MMSep, 2018

基于机器学习的几何体生成的反演散射方法

PDF
TL;DR本文介绍了一种利用机器学习和反散射技术生成具有预设特征值的几何体的新方法，其中利用 Helmholtz 系统以及由源散射问题的远场模式确定了几何体形状的生成器。此方法可生成高效和稳定的 3D 人体，并为进一步的研究提供了可能性。
发现论文，激发创造
  • 应用于 Li-Si 能量预测的三维原子系统的可导向小波散射

    通过使用三维信号的小波散射系数作为特征的普通机器学习架构，扩展了先前仅用于小有机分子回归的固体谐波小波散射变换的机器学习框架。 采用与平移和旋转等变的一般可转向小波，形成了一个目标函数的稀疏模型。 作为此方法的一个例子，使用平面波密度泛函理论方法生成的数据库对无定形锂硅材料状态的形成能线性回归模型进行了训练，结果产生了与其他类似生成的数据库上的机器学习方法相比的最先进结果。

    Nov, 2018

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 学习梯度场用于形状生成

    本文提出一种新颖的技术，通过随机梯度上升在未标准化概率密度上移动样本点来生成点云，使其达到类似真实高密度区域的效果，并通过该方法达到点云自编码和生成的最新成果，同时允许提取高质量的隐式表面。

    Aug, 2020

  • 应用物理信息的生成神经网络用于室内人体感知的射频传播预测

    该研究论文讨论了一种基于变分自编码器（VAE）的物理约束生成神经网络模型，用于模拟人体运动对电磁场的影响并融合电磁体绕射原理。通过与经典绕射基于电磁工具和全波电磁体模拟进行验证。

    May, 2024

  • 利用漫反射重建隐藏的三维形状

    研究了通过多次反射来还原隐蔽空间结构及使用不同相机还原三维物体的方法。

    Mar, 2012

  • 基于 GAN 的二维介质散射体电磁成像

    基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

    Feb, 2024

  • 基于几何散射的图数据分析

    本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和关联的能力，同时将我们的构建与之前的一些理论结果联系起来，这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。

    Oct, 2018

  • 从最少的数据中构建 3D 生成模型

    提出了一种从单个三维网格构建生成模型并通过无监督低级别学习从二维图像中改进的方法，该方法生成了一个 3D 可变形模型，该模型由高斯过程表示形状和色调，从单个扫描或模板构建 3D 可变形模型的方法比以往的方法更优秀， 并已在面部领域得到了证明。

    Mar, 2022

  • 从表面几何学生成人体 X 射线合成图像

    这篇论文提出了一种新的框架，学习如何从身体表面预测人体解剖结构，并生成合成的 X 射线图像，从而克服医学领域中训练数据障碍，同时该框架也可用于图像修复和异常检测。

    May, 2018

  • 神经小波扩散用于 3D 形状生成、反转和操作

    本文提出了一种基于连续小波嵌入式表示的 3D 形状生成、反演、操纵方法，包括紧凑的小波表示、扩散生成器、细节预测器、编码器等，实现了较为强大的形状生成、反演、操纵能力，优于现有的最新方法。

    Feb, 2023