Jan, 2019

DeepSpline: 参数曲线和曲面的数据驱动重建

PDF
TL;DR本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。
geometry reconstructioncomputer aided designcomputer graphicsspline-based representationsdeep learning architecture
发现论文，激发创造
  • 使用图形样条网络学习高效的代理动态模型

    提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

    Oct, 2023

  • 神经样条：用无限宽神经网络拟合三维曲面

    介绍了一种基于无限宽的 ReLU 神经网络随机特征内核的 3D 表面重建技术，它能够超越最近的神经网络技术和 Poisson 表面重建方法，提供了一种简单且易于分析的内核公式，并证明其为更高维度的三次样条插值的推广。

    Jun, 2020

  • 从多视角图像曲线到 3D 绘图

    该论文提出了一种将 2D 图像曲线组合成 3D 曲线集合，构建具有拓扑连接性的 3D 图形的方法，以实现对 3D 场景的结构化表示和重建。

    Sep, 2016

  • SplineCNN：使用连续 B 样条核进行快速几何深度学习

    本文提出了用于不规则结构和几何输入的变体卷积神经网络 —— 基于样条的卷积神经网络，其创新之处在于基于 B 样条的卷积算子，使得计算时间不受卷积核大小的影响。作者在图像图形分类、形状对应和图节点分类等任务中验证了该方法的有效性。

    Nov, 2017

  • 通过学习可微分表面表示进行形状重建

    本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。

    Nov, 2019

  • 基于距离场的深度参数化形状预测

    该论文提出了使用深度学习对参数化形状基元进行预测的新框架，并使用距离场在像素网格上在控制点和输入数据之间进行转换，展示在二维和三维任务中，包括字体矢量化和表面抽象。

    Apr, 2019

  • 深度几何先验用于表面重建

    使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

    Nov, 2018

  • Pix2Surf：从图像中学习物体的参数化 3D 表面模型

    本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

    Aug, 2020

  • 通过高效的 B 样条路径构建加速基于深度神经网络的本地汽车行驶规划

    本文介绍了如何将 B-spline 与神经网络结合，通过引入一种新的 B-spline 路径构建方法，实现在约 11ms 内快速生成满足环境和汽车动力学约束条件的局部机动，在 Bench-MR 框架下，该方法在所考虑的任务中表现出远超其它规划器的高效性。

    Mar, 2022

  • ParSeNet: 用于 3D 点云的参数曲面拟合网络

    该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。

    Mar, 2020