Sep, 2018

自适应 O-CNN：基于块的三维形状深度表示

PDF
TL;DR提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八分之一上用平面路径表示三维形状，在减少内存和计算成本的同时提供了比现有的 3D-CNN 方法更好的形状生成能力。
adaptive o-cnn3d shapeconvolutional neural networkoctreeplanar patch
发现论文，激发创造
  • O-CNN: 基于八叉树的卷积神经网络用于三维形状分析

    O-CNN 是一种基于八叉树结构的 3D 形状分析卷积神经网络，通过将 3D 模型的平均法向量作为输入并在被 3D 形状表面占用的八叉树执行 3D 卷积操作，在 GPU 上高效执行整个网络的训练和评估，在物体分类、形状检索和形状分割等三个任务上显示出高效和有效性。

    Dec, 2017

  • Octree 生成网络：用于高分辨率 3D 输出的高效卷积架构

    本文介绍一种基于深度卷积解码器的体积 3D 输出生成体系结构，该体系结构采用八叉树表示方式，在使用有限内存的同时提升生成分辨率，适用于多种应用领域，包括 3D 自编码器、基于单张图片的 3D 形状生成等。

    Mar, 2017

  • 基于深度八叉树卷积神经网络的输出引导跳跃连接用于 3D 形状和场景完整性

    用深度学习方法，采用 O-CNN 和 U-Net 结构，在保留输入几何形状和从数据中学习几何形状之前，通过引入新的输出引导跳过连接的网络结构对输入的嘈杂和不完整形状或场景进行了完整性处理，并在三维形状完整性和语义场景计算方面取得了最先进的结果。

    Jun, 2020

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • ACORN：神经场景表示的自适应坐标网络

    提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

    May, 2021

  • OA-CNNs: 三维语义分割的全能自适应稀疏卷积神经网络

    通过提出自适应感受野和自适应关系两个核心组件，我们发现在保持计算成本最小的前提下，纯稀疏卷积神经网络在室内外场景中的准确性方面优于点云变换网络，且速度至少有 5 倍之多的提升。这一发现突显了纯稀疏卷积神经网络超越变换网络的潜力。

    Mar, 2024

  • 基于函数空间学习三维重建的占用网格

    本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

    Dec, 2018

  • 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

  • 基于形状概念的深度监督算法用于考虑遮挡的三维物体分割

    本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。

    Dec, 2016

  • 动态平面卷积占据网络

    本研究提出了一种新型的动态平面卷积占据网络 (Dynamic Plane Convolutional Occupancy Networks)，它可以通过编码点云并将其投影到多个 2D 动态平面上，使用全连接网络来预测最佳的平面参数，进而从未定向的点云中实现更优秀的表面重建。该方法在 ShapeNet 和室内场景数据集上均表现出优越性能，并对学习到的动态平面的分布提供了有趣的观察结果。

    Nov, 2020