化分层和标记，实现了对物体和它们所包含的部分的分层和标记的应用。
May, 2017
本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。
May, 2015
综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。
Mar, 2021
本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。
Mar, 2020