基于距离场的深度参数化形状预测

CVPRApr, 2019

基于距离场的深度参数化形状预测

Deep Parametric Shape Predictions using Distance Fields

Dmitriy Smirnov, Matthew Fisher, Vladimir G. Kim, Richard Zhang, Justin Solomon

TL;DR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。

Abstract

Many tasks in graphics and vision demand machinery for converting shapes into consistent representations with sparse sets of parameters; these representations facilitate rendering, editing, and storage. When the source data is noisy or ambiguous, however, artists and engineers often manually construct such representations, a tedious and potentially time-cons

parametric shape primitives deep learning distance fields 2d and 3d tasks surface abstraction

发现论文，激发创造

深度估计三维形状中尖锐几何特征

提出了 Deep Estimators of Features（DEFs）框架，用于通过标量场回归来准确地预测采样的 3D 形状的尖锐几何特征，并使用该方法来从点云数据中恢复尖锐特征线的显式表示。

Nov, 2020

基于射线的形状表示的概率定向距离场

在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

Apr, 2024

深度功能映射：用于稠密形状对应关系的结构化预测

该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

Apr, 2017

学习梯度场用于形状生成

本文提出一种新颖的技术，通过随机梯度上升在未标准化概率密度上移动样本点来生成点云，使其达到类似真实高密度区域的效果，并通过该方法达到点云自编码和生成的最新成果，同时允许提取高质量的隐式表面。

Aug, 2020

对抗生成连续的隐式形状表示

本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

Feb, 2020

神经无符号距离场用于隐函数学习

本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

Oct, 2020

MetaSDF: 元学习符号距离函数

该论文讨论了神经隐式形状表示的基本概念，比传统的离散表示具有更好的记忆效率和更高的空间分辨率，并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力，从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级，同时超过基于编码器 - 解码器的池化网络集合编码器方法。

Jun, 2020

3D-PRNN: 使用循环神经网络生成形状基元

该研究提出了基于 3D 图像的简单部件抽象形状表示方法，使用生成递归神经网络和高斯场生成大规模数据集，得到比另一种形状检索方法更好的结果。

Aug, 2017

深度局部形状：学习本地 SDF 先验用于详细三维重建

利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建，将场景分解成局部形状以降低模型的复杂度和提高推导效率。

Mar, 2020

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