Jan, 2019

GEOMetrics: 利用几何结构对编码为图的物体进行优化

PDF
TL;DR本文提出了一种基于图卷积的自适应分裂启发式方法，利用几何对象的图表示的附加结构来提高重建，优化本地表面和全局结构，应用于 ShapeNet 数据集的 3D 物体重建任务中，生成了具有最先进表现的自适应网格。
mesh modelsgraph convolution3d object reconstructionadaptive meshesgeometric structure
发现论文，激发创造
  • Image2Mesh: 单张图像三维重建的学习框架

    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

  • 利用几何度量实现网格不变的三维生成深度学习

    该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

    Jun, 2023

  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • MeT：用于三维网格语义分割的图变换器

    提出了一种基于 Transformer 以及 Laplacian 特征编码的多边形网格的语义分割方法，并在 Shape COSEG 数据集、人类分割数据集以及 ShapeNet 基准上实现了最先进的性能。

    Jul, 2023

  • 神经递进网格

    通过使用分级细节技术和渐进式网格表示方法，在大量三维几何数据的传输过程中提高质量并降低带宽成本。

    Aug, 2023

  • LaplacianNet：基于 Laplacian 编码和汇聚的三维网格学习

    在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

    Oct, 2019

  • 带边缘收缩池化的 Mesh 变分自编码器

    本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对 3D 表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。

    Aug, 2019

  • 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

  • DC-GNet：用于 3D 人体形状重建的深度网格关系捕获图卷积网络

    本文提出了一种基于图卷积神经网络的深度网格关系捕捉方法，结合形状完整性任务实现单张图像的 3D 人体形状重建，通过在网格节点之间的深度关系编码来解决预定义邻接矩阵的局限性，并通过形状完成任务来学习各种遮挡情况的先验知识减轻了性能退化问题。

    Aug, 2021

  • 原始对偶网格卷积神经网络

    本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

    Oct, 2020