SAGNet:用于 3D 形状建模的结构感知生成网络
介绍了一种深度神经网络 DSG-Net,通过变分自编码器在分层结构上同时学习结构和几何形状,并使用条件部分 VAE 表示高质量的几何细节,从而实现了 D 形状生成的可控、高质量和可分离表示。
Aug, 2020
通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化,利用每个部件的 VAE-GANs 生成具有语义感知的部件,并使用部件组装模块将它们组装在一起,从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。
Jun, 2019
StructureNet 是一种基于层次图网络的生成模型,可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何,也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构,同时还能够用于形状生成、插值和编辑。
Aug, 2019
SDM-NET 是一种深度生成神经网络,用于生成符合形状集合全局部分结构的有结构变形的网格,并通过部分 VAE 在部分几何形状和结构 VAE 的联合学习来确保全局形状结构和表面详情之间的一致性。
Aug, 2019
本文提出了一种新颖的深度结构生成模型,它基于随机与或图来编码场景的结构,并引入了检测网络来推断图像中的场景结构。实验结果表明,该方法不仅能够建模内在结构,还可以生成逼真的图像。
Jul, 2018
通过自监督学习技术,我们提出了一种适用于任何 3D-GAN 的辅助损失,旨在改进其 3D 几何建模能力,并通过综合实验证实了该方法的有效性。
Dec, 2023
我们提出了一种无监督的三维形状协同分割方法,通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状,这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力,我们引入了一个逐部位变形网络,以便对具有实质几何变化的多样部件进行建模,同时对变形能力施加约束,以确保对最初表示的部件的准确性。我们还提出了一种训练方案,有效地克服局部最小值。从体系结构上看,我们的网络是一个分支式自编码器,具有以体素形状为输入的 CNN 编码器,产生逐部位变换矩阵、潜在编码和部件存在评分,以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net,可以实现无监督的三维形状协同分割,从而产生细粒度、紧凑且有意义的部件,并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验,展示了优于之前方法的性能。
Nov, 2023
本文提出了一种单一通用的神经网络结构,用于提取情景任务的特定结构指导,使用新的训练损失模型来优化 SSGNet,表现出针对多个低级视觉应用的最新结果,在未见数据集方面表现出了良好的抗摆性。
Jan, 2023
本研究将形状共分割作为表示学习问题,并介绍了 BAE-NET(一种分支自编码器网络),用于解决此任务。BAE-NET 是一种无监督的网络,使用形状重建损失在未分割形状集合上进行训练,该网络的编码器使用卷积神经网络对输入的形状进行编码,而解码器将结果特征码与点坐标连接起来,并输出一个指示该点是否在形状内 / 外的值。重要的是,解码器是分支式的:每个分支都学习形状集合中常见部分的紧凑表示。通过将形状重建损失与标签损失结合使用,BAE-NET 可以轻松进行单次学习。我们展示了 BAE-NET 的无监督、弱监督和单次学习结果,证明仅使用少量范例,我们的网络通常可以胜过在数百个分割形状上训练的最先进监督方法。
Mar, 2019