Scan2Mesh: 从非结构化的范围扫描到 3D 网格
本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架,它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体,相比之前的工作,我们不依赖于轮廓和标记来进行三维重建,并在合成和真实数据集上进行了很有前途的实验结果验证。
Nov, 2017
本文提出了一种创新框架来实现从不同 3D 扫描数据库中共同学习非线性面模型,并建立其扫描之间的稠密点对点对应关系,通过使用 PointNet 架构将输入扫描作为无组织的点云进行转换,从而恢复其 3D 面形,并采用弱监督学习方法来提高方法的稠密对应和表征能力,有助于单帧 3D 面重建。
Feb, 2019
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
Scan2CAD 是一种数据驱动的方法,可以学习将形状数据库中的 3D CAD 模型对齐到商品 RGB-D 扫描的噪声和不完整几何形状中,其可用于室内场景的三维重建。该方法使用三维卷积神经网络来预测 CAD 模型与其对应扫描对象之间的对应关系,并通过变分能量最小化将 CAD 模型与重构对齐,其在 Scan2CAD 基准测试中表现优异。
Nov, 2018
ScanTalk 是一个新的框架,利用 DiffusionNet 架构来解决面部固定拓扑结构的限制,实现任意拓扑结构的 3D 面部动画。通过与现有技术的全面比较,验证了该方法生成与现有技术可媲美的逼真说话头部的有效性。
Mar, 2024
提出了一种从无结构点云中重建网格的新框架,通过利用虚拟视图中三维点的可见性和基于传统图割的网格生成。与其他基于学习的方法相比,该方法只在二维二分类任务上进行学习,更加普适和实用。实验表明,在小型复杂物体上,该方法具有良好的可传递性和鲁棒性,并与最先进的学习方法相比具有竞争优势,并且在大型室内和室外场景中表现出色。
Aug, 2021
论文提出了一种统一框架,用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习,只需要单个实例的 2D 图像,使用网格作为输出表示,并利用光照信息提高了性能。实验结果表明,该方法在定量度量上与最新的基于体素方法相当或优于,而且结果更加美观,并且在弱监督学习方面表现良好。
Jul, 2018
提出一种利用自监督的方法,将部分和嘈杂的 RGB-D 扫描转换为高质量的 3D 场景重建,从而实现预测未观测到的场景几何形状,并通过新的 3D 稀疏生成神经网络架构来生成高分辨率的 3D 场景表面并提高重建质量。
Nov, 2019