MeshCNN: 一种具有边缘的网络
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020
本文介绍了 SubdivNet,一个创新且多功能的卷积神经网络框架,用于具有 Loop 细分序列连接性的三维三角网格,其利用网格卷积算子从附近面收集局部特征,支持标准的 2D 卷积网络概念并应用于 3D 三角网格结构中,通过深度池化和上采样等方式可轻松调整 2D CNN 结构以处理 3D mesh。
Jun, 2021
本研究提出了一种名为 MeshNet 的 Mesh 神经网络,用于从 Mesh 数据中学习 3D 形状表达,并应用于 3D 形状分类和检索任务,并通过与其他方法的比较,证明了该方法的有效性。
Nov, 2018
在处理 3D meshes 方面,Laplacian spectral analysis 和 Mesh Pooling Blocks(MPBs)的结合可以更好地处理表面的局部池化和全局信息聚合,并使用 Correlation Net 计算相关矩阵来进行形状分割和分类,模型表现优良。
Oct, 2019
本文提出了一种基于图卷积的网格平均池化方法,使用改进型网格简化避免产生高度不规则的三角形。在此基础上,提出了一种利用边缩减池化和图卷积的自动编码器结构,能够对 3D 表面进行概率潜空间的探索,并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。
Aug, 2019
该论文提出了一种新的神经网络模块 EdgeConv,用于处理点云数据的图形分类和分割任务,它在每个层动态计算出图形,具有可堆叠和可微性等优点,并通过一些标准基准测试展示了优异性能。
Jan, 2018
提出了 DualConvMesh-Nets (DCM-Net) 模型,它是一种基于 3D 几何数据的深层分层卷积神经网络,结合了两种卷积类型:测地线卷积和欧几里得卷积,并且还采用了几何处理领域中的网格简化方法来定义网格池化和反池化运算。实验结果表明,我们提出的模型在 3D 语义分割任务上取得了显著的性能提升并在三个场景分割基准测试中获得了竞争性的结果。
Apr, 2020
本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法,通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索,与竞争方案相比,该架构具有更稳定的性能。
Nov, 2018
本文提出了一种新方法 MeshWalker,利用随机游走算法,在三角网格结构的 3D 形状中探索和学习几何和拓扑特征。该方法在形状分类和语义分割方面表现良好,并且仅需要很少量的样本即可进行学习。
Jun, 2020
该研究提出了一种称为 Mesh R-CNN 的系统,将 2D 感知和 3D 形状预测相结合,通过预测三角形网格的方式获取检测物体的完整 3D 形状,并在 Pix3D 上应用该系统来共同检测物体和预测它们的 3D 形状。
Jun, 2019