Oct, 2018

学习面向材料感知的三维形状局部描述符

PDF
TL;DR通过拍摄来自不同视角的 3D 点的表征，利用投影卷积神经网络架构来学习物质感知描述符，从而实现物质感知的 3D 形状分析，并且通过众包的方式构建了一个 3D 形状数据集，证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。
material-aware 3d shape analysisconvolutional neural networkcrowdsourcingmesh-aware conditional random fieldautomatic texturing
发现论文，激发创造
  • 学习多尺度表示用于材料分类

    研究利用多尺度编码过程中的规模信息，将特征学习用于材料识别，结果表明我们的所学特征优于手工描述符。

    Aug, 2014

  • 使用多视卷积网络从部分对应学习本地形状描述符

    本文提出了一个新的适用于 3D 形状的本地描述符，通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节，该技术可用于点对应，语义分割和形状匹配等形状分析领域。

    Jun, 2017

  • 几何计算辅助的材料识别

    本研究旨在以图像和几何信息为基础来识别材料类别。我们提出了一个新的数据集来研究如何使用 3D 几何信息和 2D 特征来提高材料分类的准确性，并且结果表明联合和独立地使用 2D 和 3D 特征来模拟材料可以提高材料分类的准确性。

    Jul, 2016

  • 从图像集合学习类别特定的网格重建

    本文提出一种学习框架，可以从单个图像中恢复物体的 3D 形状、相机、和纹理，使用一个可变形的 3D 网格模型来表示形状，在不依赖于地面真值 3D 或多视图监督的情况下，利用注释的图像集进行训练并学习 3D 预测机制与可变形模型。作者还展示了可以轻松将语义关键点与预测的形状相关联，并在 CUB 和 PASCAL3D 数据集上展示了我们的方法的定性和定量结果。

    Mar, 2018

  • 学习局部邻域结构以实现鲁棒的三维形状表示

    本文提出了一种局部结构感知的各向异性卷积操作（LSA-Conv），利用自适应加权矩阵和共享各向异性滤波器来学习三维形状数据的表示，从而实现了比现有方法更好的三维形状重构。

    Apr, 2020

  • PhotoShape: 大规模形状收集的真实感材质

    利用图像引导并借助三种类型的在线数据，包括形状集合、物质集合、及照片集合，使用大规模 3D 形状集合自动分配高质量、逼真的外观模型，利用卷积神经网络在大量合成的渲染图像中训练材料分类，再通过 3D-2D 对齐技术将材料传输到每个形状的不同部位，从而生成光真实、可重新采光的 3D 形状（PhotoShapes)。

    Sep, 2018

  • 一份 4D 光场数据集及用于材料识别的 CNN 架构

    介绍了一个新的光场数据集，并利用深度学习在 4D 光场上进行材料识别。实验中，最佳表现的 CNN 架构相比 2D 图像分类提高了 7％（从 70％到 77％），这些结果构成了对 CNN 应用于光场应用的重要基线。

    Aug, 2016

  • 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

  • 学习描述符网络用于三维形状合成和分析

    本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。

    Apr, 2018

  • 多样化可变形形状集合的无监督表示学习

    我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。

    Oct, 2023