3DN: 3D 变形网络
通过将网格生成相关的微分方程嵌入神经网络的损失函数中,我们提出了一种新的方法,3DMeshNet,用于三维结构化网格的生成。该方法以几何点为输入,学习参数化和计算域之间的潜在映射,并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明,3DMeshNet 稳健且快速,并且与传统的网格划分方法相比,产生优越的网格,并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间,将网格生成开销降低了 4 至 8 倍。
May, 2024
本文提出了一种新颖的用于单视角图像重构三维模型的方法 ——Deep Implicit Surface Network (DISN), 结合全局和局部图像特征以显著提高预测精度,能够捕捉 3D 形状中的细节,包括孔洞和薄结构等,并且在多类形状的合成与实际图像重构中达到了最优性能。
May, 2019
本论文提出了一种新的深度学习模型 DeformNet,利用自由形变层和形状检索来实现从单张图片中进行 3D 重建,相较于其他现有方法有更好的表现。
Aug, 2017
该研究论文介绍了一种新的神经网络结构 DeformerNet,可以帮助机器人处理和变形 3D 有弹性物体的操作,从而可靠地完成手术子任务,无需事先制作特定形状。
May, 2023
本文提出了一种新型的级联框架 —— 深度变形网络(DDN),用于定位非刚性物体中的标志物。DDN 能够在卷积神经网络(CNN)框架中融合几何约束,同时具有训练的简易和效率以及应用的广泛性。
May, 2016
使用图卷积网络从多角度图像中预测一系列形状变形,以进一步提高 3D 网格表征的形状质量,从而获得高精确度、高可靠性且具有普适性的 3D 模型。
Aug, 2019
我们提出了 3Deformer,这是一个用于交互式三维形状编辑的通用框架。通过利用语义图像对源网格进行形状引导,同时尽可能保持源拓扑结构的刚性,3Deformer 能够精确编辑源网格。我们的方法不需要高成本的三维训练数据集,只需利用易得的语义图像作为监督,并且可以在各种不受数据集限制的对象上进行编辑。通过引入分层优化架构和各种策略和损失函数,我们克服了使用简单的二维图像对复杂三维形状进行引导所带来的挑战,从而提高了准确性、平滑度和刚性。大量实验证明,我们的 3Deformer 能够产生令人印象深刻的结果,并达到了最先进水平。
Jul, 2023
介绍了 3DRegNet 技术,它是一种用于三维扫描配准的深度学习架构,基于点对应关系分类为内点 / 外点,回归运动参数,提供了两种替代方案,并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法,包含源代码。
Apr, 2019
通过直接操作少量顶点,结合几何 ARAP 正则化器和基于大规模扩散模型的 2D 先验,我们提出了一种名为 DragD3D 的局部网格编辑方法,实现全局上下文感知的逼真变形。我们的研究表明,我们的变形方法比仅使用几何正则化器获得更好的结果,且能够意识到对象的全局上下文。
Oct, 2023
SDM-NET 是一种深度生成神经网络,用于生成符合形状集合全局部分结构的有结构变形的网格,并通过部分 VAE 在部分几何形状和结构 VAE 的联合学习来确保全局形状结构和表面详情之间的一致性。
Aug, 2019