3DViewGraph: 基于无序视角图的全局特征学习模型，利用注意力机制对三维模型进行处理

IJCAIMay, 2019

3DViewGraph: 基于无序视角图的全局特征学习模型，利用注意力机制对三维模型进行处理

3DViewGraph: Learning Global Features for 3D Shapes from A Graph of Unordered Views with Attention

Zhizhong Han, Xiyang Wang, Chi-Man Vong, Yu-Shen Liu, Matthias Zwicker...

TL;DR本文提出了一种名为 3DViewGraph 的方法，该方法通过引入注意力机制，学习 3D 全局特征，解决了池化操作可能导致信息丢失和影响学习特征判别性的限制问题，并在三个大规模基准测试中展现出优异性能。

Abstract

Learning global features by aggregating information over multiple views has been shown to be effective for 3d shape analysis. For view aggregation in deep learning models, pooling has been applied extensively. Ho

3d shape analysis view aggregation deep learning latent semantic mapping attention mechanism

发现论文，激发创造

分层视图预测器：通过无序视图之间的分层预测实现无监督的三维全局特征学习

本文提出了一种名为 Hierarchical View Predictor (HVP) 的基于深度学习的视图模型，以无监督的方式从无序视图中学习 3D 形状特征，并在形状分类和检索方面呈现出超越当前最先进方法的性能。

Aug, 2021

View Inter-Prediction GAN：学习全局形状记忆支持局部视图预测的无监督三维形状表示学习

该研究提出了一种基于 RNN 的神经网络架构的无监督 3D 形状表征学习方法，通过对多视角间预测任务的训练，实现了对多个形状的形状特定全局记忆的共享，从而取得了在三大规模 3D 形状基准测试中的优异表现。

Nov, 2018

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

深层特征集的强鲁棒性注意聚合在多视角三维重建中

本文提出一种新的前馈神经模板 ——AttSets，以及一个专门的 FASet 训练算法，用于多视图的 3D 重建。AttSets 模块是置换不变的，计算效率高且易于实现，而 FASet 算法使基于 AttSets 的网络非常稳健，并且在多个公共数据集上确切地证明了 AttSets 与 FASet 算法的优越性。

Aug, 2018

用于学习类别特定形状重建的多视图聚合

本文研究了从未观察到的物体实例的可变数量的 RGB 视图学习特定类别的 3D 形状重建问题，并提出了一种可以估计密集 3D 形状并在多个和不同数量的输入视图上聚合形状的方法。

Jul, 2019

3D 物体检索的 N-gram 网络

本文介绍了一种名为 View N-gram Network (VNN) 的高效框架，通过将视图序列划分为一组视觉 n-gram，VNN 可以捕获多个视图间的空间信息，从而帮助学习每个 3D 对象的判别性全局嵌入。在诸如 ModelNet10、ModelNet40 和 ShapeNetCore55 等 3D 形状检索基准测试中，我们的方法表现出优越性。

Aug, 2019

可学习的图卷积网络和特征融合用于多视角学习

本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

Nov, 2022

深度三维可塑模型的特征聚合学习

本文介绍了基于深度学习的 3D 变形模型，提出了一种基于注意力机制的模块来优化特征汇聚，通过端到端训练映射矩阵来实现在现有架构上对特征汇聚的替代，取得了在多个 3D 模型数据集上的最新成果。

May, 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

多视角自适应图卷积用于图分类

该研究提出了一种新的基于图的神经网络的多视图方法，它开发了一种系统和方法论的调整，针对非欧几里得流形的上下文进行了卷积、池化和多视图结构等经典深度学习方法的关键概念，提出了一种新的基于视图的卷积层和新的视图池化层，以综合从多个视图生成的信息，并在端到端的图神经网络架构中用于图分类，并展示了与其他最先进方法相竞争的结果。

Jul, 2020