ECCVSep, 2018

学习形状先验用于单视图 3D 补全和重建

PDF
TL;DR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。
single-view 3d shape completiondeep convolutional networksdeep generative modelsadversarially learned shape priorsshape reconstruction
发现论文，激发创造
  • 单视图三维重建的视角先验学习

    该研究提出了一种训练鉴别器和重构器的方法，在重构器中使用先验知识来纠正未被观察到的视角，以便从任意视角重新构建形状。与目前最先进的方法相比，实验结果表明该方法在合成和自然图像数据集上表现更好。

    Nov, 2018

  • 多视图立体重建的条件单视图形状生成

    本文提出一种基于图像的形状生成新视角，采用基于深度学习方法的多个视角重建任务，引入了条件生成网络对单观察结果的不确定性进行建模，并使用不同 iable guidance 限制实现了多视角合成。实验结果表明，该方法在 3D 重建测试误差方面优于最先进的方法，证明了其在真实数据上的泛化能力。

    Apr, 2019

  • 使用深度形状先验和轮廓的单视图物体形状重建

    本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

    Nov, 2018

  • 通过学习局部和全局形状先验层次来促进单视图 3D 重建的泛化

    该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

    Apr, 2021

  • 领域自适应的单视角三维重建

    本文提出了一种基于对抗训练的框架来解决单视角 3D 形状重建中存在的挑战，该框架通过降低自然和合成图像之间的差异、迫使重建在逼真的物体形状流形上以及实施其他约束来改进性能。实验结果表明，该方法优于基线模型，且采用简化模型即可达到与最先进方法相当的结果。

    Dec, 2018

  • 基于形状先验的单视角三维物体重建

    本文提出一种名为 Mem3D 的新方法，通过构建形状先验和使用基于 LSTM 的形状编码器，以及使用 Voxel Triplet Loss 函数来重建包含噪声和遮挡的 3D 物体形状，该方法在 ShapeNet 和 Pix3D 数据集上表现优异。

    Mar, 2020

  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020

  • 用于少样本全头重建的隐式形状和外观先验

    该研究利用坐标为基础的神经表示学习技术，在少样本条件下实现了全 3D 头部重建，并结合概率形状和外观先验，通过可微分渲染器引导符号距离函数的拟合过程，实现了高效准确的重建，同时利用 H3DS 数据集证明了该方法在几何重建方面具有出色的性能并比之前的方法快一个数量级。

    Oct, 2023

  • 基于多视角一致推理的三维形状补全

    本论文提出了一种基于多视角的 3D 物体形状填充方法，通过学习使用神经网络完成每个深度图像，能够在保证不过度远离已学习形状描述符的前提下，在多个视角之间实现几何一致性，优于之前的完成技术。

    Nov, 2019

  • 基于组合先验的少样本单视图三维物体重建

    本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

    Apr, 2020