CVPRMar, 2019

PartNet：一种用于细粒度和分层形状分割的递归部件分解网络

PDF
TL;DR本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有 state-of-the-art 的性能。
deep learning3d shape segmentationhierarchical segmentationrecursive neural networksfine-grained segmentation
发现论文，激发创造
  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • PartNet：大规模精细和分层 3D 对象部件理解基准测试

    本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

    Dec, 2018

  • 学习三维物体的细粒度分割，无需部件标签

    本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

    Mar, 2021

  • 基于分层部位注意力的细粒度三维形状分类

    FG3D-Net 是一种用于 3D 形状分类的方法，它通过引入 fine-grained 的数据集和 part-view attention 等技术，提高了在 3D 形状细分类别上的识别精度。

    May, 2020

  • 通过部件检索和组装实现非监督式三维形状重建

    通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

    Mar, 2023

  • 多元部分合成用于 3D 形状创建

    采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

    Jan, 2024

  • Parts4Feature: 从多视图中的语义部分学习 3D 全局特征

    本文介绍了一种名为 Parts4Feature 的深度学习网络，它可以从多视图的部分级信息中学习三维全局特征，利用多重关注机制将检测到的部分聚合到全局特征中， 并通过区域建议模块将局部和全局信息相互促进，从而实现了在三大 3D 形状基准测试中的良好表现。

    May, 2019

  • 从在线仓库学习分层形状分割和标记

    该论文提出了一种将几何形状转化为分层分割部件的方法，并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状，最终完成对几何和部件之间的可视化分层和标记，实现了对物体和它们所包含的部分的分层和标记的应用。

    May, 2017

  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

    Jun, 2018

  • 学习分组：一种针对未见类别的底部向上的三维零件发现框架

    本研究提出一种基于学习的聚合聚类框架，在提取局部上下文以促进泛化到未知类别的情况下，学习部件的几何先验知识，并在不看到任何注释样本的情况下将其应用到未见过的类别中，实现了对大规模细粒度 3D 零件数据集 PartNet 的有效分割。

    Feb, 2020